這篇帶大家按照官方入門指南來體驗(yàn)下Quantopian的魅力，文章中會涉及到一些平臺中常用的API房午，大家可以先有個初步印象，用的時候再去查文檔即可。文章最后會實(shí)現(xiàn)一個簡單的均值回歸的策略昧互，好了,寬客動手不動口，開始我們的旅程伟桅！

Quantopian

交易算法框架

在Quantopian中敞掘，交易算法是一段Python腳本，其中包含了幾個關(guān)鍵的函數(shù)

1. initialize()
   程序啟動時調(diào)用的函數(shù)楣铁，用于處理啟動時需要的一次性邏輯玖雁，需要context（上下文對象）作為輸入。
   context是一個增強(qiáng)的Python字典盖腕，用于存儲回測或交易中的一些狀態(tài)與有效數(shù)據(jù)赫冬，它作為算法中的共享區(qū)域浓镜，在各個函數(shù)中均可訪問其內(nèi)容（使用context.鍵值的方式）。
2. handle_data()
   按照自定義的周期劲厌，定時調(diào)用膛薛，一般在其中處理當(dāng)前周期中需要處理的訂單，context與data是函數(shù)的兩個參數(shù)脊僚。
   data是用于存放一些API方法的對象相叁。
3. before_trading_start()
   每交易日開盤前調(diào)用的函數(shù)，通常用于選定當(dāng)天待交易的股票辽幌，入?yún)⑴chandle_data一樣增淹，也為context與data兩個對象。

一個最基礎(chǔ)的算法框架如下：

def initialize(context):
    # 啟動后需要處理的一次性邏輯
def handle_data(context, data):
    # 定時執(zhí)行乌企，處理當(dāng)前周期中待處理訂單
def before_trading_start(context, data):
    # 開盤前執(zhí)行虑润，選定當(dāng)天待交易股票

整體框架基本可以模擬了我們平日里的交易操作，很容易理解加酵。對于框架有初步了解后拳喻，我們再繼續(xù)前進(jìn)一小步，如何獲購買一只股票呢猪腕？首先我們要獲取到這只股票

獲取證券信息

平臺提供了sid()函數(shù)冗澈，這個函數(shù)會根據(jù)輸入返回一只股票在平臺中的唯一ID，且是始終不變的陋葡。
比如你想獲取到蘋果公司的股票亚亲，只需要在代碼區(qū)域調(diào)用sid函數(shù)，并在入?yún)⒗镙斎牍善焙喎QAAPL腐缤，編輯器就會智能地給出相應(yīng)提示捌归。

獲取代碼

獲取之后一般都會存放到context對象中，供之后的邏輯使用

def initialize(context):
    context.aapl = sid(24)
def handle_data(context, data):
    print context.aapl

下單

下單平臺提供了幾種不同的函數(shù)岭粤，這個點(diǎn)后續(xù)再展開詳述惜索，這篇文章我們以order_target_percent()這個為例進(jìn)行說明，order_target_percent函數(shù)需要兩個參數(shù)剃浇，sid(證券ID)與target_percent（投資比例巾兆，分母為可用頭寸）
**注：
可用頭寸=現(xiàn)金賬戶+敞口頭寸（open position）
敞口頭寸應(yīng)該為當(dāng)日買賣差價
**
如果用可用頭寸的50%去做多蘋果，代碼如下

order_target_percent(sid(24), 0.50)

而如果用可用頭寸的50%去做空偿渡，代碼如下

order_target_percent(sid(24), -0.50)

獲取證券信息

在下單前臼寄，策略可能需要根據(jù)歷史及當(dāng)前該證券的信息進(jìn)行分析，data對象提供了幾個快捷的函數(shù)供使用溜宽。

1. data.current() 獲取當(dāng)前信息
   需要兩個參數(shù)吉拳，第一個參數(shù)為證券sid或一個證券sid列表，第二個參數(shù)為你需要的信息字段适揉，目前支持的有價格(price)留攒、開盤價(open)煤惩、收盤價(close)、最高價(high)炼邀、最低價(low)與交易量(volume)魄揉。
   例如：

data.current(sid(24), 'price') #獲取蘋果的當(dāng)前價格
data.current([sid(24), sid(46631)], 'price') 獲取蘋果與谷歌的當(dāng)前股價
data.current([sid(24), sid(46631)], ['low', 'high'])獲取蘋果與谷歌截止當(dāng)前的最高最低價

2. data.can_trade() 該證券能否交易
   需要傳入證券sid或證券sid列表
3. data.history() 獲取歷史信息
   在current參數(shù)的基礎(chǔ)上增加了回看窗口大小(lookback window length)及回看頻率(lookback frequency)的參數(shù)

hist = data.history(sid(24), 'price', 10, '1d')#獲取蘋果過去十天的價格，頻率為每天
mean_price = hist.mean()
#注：獲取歷史價格的時候拭宁，會先返回當(dāng)前的價格洛退，及前9天的日中收盤價，所以如果你希望獲取前十天的均價杰标，先取11天兵怯，然后丟棄掉最新的一條。
data.history(sid(8554), 'price', 11, '1d')[:-1].mean()

注: data.current()與data.history()返回的均為pandas的DataFrame結(jié)構(gòu)腔剂，pandas這個python科學(xué)庫后續(xù)會專門一系列說明

自定義調(diào)度

可以根據(jù)自己需要的周期媒区，靈活地定義自己需要的定時處理邏輯函數(shù)，參數(shù)中包含自定義函數(shù)名掸犬、日期規(guī)則與實(shí)踐規(guī)則袜漩，

#在每周第一天開盤后一小時，已目前可用的10%買入蘋果股票湾碎。
def initialize(context):
    context.aapl = sid(24)
    schedule_function(func=open_positions, 
    data_rules=date_rules.week_start(), 
    time_rules=time_rules.market_open(hours=1)

def open_positions(context, data):
    order_target_percent(context.aapl, 0.10)

查詢當(dāng)前持倉

Quantopian在context中內(nèi)置了portfolio對象宙攻，持倉存儲在context.portfolio.positions中，positions可以看做sid為鍵介褥，Postion對象為值的一個字典粘优。我們可以使用for...in語法進(jìn)行循環(huán)處理：

#清盤所有持倉
for security in context.portfolio.positions:
  order_target_percent(security, 0)

繪制變量

平臺提供了record()方法幫助你將自己關(guān)注的變量繪制成時間序列圖，可以方便的監(jiān)控關(guān)心的變量呻顽。

def initialize(context):
    context.aapl = sid(24)
    schedule_function(record_vars, date_rules.every_day(), time_rules.market_close())

def record_vars(context, data):
    long_count = 0
    short_count = 0
    for position in context.portfolio.positions.itervalues():
        if position.amount > 0:
            long_count += 1
        if position.amount < 0:
            short_count += 1
    # 繪制圖表
    record(num_long=long_count, num_short=short_count)

重新編譯算法后，可直觀地展現(xiàn)每日收盤空頭/多頭的時間序列圖丹墨。

繪制

滑點(diǎn)與傭金

滑點(diǎn)與傭金都屬于交易成本的范疇廊遍，對于算法的實(shí)際表現(xiàn)影響很大

1. 滑點(diǎn)
   滑點(diǎn)表示由于下單（尤其是大單）對于股價潛在的影響，會導(dǎo)致實(shí)際成交比預(yù)期差的情況贩挣，平臺中集成了多種滑點(diǎn)的策略喉前，下面為默認(rèn)的策略：

# 假設(shè)過去幾分鐘內(nèi)交易量為1000時，限制每次只能下1000*0.025=25的單王财，系統(tǒng)會根據(jù)這個值進(jìn)行拆單
set_slippage(slippage.VolumeShareSlippage(volume_limit=0.025, price_impact=0.1))

2. 傭金
   可以根據(jù)真實(shí)經(jīng)紀(jì)商的情況設(shè)置傭金費(fèi)率及最小費(fèi)用卵迂。

set_commission(commission.PerShare(cost=0.0075, min_trade_cost=1))

訂單管理

因?yàn)橛唵位径疾皇羌纯坛山坏模耶?dāng)前未成交訂單對于后續(xù)的策略執(zhí)行也有很大的指導(dǎo)意義绒净，所以訂單管理的功能也是至關(guān)重要的见咒。
get_open_orders()函數(shù)幫助我們獲取當(dāng)前已下但尚未成交的訂單

 open_orders = get_open_orders()
 if context.xtl not in open_orders and data.can_trade(context.xtl):
        order_target_percent(context.xtl, 1.0)

動手均值回歸策略

好了，把之前所有的內(nèi)容整合起來挂疆，我們很容易就能實(shí)現(xiàn)一個簡單的均值回歸策略改览。均值回歸策略可以簡單的理解為短期的均值會有一定波動下翎，但隨時間一定會逐步與長期均值趨同。
我們就來實(shí)現(xiàn)這樣一個策略：
如果一個股票10天移動平均高于了其30天移動平均值宝当，我們則認(rèn)為股價一定會下跌视事，反之亦然。

def initialize(context):
    #初始化證券池
    context.security_list = [sid(5061), sid(7792), sid(1941), sid(24556), sid(1746)]

    # 自定義調(diào)度：每周第一交易日開盤時重新計算并執(zhí)行組合重新配置
    schedule_function(rebalance,
                      date_rules.week_start(days_offset=0),
                      time_rules.market_open())

def compute_weights(context, data):
    #計算10日與30日均值
    hist = data.history(context.security_list, 'price', 30, '1d')
    prices_10 = hist[-10:]
    prices_30 = hist
    sma_10 = prices_10.mean()
    sma_30 = prices_30.mean()
    # 加權(quán)計算
    raw_weights = (sma_30 - sma_10) / sma_30
    normalized_weights = raw_weights / raw_weights.abs().sum()
    return normalized_weights

def rebalance(context, data):
    # 重置權(quán)重
    weights = compute_weights(context, data)
    # 組合重新分配
    for security in context.security_list:
        if data.can_trade(security):
            order_target_percent(security, weights[security])

這一篇到這里就結(jié)束了庆揩，是不是覺得很容易上手呢俐东？建議大家去官方教程里克隆策略，自己上手跑一跑订晌，對于量化交易會更有體會虏辫。