In [1]:
from __future__ import print_function
from __future__ import division
import warnings
warnings.filterwarnings('ignore')
warnings.simplefilter('ignore')
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import os
import sys
# 使用insert 0即只使用github，避免交叉使用了pip安装的abupy，导致的版本不一致问题
sys.path.insert(0, os.path.abspath('../'))
import abupy
# 使用沙盒数据，目的是和书中一样的数据环境
abupy.env.enable_example_env_ipython()
上一节使用AbuFactorBuyBreak和AbuFactorSellBreak且混入基本止盈止损策略AbuFactorAtrNStop， 风险控制止损策略AbuFactorPreAtrNStop，利润保护止盈策略AbuFactorCloseAtrNStop来提高交易的盈利效果。
本节将继续在上一节回测的基础上示例择时策略其它使用方法，首先完成上一节的回测准备，如下所示：
In [2]:
from abupy import AbuFactorBuyBreak, AbuFactorSellBreak
from abupy import AbuFactorAtrNStop, AbuFactorPreAtrNStop, AbuFactorCloseAtrNStop
from abupy import ABuPickTimeExecute, AbuBenchmark, AbuCapital
# buy_factors 60日向上突破，42日向上突破两个因子
buy_factors = [{'xd': 60, 'class': AbuFactorBuyBreak},
{'xd': 42, 'class': AbuFactorBuyBreak}]
# 四个卖出因子同时并行生效
sell_factors = [
{
'xd': 120,
'class': AbuFactorSellBreak
},
{
'stop_loss_n': 0.5,
'stop_win_n': 3.0,
'class': AbuFactorAtrNStop
},
{
'class': AbuFactorPreAtrNStop,
'pre_atr_n': 1.0
},
{
'class': AbuFactorCloseAtrNStop,
'close_atr_n': 1.5
}]
benchmark = AbuBenchmark()
capital = AbuCapital(1000000, benchmark)
第一节中实现的买入策略和卖出策略的编写，买入策略中确定买入只是通过make_buy_order函数，确定买单生成，卖出策略确定卖出订单 也只是通过fit_sell_order来提交卖单，那么执行订单，应该使用的什么价格买入或者卖出呢，abupy在默认的策略都是使用当天的均价买入卖出，
当然你可以实现多种复杂的当日交易策略，设置限价单、市价单，获取当日的分时数据再次进行策略分析执行操作，但是如果你的回测数量足够多的情况下，比如全市场回测，按照大数定理，这个均值执行其实是最好的模拟，而且简单、运行速度快。
滑点买入卖出价格确定具体实现代码请阅读AbuSlippageBuyMean和AbuSlippageSellMean，它们的实现都很简单
在买入滑点AbuSlippageBuyMean中有一个小策略当当天开盘价格直接下探7%时，放弃买单，看上一节回测结果中如下图这次交易，从图上就可以发现虽然是突破买入，但明显第二天执行买单时的价格是直线下跌的，且下跌不少，但还是成交了这笔交易。因为开盘下跌幅度没有达到7%的阀值，下面我们就过拟合这次交易避免买入，只为示例
下面编写一个独立的Slippage策略，只简单修改g_open_down_rate的值为0.02
In [3]:
from abupy import AbuSlippageBuyBase, slippage
# 修改买入下跌阀值为0.02
g_open_down_rate = 0.02
class AbuSlippageBuyMean2(AbuSlippageBuyBase):
"""示例日内滑点均价买入类"""
@slippage.sbb.slippage_limit_up
def fit_price(self):
"""
取当天交易日的最高最低均价做为决策价格
:return: 最终决策的当前交易买入价格
"""
# TODO 基类提取作为装饰器函数，子类根据需要选择是否装饰，并且添加上根据order的call，put明确细节逻辑
if self.kl_pd_buy.pre_close == 0 or (self.kl_pd_buy.open / self.kl_pd_buy.pre_close) < (1 - g_open_down_rate):
# 开盘就下跌一定比例阀值，放弃单子
return np.inf
# 买入价格为当天均价，即最高，最低的平均，也可使用高开低收平均等方式计算
self.buy_price = np.mean([self.kl_pd_buy['high'], self.kl_pd_buy['low']])
# 返回最终的决策价格
return self.buy_price
上面编写的AbuSlippageBuyMean2类实现即为滑点买入类的实现：
备注：slippage_limit_up及slippage_limit_down具体实现可阅读源代码，后面的章节有示例演示使用
但是滑点类时什么时候被实例化使用的呢，怎么使用我们自己写的这个滑点类呢？首先看买入因子基类AbuFactorBuyBase，在每个买入因子初始化的时候即把默认的滑点类以及仓位管理类（稍后讲解）赋值，如下片段代码所示：
详情请查看AbuFactorBuyBas源代码
class AbuFactorBuyBase(six.with_metaclass(ABCMeta, ABuParamBaseClass)):
def __init__(self, capital, kl_pd, **kwargs):
# 走势数据
self.kl_pd = kl_pd
# 资金情况数据
self.capital = capital
# 滑点类，默认AbuSlippageBuyMean
self.slippage_class = kwargs['slippage'] \
if 'slippage' in kwargs else AbuSlippageBuyMean
# 仓位管理，默认AbuAtrPosition
self.position_class = kwargs['position'] \
if 'position' in kwargs else AbuAtrPosition
if 'win_rate' in kwargs:
self.win_rate = kwargs['win_rate']
if 'gains_mean' in kwargs:
self.gains_mean = kwargs['gains_mean']
if 'losses_mean' in kwargs:
self.losses_mean = kwargs['losses_mean']
self._init_self(**kwargs)之后因子在每次生效产生买单的时候会触发AbuOrder实例对象的fit_buy_order()函数，fit_buy_order()中将滑点类，仓位管理类实例化后，执行买入价格及数量确定，代码片段如下所示，详情请查看源代码。
def fit_buy_order(self, day_ind, factor_object):
kl_pd = factor_object.kl_pd
# 要执行买入当天的数据
kl_pd_buy = kl_pd.iloc[day_ind + 1]
# 买入因子名称
factor_name = factor_object.factor_name \
if hasattr(factor_object, 'factor_name') else 'unknown'
# 滑点类设置
slippage_class = factor_object.slippage_class
# 仓位管理类设置
position_class = factor_object.position_class
# 初始资金，也可修改策略使用剩余资金
read_cash = factor_object.capital.read_cash
# 实例化滑点类
fact = slippage_class(kl_pd_buy, factor_name)
# 执行fit_price(), 计算出买入价格
bp = fact.fit_price()
# 如果滑点类中决定不买入，撤单子，bp就返回正无穷
if bp < np.inf:
# 实例化仓位管理类
position = position_class(kl_pd_buy, factor_name, bp,
read_cash)
# 执行fit_position()，通过仓位管理计算买入的数量
buy_stock_cnt = int(position.fit_position(factor_object))
if buy_stock_cnt < 1:
return
卖出因子的滑点操作及仓位管理与买入类似，读者可以自行阅读源代码。
由以上代码我们可以发现通过buy_factors的字典对象中传入slippage便可以自行设置滑点类，由于上图显示的交易是60日突破产生的买单，所以我们只修改60日突破的字典对象，执行后可以看到如下图所示，过滤了两个60日突破的买单，即过滤了上图所示的交易，代码如下所示：
备注：实际上如果只是修改g_open_down_rate的值，可以通过模块全局变量直接修改，本节只为示例使用流程
In [4]:
# 针对60使用AbuSlippageBuyMean2
buy_factors2 = [{'slippage': AbuSlippageBuyMean2, 'xd': 60,
'class': AbuFactorBuyBreak},
{'xd': 42, 'class': AbuFactorBuyBreak}]
capital = AbuCapital(1000000, benchmark)
orders_pd, action_pd, _ = ABuPickTimeExecute.do_symbols_with_same_factors(['usTSLA'],
benchmark,
buy_factors2,
sell_factors,
capital,
show=True)
交易必然会产生手续费，手续费的计算在ABuCommission模块中，比如本例中使用的的美股交易回测，使用的手续费计算代码如下所示：
def calc_commission_us(trade_cnt, price):
"""
美股计算交易费用：每股0.01，最低消费2.99
:param trade_cnt: 交易的股数（int）
:param price: 每股的价格（美元）（暂不使用，只是保持接口统一）
:return: 计算结果手续费
"""
# 每股手续费0.01
commission = trade_cnt * 0.01
if commission < 2.99:
# 最低消费2.99
commission = 2.99
return commission
针对不同市场美股，a股，港股，比特币，期货有不同计算手续费的方法，更多详情请阅读ABuCommission模块源代码
下面先看看之前的回测交易中产生的手续费情况，查看代码如下所示：
In [5]:
capital.commission.commission_df
Out[5]:
如果你想把自己的计算手续费的方法使用在回测中，只需要编写手续费函数，示例如下所示：
In [6]:
def calc_commission_us2(trade_cnt, price):
"""
手续费统一7美元
"""
return 7
如上编写的手续费函数统一每次买入卖出都是7美元手续费，手续费函数有两个参数一个trade_cnt代表买入（卖出）股数， 另一个参数是price，代表买入（卖出）价格，下面使用这个自定义的手续费方法做回测，代码如下所示：
In [7]:
# 构造一个字典key='buy_commission_func', value=自定义的手续费方法函数
commission_dict = {'buy_commission_func': calc_commission_us2}
# 将commission_dict做为参数传入AbuCapital
capital = AbuCapital(1000000, benchmark, user_commission_dict=commission_dict)
# 除了手续费自定义外，回测其它设置不变，show=False不可视化回测交易
orders_pd, action_pd, _ = ABuPickTimeExecute.do_symbols_with_same_factors(['usTSLA'],
benchmark,
buy_factors2,
sell_factors,
capital,
show=False)
# 回测完成后查看手续费情况
capital.commission.commission_df
Out[7]:
从上面回测交易手续费结果可以看到，买入的手续费都变成了7元，卖出手续费还是之前的算法，下面的回测将买入卖出手续费计算方法都变成使用自定义的方法，代码如下所示：
In [8]:
# 卖出字典key='sell_commission_func', 指向同一个手续费方法，当然也可以定义不同的方法
commission_dict = {'buy_commission_func': calc_commission_us2, 'sell_commission_func': calc_commission_us2}
# 将commission_dict做为参数传入AbuCapital
capital = AbuCapital(1000000, benchmark, user_commission_dict=commission_dict)
# 除了手续费自定义外，回测其它设置不变，show=False不可视化回测交易
orders_pd, action_pd, _ = ABuPickTimeExecute.do_symbols_with_same_factors(['usTSLA'],
benchmark,
buy_factors2,
sell_factors,
capital,
show=False)
# 回测完成后查看手续费情况
capital.commission.commission_df
Out[8]:
从回测结果即可以看到所有买入卖出的手续费都是7美元
abu量化系统文档教程持续更新中，请关注公众号中的更新提醒。
更多关于量化交易相关请阅读《量化交易之路》
更多关于量化交易与机器学习相关请阅读《机器学习之路》
更多关于abu量化系统请关注微信公众号: abu_quant