量化 | 基础框架(下)

更多

只有这些还不够，可以根据自己的需要再完善功能。我为了满足需求，又增加了参数调优和绘图功能。
所谓参数调优，就是把测试了一次的策略换不同参数再测，获得最优解。然而这毕竟是拟合过程，对于不同标的最优参数肯定是不一样的，而且历史数据得出的参数也不能代表未来一定受用，只能作为分析的参考。

def SarN(df,ma,s,m,cash):
    result = []
    ma = df['close'].rolling(window=ma).mean()
    for i in range(1,s+1,2):
        for j in range(1,m+1,2):
            #sar = talib.SAR(df.high, df.low,i/100,j/100)
            sar = mySAR(df,i/100,j/100)
            status = md = lastc = shou = count = win = 0
            cash0 = cash
            for k in range(len(df)):
                if ma[k]>=sar[k] and ma[k-1]<sar[k-1] and status==0:
                    lastc = df.close[k]
                    shou = int(cash/lastc/100)
                    buy = df.close[k]*shou*100
                    status = 1
                    cash0 -= buy*1.007
                    count += 1
                if (ma[k]<=sar[k] and ma[k-1]>sar[k-1] or k==len(df)-1) and status==1:
                    sell = df.close[k]*shou*100
                    status = 0
                    cash0 += sell
                    chajia = df.close[k]-lastc
                    lastmd = round((chajia)/lastc*10,2)
                    if lastmd < md:
                        md = lastmd
                    if chajia > 0:
                        win +=1
            if count == 0:
                sl = 0
            else:
                sl = round(win/count*100,2)
            lrl = round((cash0-cash)/cash*10,2)
            result.append([i/10,j/10,lrl,md,sl])
            result = sorted(result,key=(lambda x:[x[2],x[3]]),reverse=True)
    return result[0]

我是按利润率和最大回撤排序出最好的参数组合作为结果返回的。
绘图可以直观分析策略好坏。基于matplotlib库的mplfinance库专门用于金融类绘图。

def tu(df,tb1,tb2,hs300,m1=[],m2=[],p=[]):
    #s1 = np.where(tb3<0,np.nan,tb3)
    #s2 = np.where(tb3>0,np.nan,tb3)
    add_plot = [mpf.make_addplot(m1,scatter=True, markersize=100, marker='^', color='m'),
                mpf.make_addplot(m2,scatter=True, markersize=100, marker='v', color='c'),
                #mpf.make_addplot(p,scatter=True, markersize=100, marker='.',color='b'),
                mpf.make_addplot(tb1),
                mpf.make_addplot(tb2),
                mpf.make_addplot(hs300,panel=2,color='b'),
                mpf.make_addplot(p,panel=2, scatter=True, markersize=200, marker='.',color='r')
                ]
    mc = mpf.make_marketcolors(up='r',down='g',edge='inherit',
                               wick={'up':'r','down':'g'},
                               volume='cornflowerblue',
                               ohlc='i'
                               )
    s  = mpf.make_mpf_style(marketcolors=mc,
                            facecolor='black',
                            edgecolor='snow',
                            figcolor='black',
                            gridcolor='snow',
                            gridstyle=':',
                            rc={'font.family':'SimHei',
                                'axes.unicode_minus':'False',
                                'axes.edgecolor':'snow',
                                'axes.labelcolor': 'snow',
                                'axes.titlecolor': 'snow',
                                'grid.alpha':0.5,
                                'ytick.color':'snow',
                                'xtick.color':'snow'
                                })
    mpf.plot(df,
             type='candle',
             volume=True,
             addplot=add_plot,
             style=s,
             datetime_format='%Y-%m-%d',
             #tight_layout=True,
             figscale=1.5,
             xrotation=15,
             title='沪深300',
             ylabel='价格',
             ylabel_lower='成交量')
    plt.show()

大体框架有了，代码还需优化，功能有待完善。