量化投资（一）：十行代码实现一个量化交易入门程序

1 在浏览器中打开 www.joinquant.com

2 编写策略代码

点击顶部的“我的策略”，选择子菜单“我的策略”，在左侧输入python代码

def initialize(context):                #初始化
    g.security = '600050.XSHG'      # 股票名:中国联通
def handle_data(context, data):     # 每日循环
    last_price = data[g.security].close # 取得最近日收盘价
    # 取得过去二十天的平均价格
    average_price = data[g.security].mavg(20, 'close')
    cash = context.portfolio.cash       # 取得当前的现金
    # 如果昨日收盘价高出二十日平均价, 则买入，否则卖出。
    if last_price > average_price:
        order_value(g.security, cash)   # 用当前所有资金买入股票
    elif last_price < average_price:
        order_target(g.security, 0) # 将股票仓位调整到0，即全卖出

这里600050，是中国联通的股票代号，XSHG代表沪市。
若是想要对“科大讯飞”进行量化，只需要设置
g.security = ‘002230.XSHE’，这里XSHE代表深市。

3 编译运行

点击编译运行，右侧的上半部分显示回测结果，下半部分显示日志和错误。

这里默认的统计时间为2016-6-1到2016-12-31，若想改成自定义的时间需要注册并登录。

4 名词解释

（1）基准收益就是大盘的收益。

（2）策略收益就是你的策略所能产生的收益。“好”策略的收益至少要超过基准收益。

（3）阿尔法：投资中面临着系统性风险（即Beta）和非系统性风险（即Alpha），Alpha是投资者获得与市场波动无关的回报，一般用来度量投资者的投资技艺。比如投资者获得了12%的回报，其基准获得了10%的回报，那么Alpha或者价值增值的部分就是2%
• α>0，策略相对于风险，获得了超额收益
• α=0，策略相对于风险，获得了适当收益
• α<0，策略相对于风险，获得了较少收益

（4）贝塔：表示投资的系统性风险，反映了策略对大盘变化的敏感性。例如一个策略的Beta为1.3，则大盘涨1%的时候，策略可能涨1.3%，反之亦然；如果一个策略的Beta为-1.3，说明大盘涨1%的时候，策略可能跌1.3%，反之亦然

（5）夏普比率：表示每承受一单位总风险，会产生多少的超额报酬，可以同时对策略的收益与风险进行综合考虑。

（6）最大回撤是一个风险指标，衡量极端风险，表示在测试区间内最大的可能浮亏。注意这里是浮亏，不是亏损。
例如：初始净值为1元，后来增长到最高点1.6元，近期跌到最低点1.6元。则最大回撤为
(1.6 - 0.6) / 1.6 = 62.5%。

5 分析

图2中的基准收益为4.43%，策略收益为66.69%，远高于基准收益。这说明这个策略在2016-06-01至2016-12-31这段时间内，若用于中国联通股票，会产生很可观的收益。

6 换一支股票试试

将g.security = ‘600050.XSHG’改为g.security = ‘002230.XSHE’，这里002230是“科大讯飞”的股票代号。
编译运行后，发现策略收益为-2.90%。这说明，在2016-06-01至2016-12-31，对于科大讯飞股票，若使用了程序中的策略，会产生很差的收益。

7 总结

从上面针对两支股票运行同一策略所产生的不同效果来看，同一策略对不同的股票所起的作用是不一样的。好的策略应该选取多种不同的指标进行策略组合，以提高策略收益和策略的稳定性。本文所演示的策略仅仅是为了让初学者了解策略的大体过程。

更多内容请关注微信公众号