海龟策略：一个完整的交易系统的实现（源码）

今天说说ATR仓位管理。

无论如何定量分析，机器学习预测，其实都是一个概率问题。

仓位管理可以让交易体系运行得更加平稳。

仓位管理的逻辑是不预测，看市场发生的什么，如何做出反应。

投资三件事： 选股（便宜的好公司，好东西被估了）、择时（动量，方向，相对优势）、（风控）仓位管理。

在量化里，我们经常选股、择时一起做（就是多因子），给一个综合分，估值始终，有方向趋势，有相对优势。

有指数，期货，加密货币里，少有选标的这一环节，CTA主打就是择时。

择时就是“预测方向”，这是一个概率命题。

买卖信号相当于更加宏观，在卖出信号未触发，但触发了止损保护，也会止损出场。而只要没有卖出信号，就可能加仓并提升止损位。——没有分批离场和止盈的逻辑。

仓位管理是指我们在决定做多某个投资对象时，用来决定怎样分批入场以及如何止损或者止盈离场的技术。仓位管理并不涉及选时或者选股技术。有专家测验过，即使用抛硬币的随机决策下，利用好的仓位管理技术依旧是可以赚到钱。

海龟交易法则里的建仓逻辑：1%* （价格/ATR），比如价格是ATR的20倍，那么买入20%。

止损规则：建仓价-2*ATR。建仓后跌落2倍ATR后止损。每上涨0.5ATR就加仓一次。每一个新的加仓执行后，都要立刻将止损价提高到新的价位之下2ATR的地方。移动止损是整个仓位管理的最关键的地方。

说到ATR，自然不会不提著名的海龟交易系统。麻雀虽小，它却是一个完整的交易系统。

我们选择宽基指数吧，比如沪深300，创业板或者纳指，标普500，先从标普500指数开始。

loader = Hdf5Dataloader(['SPX'], start_date="20100101")

接入来要确定因子（指标），我们的框架比backtrader，pybroker灵活的地方，我们可以支持无限个因子，而backtrader或pybroker要额外说明，这个对于机器学习来讲太麻烦了——它们仅适合有限个因子的场景。

趋势追踪——唐奇安通道（买卖信号由通道决定）

海龟交易法则利用唐奇安通道的突破点作为买卖信号指导交易，简单而言唐奇安通道是由一条上轨线、中线和下线组成，上轨线由N1日内最高价构成，下轨线由N2日内最低价计算，当价格冲破上轨是可能的买入信号，反之，冲破下轨时是可能的卖出信号。

然后仓位分配，止损都与一个指标ATR相关。

因为我们需要计算三个指标：唐奇安通道上轨，下轨以及ATR。Ta-lib都可以轻松做到。

talib的代码移动这里了：

import pandas as pd
import talib


def _ta(fn, se, *args, **kwargs):
    result = getattr(talib, fn)(se, *args)
    if type(result) is tuple:
        if 'get_result' in kwargs.keys():
            if kwargs['get_result'] >= len(result):
                print('参数超过个数，返回第一个')
                return result[0]
            else:
                return result[kwargs['get_result']]
        return result[0]
    return result


def ta(fn, se: pd.Series, *args, **kwargs):
    return se.groupby('symbol', group_keys=False).apply(lambda x: _ta(fn, x, *args, **kwargs))


def sma(se, N):
    return ta('SMA', se, N)


def rsi(se, N):
    return ta('RSI', se, N)


def macd(se):
    return ta("MACD", se, get_result=2)


def bbands_up(se):
    return ta('BBANDS', se, get_result=0)


def bbands_down(se):
    return ta('BBANDS', se, get_result=2)


def _atr(high, low, close, period=14):
    return talib.ATR(high, low, close, period)


def ta_atr(high, low, close, period=14):
    high.name = 'high'
    low.name = 'low'
    close.name = 'close'
    df = pd.concat([high, low, close], axis=1)
    return df.groupby('symbol', group_keys=False).apply(
        lambda sub_df: _atr(sub_df['high'], sub_df['low'], sub_df['close'], period))

有了因子表达式就可以加载数据了：

loader = Hdf5Dataloader(['SPX'], start_date="20100101")
fields = ['ta_atr(high,low,close,14)', 'max(shift(high,1),20)', 'min(shift(close,1),20)']
names = ['atr_14', 'max_20', 'min_20']
df = loader.load(fields=fields, names=names)

bench_loader = Hdf5Dataloader(['000300.SH'])