使用交易策略類，創建更復雜的自定義策略

qteasy是一個完全本地化部署和運行的量化交易分析工具包，Github地址在這里，并且可以通過pip安裝：

$ pip install qteasy -U

qteasy具備以下功能：

• 金融數據的獲取、清洗、存儲以及處理、可視化、使用
• 量化交易策略的創建，并提供大量內置基本交易策略
• 向量化的高速交易策略回測及交易結果評價
• 交易策略參數的優化以及評價
• 交易策略的部署、實盤運行

通過本系列教程，您將會通過一系列的實際示例，充分了解qteasy的主要功能以及使用方法。

開始前的準備工作

在開始本節教程前，請先確保您已經掌握了下面的內容：

• 安裝、配置qteasy —— QTEASY教程1
• 設置了一個本地數據源，并已經將足夠的歷史數據下載到本地——QTEASY教程2
• 學會創建交易員對象，使用內置交易策略，——QTEASY教程3
• 學會使用混合器，將多個簡單策略混合成較為復雜的交易策略——QTEASY教程4
• 了解自定策略的基礎——QTEASY教程5 ，QTEASY教程6

在QTEASY文檔中，還能找到更多關于使用內置交易策略、創建自定義策略等等相關內容。對qteasy的基本使用方法還不熟悉的同學，可以移步那里查看更多詳細說明。

qteasy的內核被設計為一個兼顧高速執行以及足夠的靈活性的框架，理論上您可以實現您所設想的任何類型的交易策略。

同時，qteasy的回測框架也做了相當多的特殊設計，可以完全避免您無意中在交易策略中導入"未來函數"，確保您的交易策略在回測時完全基于過去的數據，同時也使用了很多預處理技術以及JIT技術對內核關鍵函數進行了編譯，以實現不亞于C語言的運行速度。

不過，為了實現理論上無限可能的交易策略，僅僅使用內置交易策略以及策略混合就不一定夠用了，一些特定的交易策略，或者一些特別復雜的交易策略是無法通過內置策略混合而成的，這就需要我們使用qteasy提供的Strategy基類，基于一定的規則創建一個自定義交易策略了。

本節的目標

在本節中，我們將介紹qteasy的交易策略基類，通過一個具體的例子詳細講解如何基于這幾個基類，創建一個只屬于您自己的交易策略。為了說明

繼承Strategy類，創建一個復雜的多因子選股策略

在這個例子中，我們使用

import qteasy as qt
import numpy as npdef market_value_weighted(stock_return, mv, mv_cat, bp_cat, mv_target, bp_target):""" 根據mv_target和bp_target計算市值加權收益率，在策略中調用此函數計算加權收益率"""sel = (mv_cat == mv_target) & (bp_cat == bp_target)mv_total = np.nansum(mv[sel])mv_weight = mv / mv_totalreturn_total = np.nansum(stock_return[sel] * mv_weight[sel])return return_totalclass MultiFactors(qt.FactorSorter):""" 開始定義交易策略"""def __init__(self, pars: tuple = (0.5, 0.3, 0.7)):"""交易策略的初始化參數"""super().__init__(pars=pars,  par_count=3,  # 策略的可調參數有三個par_types=['float', 'float', 'float'],  # 參數1:大小市值分類界限，參數2:小/中bp分界線，參數3，中/大bp分界線par_range=[(0.01, 0.99), (0.01, 0.49), (0.50, 0.99)],name='MultiFactor',description='根據Fama-French三因子回歸模型估算HS300成分股的alpha值選股',strategy_run_timing='close',  # 在周期結束（收盤）時運行strategy_run_freq='m',  # 每月執行一次選股（每周或每天都可以）strategy_data_types='pb, total_mv, close',  # 執行選股需要用到的股票數據data_freq='d',  # 數據頻率（包括股票數據和參考數據）window_length=20,  # 回測時的視窗長度為20天use_latest_data_cycle=True,  # 設置使用最新的數據reference_data_types='close-000300.SH',  # 選股需要用到市場收益率，使用滬深300指數的收盤價計算，因此設置HS300指數的收盤價作為參考數據傳入max_sel_count=10,  # 最多選出10支股票sort_ascending=True,  # 選擇因子最小的股票condition='less',  # 僅選擇因子小于某個值的股票lbound=0,  # 僅選擇因子小于0的股票ubound=0,  # 僅選擇因子小于0的股票 )def realize(self, h, **kwargs):""" 策略的選股邏輯在realize()函數中定義"""size_gate_percentile, bp_small_percentile, bp_large_percentile = self.pars# 讀取投資組合的數據PB和total_MV的最新值pb = h[:, -1, 0]  # 當前所有股票的PB值mv = h[:, -1, 1]  # 當前所有股票的市值pre_close = h[:, -2, 2]  # 當前所有股票的前收盤價close = h[:, -1, 2]  # 當前所有股票的最新收盤價# 讀取參考數據(r)market_pre_close = r[-2, 0]  # HS300的昨收價market_close = r[-1, 0]  # HS300的收盤價# 計算賬面市值比，為pb的倒數bp = pb ** -1# 計算市值的50%的分位點,用于后面的分類size_gate = np.nanquantile(mv, size_gate_percentile)# 計算賬面市值比的30%和70%分位點,用于后面的分類bm_30_gate = np.nanquantile(bp, bp_small_percentile)bm_70_gate = np.nanquantile(bp, bp_large_percentile)# 計算每只股票的當日收益率stock_return = pre_close / close - 1# 根據每只股票的賬面市值比和市值，給它們分配bp分類和mv分類# 市值小于size_gate的cat為1，否則為2mv_cat = np.ones_like(mv)mv_cat += (mv > size_gate).astype('float')# bp小于30%的cat為1，30%～70%之間為2，大于70%為3bp_cat = np.ones_like(bp)bp_cat += (bp > bm_30_gate).astype('float')bp_cat += (bp > bm_70_gate).astype('float')# 獲取小市值組合的市值加權組合收益率smb_s = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) +market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 2) +market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3)) / 3# 獲取大市值組合的市值加權組合收益率smb_b = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1) +market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 2) +market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 3smb = smb_s - smb_b# 獲取大賬面市值比組合的市值加權組合收益率hml_b = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3) +market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 2# 獲取小賬面市值比組合的市值加權組合收益率hml_s = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) +market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1)) / 2hml = hml_b - hml_s# 計算市場收益率market_return = market_pre_close / market_close - 1coff_pool = []# 對每只股票進行回歸獲取其alpha值for rtn in stock_return:x = np.array([[market_return, smb, hml, 1.0]])y = np.array([[rtn]])# OLS估計系數coff = np.linalg.lstsq(x, y)[0][3][0]coff_pool.append(coff)# 以alpha值為股票組合的選股因子執行選股factors = np.array(coff_pool)return factors

策略和回測參數配置，并開始回測

定義好上面的策略之后，就可以開始進行回測了，我們需要在qteasy中創建一個交易員對象，操作前面創建的策略：

shares = qt.filter_stock_codes(index='000300.SH', date='20190501')  # 選擇股票池，包括2019年5月以來所有滬深300指數成分股
# 設置回測的運行參數
qt.config(mode=1,  # mode=1表示回測模式invest_start='20160405',  # 回測開始日期invest_end='20210201',  # 回測結束日期asset_type='E',  # 投資品種為股票asset_pool=shares,  # shares包含同期滬深300指數的成份股trade_batch_size=100,  # 買入批量為100股sell_batch_size=1,  # 賣出批量為整數股trade_log=True,  # 生成交易記錄)#  開始策略的回測alpha = MultiFactors()  # 生成一個交易策略的實例，名為alpha
op = qt.Operator(alpha, signal_type='PT')  # 生成交易員對象，操作alpha策略，交易信號的類型為‘PT'，意思是生成的信號代表持倉比例，例如1代表100%持有股票，0.35表示持有股票占資產的35%
op.op_type = 'stepwise'  # 運行模式為步進模式
op.set_blender('1.0*s0', "close")  # 交易策略混合方式，只有一個策略，不需要混合
op.run()  # 開始運行

本節回顧