okaa

网格交易策略回测模型

admin

交易策略——一种简单而有效的方法，不依赖技术指标来确定趋势。这种策略是算法交易的绝佳候选者，我们使用Python的回测表明，在5分钟的时间范围内，在两个月的数据中，收益稳步增长，结果非常好，夏普比率接近5.7。参考资料链接：https://youtu.be/YytCoeSq30E

什么是网格交易

网格交易涉及在价格图表上创建一个价值网格。每当价格越过网格线时，我们都会同时打开多头头寸和空头头寸。每个开仓头寸的止盈率设置在下一条网格线上。这种策略在价格频繁波动的市场中蓬勃发展，使其特别适合较低的时间框架。现在，我们将在python中实现网格策略，并在历史数据上进行回测。

步骤1：设置环境

首先，我们需要通过导入必要的库和下载数据集来设置我们的Python环境。我们将使用yfinance获取欧元/美元汇率（国内可以做期货、可转债，T+0的ETF）数据，使用pandas获取数据操作，numpy获取数值运算，pandas_ta获取技术分析指标。

import yfinance as yfimport pandas as pdimport numpy as npimport pandas_ta as ta# Download the EUR/USD data for the last 59 days with a 5-minute intervaldataF = yf.download("EURUSD=X", start=pd.Timestamp.today() - pd.DateOffset(days=59), end=pd.Timestamp.today(), interval='5m')

导入库：


下载数据：我们使用yfinance下载2022年11月19日至2023年1月16日的欧元/美元汇率数据，间隔为5分钟。这为我们提供了适合我们网格交易策略的详细高频数据集。

第2步：创建网格

在这一步中，我们创建一个值网格，该网格将决定我们的进入点和退出点。网格是价格图表上定期间隔的一系列水平线。每当价格越过网格线时，我们都会打开一个新的头寸。

grid_distance = 0.005midprice = 1.065def generate_grid(midprice, grid_distance, grid_range):return np.arange(midprice - grid_range, midprice + grid_range, grid_distance)
grid = generate_grid(midprice=midprice, grid_distance=grid_distance, grid_range=0.1)


定义参数：

重要信息：这些值必须根据市场、交易资产和考虑当前分析进行更改，因此每次您从Yfinance查询数据时，都会更新数据，本策略中的这些参数必须相应更新。

生成网格：


创建网格：grid阵列包含我们将考虑开仓的所有价格水平。这构成了我们网格交易策略的支柱，使我们能够随着价格的波动系统地进入和退出交易。

第3步：生成交易信号

在这一步中，我们根据我们创建的网格生成交易信号。每当价格越过网格线时，就会生成交易信号。这是通过遍历我们数据集中的每行来完成的，并检查该间隔的高价还是低价是否跨越任何网格线。

signal = [0] * len(dataF)
i = 0
for index, row in dataF.iterrows():
    for p in grid:
        if min(row.Low, row.High) < p and max(row.Low, row.High) > p:
            signal[i] = 1
    i += 1
dataF["signal"] = signal
dataF[dataF["signal"] == 1]


初始化信号：signal = [0] * len(dataF)：我们创建一个与数据集长度相同的零列表。此列表将存储我们的交易信号。
对数据进行重述：我们使用dataF.iterrows()迭代数据集中的每行。对于每行，我们检查价格是否越过任何网格线。这是通过将该行的高价和低价格的最小值和最高值与每条网格线进行比较来完成的。
生成信号：如果网格线交叉（即最低价格低于网格线，最高价格高于网格线），我们将signal列表中的相应条目设置为1。这表明在该时间间隔内生成了交易信号。
向DataFrame添加信号：

通过生成这些交易信号，我们确定了价格越过网格线的确切时间点，表明了潜在的交易条目。这种系统方法确保我们在定义的网格中捕获所有相关的价格走势。

第4步：准备回测

在这一步中，我们通过计算平均真实范围（ATR）和定义信号函数来准备用于回测的数据集。ATR是一种波动性指标，可帮助我们设置动态止损和止盈水平。

dfpl = dataF[:].copy()

def SIGNAL():
    return dfpl.signal

dfpl['ATR'] = ta.atr(high=dfpl.High, low=dfpl.Low, close=dfpl.Close, length=16)
dfpl.dropna(inplace=True)


复制数据框架：dfpl = dataF[:].copy()：我们创建原始数据集的副本，以避免在回测过程中直接修改它。这确保了我们的原始数据保持不变。
定义信号功能：def SIGNAL()：此函数从我们的DataFrame返回信号列。它将在回测期间用于访问生成的交易信号。
计算平均真实范围（ATR）：dfpl['ATR'] = ta.atr(high=dfpl.High, low=dfpl.Low, close=dfpl.Close, length=16)：我们使用16个间隔的周期来计算ATR。ATR是市场波动的衡量标准，有助于设定适当的止损和止盈水平。high=dfpl.High, low=dfpl.Low, close=dfpl.Close：这些参数指定了用于计算ATR的高价、低价和收盘价。
清理数据：dfpl.dropna(inplace=True)：我们删除任何缺少值的行，以确保我们回测过程的完整性。此步骤对于准确可靠的回测结果至关重要。ATR提供了波动性的动态衡量标准。通过计算ATR和定义信号函数，我们为回测框架配备了必要的工具，以评估网格交易策略的性能。

第5步：实施和运行回测

在这一步中，我们使用backtesting 库实施我们的交易策略，并运行回测来评估其性能。 我们定义了一个自定义策略类，并配置了回测参数。

from backtesting import Strategy
from backtesting import Backtest
import backtesting

class MyStrat(Strategy):
    mysize = 50
    
    def init(self):
        super().init()
        self.signal1 = self.I(SIGNAL)

    def next(self):
        super().next()
        slatr = 1.5 * grid_distance  # Stop loss distance
        TPSLRatio = 0.5  # Take profit to stop loss ratio

        if self.signal1 == 1 and len(self.trades) <= 10000:
            # Sell position
            sl1 = self.data.Close[-1] + slatr
            tp1 = self.data.Close[-1] - slatr * TPSLRatio
            self.sell(sl=sl1, tp=tp1, size=self.mysize)

            # Buy position
            sl1 = self.data.Close[-1] - slatr
            tp1 = self.data.Close[-1] + slatr * TPSLRatio
            self.buy(sl=sl1, tp=tp1, size=self.mysize)

# Running the backtest
bt = Backtest(dfpl, MyStrat, cash=50, margin=1/100, hedging=True, exclusive_orders=False)
stat = bt.run()
stat


导入库：
from backtesting import Strategy, Backtest：从backtesting库导入必要的类，以定义和运行我们的策略。import backtesting：导入backtesting库。
定义策略类：class MyStrat(Strategy)：我们通过继承Strategy类来创建一个自定义策略类。mysize = 50：定义每笔交易的头寸大小。
初始化：def init(self)：初始化策略。self.signal1 = self.I(SIGNAL)：使用前面定义的SIGNAL函数访问交易信号。
定义交易逻辑：def next(self)：定义执行交易的逻辑。slatr = 1.5 * grid_distance：根据网格距离计算止损距离。TPSLRatio = 0.5：设置止盈止损比。
执行交易：如果生成信号（self.signal1 == 1），并且交易数量小于或等于10,000：
出售位置：


购买位置：


运行回测：

因此，通过这次回测运行，我们可以评估我们网格交易策略的表现。stat对象包含详细的指标和见解，有助于我们了解该战略的有效性。

第6步：分析回测结果

总结：

绩效指标：

风险调整指标：

缩减：

交易活动：

退出移动版