量化策略开发，高质量社群，交易思路分享等相关内容

引言

大家好，我是LE CHIFFRE。

本年度第一个策略来了，我们公众号的VIP服务开通以来，一直缺少像选股一样选期货的策略。好，本期我们就来开发一个期货阿尔法相对动量策略。相对动量策略的依据理论有很多，我们这一期的算法是采用的套利回归算法中的方法与思想，改装成选期货做趋势。然而，我并不准备罗列一大堆数学公式，因为我也不会。而是秉持松鼠宽客一贯的作风——“接地气”，策略落地。

正文

OK，说正事儿。相对动量就要有相对一说，相对谁？股票里面是大盘是沪深300，期货呢？当然是板块指数。所以显而易见，第一步就是构建相对的目标也就是指数，第二步是把相对刻画出来，第三步是把刻画出来的相对变成进出场信号，第四步加上止盈止损。

首先我们来看一组对比：

上面是焦炭的主连后复权，下图是焦炭、铁矿、螺纹、热卷的板块指数构件图，从图中肉眼可以明显看到，2020年7-8月期间板块指数的向上走势要比焦炭自身更为单调向上，说明此期间热卷或者铁矿或者螺纹的趋势要比焦炭要好。我们放大这块时间图来仔细看：

从板块指数的技术形态和焦炭的技术形态可以明显看出，在此阶段，如果做多，我们选择另外三者要比焦炭更舒服一些。

下面我们就先介绍我们的第一步：板块指数的构建。

本文开头是自定义了Index_contract的函数构建板块指数，该函数的原理就是根据板块内所有品种的涨跌幅汇总构建的板块指数算法。

第二步：我们通过自定义LinearReg2seqs线性回归函数对标的资产和板块指数进行回归计算。

如上图所示，我们要计算出残差，就要计算出两个品种收盘价格时间序列的斜率和截距，斜率也就是贝塔值。依据中学所学y=ax+b，当我们求得贝塔值→a，随即也就求得b→截距，那么我们首先要求得就是斜率。

上图是计算贝塔值也就是斜率的公式，我们首先要计算出两个标的资产的协方差和某个标的资产的方差，我们举例说明，假设X是铁矿石，Y是螺纹钢，也就是我们需要求出铁矿石和螺纹钢的协方差和铁矿石的方差。
求出协方差同样要按照下面的公示分成两步，第一步求出length周期的平均值，类似均线。第二步求出铁矿石和螺纹钢的变量值与平均值的差值的乘积，后再求期望值（平均）。如下图所示，方差亦然。

上述两个函数具体算法逻辑和代码，我们会在VIP群里发放，没有关注我们的朋友，请速速关注哦。

第三步：在第二步基础上得到标的资产和板块指数的回归残差，根据回归残差，我们构建进场信号。

这里我们采用传统的肯特钠通道，下面子图黄线为残差和肯特钠通道

第四步：止盈止损

上图所示为吊灯止盈的方式，具体的我们不再赘述，以往文章中我们已经经常用到，有任何疑问可在VIP群内咨询。

最后附上我们的工作区截图和部分回测结果展示（已做样本内外）：

另外，强调的是，我们这一期采用的是ATR倒数的开仓模式，因为经过回测发现，固定手数的的确没有海龟资金管理方式好。但是我们可以在整体的开仓手数下进行同比例的缩小以应对大部分小资金账户的需求。

源码包

本策略仅作学习交流使用，实盘交易盈亏投资者个人负责。

1.双均线策略(期货)

双均线策略是简单移动平均线策略的加强版。移动平均线目的是过滤掉时间序列中的高频扰动，保留有用的低频趋势。它以滞后性的代价获得了平滑性，比如，在一轮牛市行情后，只有当价格出现大幅度的回撤之后才会在移动平均线上有所体现，而对于投资者而言则大大增加了交易成本。如果使用双均线策略，就可以在考虑长周期趋势的同时，兼顾比较敏感的小周期趋势，无疑是解决简单移动平均线滞后性弱点的一项有效方法。

双均线策略源代码：https://www.myquant.cn/docs/python_strategyies/153

2.菲阿里四价(期货)

昨天高点、昨天低点、昨日收盘价、今天开盘价，可并称为菲阿里四价。它由日本期货冠军菲阿里实盘采用的主要突破交易参照系。此外，因菲阿里主观心智交易的模式，决定了其在实际交易中还大量结合并运用了“阻溢线”的方式，即阻力线、支撑线。

主要特点：日内交易策略，收盘平仓；菲阿里四价指昨日高点、昨日低点、昨日收盘、今日开盘；上轨＝昨日高点；下轨＝昨日低点；当价格突破上轨，买入开仓；当价格跌穿下轨，卖出开仓。

菲阿里四价策略源代码：https://www.myquant.cn/docs/python_strategyies/426

3.布林线均值回归(期货)

BOLL指标是美国股市分析家约翰·布林根据统计学中的标准差原理设计出来的一种非常简单实用的技术分析指标。一般而言，股价的运动总是围绕某一价值中枢（如均线、成本线等）在一定的范围内变动，布林线指标正是在上述条件的基础上，引进了“股价通道”的概念，其认为股价通道的宽窄随着股价波动幅度的大小而变化，而且股价通道又具有变异性，它会随着股价的变化而自动调整。由于之前大部分交易策略都是选股或者趋势追踪的择时，所以基于这一指标我们设计了一个均值回归的交易策略。

布林线均值回归策略源代码：https://www.myquant.cn/docs/python_strategyies/428

4.网格交易(期货)

网格交易是利用市场震荡行情获利的一种主动交易策略，其本质是利用投资标的在一段震荡行情中价格在网格区间内的反复运动以进行加仓减仓的操作以达到投资收益最大化的目的。通俗点讲就是根据建立不同数量.不同大小的网格，在突破网格的时候建仓，回归网格的时候减仓，力求能够捕捉到价格的震荡变化趋势，达到盈利的目的。

网格交易策略源代码：https://www.myquant.cn/docs/python_strategyies/104

5.跨期套利(期货)

跨期套利就是在同一期货品种的不同月份合约上建立数量相等、方向相反的交易头寸，最后以对冲或交割方式结束交易、获得收益的方式。最简单的跨期套利就是买入近期的期货品种，卖出远期的期货品种。

跨期套利策略源代码：https://www.myquant.cn/docs/python_strategyies/107

6.跨品种套利(期货)

跨品种套利是指利用两种不同的，但相互关联的商品之间的合约价格差异进行套利交易，即买入某一交割月份的某种商品合约，同时卖出另一相同交割月份、相互关联的商品合约，以期在有利时机同时将这两个合约对冲平仓获利。

跨品种套利的主导思想是寻找两种或多种不同，但具有一定相关性的商品间的相对稳定关系(差值、比值或其他)，在其脱离正常轨道时采取相关反向操作以获取利润。根据套利商品之间的关系，跨品种套利可分为相关商品套利和产业链跨品种套利两种类型。

跨品种套利策略源代码：https://www.myquant.cn/docs/python_strategyies/106

7.海龟交易法(期货)

海龟交易法则属于趋势交易，首先建立唐奇安通道（下文会具体解释），即确定上突破线和下突破线，如果价格突破上线，则做多，如果价格突破下线就平仓或做空。

海龟交易法策略源码：https://www.myquant.cn/docs/python_strategyies/110

8.Dual Thrust(期货)

Dual Thrust是一个趋势跟踪系统，由Michael Chalek在20世纪80年代开发，曾被Future Thruth杂志评为最赚钱的策略之一。Dual Thrust系统具有简单易用、适用度广的特点，其思路简单、参数很少，配合不同的参数、止盈止损和仓位管理，可以为投资者带来长期稳定的收益，被投资者广泛应用于股票、货币、贵金属、债券、能源及股指期货市场等。

Dual Thrust策略源码：https://www.myquant.cn/docs/python_strategyies/424

9.R-Breaker(期货)

R-Breaker是一种短线日内交易策略，该策略已经在市场上存活了二十年之久，尤其当指数波动较大时，该策略表现越好，根据S&P至2011年底的统计，R-Break也多次名列前十，由于进入榜单的交易系统业绩并不稳定，尤其是一年业绩榜单，时常会发生变化，因此模型的稳定性和一致性其实比短期排名更加关键，杂志给出了长期来看一致性最好的十大交易模型，其中就包括 R-Breaker 等模型，它们的业绩不一定总是能排进前十名的榜单，但长期以来具有较高的一致性。

R-Breaker策略源码：https://www.myquant.cn/docs/python_strategyies/425

10.做市商交易(期货)

做市商的主要利润来自于双向报价的买卖价差。因而，做市商需要计算期权的理论价格，在大量买入和卖出交易中，逐渐积累每笔交易价格和理论价格的差价，并根据持仓头寸特征，动态调整价差。由于做市商以被动成交为主，因而在一些对手方持续大量单边交易的情况下，做市商可能面临损失。

做市商交易策略源码：https://www.myquant.cn/docs/python_strategyies/109

11.alpha对冲（期货）

投资者在市场交易中面临着系统性风险（即贝塔或Beta、β风险）和非系统性风险（即阿尔法或Alpha、α风险），通过对系统性风险进行度量并将其分离，从而获取超额绝对收益（即阿尔法收益）的策略组合，即为阿尔法策略。

alpha对冲策略源代码：https://www.myquant.cn/docs/python_

基于市场情绪平稳度的股指期货日内交易策略

策略说明请下载下面这个pdf文件：

基于市场情绪平稳度的股指期货日内交易策略.pdf

测试数据请下载下面这个csv文件：

data.csv

实现内容

策略题为一个PDF文档（基于市场情绪平稳度的股指期货日内交易策略）和写策略需要的聚宽数据包（data.csv），
根据文档和数据包写出程序和年化收益图

实现截图

编程难点

1. 平均最大回撤和平均最大反向回撤的计算
2. 累计收益的计算

代码实现（使用python实现，其他编程语言大概一致）

配置类Configuration.py

class Configuration:
    # 文件地址
    file_path = "/Users/zhangqinxiong/Downloads/基于市场情绪平稳度的股指期货日内交易策略/data.csv"

    # 情绪平稳度阈值
    emotional_stability_threshold = 9 / 10000.0

    # 止损阈值
    stop_loss_threshold = 0.5 / 100.0

    # 初始金额
    # 设置为100是因为算到最后的结果刚好可以以百分比表示
    init_money = 100

    # 多次开仓交易的数据
    # money保存的是交易当前的金额
    # details保存的是所有的交易数据
    multi_transaction_data = dict(money=init_money, details=[])

    # 一次开仓交易的数据
    # money保存的是交易当前的金额
    # details保存的是所有的交易数据
    uni_transaction_data = dict(money=init_money, details=[])

    # 交易成本(双边)
    # 在计算收益的时候需要去掉
    service_charge = 2 / 10000.0

    # 以日期分组的数据
    data_group_by_date = {}

    # 沪深300期货每天的收盘价列表
    hu_shen_300_date_close_price_list = []

    # 沪深300期货每天的日期列表
    hu_shen_300_date_list = []

处理csv文件的工具类csv_file_utils.py

import csv
from domain.configuration import Configuration


# 以日期分组数据
def group_data_by_date(file_path):
    # 从csv文件读取内容
    file = open(file_path, "r")
    line_list = csv.reader(file)

    # 保存以日期分组之后的内容
    data_group_by_date = Configuration.data_group_by_date

    # 不处理第一行字段
    index = 0

    # 遍历每一行内容
    for line in line_list:

        # 第一行数据是字段名称，不用处理
        index = index + 1
        if index == 1:
            continue

        # 把每一行数据转换成对象
        csv_data = dict(date=line[0], open=float(line[1]), close=float(line[2]), high=float(line[3]),
                        low=float(line[4]),
                        volume=int(line[5]), money=int(line[6]))

        # 截取日期，格式为年/月/日
        csv_date = line[0]
        csv_date = csv_date.split(" ")[0]

        # list保存一个日期的所有数据
        # 第一步先判断有没有保存这个日期的数据
        # 如果没有则初始化为空的数组
        # 如果有则拿出来
        if csv_date in data_group_by_date.keys():
            csv_data_list = data_group_by_date[csv_date]
        else:
            csv_data_list = []

        # 保存数据
        csv_data_list.append(csv_data)
        data_group_by_date[csv_date] = csv_data_list

    # 释放文件资源
    file.close()

    # 计算保存沪深300期货所有的日期和收盘价数据
    hu_shen_300_date_close_price_list = Configuration.hu_shen_300_date_close_price_list
    hu_shen_300_date_list = Configuration.hu_shen_300_date_list

    for date in data_group_by_date:
        data_of_date = data_group_by_date[date]  # 每天的数据
        len_of_data_of_date = len(data_of_date)
        close = data_of_date[len_of_data_of_date - 1]["close"]  # 沪深300期货每天的收盘价
        hu_shen_300_date_list.append(date)
        hu_shen_300_date_close_price_list.append(close)

    print("沪深300期货所有的日期列表：")
    print(hu_shen_300_date_list)

    print("沪深300期货每天所有的收盘价数据：")
    print(hu_shen_300_date_close_price_list)

计算市场情绪平稳度的工具类emotional_stability_utils.py

# 计算情绪平稳度
# 计算每分钟的最大回撤和反向最大回撤
# 最大回撤计算公式max(1 - close_j / close_i)
# 反向最大回撤计算公式-min(1 - close_j / close_i)
# 然后计算平均最大回撤和平均反向最大回撤
# 文档中指出使用收盘价格进行计算
# 平均最大回撤和平均反向最大回撤，哪个小就是用哪个
def calculate_emotional_stability(data):
    length_of_data = len(data)

    max_sum = 0.0  # 最大回撤求和
    min_sum = 0.0  # 反向最大回撤求和
    for i_value in range(0, length_of_data):
        close_i = data[i_value]["close"]
        max_value = 0.0  # 计算一分钟的最大回撤
        min_value = 0.0  # 计算一分钟的反向最大回撤
        for j_value in range(i_value + 1, length_of_data):
            close_j = data[j_value]["close"]

            calculate_result = 1 - close_j / close_i

            if calculate_result > max_value:
                max_value = calculate_result

            if calculate_result < min_value:
                min_value = calculate_result

        max_sum += max_value  # 把每一分钟的最大回撤相加
        min_sum += -min_value  # 把每一分钟的反向最大回撤相加（注意取负值）

    max_ave = max_sum / length_of_data  # 平均最大回撤
    min_ave = min_sum / length_of_data  # 平均最大反向回撤

    print("平均最大回撤：" + str(max_ave))
    print("平均最大反向回撤：" + str(min_ave))

    # 比较平均最大回撤和平均最大反向回撤，哪个小就返回哪个
    if max_ave <= min_ave:
        print("采用平均最大回撤作为平稳度")
        return max_ave
    else:
        print("采用平均最大反向回撤作为平稳度")
        return min_ave

绘制折线图的工具类line_chart_utils.py

# 绘制折线图
import matplotlib.pyplot as plt

# 绘制折线图
from matplotlib.ticker import MultipleLocator
from domain.configuration import Configuration


# 绘制折线图
def draw_line_chart():
    # 从单次开仓交易数据中获取折线图的数据
    uni_line_chart_data = get_line_chart_data(Configuration.uni_transaction_data)
    uni_date_list = uni_line_chart_data["date_list"]
    uni_money_list = uni_line_chart_data["money_list"]

    # 从多次开仓交易数据中获取折线图的数据
    multi_line_chart_data = get_line_chart_data(Configuration.multi_transaction_data)
    multi_date_list = multi_line_chart_data["date_list"]
    multi_money_list = multi_line_chart_data["money_list"]

    plt.subplots_adjust(bottom=0.4)  # 调节下方位置，不然日期太长会被挡住

    '''
    plt.subplots_adjust(bottom=0.9)  # 调节下方位置，不然日期太长会被挡住
    plt.title("model cumulative income")  # 标题，模型累计收益
    plt.xlabel("date")  # x轴表示日期
    plt.ylabel("cumulative income")  # y轴表示累计收益

    # 把x轴的刻度间隔设置为40，并存在变量里
    x_major_locator = MultipleLocator(40)

    # ax为两条坐标轴的实例
    ax = plt.gca()

    # 把x轴的主刻度设置为40的倍数
    ax.xaxis.set_major_locator(x_major_locator)

    # x轴倾斜90度
    for tick in ax.get_xticklabels():
        tick.set_rotation(90)
    '''

    # 开始绘制折线图

    fig = plt.figure(figsize=(20, 10))
    ax1 = fig.add_subplot(111)
    ax1.xaxis.set_major_locator(MultipleLocator(30))
    for tick in ax1.get_xticklabels():
        tick.set_rotation(90)

    ax1.plot(multi_date_list, multi_money_list, color="blue")
    ax1.plot(uni_date_list, uni_money_list, color="gray")

    ax2 = ax1.twinx()  # this is the important function
    ax2.xaxis.set_major_locator(MultipleLocator(30))
    ax2.plot(Configuration.hu_shen_300_date_list, Configuration.hu_shen_300_date_close_price_list, color="orange")

    # 同时展示多条图表
    plt.legend()
    plt.show()


# 从交易数据中获取绘制折线图所需要的数据
def get_line_chart_data(transaction_data):
    # 保存x轴的数据 日期
    date_list = []

    # 保存y轴的数据 累计收益
    money_list = []

    for details in transaction_data["details"]:
        date_value = details["date"]
        money_value = details["money"]

        date_list.append(date_value)

        # 注意这里减去init_money非常必要，因为算的是累计收益，必须减去本金，不然会多100%
        money_list.append(money_value - Configuration.init_money)

    return dict(date_list=date_list, money_list=money_list)

计算累计收益的交易工具类transaction_utils.py

from utils import emotional_stability_utils
from domain.configuration import Configuration


# 计算一天的交易数据
# transaction_data 保存所有的交易数据
# date_value 日期
# date_init_list 一天所有的原始csv数据
# sample_observation_begin_index 样本观察开始索引
# sample_observation_end_index 样本观察结束索引
# finish_index 收盘平仓时的索引
def calculate_transaction_data(transaction_data, date_value, date_init_list, sample_observation_begin_index,
                               sample_observation_end_index, finish_index):
    # 根据样本观察索引区间获取样本数据
    sample_observation = date_init_list[sample_observation_begin_index:sample_observation_end_index]
    print("样本长度为：" + str(len(sample_observation)))

    # 根据样本数据计算情绪平稳度
    emotional_stability = emotional_stability_utils.calculate_emotional_stability(sample_observation)

    # 情绪平稳度小于阈值，决定开仓
    if emotional_stability < Configuration.emotional_stability_threshold:
        print("情绪平稳度小于阈值，决定开仓")

        # 样本观察收盘价
        sample_observation_end_close = date_init_list[sample_observation_end_index - 1]["close"]

        # 样本观察开盘价
        sample_observation_begin_open = date_init_list[sample_observation_begin_index]["open"]

        # 在样本观察之后的下一分钟开盘买入
        buy_price = date_init_list[sample_observation_end_index]["open"]

        # 如果样本观察的收盘价大于样本观察开盘价，则做多
        if sample_observation_end_close > sample_observation_begin_open:
            print("开始做多")
            long = 1
        else:
            print("开始做空")
            long = 0

        for i_value in range(sample_observation_end_index + 1, finish_index):

            # 在开盘之后判断是否需要止损
            sell_price = date_init_list[i_value]["open"]

            # 如果做多，则用卖出价格减去买入价格
            if long == 1:
                percent = (sell_price - buy_price) / buy_price

            # 如果做空，则用买入价格减去卖出价格
            else:
                percent = (buy_price - sell_price) / sell_price

            # 如果损失大于止损阈值，则平仓止损
            if percent < 0 and abs(percent) > Configuration.stop_loss_threshold:
                print("平仓止损")

                transaction_data["money"] = transaction_data["money"] * (1 + percent - Configuration.service_charge)
                transaction_data["details"].append(
                    dict(date=date_value, money=transaction_data["money"]))
                return

        print("收盘平仓")
        sell_price = date_init_list[finish_index - 1]["close"]

        # 如果做多，则用卖出价格减去买入价格
        if long == 1:
            percent = (sell_price - buy_price) / buy_price

        # 如果做空，则用买入价格减去卖出价格
        else:
            percent = (buy_price - sell_price) / sell_price

        transaction_data["money"] = transaction_data["money"] * (1 + percent - Configuration.service_charge)
        transaction_data["details"].append(
            dict(date=date_value, money=transaction_data["money"]))
        return

    else:
        print("情绪平稳度大于阈值，决定不开仓")
        transaction_data["details"].append(dict(date=date_value, money=transaction_data["money"]))
        return

最后是程序入口main.py

# 程序入口

from utils import csv_file_utils, line_chart_utils, transaction_utils
from domain.configuration import Configuration

# 以日期分组数据
csv_file_utils.group_data_by_date(Configuration.file_path)
data_group_by_date = Configuration.data_group_by_date

for date in data_group_by_date.keys():
    print("开始处理日期" + date + "的数据")

    # 当前日期所有的初始数据
    date_csv_list = data_group_by_date[date]
    length = len(date_csv_list)
    print("当前日期有" + str(length) + "条数据")

    # 早晨样本观察开始索引
    morning_sample_start = 0

    # 早晨样本观察结束索引
    morning_sample_end = 0

    # 早晨平仓索引
    morning_position_close = 0

    # 下午样本观察开始索引
    afternoon_sample_start = 0

    # 下午样本观察结束索引
    afternoon_sample_end = 0

    # 下午平仓索引
    afternoon_position_close = length

    # 多次开仓的交易策略中，上午开仓同原始策略一致，观察开盘后50分钟的收盘价样本，随后决定是否开仓。但是在11：30上午收市时平仓。下午开盘则充分利用上午的数据，观察包括上午收盘数据在内11:12至13:32的数据样本，并在13:33决定下午是否开仓。
    # 遍历该日期对应的所有时间点，找出操作点对应的索引
    for i in range(0, length):
        i_date = date_csv_list[i]["date"]

        if i_date.endswith("9:16"):
            morning_sample_start = i

        if i_date.endswith("10:06"):
            morning_sample_end = i

        if i_date.endswith("11:30"):
            morning_position_close = i

        if i_date.endswith("11:12"):
            afternoon_sample_start = i

        if i_date.endswith("13:32"):
            afternoon_sample_end = i

    # 多次开仓 --> 早晨开仓
    print("----------------------------------------")
    print("多次开仓 --> 早晨开仓，开始处理......")
    transaction_utils.calculate_transaction_data(Configuration.multi_transaction_data, date, date_csv_list,
                                                 morning_sample_start,
                                                 morning_sample_end, morning_position_close + 1)

    # 多次开仓 --> 下午开仓
    print("----------------------------------------")
    print("多次开仓 --> 下午开仓，开始处理......")
    transaction_utils.calculate_transaction_data(Configuration.multi_transaction_data, date, date_csv_list,
                                                 afternoon_sample_start,
                                                 afternoon_sample_end, afternoon_position_close)

    # 一次开仓
    print("----------------------------------------")
    print("一次开仓，开始处理......")
    transaction_utils.calculate_transaction_data(Configuration.uni_transaction_data, date, date_csv_list,
                                                 morning_sample_start, morning_sample_end, afternoon_position_close)

    print("\r\n")

# 开始绘制折线图
line_chart_utils.draw_line_chart()

福利环节，源码链接地址(我永远喜欢薇尔莉特，永远喜欢编程ヾ(≧▽≦*)o)

source_code.zip