跨品种价差套利策略（附源码）

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

跨品种价差套利简介套利原理

​     通俗地讲，就是两个合约相关性很好，突然市场出了一个bug，破坏了两个合约之间的平衡状态，进场套利；等待市场回复，平仓出场。即均值回复思想。

价差套利

​     价差套利的前提是做出商品期货品种间同一月份的价格之间的价差，并且画出价差的时间序列图，分析价差，寻找合理的价差范围，超出合理的价差变动范围时如何进行操作。

套利标的的选取

​     我们选取同为黑钢产业的主要产品，热轧卷板与螺纹钢作为套利标的。

​     首先，从价格走势上来看，二者价格趋势上一致性非常高，基本处于同涨同跌局面，如下图所示，2014年至2017年热轧卷板与螺纹钢价格指数，相关性达到0.924。二者成本从铁矿石到钢坯这个阶段几乎一样，只是在最终的轧制成材阶段出现了分化。

​    其次，二者价格的季节性也表现出较高的一致性。热轧卷板和螺纹钢的年内高点普遍出现在4月，次高点出现在7月，而10月不管是热轧卷板还是螺纹钢都倾向于出现年内低点。在较一致的季节性特点下，二者的价格强弱也有一定的规律可循。一般情况下，1、2月热轧卷板的表现会略强于螺纹钢，但是之后二者比价会逐步走低，也就是螺纹钢相对于热轧卷板会逐步变强。而这种强弱关系一般到10月会达到一个极致，之后热轧卷板会再度重新变得相对强一点。

​     为了防止未来函数的引入，在这里我们选取“HC1701”与“RB1701”作为套利观察合约

​     图示分为两部分，上图为2016-04-01至2016-12-31的两标的合约日线收盘价的数据，经计算，相关性系数为0.988，下图为两者价差的走势，上下界分别为均值加减两倍标准差。

​     可以看出价差在上下界之外会再次回归，这就成为了我们的交易机会，不过，均值周期需要缩短，以增加交易次数。另外，我们用2017-04-01至2017-12-31的“HC1801”与“RB1801”作为标的合约，进行回测。

跨品种价差套利策略实现（基于掘金量化平台）策略思想

• 获取过去的30个交易日的bar的均值正负2个标准差得到上下界。

• 用最新价差来判断开仓方向，上穿上轨来做空价差，下穿下轨来做多价差。

• 回归至上下轨水平内的时候平仓。

  
  

策略主要步骤实现订阅数据subscribe(symbols=symbols, frequency='1d', count=31, wait_group=True)

​        订阅数据需要在定义init函数里面设置，并调用subscribe函数，这里注意，我们需要通过计算前三十根bars来作为开平仓的标准，并在当前bar上做出开平仓操作，所以需要获取31根bar：

• symbols         需要设置订阅的标的代码。

• frequency需设置订阅数据的周期级别，这里设置1d 表示以一天为周期。

• count需要设置获取的bar的数量

  
  

数据获取
data_rb = context.data(symbol=symbol, frequency='1d', count=31, fields='close')

​        订阅数据之后，需要获取已经订阅的数据来进行操作，这时需调用context.data函数：

• symbols 需要设置订阅的标的代码。

• frequency需设置订阅数据的周期级别，这里设置1d表示以一天为周期。

• count需要设置获取的bar的数量

• fields需要设置返回值的种类

  
  

策略回测分析回测报告

分析

​   我们选取了2017年4月至2017年11月作为回测周期，“HC1801”与“RB1801”作为标的合约，价差均值周期设为30，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56.25%。

  
  

• 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4。

  
  

• 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1.5，也即承受1单位的风险，会有超过1.5个单位的收益回报

  
  

• 策略收益曲线相当稳定，最大回撤极小，缺点是交易次数少，很长时间无交易。

  
  

       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

分享0 收藏1 回帖

关键词：源码分享 跨品种价差套利策略 量化交易 策略源码 量化策略

基于掘金量化平台，跨品种价差套利策略源码，如下：

# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from gm.api import *
import numpy as np

'''
本策略根据计算滚动的.过去的30个1min的bar的均值正负2个标准差得到布林线
并在最新价差上穿上轨来做空价差,下穿下轨来做多价差
并在回归至上下轨水平内的时候平仓
回测数据为:SHFE.rb1801和SHFE.hc1801的1min数据
回测时间为:2017-09-01 08:00:00到2017-10-01 16:00:00
'''
def init(context):
    # 进行套利的品种
context.goods = ['SHFE.rb1801', 'SHFE.hc1801']
    # 订阅行情
subscribe(symbols=context.goods, frequency='1d', count=31, wait_group=True)


def on_bar(context, bars):
    # 获取两个品种的时间序列
data_rb = context.data(symbol=context.goods[0], frequency='1d', count=31, fields='close')
    close_rb = data_rb.values
    data_hc = context.data(symbol=context.goods[1], frequency='1d', count=31, fields='close')
    close_hc = data_hc.values
    # 计算价差
spread = close_rb[:-1] - close_hc[:-1]
    # 计算布林带的上下轨
up = np.mean(spread) + 2 * np.std(spread)
    down = np.mean(spread) - 2 * np.std(spread)
    # 计算最新价差
spread_now = close_rb[-1] - close_hc[-1]
    # 无交易时若价差上(下)穿布林带上(下)轨则做空(多)价差
position_rb_long = context.account().position(symbol=context.goods[0], side=PositionSide_Long)
    position_rb_short = context.account().position(symbol=context.goods[0], side=PositionSide_Short)
    if not position_rb_long and not position_rb_short:
        if spread_now > up:
            order_target_volume(symbol=context.goods[0], volume=50, order_type=OrderType_Market,
                                position_side=PositionSide_Short)
            print(context.goods[0], '以市价单开空仓一手')
            order_target_volume(symbol=context.goods[1], volume=50, order_type=OrderType_Market,
                                position_side=PositionSide_Long)
            print(context.goods[1], '以市价单开多仓一手')
        if spread_now < down:
            order_target_volume(symbol=context.goods[0], volume=50, order_type=OrderType_Market,
                                position_side=PositionSide_Long)
            print(context.goods[0], '以市价单开多仓五十手')
            order_target_volume(symbol=context.goods[1], volume=50, order_type=OrderType_Market,
                                position_side=PositionSide_Short)
            print(context.goods[1], '以市价单开空仓五十手')
    # 价差回归时平仓
elif position_rb_short:
        if spread_now <= up:
            order_close_all()
            print('价格回归,平所有仓位')
            # 跌破下轨反向开仓
if spread_now < down:
            order_target_volume(symbol=context.goods[0], volume=50, order_type=OrderType_Market,
                                position_side=PositionSide_Long)
            print(context.goods[0], '以市价单开多仓五十手')
            order_target_volume(symbol=context.goods[1], volume=50, order_type=OrderType_Market,
                                position_side=PositionSide_Short)
            print(context.goods[1], '以市价单开空仓五十手')
    elif position_rb_long:
        if spread_now >= down:
            order_close_all()
            print('价格回归,平所有仓位')
            # 涨破上轨反向开仓
if spread_now > up:
            order_target_volume(symbol=context.goods[0], volume=50, order_type=OrderType_Market,
                                position_side=PositionSide_Short)
            print(context.goods[0], '以市价单开空仓五十手')
            order_target_volume(symbol=context.goods[1], volume=50, order_type=OrderType_Market,
                                position_side=PositionSide_Long)
            print(context.goods[1], '以市价单开多仓五十手')


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='d90f679c-d353-11e7-9259-9cd21ef04ea9',
        filename='跨品种套利.py',
        mode=MODE_BACKTEST,
        token='c395247a76e8a5caeee699d668d6f550213bc418',
        backtest_start_time='2017-04-01 08:00:00',
        backtest_end_time='2017-11-01 16:00:00',
        backtest_adjust=ADJUST_PREV,
        backtest_initial_cash=500000,
        backtest_commission_ratio=0.0001,
        backtest_slippage_ratio=0.0001)