Python实战:手把手构建Dual Thrust期货量化策略,从回测到实盘部署
如果你对量化交易感兴趣,并且已经掌握了Python的基础语法,那么恭喜你,你已经具备了开启一扇新世界大门的钥匙。今天,我们不谈那些高深莫测的理论,也不罗列一堆策略名词,而是聚焦于一个在实战中被反复验证过的经典策略——Dual Thrust。我将以一个实践者的身份,带你从零开始,一步步用Python把这个策略搭建起来,完成从数据获取、策略逻辑编写、历史回测到实盘部署思考的全过程。这不仅仅是一篇教程,更像是一次并肩作战的项目复盘,我会分享其中容易踩坑的细节和那些让策略更“抗打”的小技巧。
Dual Thrust策略的魅力在于其简洁与普适。它不依赖于复杂的数学模型,核心逻辑清晰,参数寥寥无几,却能在股票、期货、外汇等多个市场展现生命力。对于初学者而言,它是理解趋势跟踪系统、掌握量化开发流程的绝佳起点。我们将使用backtrader这个强大的回测框架作为主力工具,它就像我们的“量化实验室”,允许我们安全、高效地验证想法。
1. 策略基石:理解Dual Thrust的核心逻辑与参数
在动手写代码之前,我们必须吃透策略的灵魂。Dual Thrust由Michael Chalek提出,其核心思想是利用前N日的价格波动范围,构造一个动态的通道,当价格突破通道上轨时认为上升趋势确立,做多;当价格跌破通道下轨时认为下降趋势确立,做空。
听起来很简单,对吧?但魔鬼藏在细节里。这个“通道”的构造方式是策略成败的关键。它并非简单的高低点,而是通过一个公式计算出来的:
首先,我们需要计算两个关键值:HH(最高价的最大值)和 LC(收盘价的最小值)的差值,以及 HC(最高价的最大值)和 LL(最低价的最小值)的差值。这里的“最大值”和“最小值”都是指过去N个交易日内的。
注意:原始策略中通常使用
HHV和LLV函数,分别代表一段周期内的最高值和最低值。
然后,取这两个差值中的较大者,乘以一个系数k1,得到上轨的突破阈值;取较小者,乘以另一个系数k2,得到下轨的突破阈值。最后,用今日开盘价加上上轨阈值得到上轨,减去下轨阈值得到下轨。
为了更直观,我们可以用一个表格来展示关键参数及其典型意义:
| 参数名 | 典型值 | 含义与影响 |
|---|---|---|
N | 20 | 回顾周期。决定计算通道所参考的历史数据长度,周期越长,通道越平滑,信号越滞后。 |
K1 | 0.5 | 上轨系数。通常设置在0.5附近,值越大,上轨越难突破,做多信号越谨慎。 |
K2 | 0.5 | 下轨系数。通常与K1对称,值越大,下轨越难跌破,做空信号越谨慎。 |
交易标的 | 如RB888(螺纹钢指数) | 策略应用的合约。不同品种的波动特性(波动率、趋势性)差异巨大,需针对性调整参数。 |
策略的交易信号生成规则可以概括为:
- 开盘价确定区间:每天开盘时,根据前N日数据计算当日的上下轨。
- 向上突破买入:如果盘中价格高于上轨,则发出买入信号(做多)。
- 向下突破卖出:如果盘中价格低于下轨,则发出卖出信号(做空)。
- 收盘平仓:经典的日内版本会在每日收盘前平掉所有仓位,不隔夜。我们也可以开发隔夜持仓的版本。
理解了这个逻辑,我们就知道代码需要实现哪些功能:历史数据滚动计算、上下轨的动态确定、实时价格与轨道的比较、以及交易指令的执行。接下来,我们就进入实战环节。
2. 环境搭建与数据准备:构建你的量化实验室
工欲善其事,必先利其器。一个稳定、清晰的开发环境是高效工作的前提。我强烈建议使用Anaconda来管理Python环境,它能很好地解决包依赖冲突的问题。
首先,我们创建一个专属的虚拟环境并安装核心库:
# 创建名为quant的虚拟环境
conda create -n quant python=3.8
# 激活环境
conda activate quant
# 安装必要库
pip install backtrader pandas numpy matplotlib tushare
这里解释一下这几个库的作用:
backtrader: 我们的主力回测框架,功能全面,社区活跃。pandas&numpy: 数据处理和分析的基石,无人不知。matplotlib: 用于绘制资金曲线、收益图等可视化结果。tushare: 一个免费、好用的国内金融数据接口(需注册获取Token)。我们将用它来获取期货数据。
数据是量化交易的“燃料”。对于国内期货,我们可以使用tushare pro接口。假设我们要回测螺纹钢主力连续合约(代码RB888),获取其日线数据的过程如下:
import tushare as ts
import pandas as pd
# 设置你的tushare token(需要在官网注册获取)
ts.set_token('你的token')
pro = ts.pro_api()
# 获取螺纹钢主力连续合约日线数据
df = pro.fut_daily(ts_code='RB888.SHF', start_date='20200101', end_date='20231231')
# 数据清洗:重命名列以符合backtrader要求,并设置日期索引
df = df[['trade_date', 'open', 'high', 'low', 'close', 'vol']]
df.columns = ['datetime', 'open', 'high', 'low', 'close', 'volume']
df['datetime'] = pd.to_datetime(df['datetime'])
df.set_index('datetime', inplace=True)
df.sort_index(inplace=True)
print(df.head())
拿到数据后,一个良好的习惯是快速检查数据的质量:
- 是否有缺失值(NaN)?
- 是否有异常价格(如收盘价为0)?
- 成交量数据是否正常?
我们可以用df.isnull().sum()和df.describe()来进行快速检查。对于缺失值,简单的处理方法是向前填充(df.fillna(method='ffill', inplace=True))或直接删除。确保数据干净,回测结果才可信。
3. 策略代码实现:在Backtrader中构建Dual Thrust引擎
现在,进入最核心的部分——用backtrader实现Dual Thrust策略。我们需要创建一个继承自bt.Strategy的类,并在其中定义策略的逻辑。
我将代码分为几个关键部分,并逐段讲解:
import backtrader as bt
import backtrader.indicators as btind
class DualThrustStrategy(bt.Strategy):
# 参数定义,方便后续优化
params = (
('n_period', 20), # 回顾周期N
('k1', 0.5), # 上轨系数
('k2', 0.5), # 下轨系数
('printlog', False), # 是否打印交易日志
)
def __init__(self):
# 保存数据引用,方便调用
self.dataclose = self.datas[0].close
self.dataopen = self.datas[0].open
self.datahigh = self.datas[0].high
self.datalow = self.datas[0].low
# 跟踪挂单、订单状态等变量
self.order = None
self.buyprice = None
self.buycomm = None
# 计算HH, HC, LC, LL (过去N周期的最高价、最高收盘价、最低收盘价、最低价)
# 注意:这里使用btind.Highest和Lowest,它们在每个bar上滚动计算
self.hh = btind.Highest(self.datahigh, period=self.params.n_period)
self.hc = btind.Highest(self.dataclose, period=self.params.n_period)
self.lc = btind.Lowest(self.dataclose, period=self.params.n_period)
self.ll = btind.Lowest(self.datalow, period=self.params.n_period)
# 计算上下轨
# 每个交易日开盘时计算,所以我们需要在next函数中判断
# 这里先定义计算公式
self.range = max(self.hh - self.lc, self.hc - self.ll)
self.up_line = self.dataopen + self.params.k1 * self.range
self.down_line = self.dataopen - self.params.k2 * self.range
在__init__中,我们初始化了各种指标。但这里有个关键点:self.up_line和self.down_line的计算依赖于当天的开盘价self.dataopen[0],而self.dataopen[0]在__init__阶段是最后一个bar的数据。因此,真正的通道计算必须在每天的next函数中进行。这是新手常踩的坑。
接下来是策略的核心逻辑next函数,它会在每个K线周期(这里是每天)被调用:
def next(self):
# 如果已有订单待处理,则不再发新单
if self.order:
return
# 检查是否持仓
if not self.position:
# 无持仓,则寻找开仓信号
# 当前价格突破上轨,做多
if self.dataclose[0] > self.up_line[0]:
self.log('BUY CREATE, %.2f' % self.dataclose[0])
# 记录本次开仓的价格,用于计算止损等(这里暂未实现)
self.buyprice = self.dataclose[0]
# 执行买入订单,size为正表示做多
self.order = self.buy(size=1)
# 当前价格跌破下轨,做空
elif self.dataclose[0] < self.down_line[0]:
self.log('SELL CREATE, %.2f' % self.dataclose[0])
# 在backtrader中,sell()用于平多仓。做空需使用sell(size=正数)吗?不对。
# 实际上,对于期货做空,应该使用self.sell(),但backtrader的sell是卖出多头头寸。
# 更通用的做法是:使用self.order = self.sell(size=1)来表示“卖出开仓”(做空)。
# 但需注意,这取决于broker的设置。在默认的现货模式下,sell就是卖出。
# 为了清晰,我们这里假设是双向交易,使用self.sell开空仓。
self.order = self.sell(size=1)
else:
# 已经持仓,则判断平仓条件(这里采用日内收盘平仓逻辑)
# 获取当前时间,如果是收盘前最后几分钟,则平仓
# 由于是日线数据,我们简单判断如果是最后一个bar,则平仓(模拟日内)
# 更精确的做法需要用到分钟数据,并在指定时间平仓
if len(self.data) == (self.bar_executed + 1): # 简化处理,实际不是这样
self.log('CLOSE POSITION, %.2f' % self.dataclose[0])
self.order = self.close()
上面的代码是一个简化版本,它忽略了几个重要问题:1)如何准确计算当日的up_line和down_line?2)如何实现真正的日内收盘平仓?3)如何区分多仓和空仓的平仓逻辑?
让我们来完善它。首先,修正通道的计算时机。我们应该在每天开盘后、交易信号产生前,用昨天的数据计算今天的通道:
def next(self):
# 计算今日的上下轨(使用截至昨日的数据)
# 注意:self.hh[-1]表示前一个bar(昨天)的HH值
if len(self.data) >= self.params.n_period + 1: # 确保有足够数据
range_val = max(self.hh[-1] - self.lc[-1], self.hc[-1] - self.ll[-1])
today_up_line = self.dataopen[0] + self.params.k1 * range_val
today_down_line = self.dataopen[0] - self.params.k2 * range_val
else:
# 数据不足,不交易
return
其次,关于平仓,如果我们严格做日内,应该在当天收盘前平掉所有仓位。在日线回测中,我们可以假设在收盘价上平仓。但这样无法捕捉到盘中突破、收盘前平仓的完整过程。为了更真实,一个折中方案是:在产生反向信号时平仓并反向开仓,或者设置固定的持仓周期。我们先采用第一种,即趋势跟踪的经典做法:突破上轨持多仓,跌破下轨持空仓,反向信号则反转仓位。
此外,一个健壮的策略必须包含订单管理和日志记录。我们添加notify_order和notify_trade函数来处理订单状态和交易记录,并添加一个log函数方便调试。
4. 回测执行与绩效分析:科学评估策略表现
策略写好了,但它到底能不能赚钱?回测会给我们答案。我们需要编写一个主函数,将数据、策略、初始资金、手续费等要素组合起来,运行回测并分析结果。
def run_backtest():
# 创建Cerebro引擎
cerebro = bt.Cerebro()
# 添加策略,并传入参数
cerebro.addstrategy(DualThrustStrategy, n_period=20, k1=0.5, k2=0.5)
# 加载前面准备好的DataFrame数据
data = bt.feeds.PandasData(dataname=df) # df是之前准备好的DataFrame
cerebro.adddata(data)
# 设置初始资金
cerebro.broker.setcash(100000.0)
# 设置交易手续费(期货通常为万分之几,这里假设开平仓各万分之三)
cerebro.broker.setcommission(commission=0.0003)
# 添加分析器
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades')
# 运行回测
print('初始资金: %.2f' % cerebro.broker.getvalue())
results = cerebro.run()
print('最终资金: %.2f' % cerebro.broker.getvalue())
# 提取策略实例和分析结果
strat = results[0]
sharpe_ratio = strat.analyzers.sharpe.get_analysis()
drawdown = strat.analyzers.drawdown.get_analysis()
returns = strat.analyzers.returns.get_analysis()
trade_analysis = strat.analyzers.trades.get_analysis()
# 打印关键绩效指标
print(f"夏普比率: {sharpe_ratio['sharperatio']:.3f}")
print(f"最大回撤: {drawdown['max']['drawdown']:.2f}%")
print(f"总收益率: {returns['rtot']*100:.2f}%")
if hasattr(trade_analysis, 'total'):
print(f"总交易次数: {trade_analysis.total.total}")
print(f"胜率: {trade_analysis.won.total/trade_analysis.total.total*100:.2f}%")
# 绘制资金曲线图
cerebro.plot(style='candlestick')
运行这个函数,你会看到命令行输出一系列绩效指标,并弹出资金曲线图。但请注意,第一次回测的结果很可能不理想,甚至亏损。这非常正常!原始参数(N=20, K1=K2=0.5)并不一定适合螺纹钢这个品种。这时,我们就需要进行参数优化。
backtrader内置了优化功能,我们可以让它在给定的参数范围内自动寻找表现更优的组合:
# 将 cerebro.addstrategy 替换为 cerebro.optstrategy 进行优化
cerebro.optstrategy(DualThrustStrategy,
n_period=range(10, 31, 5), # N从10到30,步长5
k1=[0.3, 0.4, 0.5, 0.6], # k1的候选值
k2=[0.3, 0.4, 0.5, 0.6]) # k2的候选值
运行优化会消耗较多时间,因为它要遍历所有参数组合。结果会输出每一组参数对应的最终资金。我们需要警惕过拟合——即在历史数据上表现完美,但在未来实盘中失效。为了避免过拟合,我们可以:
- 使用样本外数据测试:将数据分为训练集(用于优化)和测试集(用于验证)。
- 关注参数的稳定性:最优参数附近的一片区域表现都应该不错,而不是一个孤立的尖峰。
- 结合夏普比率、最大回撤等多指标综合判断,而非只看总收益。
5. 从回测到实盘的鸿沟:关键注意事项与进阶思考
回测曲线很漂亮,是不是就可以放心投入实盘了?远远不是。回测(Backtest)与实盘(Live Trading)之间,隔着一条名为“现实”的鸿沟。以下是我在实盘化过程中总结的几个核心要点:
第一,数据与滑点。 回测中使用的是收盘价,但实盘中你是在不断变动的盘口价格成交。这会导致滑点——你的订单成交价格与预期价格之间的偏差。在高波动或流动性差的品种上,滑点可能吞噬所有利润。在回测中,我们必须加入滑点模型:
cerebro.broker.set_slippage_fixed(0.01) # 设置固定滑点,例如1个最小变动价位
或者使用百分比滑点。同时,确保回测使用的数据包含Tick级或至少分钟级的高频数据,才能更真实模拟入场点位。
第二,手续费与冲击成本。 期货手续费包含交易所收取和期货公司加收两部分,并且有平今仓和平历史仓的区别。在回测中必须精确模拟。大额订单可能会影响市场价格(冲击成本),这在散户阶段影响较小,但策略设计时需要有这个概念。
第三,资金与仓位管理。 回测中我们可能默认满仓进出。实盘中这是自杀行为。你必须根据总资金、单笔风险(例如,每笔交易亏损不超过总资金的1%)来计算开仓手数。这被称为固定分数头寸规模或凯利公式的变体。一个简单的实现是在策略中根据账户价值和止损幅度动态计算仓位。
第四,策略的健壮性与市场状态。 Dual Thrust是一个趋势跟踪策略,它在有趋势的行情中表现优异,但在震荡市中会反复挨打,产生连续亏损。实盘中,你需要有心理准备承受可能出现的长达数月的回撤期。因此,可以考虑:
- 增加过滤条件,例如只在波动率放大时启动该策略。
- 与其他低相关性的策略(如均值回归策略)组合,平滑资金曲线。
- 设置硬性止损,防止单笔亏损无限扩大。
第五,技术实现与运维。 实盘系统需要7x24小时稳定运行,涉及:
- 可靠的数据源:需要付费的、低延迟的行情API。
- 稳定的交易接口:连接期货公司的CTP API或其他接口。
- 异常处理与日志:网络中断、程序崩溃如何自动恢复?详细的日志是排查问题的唯一依据。
- 监控与报警:资金变动、持仓异常、程序状态需要有监控通知。
我的建议是,不要一开始就追求全自动实盘。可以采用“半自动”方式:让程序生成信号,通过邮件、短信或Telegram Bot发送给你,由你手动下单。这样既能验证信号的可靠性,又能让你保持对市场的感知,同时降低了技术风险。
最后,我想强调的是,任何一个策略都有其生命周期。Dual Thrust作为经典策略,其逻辑早已公开,单纯复制很难获得超额收益。我们的学习目的,是掌握“如何将一个策略思想,通过严谨的工程化方法,转化为可评估、可迭代、可部署的量化系统”这一整套流程。掌握了这个流程,你才能去测试、改进甚至创造属于自己的策略。量化交易是一场无限游戏,其乐趣不仅在于结果,更在于不断探索和优化的过程本身。希望这次从零到一的构建之旅,能成为你量化之路的一块坚实垫脚石。
4709



被折叠的 条评论
为什么被折叠?



