README.md · wigner/AmazingQuant

# AmazingQuant 
[![Github workers](https://img.shields.io/github/watchers/zhanggao2013/AmazingQuant.svg?style=social&label=Watchers&)](https://github.com/zhanggao2013/AmazingQuant/watchers)
[![GitHub stars](https://img.shields.io/github/stars/zhanggao2013/AmazingQuant.svg?style=social&label=Star&)](https://github.com/zhanggao2013/AmazingQuant/stargazers)
[![GitHub forks](https://img.shields.io/github/forks/zhanggao2013/AmazingQuant.svg?style=social&label=Fork&)](https://github.com/zhanggao2013/AmazingQuant/fork)

# 1.简介
AmazingaQuant——为交易而生的智能投研Lab。包含量化数据服务、因子计算服务、策略模型研究服务、绩效分析服务四大功能模块。

![](https://github.com/zhanggao2013/AmazingQuant/blob/master/documents/AmazingQuant.png)

1.1 量化数据服务	 
建立数据服务中台，数据聚集和清洗完成。 
1.1.1 历史数据存储	 
（1）基础行情数据	 
　　tick、1min、5min、日线等周期的股票、指数	 
（2）基本面数据	 
　　财务数据	 
　　股本数据	 
（3）行情衍生数据	 
　　龙虎榜数据	 
　　指数成分股数据	 
　　行业板块成分股数据	 
　　行业指数日线行情数据

1.1.2 实时行情对接	 
（1）股票、指数的tick数据实时全推行情	 
（2）重采样为1min、5min、日线等三个周期数据

1.2 因子计算服务	 
　　历史指标计算满足策略研究，实时指标计算满足实盘交易 
（1）日线、周线、月线、年线周期等低频指标的历史数据计算，固定存储为HDF5格式，	 
（2）分钟、tick周期等高频数据指标计算，历史数据计算和实时指标计算两部分

1.3 策略研究服务	 
　　四大策略体系的研究体系 
（1）选股体系 
　　中低频组合选股模型、强势短线模型 
（2）风险预警体系 
　　事件风险等建立黑白名单模型 
（3）择时体系 
　　仓位控制择时、行业风格轮动 
（4）T+0体系 
　 全市场股票分类（活跃型与稳定型），做T0模型

1.4 绩效分析服务	 
　　回测数据格式对接，满足策略研究的评价；实盘数据格式对接，满足实盘运行的监控。	 
1.4.1 净值数据分析	 
1.4.2 交易数据分析	 
1.4.3 持仓数据分析	 
1.4.4 绩效归因	 
（1）多因子归因	 
　　投资收益分为每个风格（行业）因子收益、特殊收益、日内调仓收益 
（2）brinson归因	 
　　投资收益分为基准收益和超额收益，其中超额收益分为：资产配置收益、个股选择收益和交互收益 
（3）收益分解	 
　　市场中性策略,基本分解公式为：总收益=交易收益+选股收益+择时收益+基差收益+交易成本	 
　　纯股票策略,基本分解公式为：总收益=交易收益+选股收益+择时收益+基准收益+交易成本	 
 
下图是总体框架架构。	 
![](https://github.com/zhanggao2013/AmazingQuant/blob/master/documents/framework_architecture.jpg)
* data_center
 * api_source 数据从数据源保存到本地的数据存储模块
 * api_data 策略中从本地数据库中取数据的接口模块
* trade_center
 * mossion_engine 包含下单任务（event_order）和风控（event_risk_management）两部分的engine，分别完成下单前的检查和风控
 * broker_engine 分为回测时的simulate的broker（主要是event_deal）撮合成交和连接实盘交易CTP、xSpeed等接口两部分
* strategy_center
 * bar_engine 在回测或者交易模式下，用`逐K线`的方式执行每一根bar的交易逻辑，可在日线、分钟线、分笔下运行
* analysis_center
 * analysis_engine 对回测形成的交易记录进行分析和可视化，净值、年化收益、alpha、beta、回撤等指标，brison、Fama等经典模型的实现
* strategy_model
 * multi_factor 多因子选股模块，包含单因子检测、大类因子合成和组合优化

# 2.安装配置
* MongoDB 3.4 
 建议使用shard，[配置启动项示例](https://github.com/zhanggao2013/AmazingQuant/blob/master/documents/MongoDB_config.md)
* pymongo 
 python调用MongoDB
* talib 
 技术指标计算库
* anaconda 
 python 3.5 的版本，如果大于3.5的版本，ctp的接口暂时不能用，因为编译问题，后续可以解决
* Linux Ubuntu 
 开发环境是ubuntu，当然也可以在windows下用，但是数据库的配置和ctp等交易接口需要重新做
* 安装AmazingQuant
 pip install AmazingQuant 直接安装

# 3.策略编写
```python
# -*- coding: utf-8 -*-

# ------------------------------
# @Time    : 2019/11/14
# @Author  : gao
# @File    : example_strategy.py.py
# @Project : AmazingQuant
# ------------------------------
import time

from AmazingQuant.utils.performance_test import Timer
# import strategy基类
from AmazingQuant.strategy_center.strategy import *

# 取各种数据
from AmazingQuant.data_center.api_data.get_index_member import GetIndexMember
from AmazingQuant.indicator_center.save_get_indicator import SaveGetIndicator
from AmazingQuant.utils.logger import Logger
from AmazingQuant.environment import Environment

# 继承strategy基类
class MaStrategy(StrategyBase):
    def __init__(self, strategy_name='ma_strategy'):
        """
        用户定义类变量
        取本地数据
        :param strategy_name:
        """
        super().__init__(strategy_name=strategy_name)

# 取指数成分股实例
        self.index_member_obj = GetIndexMember()
        # 取K线数据实例
        self.data_class = GetKlineData()
        # 取指标实例
        self.indicator = SaveGetIndicator()

# 取指标数据
        self.ma5 = self.indicator.get_indicator('ma5')
        self.ma10 = self.indicator.get_indicator('ma10')
        self.now = time.time()
        Environment.logger = Logger(strategy_name)

def initialize(self):
        # 设置运行模式，回测或者交易
        self.run_mode = RunMode.BACKTESTING.value
        # 设置回测资金账号
        self.account = ['test0']
        # 设置回测资金账号资金量
        self.capital = {'test0': 2000000}
        # 设置回测基准
        self.benchmark = '000300.SH'
        # 设置复权方式
        self.rights_adjustment = RightsAdjustment.FROWARD.value
        # 设置回测起止时间
        self.start = datetime(2018, 1, 1)
        self.end = datetime(2019, 1, 1)
        # 设置运行周期
        self.period = 'daily'
        self.index_member_obj.get_all_index_members()
        index_members_all = self.index_member_obj.get_index_members('000300.SH')
        print('index_members_all', len(index_members_all))
        self.universe = index_members_all

# 设置在运行前是否缓存日线，分钟线等各个周期数据
        self.daily_data_cache = True
        Environment.logger.info(self.universe)

# 回测滑点设置，按固定值0.01,20-0.01 = 19.99;百分比0.01,20*(1-0.01) = 19.98;平仓时用'+'
        self.set_slippage(stock_type=StockType.STOCK.value, slippage_type=SlippageType.SLIPPAGE_FIX.value, value=0.01)

# 回测股票手续费和印花税，卖出印花税，千分之一；开仓手续费，万分之三；平仓手续费，万分之三，最低手续费，５元
        # 沪市，卖出有万分之二的过户费，加入到卖出手续费
        self.set_commission(stock_type=StockType.STOCK_SH.value, tax=0.001, open_commission=0.0003,
                            close_commission=0.00032,
                            close_today_commission=0, min_commission=5)
        # 深市不加过户费
        self.set_commission(stock_type=StockType.STOCK_SZ.value, tax=0.001, open_commission=0.0003,
                            close_commission=0.0003,
                            close_today_commission=0, min_commission=5)

def handle_bar(self, event):
 Environment.logger.info('self.time_tag', self.time_tag, datetime.now(), (time.time() - self.now) * 1000)
 Environment.logger.debug(len(Environment.bar_position_data_list))
 # 取当前bar的持仓情况
 with Timer(True):
 available_position_dict = {}
 for position in Environment.bar_position_data_list:
 available_position_dict[
 position['instrument'] + '.' + position['exchange']] = position['position'] - position['frozen']
 index_member_list = self.index_member_obj.get_index_member_in_date(self.time_tag, index_code=self.benchmark)
 print('index_member_list', len(index_member_list))
 close_price_all = self.data_class.get_market_data(Environment.daily_data, stock_code=self.universe,
 field=['close'],
 start=self.time_tag, end=self.time_tag)
 # print('close_price_all', close_price_all)
 # 循环遍历股票池
 for stock in index_member_list:
 # 取当前股票的收盘价
 close_price = close_price_all['close'][stock]
 if not close_price:
 continue
 if not((stock in self.ma5) and (stock in self.ma10)):
 continue
 ma5 = self.ma5[stock][self.time_tag]
 ma20 = self.ma10[stock][self.time_tag]
 if ma5 and ma20:
 # 如果5日均线突破20日均线，并且没有持仓，则买入这只股票100股，以收盘价为指定价交易
 if ma5 > ma20 and stock not in available_position_dict.keys() and stock in index_member_list:
 self.trade.order_shares(stock_code=stock, shares=100, price_type='fix',
 order_price=close_price,
 account_id=self.account[0])
 Environment.logger.info('buy', stock, -1, 'fix', close_price, self.account)
 # 如果20日均线突破5日均线，并且有持仓，则卖出这只股票100股，以收盘价为指定价交易
 elif ma5 < ma20 and stock in available_position_dict.keys():
 self.trade.order_shares(stock_code=stock, shares=-100, price_type='fix',
 order_price=close_price,
 account_id=self.account[0])
 Environment.logger.info('sell', stock, -1, 'fix', close_price, self.account)
 for stock in available_position_dict.keys():
 if stock not in index_member_list:
 close_price = close_price_all['close'][stock]
 Trade(self).order_shares(stock_code=stock, shares=-100, price_type='fix',
 order_price=close_price,
 account_id=self.account[0])
 Environment.logger.info('sell not in index_member_list', stock, -1, 'fix', close_price,
 self.account)
 self.now = time.time()

if __name__ == '__main__':
 # 测试运行完整个策略所需时间，沪深300动态股票池，一年数据，均线策略,10s完成,10S绩效分析
 with Timer(True):
 # 运行策略，设置是否保存委托，成交，资金，持仓
 ma_strategy = MaStrategy()
 ma_strategy.run(save_trade_record=True)
```
 
# 4.联系方式
* 微信号(转发我的公众号文章后，可加入微信群):： 
 gao_me150 
* 微信公众号： 
水善量化说 
 ![](https://github.com/zhanggao2013/AmazingQuant/blob/master/documents/wechat.jpg)

wigner/AmazingQuant

简介

发行版

贡献者

近期动态

wigner/AmazingQuant .gitee-modal { width: 500px !important; }

简介

发行版

贡献者

近期动态

搜索帮助

wigner/AmazingQuant