10分钟打造WonderTrader上的期货日内交易策略

今天我们来用WonderTrader的python子框架wtpy来实际编写一个期货日内交易的策略。然后我们会先设定一组参数进行第一轮测试，再根据第一轮测试的结果，调整好参数以后，再进行第二轮测试。借此来演示一下wtpy中策略如何编写以及回测。

准备工作

安装wtpy。在安装了python3.6以上的计算机上执行一下命令。

$ pip install wtpy

或者直接下载whl文件到本地进行安装

阿里云镜像地址： https://mirrors.aliyun.com/pypi/simple/wtpy/

pipy地址： https://pypi.org/project/wtpy/#files

从github复制demo

我们选用期货回测demo来作为基准的demo进行修改。

期货回测demo下载地址： https://github.com/wondertrader/wondertrader/tree/master/demos/py/backtest_fut

准备历史回测数据

我们直接使用demo中自带的股指期货主力合约5分钟数据进行回测，文件名为CFFEX.IF.HOT_m5.csv。为了提高测试效率，我们只选取最后近两个月时间的数据进行回测，具体为2019年9月10日到2019年10月31日。

2019年9月10日的开盘价为3976.2,2019年10月31日收盘价为3879.0，区间涨幅为-2.44%。

确定策略算法

选择策略算法

我们选择比较经典的DualThrust作为我们策略的算法。一方面DualThrust流传了很久了，曾经有很多大机构都用这个模型获取到了足够多的收益；另一方面，DualThrust的算法复杂度比较低，比较适合我们作为演示策略来使用。

DualThrust的算法逻辑如下

用MAX(HH-LC,HC-LL)，作为计算上下边界的基准值，用今日开盘价作为基准价，然后用上边界系数和下边界系数，分别计算出上边界的价格和下边界的价格，当最新价突破上边界或者下边界的时候，就是我们发出信号的时候。但是在策略的实现中，我们还需要考虑到已有持仓的时候如何处理，所以最终的策略逻辑如下：

策略实现

参数说明

确定了策略的算法以后，我们需要确定策略模块的参数。参数的设置，要综合考虑策略本身的参数，以及模块使用的参数。最终我们确定了如下的参数：

    name        策略实例名称
    code        回测使用的合约代码
    barCnt      要拉取的K线条数
    period      要使用的K线周期，采用周期类型+周期倍数的形式，如m5表示5分钟线，d3表示3日线
    days        策略算法参数，算法引用的历史数据条数
    k1          策略算法参数，上边界系数
    k2          策略算法参数，下边界系数
    isForStk    DualThrust策略用于控制交易品种的代码

from wtpy import BaseStrategy
from wtpy import Context

class StraDualThrust(BaseStrategy):

    def __init__(self, name:str, code:str, barCnt:int, period:str, days:int, k1:float, k2:float, isForStk:bool = False):
        BaseStrategy.__init__(self, name)

        self.__days__ = days
        self.__k1__ = k1
        self.__k2__ = k2

        self.__period__ = period
        self.__bar_cnt__ = barCnt
        self.__code__ = code

        self.__is_stk__ = isForStk

    def on_init(self, context:Context):
        code = self.__code__    #品种代码
        if self.__is_stk__:
            code = code + "Q"

        context.stra_get_bars(code, self.__period__, self.__bar_cnt__, isMain = True)
        context.stra_log_text("DualThrust inited")

    def on_calculate(self, context:Context):
        '''
        策略主调函数，所有的计算逻辑都在这里完成
        '''
        code = self.__code__    #品种代码
        
        # 交易单位，主要用于股票的适配
        trdUnit = 1
        if self.__is_stk__:
            trdUnit = 100

        #读取最近50条1分钟线(dataframe对象)
        theCode = code
        if self.__is_stk__:
            theCode = theCode + "Q"
        df_bars = context.stra_get_bars(theCode, self.__period__, self.__bar_cnt__, isMain = True)

        #把策略参数读进来，作为临时变量，方便引用
        days = self.__days__
        k1 = self.__k1__
        k2 = self.__k2__

        #平仓价序列、最高价序列、最低价序列
        closes = df_bars["close"]
        highs = df_bars["high"]
        lows = df_bars["low"]

        #读取days天之前到上一个交易日位置的数据
        hh = highs[-days:-1].max()
        hc = closes[-days:-1].max()
        ll = lows[-days:-1].min()
        lc = closes[-days:-1].min()

        #读取今天的开盘价、最高价和最低价
        lastBar = df_bars.iloc[-1]
        openpx = lastBar["open"]
        highpx = lastBar["high"]
        lowpx = lastBar["low"]

        '''
        !!!!!这里是重点
        1、首先根据最后一条K线的时间，计算当前的日期
        2、根据当前的日期，对日线进行切片,并截取所需条数
        3、最后在最终切片内计算所需数据
        '''

        #确定上轨和下轨
        upper_bound = openpx + k1* max(hh-lc,hc-ll)
        lower_bound = openpx - k2* max(hh-lc,hc-ll)

        #读取当前仓位
        curPos = context.stra_get_position(code)/trdUnit

        if curPos == 0:
            if highpx >= upper_bound:
                context.stra_enter_long(code, 1*trdUnit, 'enterlong')
                context.stra_log_text("向上突破%.2f>=%.2f，多仓进场" % (highpx, upper_bound))
                #修改并保存
                self.xxx = 1
                context.user_save_data('xxx', self.xxx)
                return

            if lowpx <= lower_bound and not self.__is_stk__:
                context.stra_enter_short(code, 1*trdUnit, 'entershort')
                context.stra_log_text("向下突破%.2f<=%.2f，空仓进场" % (lowpx, lower_bound))
                return
        elif curPos > 0:
            if lowpx <= lower_bound:
                context.stra_exit_long(code, 1*trdUnit, 'exitlong')
                context.stra_log_text("向下突破%.2f<=%.2f，多仓出场" % (lowpx, lower_bound))
                #raise Exception("except on purpose")
                return
        else:
            if highpx >= upper_bound and not self.__is_stk__:
                context.stra_exit_short(code, 1*trdUnit, 'exitshort')
                context.stra_log_text("向上突破%.2f>=%.2f，空仓出场" % (highpx, upper_bound))
                return

    def on_tick(self, context:Context, stdCode:str, newTick:dict):
        return

第一轮回测

确定参数

我们采用股指期货主力合约5分钟K线进行回测，每次读取50条历史K线，用最近30条K线计算上下突破的边界，上边界系数初步定为0.1，下边界系数也初步定为0.1。

修改runBT.py中策略的参数，然后运行runBT.py。

from wtpy import WtBtEngine
from wtpy.backtest import WtBtAnalyst

from Strategies.DualThrust import StraDualThrust

if __name__ == "__main__":
	#创建一个运行环境，并加入策略
	engine = WtBtEngine()
	engine.init('.\\Common\\', "configbt.json")
	engine.configBacktest(201909100930,201910311500)
	engine.configBTStorage(mode="csv", path=".\\storage\\")
	engine.commitBTConfig() #代码里的配置项，会覆盖配置文件configbt.json里的配置项

	'''
	创建DualThrust策略的一个实例
	name    策略实例名称
	code    回测使用的合约代码
	barCnt  要拉取的K线条数
	period  要使用的K线周期，m表示分钟线
	days    策略算法参数，算法引用的历史数据条数
	k1      策略算法参数，上边界系数
	k2      策略算法参数，下边界系数
	isForStk    DualThrust策略用于控制交易品种的代码
	'''
	straInfo = StraDualThrust(name='pydt_IF', code="CFFEX.IF.HOT", barCnt=50, period="m5", days=30, k1=0.1, k2=0.1, isForStk=False)
	engine.set_strategy(straInfo)

	#开始运行回测
	engine.run_backtest()

	#创建绩效分析模块
	analyst = WtBtAnalyst()
	#将回测的输出数据目录传递给绩效分析模块
	#init_capital为初始资金规模
	#rf为无风险收益率
	#annual_trading_days为每年的交易日天数，用于计算年化收益
	analyst.add_strategy("pydt_IF", folder="./outputs_bt/pydt_IF/", init_capital=500000, rf=0.02, annual_trading_days=240)
	#运行绩效模块
	analyst.run()

	kw = input('press any key to exit\n')
	engine.release_backtest()

回测执行结束以后，打开自从生成的绩效分析报告文件，查看绩效分析结果

然后打开成交日志文件，查看成交明细

……

回测结果分析

从上面的绩效报告可以看出，在这组参数下，时间从2019年9月10日到2019年10月31日下午收盘截止，总共产生了370笔交易，即完整的开平370个回合，换算成成交的话，就是740次成交。

虽然交易次数很多，但是收益却很不理想，2个月不到的时间，50w的资金，总共亏损了近10w，约20%。从上面的截图，我们可以看到，在最后一笔出场的时候，总盈亏是4,980.00，也就是说策略的逻辑到最后是盈利的，但是盈利的金额很小。让我们再看一下每天结算的资金情况。

从上图我们可以看到，2个月的时间，佣金一共花费了104,775.82，所以账户总盈亏是-99,795.82。这样我们就可以大致得出一个结论：因为上下边界不够宽，所以有很多噪音信号，也触发了买卖的逻辑，从而导致买卖频繁，佣金过高，最终导致亏损。

第二轮回测

重新调整参数

根据上一轮的结果分析，我们需要把上边界和下边界拓宽，从而过滤掉一些噪声波动，减少信号个数。所以我们第二轮回测，将上边界系数改成0.5，将下边界系数改成0.3。

修改runBT.py，然后运行runBT.py进行回测

straInfo = StraDualThrust(name='pydt_IF', code="CFFEX.IF.HOT", barCnt=50, period="m5", days=30, k1=0.5, k2=0.3, isForStk=False)

再查看绩效报告

再分析结果

从第二轮的绩效报告可以看出，当边界拓宽以后，交易信号减少到了14个回合，但是交易收益却达到了24,060.00，约为第一轮收益的5倍，而佣金却只有1,453.02元，比第一轮的佣金低了两个量级。最终累计收益也由第一轮的-19.96%提升到盈利4.31%，相对于-2.44%的基准收益率，相对收益率达到6.75%。（这个算法对不对？:orz:）

结束语

上面演示了在WonderTrader上构建一个期货日内交易策略的基本过程。回测稳定以后，策略就可以不作任何修改的直接放到实盘里去运行了。希望能够对大家有所启发。

WonderTrader是我们团队刚刚开源的量化交易平台。文档和demo方便还有待完善，期待有更多的人来使用并提出宝贵意见。

最后再打一波广告：

WonderTrader的github地址： https://github.com/wondertrader/wondertrader

WonderTrader官网地址： https://wondertrader.github.io

编辑于 2020-04-26 15:46

期货交易

量化

量化交易