歡迎使用MindGo量化交易平臺，本文檔詳細介紹了MindGo平臺的股票回測引擎，內容較多，您可通過Ctrl+F進行關鍵字搜索。
如果您在使用過程中遇到幫助中無法解答的問題，您可以:
將問題發(fā)布到
社區(qū)；
給我們發(fā)送郵件： mindgo@myhexin.com;
編寫股票交易策略
step 1.導航欄中，依次點擊"我的策略"—"策略創(chuàng)作"—"策略研究"
step 2.新建"股票期貨"策略,點擊進入"策略編輯"頁面，如下圖
step 3.左側編譯環(huán)境內使用python 3.5 實現(xiàn)策略邏輯
交易股票：貴州茅臺買入：5日均線上穿20日均線賣出：5日均線下穿20日均線
step 4.右側選擇回測時間區(qū)間，并進行回測
策略源碼：
#初始化賬戶def init(context): g.index='600519.SH'def handle_bar(context,bar_dict): close = history(g.index, ['close'], 20, '1d', False, fq = 'pre', is_panel=0) MA5 = close['close'].values[-5:].mean() #計算二十日均線價格 MA20 = close['close'].values.mean() #如果五日均線大于二十日均線 if MA5 > MA20: #使用所有現(xiàn)金買入證券 order_target_percent(g.index,1) #記錄本次買入 log.info("全倉買入{0}".format(g.index)) #如果五日均線小于二十日均線 if MA5 < MA20 : #賣出所有證券 order_target_percent(g.index,0) #記錄本次賣出 log.info("全倉賣出{0}".format(g.index))
回測環(huán)境
回測引擎運行在Python3.5之上, 請您使用Python3.5來實現(xiàn)策略邏輯
我們支持所有的Python標準庫和部分常用第三方庫, 具體請看:
Python庫同時，我們也支持自定義Python庫，只需將您的.py文件存放于“我的研究”根目錄, 即可在回測中直接調用, 具體說明請參見常見問題-
如何調用自定義Python庫？支持代碼調試功能，具體請看：
代碼調試編譯運行
1.您的策略必須在init()和handle_bar()函數(shù)框架下實現(xiàn):
init為初始化函數(shù)，用于初始一些全局變量，在整個回測過程最開始執(zhí)行一次。
handle_bar為時間驅動函數(shù)，用于設置買賣條件等，每個回測時間頻率（每日/分鐘）調用一次。
2.完成策略編寫后，選定回測開始日期和結束日期，選擇初始資金、運行頻率(每日或每分鐘)等參數(shù)，點擊"編譯運行"；
3.回測引擎根據(jù)您選擇的運行頻率調用handle_bar函數(shù)，也就是執(zhí)行該函數(shù)下的代碼?；販y引擎會實時顯示策略當前時間的數(shù)據(jù)，如收益、風險指標、持倉等信息；
4.回測引擎會根據(jù)您所使用的下單方式進行下單，并根據(jù)后續(xù)實際成交情況進行訂單處理；
5.您可以在任何時候調用log.info函數(shù)來打印需要輸出的日志；通過record函數(shù)輸出自定義圖形。
添加log.info函數(shù)與record函數(shù)后的代碼如下：
#初始化賬戶def init(context): g.index='600519.SH'def handle_bar(context,bar_dict): close = history(g.index, ['close'], 20, '1d', False, fq = 'pre', is_panel=0) MA5 = close['close'].values[-5:].mean() #計算二十日均線價格 MA20 = close['close'].values.mean() #設置交易信號 trade_signal=0 #如果五日均線大于二十日均線 if MA5 > MA20: #使用所有現(xiàn)金買入證券 order_target_percent(g.index,1) #記錄本次買入 log.info("全倉買入{0}".format(g.index)) #記錄買入信號 trade_signal=1 #如果五日均線小于二十日均線 if MA5 < MA20 : #賣出所有證券 order_target_percent(g.index,0) #記錄本次賣出 log.info("全倉賣出{0}".format(g.index)) #記錄賣出信號 trade_signal=-1 log.info(trade_signal) record(trade_signal=trade_signal)
策略回測
如果策略能成功完成編譯運行，則說明策略代碼在指定歷史區(qū)間是可運行的。
一般而言，策略回測是將可運行的策略代碼進行歷史區(qū)間回測，并獲取策略回測詳情報告：交易明細、歷史持倉、收益&風險指標分析、組合歸因等。
步驟1.將可運行的策略代碼，點擊"開始回測"
步驟2.在策略詳情頁面，查看收益概況、交易明細、歷史持倉及相關分析結果，如下圖：
模擬交易
順利完成回測的策略，在回測詳情頁面，點擊"開啟仿真交易"，即綁定模擬交易~
數(shù)據(jù)
MindGo提供海量優(yōu)質的金融數(shù)據(jù)，以便您能實現(xiàn)策略邏輯
股票數(shù)據(jù)、指數(shù)數(shù)據(jù)、基金數(shù)據(jù)、行情數(shù)據(jù)、財務數(shù)據(jù)、因子數(shù)據(jù)、行業(yè)數(shù)據(jù)、概念數(shù)據(jù)、商品期貨數(shù)據(jù)、股指期貨數(shù)據(jù)、外匯數(shù)據(jù)等等
數(shù)據(jù)提取——
詳見股票API文檔數(shù)據(jù)詳情查看——
詳見數(shù)據(jù)文檔運行頻率
在"開始回測"左側選擇運行頻率參數(shù)，參數(shù)分"每日"和"分鐘"兩種。
選擇"每日"，則系統(tǒng)按"日回測"進行回測，即每個交易日09:30運行一次
選擇"分鐘"，則系統(tǒng)按"分鐘回測"進行回測，即每個交易日內每分鐘都會運行一次
運行時間
1.開盤前(9:00)運行：
before_trading函數(shù)
2.盤中運行：
handle_bar函數(shù)
>日回測(9:31:00)運行一次
>分鐘回測(9:31:00-11:30,13:01:00-15:00:00)，每分鐘運行一次
>tick回測(9:30:03-11:30,13:00:03-15:00:00)，每3秒鐘運行一次
3.收盤后(15:30)運行：
after_trading函數(shù)
傭金與印花稅
券商傭金默認值為萬分之二點五，即0.025%，最少5元，雙邊收費；
印花稅默認值為千分之一，即0.1%，賣出時收費；
您還可以通過
set_commission來設置具體的手續(xù)費參數(shù)。
滑點
在實戰(zhàn)交易中，往往最終成交價和預期價格有一定偏差，因此我們提供兩種滑點模式來幫助您更好地模擬真實市場的表現(xiàn)：
設置固定滑點，即最終成交價和委托價之差為固定值。
設置可變滑點，即最終成交價和預期價格之比為固定百分比。默認為可變滑點0.2%，即買入成交價為委托價上浮0.1%，賣出成交價為委托價下調0.1%。
默認無滑點，不過您可通過
set_slippage函數(shù)來設置回測具體的滑點參數(shù)。
拆分合并與分紅
當股票發(fā)生拆分，合并或者分紅時，股價會出現(xiàn)跳空缺口，為了消除這種價格變化對回測結果的影響，我們會根據(jù)個股除權除息信息對賬戶中的現(xiàn)金或持股數(shù)量進行相應的調整修正，并自動更新到您的context信息中。
為了使回測結果更加準確，更加貼近實盤場景，我們做了如下處理：
回測所用價格數(shù)據(jù)與下單所用價格數(shù)據(jù)是獨立的。即在回測過程中，您可采用前復權/不復權或后復權價格來計算交易下單信號，回測引擎均采用真實價格（即不復權價格）下單；
回測引擎會在除權除息當日，調用before_trading_start函數(shù)之前，自動處理并更新您的賬戶信息。
前復權數(shù)據(jù)采用動態(tài)復權模式，即在回測過程中，輪循至某個股除權除息日，則按除權后價格對之前的價格數(shù)據(jù)進行調整。
訂單處理
對于您在某個單位時間下的單，我們會做如下處理：
1.按天回測
A.交易價格：
>市價單：開盤價+滑點。
>限價單：委托價。
B.最大成交量:
>默認為下單當日總成交量的25%，該比例可通過市場參與度函數(shù)
set_volume_limit進行調整。
>若下單量低于最大成交量，則按下單量成交；若下單量大于最大成交量，則按最大成交量成交。
C.撮合方式：
>市價單：開盤下單，一次性撮合，不成交或未成交部分不再撮合。
>限價單：開盤下單，一次性撮合，不成交或未成交部分不再撮合。
2.分鐘回測
A.交易價格：
>市價單：當前分鐘起始價+滑點
>限價單：委托價
B.最大成交量：
>默認為下單當前分鐘總成交量的25%，該比例可通過市場參與度函數(shù)
set_volume_limit進行調整。
>若下單量低于最大成交量，則按下單量成交；若下單量大于最大成交量，則按最大成交量成交。
C.撮合方式：
>市價單：分鐘起始點下單，一次性撮合，不成交或未成交部分即刻取消委托。
>限價單：分鐘起始點下單，之后每分鐘均按分鐘價量撮合一次，未成交部分順延至下一分鐘進行撮合，直到完全成交或者當天收盤為止。
3.注意：
1.一天結束后, 所有未完成的訂單會被取消。 2.每次訂單完成(完全成交)或者取消后,我們會根據(jù)成交量計算交易費(參見set_commission), 減少您的現(xiàn)金。
股票期貨混合策略
如果您的策略不僅有股票交易，而且還有商品期貨和股指期貨的交易，有關期貨部分的回測引擎介紹，請查看
期貨回測引擎~
風險模型
風險模型主要提供證券的風險預測與業(yè)績歸因的作用。在此過程中，風險模型需要對股票收益建立因子模型，對組合過去歷史的收益來源進行歸因，依據(jù)統(tǒng)計方法和經驗對股票未來風險形成推斷與預測。對風險的度量要滿足靈活性，準確性等要求。風險模型使用標準差來度量風險，且統(tǒng)計特征清晰，隨時間變化穩(wěn)定。對風險的預測有很多種方式，MindGo風險模型建立在多因子模型的基礎上,認為股票收益率與多個因子之間存在線性的關系，即：
r=α+βf+μ其中：r為股票收益率向量，β為因子暴露，μ為特質收益，f為因子收益率當股票特質收益率與公共因子不相關時，組合預期風險可以分解為公共因子解釋的風險及特質風險：wΣw′=wβΩβ′w′+wΔw′其中：w為組合成份股權重，Ω為因子收益率的協(xié)方差矩陣，Δ為股票的特質風險矩陣，我們假設股票的特質風險之間也互不相關，所以Δ是一個對角矩陣
風險模型當中的因子主要包括兩個部分，風格因子與行業(yè)因子：
行業(yè)因子：中信一級行業(yè)分類
風格因子：市值，Beta，動量，估值，盈利，成長，杠桿，波動，非線性市值，流動性
風險模型數(shù)據(jù)提取函數(shù)詳見：
get_stylefactor組合優(yōu)化器
組合優(yōu)化器函數(shù)查詢:
OptimizePort，opt.add_constraint優(yōu)化方式
組合優(yōu)化器優(yōu)化方式暫定為三種：最大化夏普比（MVO）、最大化信息比率、效用最大化（剔除成本影響）優(yōu)化方式后期持續(xù)增加，例如L-B模型、風險平價模型等常用的資產配置模型。
MVO算法
公式：
使用最優(yōu)化算法求解，使target最大。R為一系列個股預期收益值[r1,r2,...rn]，n為股票數(shù)量，為函數(shù)輸入?yún)?shù)項，可以選擇使用歷史平均收益作為預期收益，需輸入股票代碼。W為各個股票的權重，為優(yōu)化器所要計算的未知量[w1,w2,...wn]，n為股票數(shù)量?！茷閭€股協(xié)方差矩陣（nXn），使用個股歷史漲跌幅計算，取數(shù)范圍為前120個周期，例如日頻數(shù)據(jù)，則選取前120個交易日的漲跌幅，如為周頻，則使用日頻數(shù)據(jù)進行轉換。
最大化信息比率
公式：
使用最優(yōu)化算法求解，使target最大。R,W,∑定義同1.1.1中描述。Wb為個股在所選基準中所占的權重，為[wb1,wb2,...wbn]，n為股票數(shù)量，當個股沒有在基準中時，wb為0。基準可自由選擇，作為函數(shù)輸入項，默認為中證500。
效用最大化
公式：
使用最優(yōu)化算法求解，使target最大。R,W,∑定義同1.1中描述。γ 為風險厭惡系數(shù)，函數(shù)輸入?yún)?shù)項，默認為0.5。λ為交易成本，函數(shù)輸入?yún)?shù)項，默認為0。Wi，t-1 為股票初始權重，可自定義輸入，也可選擇初始權重都為0。
約束條件
目前暫定七個約束條件：換手率、跟蹤誤差、組合風險、個股權重、風格因子主動暴露、行業(yè)因子主動暴露、行業(yè)中性。
換手率約束
約束條件：
Wi，t 為函數(shù)求解值，個股優(yōu)化后的權重；Wi，t-1 為股票初始權重，可自定義輸入，也可選擇初始權重都為0。Uplimit為輸入的換手率限制值，不可小于0，最大值為100（默認單位%）。
跟蹤誤差
約束條件：
W和Wb為組合中的股票和基準中的股票做并集后的權重向量。例如組合中有股票A,B,C，基準包含的股票為A,B,D，則W和Wb兩個向量都有四個元素[WA,WB,WC,WD]和[WbA,WbB,WbC,WbD]，且WD和WbC 為0。[WA,WB,WC]為組合中股票的權重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]，n為股票數(shù)量。∑為個股協(xié)方差矩陣（nXn），n為組合和基準股票的并集，算法同1.1.1中描述?；鶞士勺杂蛇x擇，作為函數(shù)輸入項，默認為中證500。Downlimt和uplimit作為輸入的跟蹤誤差上下限，downlimt不可小于0。
組合風險
約束條件：
W為各個股票的權重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]，n為股票數(shù)量。∑為個股協(xié)方差矩陣（nXn），計算同1.1中描述。Downlimt和uplimit作為輸入的組合風險上下限，downlimt不可小于0。
個股權重
約束條件：
可針對每個股票做單獨的權重約束，downlimt和uplimt為所對應股票的權重上下限，可自由輸入。函數(shù)輸入項包含個股代碼及所要約束的上下限值，輸入的股票數(shù)量0<=w<=n（優(yōu)化目標中所輸入的股票總數(shù)）。每個股票需在優(yōu)化目標中輸入的股票列表中，否則報錯。為內置權重約束，所有股票的權重值加起來等于1。
風格因子主動暴露度
約束條件：
Downlimt和uplimit為自定義輸入的某個因子的暴露度約束上下限，輸入方式為因子名稱、下限值、上限值。當前共有十個風格因子，如需針對全部因子做限制，則需要輸入十個相對應的風格因子暴露度上下限值。Xstyle 為個股對該風格因子的暴露度，為[x1 style1，x2style1,...xnstyle1]該數(shù)據(jù)由風險模型模塊計算得出（目前易源博每日會更新該數(shù)據(jù)）。W為各個股票的權重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]。
行業(yè)因子主動暴露度
約束條件：
Downlimt和uplimit為自定義輸入的某個行業(yè)因子的暴露度約束上下限，輸入方式為行業(yè)因子名稱、下限值、上限值。當前共有29個行業(yè)因子（中信一級），如需針對全部因子做限制，則需要輸入29個相對應的行業(yè)因子暴露度上下限值。Xindustry 為個股對該行業(yè)的暴露度（即該個股是否屬于該行業(yè)，屬于為1，不屬于為0）。W為各個股票的權重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]。 Windustry為該行業(yè)在基準中所占的權重，不是矩陣，為數(shù)值。
行業(yè)中性
約束條件：
Xindustry 為個股對該行業(yè)的暴露度（即該個股是否屬于該行業(yè)，屬于為1，不屬于為0）。W為各個股票的權重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]。
Windustry為該行業(yè)在基準中所占的權重，不是矩陣，為數(shù)值。
組合歸因
什么是組合歸因？
組合歸因是對資產組合進行分析，將其回報和風險歸到提前設定的可能的原因上。目前該功能可實現(xiàn)對股票型策略進行收益及風險拆分，主要分為Brinson分析和風格分析。
我們首先會對每一期的持倉表進行單期歸因，然后將多期的結果使用進行累計。下面我們會介紹單期歸因的算法和累計歸因所得到的結果。
如何使用組合歸因
策略成功回測后，在回測詳情頁面點擊組合歸因功能，如下圖：
組合歸因詳解
一、Brinson組合歸因
Brinson 是目前最為人知的歸因方案。除了需要組合持倉內容之外，還設定一個基準。最初的brinson模型是把收益拆解為行業(yè)選擇收益、個股選擇收益和交叉收益，我們在傳統(tǒng)模型基礎上做了進一步的擴展，拆分出配置收益和交易收益。
1.1多期brinson收益分解
對于各個拆分收益的計算如下：
上述指標的計算只針對單期的brinson拆解，為了分析策略在一個周期里的收益歸類，我們使用Carino簡化因子調整。
Carino簡化因子的計算方式如下：
Rt，bt為t期策略和基準的收益率；r，b為區(qū)間內策略和基準收益率。
使用簡化因子對多期收益分解進行加和：
At，St，It為t期收益的分解項。
1.2 行業(yè)績效歸因拆解
把收益按行業(yè)拆分，查看每個策略在每個行業(yè)是否帶來了主動收益。圖中主動收益展示的也是多期的收益率，通過Carino因子進行調整。主動風險計算的是多期主動風險的方差，衡量多期主動收益的穩(wěn)定性。主動權重是統(tǒng)計整個回測區(qū)間內各行業(yè)主動權重的均值。
二、風格分析
基于風格因子的歸因是一種更為精細的歸因方式。我們使用同花順內部準備好的一系列風格因子及因子收益率，將組合的回報和風險分別劃分到這些因子上，從而得到組合的投資風格。當前包含的風格因子有：
風格因子代碼因子名稱含義備注
betabeta上市公司與指數(shù)之間的協(xié)同性個股的Beta值，指數(shù)收益使用HS300
bp估值記賬價值和市值的比值市凈率=總市值/歸屬于母公司所有者權益合計
earnings_yield盈利分析師預測與過去財年收益統(tǒng)計
growth成長由銷售額及盈利統(tǒng)計。
leverage杠桿上市公司的使用杠桿的情況。
liquidity流動性由交易量和頻率不同而帶來的收益
momentum動量能量性指標，表示相對強度從過去某一天開始，向過去再推504天，計算其每天的超額收益對數(shù)值，再針對這504天進行加權平均
non_linear_size非線性市值上市公司的規(guī)模處于中等的程度
size市值上市公司的規(guī)模，即該公司是大盤股的程度對數(shù)市值
volatility波動率對大盤偏離的不確定性
風格歸因效果圖：
其中主動收益是多期的收益率，通過Carino因子進行調整。主動風險計算的是多期主動風險的方差，衡量多期主動收益的穩(wěn)定性。
策略和基準風格對比圖：
衡量回測期內策略整體風格和基準的差異，點擊特定的風格因子柱狀圖可查看策略及基準的歷史風格變化，如下圖：
組合風格穩(wěn)定性：
選取策略組合在回測期間的四個界面查看其當期的主動收益、主動風險及主動暴露度。相關的計算公式如下：
收益&風險指標—評定策略的優(yōu)劣
策略收益率—Returns
策略年化收益率—Annualized Returns
基準收益率—Benchmark Returns
基準年化收益率—Annualized Benchmark Returns
超額收益率—Excess Return
非系統(tǒng)性風險—Alpha
系統(tǒng)風險—Beta
夏普比率—Sharpe
收益波動率—Volatility
信息比率—Information Ratio
最大回撤—Max Drawdown
索提諾比率—Sortino
跟蹤誤差—Tracking error
下行波動率—Downside Risk
調試功能
程序能一次寫完并正常運行的概率很小，基本不超過1%?？倳懈鞣N各樣的bug需要修正。有的bug很簡單，看看錯誤信息就知道，有的bug很復雜，我們需要知道出錯時，哪些變量的值是正確的，哪些變量的值是錯誤的，因此，需要一整套調試程序的手段來修復bug。
1.簡單直接粗暴有效的方式是用print把可能有問題的變量打印出來看看，逐個檢查，用print最大的壞處是將來還得刪掉它，想想程序里到處都是print，運行結果也會包含很多垃圾信息。
2.在策略編輯頁面，MindGo提供代碼調試功能，你可以采用這套完整的調試程序來修復程序bug
如何啟動調試程序？
在策略編輯器左側,點擊"行號",設置斷點后,點擊"編譯運行"啟動調試程序。
調試程序簡介
1.啟動調試程序后，代碼會自動運行到第一個斷點處，如上圖，第一個斷點是行7，代碼當前已運行完行7（行8還未運行）
2.調試程序右上角顯示的時間是回測系統(tǒng)的運行時間
3.調試程序上方菜單欄，從左到右共6個按鈕，分別為：恢復執(zhí)行代碼(跳至下一個斷點),執(zhí)行下一步(不運行函數(shù)),執(zhí)行下一步(運行函數(shù)),跳出此函數(shù),清空console,結束調試繼續(xù)編譯
4.調試程序左側即為console面板,右側為監(jiān)控屬性面板
5.1分鐘內不使用調試程序，則自動關閉調試程序
6.調試時，程序無視注釋內容
菜單欄按鈕介紹
1.恢復執(zhí)行代碼(跳至下一個斷點)：直接運行至下一個斷點處
2.執(zhí)行下一步(不運行函數(shù))：運行下一行代碼，如果下一行代碼調用函數(shù)，則直接運行完該函數(shù)，接著準備下一行代碼
3.執(zhí)行下一步(運行函數(shù))：運行下一行代碼，如果下一行代碼調用函數(shù)，則會進入函數(shù)內，執(zhí)行函數(shù)內第一行代碼
4.跳出此函數(shù):如果當前行處于函數(shù)中，則直接運行完該函數(shù)
5.清空console:清空左側console面板的所有內容
6.結束調試繼續(xù)編譯:關閉調試程序，策略繼續(xù)編譯
如何使用console面板？
輸入變量，“Enter”輸出變量值(無法修改參數(shù))
變量之間運算，“Enter”輸出結果
判斷變量是否滿足條件，“Enter”輸出結果
如何監(jiān)控變量？
調試程序右側監(jiān)控屬性，點擊"+添加"，輸入變量名，點擊“完成”，即可進行監(jiān)控
監(jiān)控面板顯示當前監(jiān)控的變量及變量值，繼續(xù)運行代碼
運行代碼的過程中，監(jiān)控面板實時顯示監(jiān)控變量及變量值，便于您進行觀察，不需要print打印函數(shù)來逐一輸出。
對比功能
一般而言，量化策略會存在一個或多個參數(shù)，在驗證策略邏輯的過程中，寬客們往往會嘗試用不同的參數(shù)進行回測，比如在2018年，對平安銀行采用雙均線策略，采用不同周期的兩條均線會使策略收益截然不同哦~
如何啟動回測對比？
策略回測列表中，選取相應的回測，點擊左上角的對比按鈕，即可啟動~
如何使用回測對比？
對比功能，包括：概況、累積收益、回撤、源碼。
其中概況頁面，詳細展示了所選回測的回測指標，我們以平安銀行雙均線策略為例，創(chuàng)建3組參數(shù)，分別為（5,20）,(10,55),(20,60)。
累積收益頁面，詳細展示了所選回測的收益走勢，可以發(fā)現(xiàn)（20,60）參數(shù)組的累積收益較高，參數(shù)周期越短，交易次數(shù)越多，收益反而越差，可能與18年的暴跌行情相關。
回撤頁面，詳細展示了所選回測的回撤情況，可以發(fā)現(xiàn)（20,60）參數(shù)組的回撤較低，參數(shù)周期越短，交易次數(shù)越多，回撤反而越大，可能與18年的暴跌行情相關。
源碼頁面，詳細展示了所選回測的源碼，同時只能選取兩個回測進行對比
python庫
MindGo平臺支持所有Python的基礎庫(
https://docs.python.org/3.5/library/index.html)，并支持目前流行的第三方庫，例如NumPy，pandas，Ta-Lib，scikit-learn，TuShare等。主要模塊介紹如下表所示。
庫名版本簡介網址
arch4.1提供了Univariate volatility模型，Bootstrapping和Multiple comparison procedures
https://pypi.python.org/pypi/archbeautifulsoup44.5.3Python的爬蟲包
https://pypi.python.org/pypi/beautifulsoup4/cvxopt1.1.8提供了凸優(yōu)化的解的Python庫
https://pypi.python.org/pypi/cvxopt/1.1.8gensim0.13.4.1用于計算文本相似度
http://radimrehurek.com/gensim/tutorial.htmlhmmlearn0.2.0Python的隱馬爾可夫模型模塊，類似scikit-learn的API
https://github.com/hmmlearn/hmmlearnjieba0.38Python的中文分詞組件
https://pypi.python.org/pypi/jiebalasagne0.1Python深度學習庫
http://lasagne.readthedocs.io/en/latest/matplotlib2.0.1Python 2D繪圖函數(shù)庫
http://matplotlib.org/contents.htmlmpl_toolkits2.0.1Python 3D繪圖函數(shù)庫
http://matplotlib.org/mpl_toolkits/index.htmlnumpy1.12.1Python的數(shù)值計算擴展
http://www.numpy.org/pandas0.20.1Python的數(shù)據(jù)分析包
http://pandas.pydata.org/pandas-docs/version/0.16.2/pymc2.3.6機器學習中一個圖模型庫
https://pypi.python.org/pypi/pymc/pywt0.5.2Python的小波變換庫
https://pypi.python.org/pypi/PyWaveletsscipy0.19.0為科學和工程設計的Python工具包
https://www.scipy.org/seaborn0.7.1Python的統(tǒng)計數(shù)據(jù)可視化庫
http://seaborn.pydata.org/sklearn0.18Python的機器學習模塊
http://scikit-learn.org/stable/statsmodels0.8.0可以研究數(shù)據(jù)，構架統(tǒng)計模型和進行統(tǒng)計測試
http://statsmodels.sourceforge.net/talib0.4.10用來對金融市場的數(shù)據(jù)進行技術分析
http://mrjbq7.github.io/ta-lib/funcs.htmltheano0.8.2Python深度學習庫
http://deeplearning.net/software/theano/tensorflow1.1.0谷歌第二代人工智能學習系統(tǒng)
http://www.tensorfly.cn/tushare0.7.5國內的開源數(shù)據(jù)庫
https://pypi.python.org/pypi/tushare/xlrd1.0.0Python讀取Excel的擴展工具
https://pypi.python.org/pypi/xlrd/xlwt1.1.2Python寫入Excel文件的擴展工具
https://pypi.python.org/pypi/xlwt/為了保障MindGo平臺的安全，以下的python包和功能已被禁用，如有不便敬請見諒:
包屬性和方法
os__builtins__
sys__import__
sixget_ipython
subprocessexec
pickleeval
socket
ast
IPython
ipykernel
【案例】MACD交易策略
#導入talib庫import talib#初始化函數(shù)def init(context): #輸入股票代碼 g.security = '600519.SH' #設置MACD模型參數(shù) #短周期平滑均線參數(shù) g.Short = 12 #長周期平滑均線參數(shù) g.Long = 26 #DIFF的平滑均線參數(shù) g.M = 9 #每日運行函數(shù)def handle_bar(context, bar_dict): #調用MACD計算函數(shù)，獲取MACD值 macd = get_macd(g.security) #判斷金叉，且無持倉 if macd[-1]>0 and macd[-2]<0 and context.portfolio.market_value == 0: #執(zhí)行全倉買入 order_value(g.security,context.portfolio.available_cash) #打印日志 log.info("買入 %s" % (g.security)) #判斷死叉，且有持倉 if macd[-2]>0 and macd[-1]<0 and context.portfolio.market_value > 0: #執(zhí)行清倉 order_target(g.security,0) #打印日志 log.info("賣出 %s" % (g.security))#MACD計算函數(shù)def get_macd(stock): #獲取數(shù)據(jù) price = history(stock, ['close'], 500, '1d', True, 'pre', is_panel=1)['close'] #talib庫調用MACD計算方法 DIFF, DEA, MACD = talib.MACD(price.values, fastperiod = g.Short, slowperiod = g.Long, signalperiod = g.M) #輸出MACD值 return MACD
【案例】三因子選股模型
import pandas as pdimport numpy as npimport datetimedef init(context): # 設置最大持股數(shù) context.max_stocks = 10 #記錄天數(shù)，隔20個交易日調倉 g.day = 0def handle_bar(context, bar_dict): if g.day%20 !=0: return None g.day = g.day +1 # 每個調倉日先清倉持有的股票 for security in list(context.portfolio.positions.keys()): order_target(security, 0) # 首先獲得當前日期 time = get_datetime() date = time.strftime('%Y%m%d') # 獲得股票池列表 sample = get_index_stocks('000300.SH',date) # 創(chuàng)建字典用于存儲因子值 df = {'security':[], 1:[], 2:[], 3:[], 'score':[]} # 因子選擇 for security in sample: q=query( profit.roic,# 投資回報率 valuation.pb,# 市凈率 valuation.ps_ttm,# 市銷率 ).filter( profit.symbol==security ) # 缺失值填充為0 fdmt = get_fundamentals(q, date=date).fillna(0) # 判斷是否有數(shù)據(jù) if (not (fdmt['profit_roic'].empty or fdmt['valuation_pb'].empty or fdmt['valuation_ps_ttm'].empty)): # 計算并填充因子值 df['security'].append(security) df[1].append(fdmt['profit_roic'][0])# 因子1：投資回報率 df[2].append(fdmt['valuation_pb'][0])# 因子2：市凈率 df[3].append(fdmt['valuation_ps_ttm'][0])#因子3：市銷率 for i in range(1, 4): # 因子極值處理，中位數(shù)去極值法 m = np.mean(df[i]) s = np.std(df[i]) for j in range(len(df[i])): if df[i][j] <= m-3*s: df[i][j] = m-3*s if df[i][j] >= m+3*s: df[i][j] = m+3*s m = np.mean(df[i]) s = np.std(df[i]) # 因子無量綱處理，標準化法 for j in range(len(df[i])): df[i][j] = (df[i][j]-m)/s # 計算綜合因子得分 for i in range(len(df['security'])): # 等權重計算(注意因子方向) s = (df[1][i]-df[2][i]-df[3][i]) df['score'].append(s) # 按綜合因子得分由大到小排序 df = pd.DataFrame(df).sort_values(by ='score', ascending=False) # 等權重分配資金 cash = context.portfolio.available_cash/context.max_stocks # 買入新調倉股票 for security in df[:context.max_stocks]['security']: order_target_value(security, cash)
