股票集合竞价（附策略源码）

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

什么是集合竞价？有什么用途？

​        所谓集合竞价就是在当天还没有开盘之前，你可根据前一天的收盘价和对当日股市的预测来输入股票价格，在集合竞价时间里输入计算机主机的所有下单，按照价格优先和时间优先的原则计算出最大成交量的价格，这个价格就会是集合竞价的成交价格，而这个过程被称为集合竞价。

​        每天开盘价在技术分析上具有重要的意义，目前世界各国股市市场均采用集合竞价的方式来确定开盘价，因为这样可以在一定程度上防止人为操纵现象。

策略实现（基于掘金量化平台）策略思想

• 获取沪深300的成份股数据，并统计其30天内开盘价大于前收盘价的天数，并在该天数大于阈值18的时候加入股票池。

• 对不在股票池的股票平仓，并等权配置股票池的标的股票，每次交易间隔1个月。

  
  

策略主要步骤实现获取当前交易日日期now = context.now

​        直接调用context.now函数，返回“datetime.datetime”格式

获取上一交易日日期
last_day = get_previous_trading_date(exchange='SHSE', date=now)

​        获取上一交易日可调用get_previous_trading_date函数，返回值为字符串格式：

• exchang需要设置交易市场代码。

• date需要设置指定日期。

  
  

获取当天有交易的股票
    not_suspended_info = get_history_instruments(symbols='SHSE.000300', start_date=now, end_date=now)
    not_suspended_symbols = [item['symbol'] for item in not_suspended_info if not item['is_suspended']]

​        获取当天有交易的股票，即非停牌的股票，首先需获取停牌信息，这里需调用get_history_instruments函数，返回值类型为list[dict]，之后就是将所提取的“字典”转换为”list“：

• symbols需要设置订阅的标的代码。

  
  

• start_date和end_date需设置获取成分股的开始与结束日期，这里需要调成上一交易日以获取上一交易日的成分股信息。        

  
  

固定月初调仓
schedule(schedule_func=algo, date_rule='1m', time_rule='09:40:00')

​        固定时间调仓可使用schedule函数进行定时任务配置：

• schedule_func为调用的策略函数的名称。

  
  

• date_rule可设为1m（一月）。

• time_rule为开仓日的开仓时间，这里设为每月第一个交易日的09:40:00。

  
  

获取沪深300成分股
stock300 = get_history_constituents(index='SHSE.000300', start_date=last_day,end_date=last_day)[0]['constituents'].keys()

​        获取指数成分股可调用函数get_history_constituents或者get_constituents，返回值类型为list[dict]，这里调用get_history_constituents是因为再回测时需要获取上一交易日的成分股，而get_constituents只能获取最新的成分股：

• index需要设置获取指数的代码。

• start_date和end_date需设置获取成分股的开始与结束日期，这里需要调成上一交易日以获取上一交易日的成分股信息。

  
  

获取过去交易日的历史信息
return_index_his = history_n(symbol=symbol, frequency='1d', count=30, fields='close,preclose',fill_missing='Last', adjust=ADJUST_PREV, end_time=last_day, df=True)

​        获取历史信息需要调用histor_n函数，默认返回值为“字典“格式，如果参数df设为True，则返回"dataframe"格式

• symbol设置所需获取的标的代码。

• frequency获取历史信息的频率，如日线数据设置为1d。

• count需要设置获取的bar的数量。

• fileds设置返回值的种类。

• fill_missing需要设置对于空值的填充方式， None- 不填充，NaN- 用空值填充， Last- 用上一个值填充，默认 None。

• adjust需要设置对于复权的处理，ADJUST_NONE or 0: 不复权, ADJUST_PREV or 1: 前复权, ADJUST_POST or 2: 后复权， 默认不复权。

• end_time需设置获取历史信息的结束时间。

  
  

获取持仓信息
positions = context.account().positions()

​        在判断平仓条件时，需要获取持仓信息（包含持仓均价），这就需要调用context.account().position函数，返回字典型。

策略回测分析

分析

​        我们选取了2017年7月至2017年10月作为回测周期，应用“EV/EBITDA”单因子作为选股基础。可以看出：

• 胜率（具有盈利的平仓次数与总平仓次数之比）达到了62.5%，也即策略每十次开仓，有六次是盈利的。

  
  

• 卡玛比率（年化收益率与历史最大回撤之比）是使用最大回撤率来衡量风险。采用最大回撤率来衡量风险，关注的是最极端的情况。卡玛比率越高表示策略承受每单位最大损失获得的报酬越高。在这里卡玛比率超过了20。

  
  

• 夏普比率（年化收益率减无风险收益率的差收益波动率之比）超过5，也即承受一单位的风险，会有超过五单位的收益回报

  
  

• 策略收益曲线总体稳定，适合在趋势行情中操作。

  
  

原创：掘金量化myquant.cn,转载请注明出处！谢谢

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

关键词：集合竞价 集合竞价选股 量化策略 源码分享 量化交易

基于掘金量化平台的的集合竞价python量化策略源码：
# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from gm.api import *

'''
本策略通过获取SHSE.000300沪深300的成份股数据并统计其30天内
开盘价大于前收盘价的天数,并在该天数大于阈值10的时候加入股票池
随后对不在股票池的股票平仓并等权配置股票池的标的,每次交易间隔1个月.
回测数据为:SHSE.000300在2015-01-15的成份股
回测时间为:2017-07-01 08:00:00到2017-10-01 16:00:00
'''


def init(context):
    # 每月第一个交易日的09:40 定时执行algo任务
    schedule(schedule_func=algo, date_rule='1m', time_rule='09:40:00')
    # context.count_bench累计天数阙值
    context.count_bench = 18
    # 用于对比的天数
    context.count = 30
    # 最大交易资金比例
    context.ratio = 0.8


def algo(context):
    # 获取当前时间
    now = context.now
    # 获取上一个交易日
    last_day = get_previous_trading_date(exchange='SHSE', date=now)
    # 获取沪深300成份股
    context.stock300 = get_history_constituents(index='SHSE.000300', start_date=last_day,
                                                end_date=last_day)[0]['constituents'].keys()
    # 获取当天有交易的股票
    not_suspended_info = get_history_instruments(symbols=context.stock300, start_date=now, end_date=now)
    not_suspended_symbols = [item['symbol'] for item in not_suspended_info if not item['is_suspended']]

    trade_symbols = []
    if not not_suspended_symbols:
        print('没有当日交易的待选股票')
        return

    for stock in not_suspended_symbols:
        recent_data = history_n(symbol=stock, frequency='1d', count=context.count, fields='pre_close,open',
                                fill_missing='Last', adjust=ADJUST_PREV, end_time=now, df=True)
        diff = recent_data['open'] - recent_data['pre_close']
        # 获取累计天数超过阙值的标的池.并剔除当天没有交易的股票
        if len(diff[diff > 0]) >= context.count_bench :
            trade_symbols.append(stock)

    print('本次股票池有股票数目: ', len(trade_symbols))
    # 计算权重
    percent = 1.0 / len(trade_symbols) * context.ratio
    # 获取当前所有仓位
    positions = context.account().positions()
    # 如标的池有仓位,平不在标的池的仓位
    for position in positions:
        symbol = position['symbol']
        if symbol not in trade_symbols:
            order_target_percent(symbol=symbol, percent=0, order_type=OrderType_Market,
                                 position_side=PositionSide_Long)
            print('市价单平不在标的池的', symbol)

    # 对标的池进行操作
    for symbol in trade_symbols:
        order_target_percent(symbol=symbol, percent=percent, order_type=OrderType_Market,
                             position_side=PositionSide_Long)
        print(symbol, '以市价单调整至权重', percent)


if __name__ == '__main__':
    '''
    strategy_id策略ID,由系统生成
    filename文件名,请与本文件名保持一致
    mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
    token绑定计算机的ID,可在系统设置-密钥管理中生成
    backtest_start_time回测开始时间
    backtest_end_time回测结束时间
    backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST
    backtest_initial_cash回测初始资金
    backtest_commission_ratio回测佣金比例
    backtest_slippage_ratio回测滑点比例
    '''
    run(strategy_id='8ec1595a-e146-11e7-9f7c-9cd21ef04ea9',
        filename='jihejingjia.py',
        mode=MODE_BACKTEST,
        token='c395247a76e8a5caeee699d668d6f550213bc418',
        backtest_start_time='2017-07-01 08:00:00',
        backtest_end_time='2017-10-01 16:00:00',
        backtest_adjust=ADJUST_PREV,
        backtest_initial_cash=10000000,
        backtest_commission_ratio=0.0001,
        backtest_slippage_ratio=0.0001)

因为不支持md文档编辑，有些源代码格式不是很规范，请大家在平台上自行调整优化下即可。