量化交易入门：100种量化策略的核心实现与避坑指南

1次阅读

共计 1553 个字符，预计需要花费 4 分钟才能阅读完成。

量化策略大致可以分为以下几类，每类都有其独特的市场假设和适用场景：

趋势跟踪策略 ：基于 ” 趋势会延续 ” 的假设，常用指标包括移动平均线、MACD 等。
均值回归策略 ：认为价格会围绕均值波动，常用布林带、RSI 等指标。
统计套利策略 ：利用相关性强的资产间的价差进行交易。
高频交易策略 ：依赖极低延迟和微小价差获利。
事件驱动策略 ：针对特定事件（如财报发布）进行交易。

import yfinance as yf
import pandas as pd

# 获取苹果公司股票数据
data = yf.download('AAPL', start='2020-01-01', end='2023-01-01')

# 数据清洗
# 1. 处理缺失值
data = data.fillna(method='ffill')
# 2. 去除异常值
data = data[(data['Close'] > 0) & (data['Volume'] > 0)]
# 3. 计算简单移动平均
data['SMA_20'] = data['Close'].rolling(window=20).mean()

import backtrader as bt

class SmaCross(bt.Strategy):
    params = dict(
        pfast=10,  # 快速均线周期
        pslow=30   # 慢速均线周期
    )

    def __init__(self):
        sma1 = bt.ind.SMA(period=self.p.pfast)
        sma2 = bt.ind.SMA(period=self.p.pslow)
        self.crossover = bt.ind.CrossOver(sma1, sma2)

    def next(self):
        if not self.position:
            if self.crossover > 0:  # 快速均线上穿慢速均线
                self.buy()
        elif self.crossover < 0:    # 快速均线下穿慢速均线
            self.close()

# 创建回测引擎
cerebro = bt.Cerebro()
# 添加数据
data = bt.feeds.PandasData(dataname=data)
cerebro.adddata(data)
# 添加策略
cerebro.addstrategy(SmaCross)
# 设置初始资金
cerebro.broker.setcash(100000.0)
# 运行回测
print('初始资金: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('最终资金: %.2f' % cerebro.broker.getvalue())