8.6 KiB
8.6 KiB
#策略研究 #量化交易 #邢不行B圈量化 #Python学习
经过较为充实的一个半月，我通过邢不行B圈量化课程学习了Python基础、pandas基础以及选股框架的使用，在选股框架下跑出了一些回测，甚至还跑出了不小的超额收益。但正如我在有交易框架，也要自己从头把轮子造一遍中所提到的那样：
我还没有入门，只是学会了某种路径依赖下的某种工具而已。起码在当时是这样的。我自己关于策略的构想，对于代码的应用在那个时候远远称不上入门，也没有实践。在随后的路上，我的主要工作还会是依赖于框架这一点我是坚信的。但是自己的基础夯实也是刻不容缓的。
因此，我坚定的朝造自己的轮子这一方向而努力。长时间的深入思考，才有可能灵光一闪中有具体阐述。经过自己创造出的脚本，目前实现了从数据获取、数据整理、交易所API通信、ta指标计算、条件下单的完整小模型，已实现最小化运行。甚至可以说是一个小的择时框架。
在此基础上，可以添加任意指标（现阶段已实现开高收低量计算出的一系列指标），可以加入多时间框架，下一步写通回测代码之后，还可以基于历史数据进行策略的回测。或者结合选股框架，选出符合筛选条件的投资标的后转入择时则略，通过买卖条件执行交易。
宏观的讲，选币框架有了，择时策略的框子搭出来了，下下功夫就可以写出一个可以实盘运行的策略了。基础设置的搭建算是有了方向，仍需精进努力。我的目标，是把编程和框架应用熟悉到毫不费力就能写出自己的策略的程度，现在还远远不够。
下一步，一是完善这个脚本，使用布林带和RSI，在1倍杠杆的情况下，对选定币种进行交易。需要完善移动止损、订单追踪和平仓功能。目前还是一种下单就丢的状态，或者可以下止盈止损订单，但是下过之后没有更改滚动的功能。二是在其中加入adx、atr等指标进行过滤，减少交易风险。三是编写完成后利用纯代码而不是框架进行回测，要实现基本的盈利。四是最终投入服务器实盘运行，没有别的重大因素的干扰，保持长期运行。五是根据系统自己下单订单进行跟踪复盘，为下一步构建自己能长期稳定运行的策略打好基础。
对于多时间框架中，趋势、K线形态的分析，在这个脚本部署之后进行重点研究。研究完成后，对现有策略进行更新，使其更加结合趋势或区间进行交易。
再之后，对backtrader框架进行研究，读读说明文档，看看社区，提升自己利用框架进行交易的能力，最终我想要的是一种随心所欲，这是现阶段邢不行课程的选股框架给不了我的。
代码如下：
import time
import pandas as pd
import ccxt
from datetime import timedelta
import pandas_ta
import talib
# ====================================================================================================
# =====格式设置
# ====================================================================================================
pd.set_option('display.max_rows', 1000)
pd.set_option('expand_frame_repr', False) # 当列太多时不换行
# 设置命令行输出时的列对齐功能
pd.set_option('display.unicode.ambiguous_as_wide', True)
pd.set_option('display.unicode.east_asian_width', True)
# ====================================================================================================
# =====创建ccxt交易所
# ====================================================================================================
BINANCE_CONFIG = {
'apiKey': '',
'secret': '',
'proxies': {'http': '127.0.0.1:33210', 'https': '127.0.0.1:33210'}
}
exchange = ccxt.binance(BINANCE_CONFIG)
# list = ['DOGEUSDT', 'ETHUSDT', 'BTCUSDT']
#
# # for symbol in list:
symbol = 'ETHUSDT'
time_interval = '1m' # 其他可以尝试的值：'1m', '5m', '15m', '30m', '1h', '2h', '1d', '1w', '1M', '1y'，并不是每个交易所都支持
bar_num = 1000 # 获取K线的数量
params = {'symbol': symbol, # 交易币对
'interval': time_interval, # 时间间隔
'limit': bar_num} # 数据条数
# ====================================================================================================
# =====获取K线数据
# ====================================================================================================
response = exchange.fapiPublicGetKlines(params=params)
k_lines = pd.DataFrame(response)
# print(k_lines)
# =====整理K线数据
df = pd.DataFrame(response, dtype=float) # 将数据转换为dataframe
df.rename(columns={0: 'MTS', 1: 'Open', 2: 'High',
3: 'Low', 4: 'Close', 5: 'Volume'}, inplace=True) # 重命名
df['candle_begin_time'] = pd.to_datetime(df['MTS'], unit='ms') # 整理时间
df['candle_begin_time_GMT8'] = df['candle_begin_time'] + timedelta(hours=8) # 北京时间
df = df[['candle_begin_time_GMT8', 'Open', 'High', 'Low', 'Close', 'Volume']] # 整理列的顺序
# ====================================================================================================
# =====获取币对的最新价格
# ====================================================================================================
data = exchange.fapiPublicGetTickerPrice(params={'symbol': "ETHUSDT"})
price_ETH = data['price']
# ====================================================================================================
# =====通过pandas-ta计算指标并加入相关指标计算列
# ====================================================================================================
df.ta.sma(length=5, append=True, col_names="SMA_5") # 计算SM5指标
# 计算14日相对强弱指数（RSI）
df.ta.rsi(length=14, append=True, col_names="RSI_14") # [4,5](@ref)
# 计算MACD（12/26/9周期）
df.ta.macd(fast=12, slow=26, signal=9, append=True) # 默认列名：MACD_12_26_9, MACDs_12_26_9, MACDh_12_26_9 [2,7](@ref)
# 计算布林带（20日，2倍标准差）
df.ta.bbands(length=20, std=2, append=True) # 默认列名：BBL_20_2.0, BBM_20_2.0, BBU_20_2.0 [5,8](@ref)
# ====================================================================================================
# =====设置下单条件并执行
# ====================================================================================================
# if float(price_ETH) > float(df['Close'].iloc[-2]):
# print('价格上升')
# else:
# print('价格下降')
#
# print(price_ETH)
# print(df['Close'].iloc[-2])
# print(df['RSI_14'].iloc[-2] > 30)
# 以上为dataframe取数格式的测试，目前使用还不太熟练
## 调整杠杆倍率
params = {'symbol': 'ETHUSDT', # 交易币对
'leverage': 1,
'timestamp': int(time.time() * 1000)}
leverage = exchange.fapiPrivatePostLeverage(params=params)
print('调整开仓杠杆\n', leverage, '\n')
## 下单操作
num = 0
max_num = 2
# 使用变量来控制下单次数
params = {'side': 'BUY',
'symbol': 'ETHUSDT', # 交易币对
'type': 'LIMIT',
'price': price_ETH,
# 下单价格,在限价单的时候启用，将type换成LIMIT
# 此处用变量取代了课程中的数值。以后下单的价格可能需要复杂计算再储存在变量中，做测试。
'quantity': 0.01, # 下单数量
'timestamp': int(time.time() * 1000),
'timeInForce': 'GTC'} # https://academy.binance.com/zh/articles/understanding-the-different-order-types
while True:
if df['RSI_14'].iloc[-2] > 30 and df['RSI_14'].iloc[-1] < 30:
print('向下穿越rsi30，执行买入')
response = exchange.fapiPrivatePostOrder(params=params)
order_info = pd.DataFrame(response, index=['symbol'])
order_id = order_info['orderId'].iloc[0]
print('下单\n', order_info, '\n')
num += 1
# 此后这里还可以多个条件，组合多个指标的值
# RSI的使用作为一个参考
# 通过现有数据（开高收低量），已经可以计算出不少指标了。
else:
print('不符合交易条件，监控中')
time.sleep(5)
if num >= max_num:
break