量化研究--高频日内网格T0策略研究

量化研究--高频日内网格T0策略研究

文章声明:本内容为个人的业余研究，和任何单位，机构没有关系，文章出现的股票代码，全部只是测试例子，不做投资参考，投资有风险，代码学习使用，不做商业用途

我写了800多行完成了这个框架，后面就只需要把T0算法放入模块就可以很方便

这个框架是我专门研究的高频T0模块，支持自定义算法交易，支持自定义函数，详细的教程

量化研究--高频日内网格T0策略研究https://mp.weixin.qq.com/s/DfnisJCXXs7cuds-lJRadQ

先看一下这个模块的原理，在看怎么样设置实盘，策略的模块的配置参数

策略的算法

策略的原理

一、策略原理深度分析

这是一个基于价格百分比波动来触发交易的条件单式网格策略。它不同于传统的、在固定价位设置无数网格线的网格策略，它只在特定的条件（涨跌幅）被触发时，才会建议进行一次买卖操作。

其核心逻辑可以概括为：

1. 确定一个基准价格（base_price）：这是计算当前涨跌幅的锚点。策略会非常智能地根据历史交易记录来确定这个价格，这是该策略的关键所在。

2. 计算当前相对于基准价的涨跌幅（zdf）：zdf = (当前价 - 基准价) / 基准价 * 100。

3. 根据涨跌幅与阈值的比较，发出交易信号：

   • 卖出信号（return 'sell'）：当 zdf >= x1 (例如 0.8%) 时。

   • 买入信号（return 'buy'）：当 zdf <= x2 (例如 -1%) 时。

   • 无信号（return ''）：当 zdf 介于 x2 和 x1 之间时。

基准价（base_price）的确定逻辑（策略的灵魂）：

这是该策略最精妙的部分，它决定了策略是“一次性”还是“可循环”的。代码中的 if self.log.shape[0]>0 分支详细处理了这一点：

1. 首次运行（无任何历史日志记录）：

   • 检查是否有该股票的买入订单（check_buy_order）。这可能是系统里挂的限价单。

   • 如果有，则以订单价格作为 base_price。这意味着策略会追踪你这个挂单的成本。

   • 如果没有，则使用股票的昨日收盘价（lastClose） 作为 base_price。

2. 非首次运行（已有该策略的历史交易日志）：

   • 它会从日志（log）中筛选出同名策略对同一只股票的操作记录。

   • 如果找到记录：则取最近一次操作的触发价格（pre_price） 作为新的基准价。这是策略能够循环运作的关键。例如，第一次基准价是10元，涨到10.08元（+0.8%）卖出后，下一次的基准价就变成了10.08元。如果价格又从10.08元跌到9.98元（约-1%），就会触发买入。

   • 如果没找到记录（例如是另一只股票）：则逻辑与“首次运行”相同，检查订单或使用昨日收盘价。

简单比喻：这个策略像一个会自动重置起跑线的运动员。每次到达终点（触发交易）后，它就把新的起点（基准价）设在上一次终点的地方，然后开始新一轮的奔跑（监测涨跌幅）。

二、策略特点

1. 高频与分时：参数 x1 和 x2 设置得很小（0.8% 和 -1%），旨在捕捉盘中分时图上的微小波动，符合“高频”和“分时”的特性。适合波动较大、交易活跃的标的。

2. 条件单式（非连续网格）：它不像传统网格那样布满买入卖出线，而是在一个动态移动的基准点上下设置一个“买入条件单”和一个“卖出条件单”。只有条件满足时才触发，每次只操作一次。

3. 动态基准调整：其核心特点是基准价会根据上一次交易成果动态调整，这使得策略能适应价格的趋势性移动，避免在单边上涨或下跌市场中迅速失效。

4. 依赖订单状态：策略与订单系统（check_buy_order）有耦合，说明它可能被设计为与一个实际的交易执行系统协同工作，不仅可以处理已成交的订单，还能处理挂单。

5. 风险控制：

   • 优点：由于基准价动态上移，在上涨趋势中，卖出价会不断抬高，能锁定利润。

   • 缺点：在下跌趋势中，买入价也会不断下移，虽然每次买入的成本都比前一次低，但如果遇到长期阴跌，会导致持续买入而被套较深。参数设置中的 “保留底仓” 和 “持有值” 就是为了控制这个风险，限制买入的总金额。

6. 虚拟单功能：参数中“是否生成买入/卖出虚拟单子”表明，该策略可能主要用于模拟或信号生成，真正的下单操作由其他资金管理模块处理。

三、策略参数设置解析

{    "函数名称": "conditional_single_time_sharing_grid(name='固定高频分时网格',x1=0.8,x2=-1)",    "是否开启": "是",    "资金模型": "金额",    "卖出值": 200,    "买入值": 200,    "持有值": 600,    "保留底仓": 0,    "是否生成买入虚拟单子": "是",    "是否生成卖出虚拟单子": "否"}

• x1=0.8, x2=-1：策略的核心参数，定义了网格的宽度。卖出阈值（0.8%）小于买入阈值（1%）的绝对值，这种不对称设置可能是为了在震荡中略微赚取差价（高卖低买），并给下跌留出更多空间。

• 资金模型：金额：意味着接下来的值都是固定金额，而不是股票数量。

• 卖出值：200：每次触发卖出信号时，卖出200元市值的股票。

• 买入值：200：每次触发买入信号时，买入200元市值的股票。

• 持有值：600：该策略对这只股票的目标最大持仓市值是600元。这是一个重要的风险控制参数。

• 保留底仓：0：当策略需要卖出时，允许全部卖出，不保留底仓。如果设置为100，那么即使触发卖出，也会至少保留100元市值的股票不动。

• 是否生成买入/卖出虚拟单子：这 likely 是一个模拟盘或信号测试功能。"生成买入虚拟单子"为“是”，意味着当发出 buy 信号时，系统会记录一个虚拟的买入订单，以便后续计算基准价。“卖出虚拟单子”为“否”，可能意味着卖出操作会直接调用真实交易接口或另一种日志方式。

策略的实盘设置，我没有开启的模块不要动，我在测试加入其他的控制算法，设置账户

设置记录文件路径，这个路径可以自己随便建立一个excel表输入路径就可以

建议和我的统一设置西蒙斯高频日内算法交易框架5.xlsx

设置股票池，建议先自定义运行，不要选择持股，持股会加载账户的全部持股分析

设置自定义股票，名字，股票代码一一对应

开启算法参数，其他的模块先不动，我明天给策略的运行图

设置网格参数x1，上涨卖出单元格，x2下跌买入单元格

设置交易金额，可以保留底仓

点击运行测试一下

没有问题挂模型交易就可以

点击运行就可以

日志输出

交易记录

策略日志不要随便情况文件里面保存的记录数据

下单的结果

策略的委托

自定义因子计算框架

class user_def_trader_func:def __init__(self,c,stock='512480.SH',tick='',hist='',other_data=''):'''自定义交易函数'''self.tick=tickself.hist=histself.other_data=other_dataself.log=pd.read_excel(r'{}'.format(c.path))self.trader_date=str(datetime.now())[:10]self.now_date=datetime.now()self.stock=stockif self.log.shape[0]>0:self.log=self.log[['证券代码','模块名称','交易日','触发时间','交易类型','交易数量','触发价格','投资备注','交易状态']]self.log=self.log.sort_values(by='触发时间',ascending=True)self.log=self.log[self.log['交易日']==self.trader_date]else:self.log=pd.DataFrame()self.c=cdef conditional_single_time_sharing_grid(self,name='固定高频分时网格',x1=0.8,x2=-1):tick=self.histstock=self.stockbase_price=tick['lastClose'].tolist()[-1]price=tick['lastPrice'].tolist()[-1]close_list=tick['lastPrice'].tolist()if self.log.shape[0]>0:self.log['证券代码']=self.log['证券代码'].astype(str)log=self.log[self.log['模块名称']==name]log=log[log['证券代码']==stock]if log.shape[0]>0:pre_price=log['触发价格'].tolist()[-1]zdf=((price-pre_price)/pre_price)*100else:order_stats,order_price=check_buy_order(self.c,stock=stock)if order_stats==True:base_price=order_priceelse:base_price=base_pricezdf=((price-base_price)/base_price)*100else:order_stats,order_price=check_buy_order(self.c,stock=stock)if order_stats==True:base_price=order_priceelse:base_price=base_pricezdf=((price-base_price)/base_price)*100if zdf>=x1:print('{} 模块{} 卖出{}  目前涨跌幅{} 大于目前标涨跌幅{} '.format(self.now_date,name,stock,zdf,x1))return 'sell'elif zdf<=x2:print('{} 模块{} 买入{}  目前涨跌幅{} 小于目前标涨跌幅{} '.format(self.now_date,name,stock,zdf,x2))return 'buy'else:print('{} 模块{} 不符合交易{}  目前涨跌幅{} 在{}到{}期间 '.format(self.now_date,name,stock,zdf,x2,x1))return ''def symmetric_grid_trading(self,name='对称高频分时网格',x1=0.8,x2=-1):'''对称高频分时网格'''tick=self.histstock=self.stockbase_price=tick['lastClose'].tolist()[-1]price=tick['lastPrice'].tolist()[-1]close_list=tick['lastPrice'].tolist()if self.log.shape[0]>0:self.log['证券代码']=self.log['证券代码'].astype(str)log=self.log[self.log['模块名称']==name]log=log[log['证券代码']==stock]if log.shape[0]>0:pre_price=log['触发价格'].tolist()[-1]zdf=((price-pre_price)/pre_price)*100shift_trader_type=log['交易类型'].tolist()[-1]else:order_stats,order_price=check_buy_order(self.c,stock=stock)if order_stats==True:base_price=order_priceelse:base_price=base_pricezdf=((price-base_price)/base_price)*100shift_trader_type=''else:order_stats,order_price=check_buy_order(self.c,stock=stock)if order_stats==True:base_price=order_priceelse:base_price=base_pricezdf=((price-base_price)/base_price)*100shift_trader_type=''if zdf>=x1 and shift_trader_type=='buy':print('{} 上一笔买入模块{} 卖出{}  目前涨跌幅{} 大于目前标涨跌幅{} '.format(self.now_date,name,stock,zdf,x1))return 'sell'elif zdf<=x2 and shift_trader_type=='sell':print('{}上一笔卖出 模块{} 买入{}  目前涨跌幅{} 小于目前标涨跌幅{} '.format(self.now_date,name,stock,zdf,x2))return 'buy'if zdf>=x1 :print('{}上一笔没有买入委托 模块{} 卖出{}  目前涨跌幅{} 大于目前标涨跌幅{} '.format(self.now_date,name,stock,zdf,x1))return 'sell'elif zdf<=x2 :print('{} 上一笔没有卖出委托模块{} 买入{}  目前涨跌幅{} 小于目前标涨跌幅{} '.format(self.now_date,name,stock,zdf,x2))return 'buy'else:print('{} 模块{} 不符合交易{}  目前涨跌幅{} 在{}到{}期间 '.format(self.now_date,name,stock,zdf,x2,x1))return ''def sell_on_the_rally(self,name='冲高回落卖出',x1=3,x2=-1):'''冲高回落卖出x1 冲高启动计算最低涨跌幅x2 回落涨跌幅'''stock=self.stocktick=self.histbase_price=tick['lastClose'].tolist()[-1]stock=self.stockif self.log.shape[0]>0:self.log['证券代码']=self.log['证券代码'].astype(str)log=self.log[self.log['模块名称']==name]log=log[log['证券代码']==stock]if log.shape[0]>0:pre_price=log['触发价格'].tolist()[-1]#触发时间shift_date=log['触发时间'].tolist()[-1]shift_date=str(shift_date).split('.')[0].replace('-','').replace(' ','').replace(':','')shift_date=int(shift_date)tick=tick[tick['date_1']>=shift_date]close_list=tick['lastPrice'].tolist()price=close_list[-1]#最大值max_value=max(close_list)else:close_list=tick['lastPrice'].tolist()price=close_list[-1]order_stats,order_price=check_buy_order(self.c,stock=stock)if order_stats==True:base_price=order_priceelse:base_price=base_pricepre_price=base_price#最大值max_value=max(close_list)else:close_list=tick['lastPrice'].tolist()price=close_list[-1]order_stats,order_price=check_buy_order(self.c,stock=stock)if order_stats==True:base_price=order_priceelse:base_price=base_pricepre_price=base_price#最大值max_value=max(close_list)#最大涨跌幅max_zdf=((max_value-pre_price)/pre_price)*100#回落的涨跌幅last_zdf=((price-max_value)/max_value)*100if max_zdf>=x1 and last_zdf<=x2:print('{} {} 冲高{} 大于{} 回落{}大于{} 卖出'.format(stock,name,max_zdf,x1,last_zdf,x2))return 'sell'else:print('{} {} 冲高{} {} 回落{} {} 等待卖出'.format(stock,name,max_zdf,x1,last_zdf,x2))return ''