此夜曲中闻折柳，何人不起故园情。
1 前言
最近了解到了掘金量化这个平台，平台包含了丰富的api信息，涉及到各种金融品种的基本信息，交易数据，以及提供量化交易的众多接口。通过这个平台可以从品种选择，到历史数据回测，再到复盘数据分析，都可以面面俱到，全方位的分析和评价交易模型的优劣。在本文中将以构建简单的模型为基础，实现这个操作策略，并评价优劣。
2 交易策略制定
针对股票市场运行的特点，制定的总体策略为: 买入要慢，卖出要快，正金字塔投资，微笑曲线，低位多买。macd 反映的信号比较慢，非常适合买入要慢的策略，kdj 反应的信号要快，针对一些获利的场景，适合执行卖出要快的策略。另外针对市场的极端场景，需要根据具体的情况操作买入。
1 捡皮夹子策略，-4.1% 或者-6.2% 执行买入动作，第二天卖出。
2 macd 低位金叉执行建仓动作, DEA 值为近一年 5%分位。
3 kd 指标 85 以上操作卖出。
4 超越boll 线上轨5%执行卖出动作，每个标的尖刺情况不同，百分比不同。
5 大盘月中跌幅超过一定幅度(上证8%，深证10%，执行买入动作)
6 基准买入卖出的数量为1手，根据不同的触发条件增加。
7 如果买入被套10%，暂停买入。按照间隔时间或者最后一次买入价格的跌幅操作买入。
8 皮夹子卖出盈利标准为 5%。macd 买入盈利标准为 20%。持仓盈利30% 清仓。
3 环境准备
首先我们需要有一个 python 环境和对应的 IDE ，另外还需要在掘金量化平台下载一个客户端，完成注册后，需要获取到一个 token，这对访问掘金量化的 api 至关重要。需要说明的是，目前量化掘金平台只支持 Windows 环境。
# 掘金量化对应的api指南
https://www.myquant.cn/docs2/sdk/python/%E5%BF%AB%E9%80%9F%E5%BC%80%E5%A7%8B.html
# 引入相关的类库
pip install gm -i https://mirrors.aliyun.com/pypi/simple/
在开始代码编写之前，需要熟悉量化掘金平台提供的api,以及需要对股票或ETF的技术指标有所了解，并明白其含义。
如上图所示，即量化掘金的三种任务模式，即定时任务、事件驱动，以及两者的组合。在本文中主要是编写模型并进行数据回测，评价模型的优劣，因此采用的是事件驱动的模式。如下图所示，即是量化操作的起手式或者是是模板。
量化掘金两个比较重要的操作，即买入和卖出动作api：
# 指定股票进行买入操作
order_volume(symbol=code, volume=100, side=OrderSide_Buy, order_type=OrderType_Limit,
position_effect=PositionEffect_Open, price=buy_price)
# 调仓股票至目标位，即卖出动作
order_target_volume(symbol=code, volume= element.buy_num, position_side=PositionSide_Long,
order_type=OrderType_Limit, price=tag_price)
4 代码实现
如下图所示，是股票基本的技术指标计算方法，根据此方法计算每个回测日期的指标，用于回测时的条件判断。
下图是用来逐日计算股票的基本信息，诸如持仓情况，交易情况，持有日期，买入价格区间，最近买入和最远买入等信息。
项目运行的逻辑是，首先需要通过 init 方法确认回测的股票或者ETF标的，设置买入和卖出的阈值信息，通过 context 进行设置。其次需要通过 on_bar 方法进行逐个交易日的回测，需要获取当天的 ochl 价格以及各种技术指标。
最终逐个实现，当天涨跌幅买入条件，定投模式买入，以及 kd/macd/boll 买入条件。
5 模型结果
回测结束之后，可以在量化掘金的客户端看到如下信息，即绩效情况和持仓分析：
根据以上的模型可以得到如下结果：
1 从模型的运行效果来说，大盘股的效果要比小盘股的效果要好，模型对流动性好的股票表现要好。
2 针对单边行情的走势，模型的表现比较差。
3 针对周期性的行情，40-50% 之间周期性波动的行情，模型运行非常好。
4 该模型在被动加仓阶段会比较消耗资金，在实际回测过程中，资金基本都是100w,而且如果股票的价格越贵，其消耗的资金会更多。
6 总结
本文讲述了既定的操作策略，并且使用 python 代码结合量化掘金平台实现其逻辑，并且借助实现了模型的效果展示以及模型的量化分析。依据此为基础，可以实现更高阶的模型编写，最终找到一个适用性强，具有容错性，能够实现稳定盈利的量化模型。 相关代码已经上传至 github, 欢迎大家 star, 项目地址 fund_python。
