文章来源于网络收集而来，版权归原创者所有，如有侵权请及时联系！
快速开始
常见的策略结构主要包括 3 类，如下图所示。
用户可以根据策略需求选择相应的策略结构，具体可以参考经典策略。
定时任务示例
以下代码的内容是：在每个交易日的 14：50：00 市价买入 200 股浦发银行股票：
# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
def init(context):
# 每天14:50 定时执行algo任务,
# algo执行定时任务函数，只能传context参数
# date_rule执行频率，目前暂时支持1d、1w、1m，其中1w、1m仅用于回测，实时模式1d以上的频率，需要在algo判断日期
# time_rule执行时间， 注意多个定时任务设置同一个时间点，前面的定时任务会被后面的覆盖
schedule(schedule_func=algo, date_rule='1d', time_rule='14:50:00')
def algo(context):
# 以市价购买200股浦发银行股票， price在市价类型不生效
order_volume(symbol='SHSE.600000', volume=200, side=OrderSide_Buy,
order_type=OrderType_Market, position_effect=PositionEffect_Open, price=0)
# 查看最终的回测结果
def on_backtest_finished(context, indicator):
print(indicator)
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运行模式, 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='strategy_id',
filename='main.py',
mode=MODE_BACKTEST,
token='token_id',
backtest_start_time='2020-11-01 08:00:00',
backtest_end_time='2020-11-10 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=10000000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)
整个策略需要三步:
1、设置初始化函数: init , 使用 schedule 函数进行定时任务配置
2、配置任务, 到点会执行该任务
3、执行策略
数据事件驱动示例
在用 subscribe()接口订阅标的后，后台会返回 tick 数据或 bar 数据。每产生一个或一组数据，就会自动触发 on_tick()或 on_bar()里面的内容执行。比如以下范例代码片段，订阅浦发银行频率为 1 天和 60s 的 bar 数据，每产生一次 bar，就会自动触发 on_bar()调用，打印获取的 bar 信息：
# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
def init(context):
# 订阅浦发银行, bar频率为一天和一分钟
# 订阅订阅多个频率的数据，可多次调用subscribe
subscribe(symbols='SHSE.600000', frequency='1d')
subscribe(symbols='SHSE.600000', frequency='60s')
def on_bar(context, bars):
# 打印bar数据
print(bars)
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运行模式, 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='strategy_id',
filename='main.py',
mode=MODE_BACKTEST,
token='token_id',
backtest_start_time='2020-11-01 08:00:00',
backtest_end_time='2020-11-10 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=10000000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)
整个策略需要三步:
1、设置初始化函数: init, 使用 subscribe 函数进行数据订阅
2、实现一个函数: on_bar, 来根据数据推送进行逻辑处理
3、执行策略
时间序列数据事件驱动示例
策略订阅代码时指定数据窗口大小与周期, 平台创建数据滑动窗口, 加载初始数据, 并在新的 bar 到来时自动刷新数据。
on_bar 事件触发时, 策略可以通过 context.data 取到订阅代码的准备好的时间序列数据。
以下的范例代码片段是一个非常简单的例子， 订阅浦发银行的日线和分钟 bar, bar 数据的更新会自动触发 on_bar 的调用, 每次调用context.data来获取最新的 50 条分钟 bar 信息：
# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
def init(context):
# 订阅浦发银行, bar频率为一天和一分钟
# 指定数据窗口大小为50
# 订阅订阅多个频率的数据，可多次调用subscribe
subscribe(symbols='SHSE.600000', frequency='1d', count=50, format='df', fields='symbol, close, eob')
subscribe(symbols='SHSE.600000', frequency='60s', count=50, format='df', fields='symbol, close, eob')
def on_bar(context, bars):
# context.data提取缓存的数据滑窗, 可用于计算指标
# 注意：context.data里的count要小于或者等于subscribe里的count,fields需要在subscribe的fields范围内
data = context.data(symbol=bars[0]['symbol'], frequency='60s', count=50, fields='close,eob')
# 计算均线
data['ma5'] = data['close'].rolling(window=5).mean()
# 打印最后5条bar数据（最后一条是最新的bar）
print(data.tail())
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运行模式, 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='strategy_id',
filename='main.py',
mode=MODE_BACKTEST,
token='token_id',
backtest_start_time='2020-11-01 08:00:00',
backtest_end_time='2020-11-10 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=10000000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)
整个策略需要三步:
1、设置初始化函数: init , 使用 subscribe 函数进行数据订阅
2、实现一个函数: on_bar , 来根据数据推送进行逻辑处理, 通过 context.data 获取数据滑窗
3、执行策略
选择回测模式/实时模式运行示例
掘金 3 策略只有两种模式, 回测模式(backtest)与实时模式(live)。在加载策略时指定 mode 参数。
# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
def init(context):
# 订阅浦发银行的tick
subscribe(symbols='SHSE.600000', frequency='60s')
def on_bar(context, bars):
# 打印当前获取的bar信息
print(bars)
if __name__ == '__main__':
# 在终端仿真交易和实盘交易的启动策略按钮默认是实时模式，运行回测默认是回测模式，在外部IDE里运行策略需要修改成对应的运行模式
# mode=MODE_LIVE 实时模式, 回测模式的相关参数不生效
# mode=MODE_BACKTEST 回测模式
'''
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运行模式, 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='strategy_id',
filename='main.py',
mode=MODE_LIVE,
token='token_id',
backtest_start_time='2020-11-01 08:00:00',
backtest_end_time='2020-11-10 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=10000000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)
整个策略需要三步:
1、设置初始化函数: init , 使用 subscribe 函数进行数据订阅代码
2、实现一个函数: on_bar , 来根据数据推送进行逻辑处理
3、选择对应模式，执行策略
提取数据研究示例
如果只想提取数据，无需实时数据驱动策略, 无需交易下单可以直接通过数据查询函数来进行查询。
# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
# 可以直接提取数据，掘金终端需要打开，接口取数是通过网络请求的方式，效率一般，行情数据可通过subscribe订阅方式
# 设置token， 查看已有token ID,在用户-密钥管理里获取
set_token('your token_id')
# 查询历史行情, 采用定点复权的方式， adjust指定前复权，adjust_end_time指定复权时间点
data = history(symbol='SHSE.600000', frequency='1d', start_time='2020-01-01 09:00:00', end_time='2020-12-31 16:00:00',
fields='open,high,low,close', adjust=ADJUST_PREV, adjust_end_time='2020-12-31', df=True)
print(data)
整个过程只需要两步:
1、set_token 设置用户 token， 如果 token 不正确, 函数调用会抛出异常
2、调用数据查询函数， 直接进行数据查询
回测模式下高速处理数据示例
本示例提供一种在 init 中预先取全集数据，规整后索引调用的高效数据处理方式，能够避免反复调用服务器接口导致的低效率问题，可根据该示例思路，应用到其他数据接口以提高效率.
# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
def init(context):
# 在init中一次性拿到所有需要的instruments信息
instruments = get_history_symbol(symbol='SZSE.000001', start_date=context.backtest_start_time,end_date=context.backtest_end_time)
# 将信息按symbol,date作为key存入字典
context.ins_dict = {(i.symbol, i.trade_date.date()): i for i in instruments}
subscribe(symbols='SZSE.000001', frequency='1d')
def on_bar(context, bars):
print(context.ins_dict[(bars[0].symbol, bars[0].eob.date())])
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运行模式, 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='strategy_id',
filename='main.py',
mode=MODE_BACKTEST,
token='token_id',
backtest_start_time='2020-11-01 08:00:00',
backtest_end_time='2020-11-10 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=10000000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)
整个策略需要三步:
1、设置初始化函数: init , 一次性拿到所有需要的 instruments 信息， 将信息按 symbol,date 作为 key 存入字典， 使用 subscribe 函数进行数据订阅代码
2、实现一个函数: on_bar , 来根据数据推送进行逻辑处理
3、执行策略
实时模式下动态参数示例
本示例提供一种通过策略设置动态参数，可在终端界面显示和修改，在不停止策略的情况下手动修改参数传入策略方法.
# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from gm.api import *
import numpy as np
import pandas as pd
'''动态参数，是指在不终止策略的情况下，掘金终端UI界面和策略变量做交互，
通过add_parameter在策略代码里设置动态参数，终端UI界面会显示对应参数
'''
def init(context):
# log日志函数，只支持实时模式，在仿真交易和实盘交易界面查看，重启终端log日志会被清除，需要记录到本地可以使用logging库
log(level='info', msg='平安银行信号触发', source='strategy')
# 设置k值阀值作为动态参数
context.k_value = 23
# add_parameter设置动态参数函数，只支持实时模式，在仿真交易和实盘交易界面查看，重启终端动态参数会被清除，重新运行策略会重新设置
add_parameter(key='k_value', value=context.k_value, min=0, max=100, name='k值阀值', intro='设置k值阀值',
group='1', readonly=False)
# 设置d值阀值作为动态参数
context.d_value = 20
add_parameter(key='d_value', value=context.d_value, min=0, max=100, name='d值阀值', intro='设置d值阀值',
group='2', readonly=False)
print('当前的动态参数有', context.parameters)
# 订阅行情
subscribe(symbols='SZSE.002400', frequency='60s', count=120)
def on_bar(context, bars):
data = context.data(symbol=bars[0]['symbol'], frequency='60s', count=100)
kdj = KDJ(data, 9, 3, 3)
k_value = kdj['kdj_k'].values
d_value = kdj['kdj_d'].values
if k_value[-1] > context.k_value and d_value[-1] < context.d_value:
order_percent(symbol=bars[0]['symbol'], percent=0.01, side=OrderSide_Buy, order_type=OrderType_Market, position_effect=PositionEffect_Open)
print('{}下单买入， k值为{}'.format(bars[0]['symbol'], context.k_value))
# 计算KDJ
def KDJ(data, N, M1, M2):
lowList= data['low'].rolling(N).min()
lowList.fillna(value=data['low'].expanding().min(), inplace=True)
highList = data['high'].rolling(N).max()
highList.fillna(value=data['high'].expanding().max(), inplace=True)
rsv = (data['close'] - lowList) / (highList - lowList) * 100
data['kdj_k'] = rsv.ewm(alpha=1/M1).mean()
data['kdj_d'] = data['kdj_k'].ewm(alpha=1/M2).mean()
data['kdj_j'] = 3.0 * data['kdj_k'] - 2.0 * data['kdj_d']
return data
# 动态参数变更事件
def on_parameter(context, parameter):
# print(parameter)
if parameter['name'] == 'k值阀值':
# 通过全局变量把动态参数值传入别的事件里
context.k_value = parameter['value']
print('{}已经修改为{}'.format(parameter['name'], context.k_value))
if parameter['name'] == 'd值阀值':
context.d_value = parameter['value']
print('{}已经修改为{}'.format(parameter['name'], context.d_value))
def on_account_status(context, account):
print(account)
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='07c08563-a4a8-11ea-a682-7085c223669d',
filename='main.py',
mode=MODE_LIVE,
token='2c4e3c59cde776ebc268bf6d7b4c457f204482b3',
backtest_start_time='2020-09-01 08:00:00',
backtest_end_time='2020-10-01 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=500000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)
level2 数据驱动事件示例
本示例提供 level2 行情的订阅， 包括逐笔成交、逐笔委托、委托队列 仅券商托管版本支持
# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
def init(context):
# 查询历史L2 Tick行情
history_l2tick=get_history_l2ticks('SHSE.600519', '2020-11-23 14:00:00', '2020-11-23 15:00:00', fields=None,
skip_suspended=True, fill_missing=None,
adjust=ADJUST_NONE, adjust_end_time='', df=False)
print(history_l2tick[0])
# 查询历史L2 Bar行情
history_l2bar=get_history_l2bars('SHSE.600000', '60s', '2020-11-23 14:00:00', '2020-11-23 15:00:00', fields=None,
skip_suspended=True, fill_missing=None,
adjust=ADJUST_NONE, adjust_end_time='', df=False)
print(history_l2bar[0])
# 查询历史L2 逐笔成交
history_transactions = get_history_l2transactions('SHSE.600000', '2020-11-23 14:00:00', '2020-11-23 15:00:00', fields=None, df=False)
print(history_transactions[0])
# 查询历史L2 逐笔委托
history_order=get_history_l2orders('SZSE.000001', '2020-11-23 14:00:00', '2020-11-23 15:00:00', fields=None, df=False)
print(history_order[0])
# 查询历史L2 委托队列
history_order_queue = get_history_l2orders_queue('SZSE.000001', '2020-11-23 14:00:00', '2020-11-23 15:00:00', fields=None, df=False)
print(history_order_queue[0])
# 订阅浦发银行的逐笔成交数据
subscribe(symbols='SHSE.600000', frequency='l2transaction')
# 订阅平安银行的逐笔委托数据
subscribe(symbols='SZSE.000001', frequency='l2order')
def on_l2order(context, order):
# 打印逐笔成交数据
print(order)
def on_l2transaction(context, transition):
# 打印逐笔委托数据
print(transition)
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运行模式, 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='strategy_id',
filename='main.py',
mode=MODE_BACKTEST,
token='token_id',
backtest_start_time='2020-11-01 08:00:00',
backtest_end_time='2020-11-10 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=10000000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)
可转债数据获取/交易示例
本示例提供可转债数据获取、可转债交易
# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
def init(context):
# 获取可转债基本信息，输入可转债代码即可
infos = get_symbol_infos(sec_type1=1030, symbols='SHSE.113038', df=True)
# 输入可转债标的代码，可以获取到历史行情
history_data = history(symbol='SHSE.113038', frequency='60s', start_time='2021-02-24 14:50:00',
end_time='2021-02-24 15:30:30', adjust=ADJUST_PREV, df=True)
# 可转债回售、转股、转股撤销，需要券商实盘环境，仿真回测不可用。
# bond_convertible_call('SHSE.110051', 100, 0)
# bond_convertible_put('SHSE.183350', 100, 0)
# bond_convertible_put_cancel('SHSE.183350', 100)
# 可转债下单，仅将symbol替换为可转债标的代码即可
order_volume(symbol='SZSE.128041', volume=100, side=OrderSide_Buy, order_type=OrderType_Limit, position_effect=PositionEffect_Open, price=340)
# 直接获取委托，可以看到相应的可转债委托，普通买卖通过标的体现可转债交易，转股、回售、回售撤销通过order_business字段的枚举值不同来体现。
order_list = get_orders()
# 订阅可转债行情。与股票无异
subscribe(symbols='SHSE.113038', frequency='tick', count=2)
def on_tick(context, tick):
# 打印频率为tick，可转债最新tick
print(tick)
if __name__ == '__main__':
run(strategy_id='strategy_id',
filename='main.py',
mode=MODE_LIVE,
token='token_id',
backtest_start_time='2020-12-16 09:00:00',
backtest_end_time='2020-12-16 09:15:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=10000000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001
)
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论