python-策略学习（买入&持有）

python-策略学习（买入&持有）

第一个策略-买入&持有

参考文献：http://rqalpha.io/zh_CN/latest/intro/tutorial.html

---

数据包更新

$ rqalpha update_bundle

拷贝股票数据包

$ cp -a /Users/test/.rqalpha/bundle /Users/test/Documents/bundle/rqalpha 

运行策略

$ rqalpha run -f /Users/test/Documents/buy_and_hold.py -d /Users/test/Documents/bundle/ -s 2016-06-01 -e 2016-12-01 --account stock 100000 --benchmark 000300.XSHG --plot -o result.pkl

假如我们的策略存放在了 ./rqalpha/examples/buy_and_hold.py 路径下， 数据源存放在 ./rqalpha/bundle/ 路径下，回测的起始时间为 2016-06-01, 结束时间为 2016-12-01，我们给策略分配的起始资金为 100000, Benchmark 设置为 `000300.XSHG

屏幕快照 2018-06-12 10.44.15.png

运行过程

1. 运行anaconda虚拟环境，打开terminal

屏幕快照 2018-06-12 10.59.09.png

2. 执行命令

   
   
   屏幕快照 2018-06-12 11.00.42.png

3. 结果

屏幕快照 2018-06-12 11.04.42.png

策略主体

# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
    logger.info("init")
    context.s1 = "000001.XSHE"
    update_universe(context.s1)
    # 是否已发送了order
    context.fired = False
    context.cnt = 1


def before_trading(context):
    logger.info("Before Trading", context.cnt)
    context.cnt += 1


# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    context.cnt += 1
    logger.info("handle_bar", context.cnt)
    # 开始编写你的主要的算法逻辑

    # bar_dict[order_book_id] 可以拿到某个证券的bar信息
    # context.portfolio 可以拿到现在的投资组合状态信息

    # 使用order_shares(id_or_ins, amount)方法进行落单

    # TODO: 开始编写你的算法吧！
    if not context.fired:
        # order_percent并且传入1代表买入该股票并且使其占有投资组合的100%
        order_percent(context.s1, 1)
        context.fired = True

数据进行分析

把生成的文件result.pkl移动出来。

$ mv  /Users/test/result.pkl  /Users/test/Documents/

如果想把回测的数据保存下来，可以通过-o参数将结果保存成pkl文件。等回测结束后可以通过 pandas.read_pickle 函数来读取数据进行之后的数据分析。

分析调用pandas库，程序主体

import pandas as pd

result_dict = pd.read_pickle('result.pkl')

result_dict.keys()
# [out]dict_keys(['total_portfolios', 'summary', 'benchmark_portfolios', 'benchmark_positions', 'stock_positions', 'trades', 'stock_portfolios'])

http://rqalpha.io/zh_CN/latest/intro/tutorial.html