常见的量化交易平台：米筐，BigQuant，优矿，聚宽，掘金。
本文简单介绍其中的米筐量化交易平台。米筐支持Python，Java编写交易策略进行回测。
一、平台使用
1. 注册账号
平台网址：米筐量化平台
平台的帮助文档见网站【支持】页面：
2. 进入界面
打开右上角的【产品——米筐量化协作平台】进入策略编写界面，然后点击【新建策略】的【代码策略】，当然，也可以使用向导策略。
3. 编写策略
在左侧编写策略，点击右侧的【编译策略】
4. 运行回测
编译通过后，点击最右侧的【运行回测】，模拟交易策略的结果。
二、常用函数
1. init()
策略启动运行时首先执行的函数，只执行一次。其中context参数可理解为全局变量，可在各个函数中使用，以传递参数。
# 可以导入常见的numpy,pandas等库，以及米筐自带的talib库
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
# 在context中保存全局变量
context.s1 = "000001.XSHE"
# 实时打印日志
logger.info("RunInfo: {}".format(context.run_info))
2. handle_bar()
股票数据有更新时会自动执行该函数，用于编写量化策略的主要逻辑和触发交易动作。
# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
# 开始编写你的主要的算法逻辑
# bar_dict[order_book_id] 可以拿到某个证券的bar信息
# context.portfolio 可以拿到现在的投资组合信息
# 使用order_shares(id_or_ins, amount)方法进行落单
# TODO: 开始编写你的算法吧！
order_shares(context.s1, 1000)
3. before_training()
每天策略开始交易前自动触发的函数。具体触发事件取决于交易策略的执行事件。
4. after_training()
每天收盘后组东触发的函数。
5. 交易函数
order_percent()：按目前总资产的百分比金额买入或买出。如：
order_percent('000651.SZ', 1) # 全仓买入格力
order_percent('000651.SZ', 0.5) # 半仓买入格力
order_percent('000651.SZ', -1) # 清仓格力
order_percent('000651.SZ', -0.5) # 减半仓格力
order_shares：按若干股（必须是1手的倍数，A股中，1手=100股）的数量交易。如：
order_shares('000651.SZ', 200) # 买入200股格力
order_shares('000651.SZ', -100) # 卖出100股格力
order_lots：按若干手的数量交易。如：
order_lots('000651.SZ', 2) # 买入2手格力
order_lots('000651.SZ', -1) # 卖出1手股格力
order_value()：按金额数量交易。如
order_value('000651.SZ', 100000) # 买入共1w人民币的格力
order_value('000651.SZ', -100000) # 卖出共1w人民币的格力
order_value('000651.SZ', 0) # 清仓格力
其他还有order_target_percent、order_target_portfolio是按当前仓位百分比进行增减仓的函数等。
6. 股票筛选函数
is_st_stock(stock_code)：股票是否ST
is_suspend(stock_code)：是否停牌
三、策略示例
策略示例摘自李天胜《python量化交易实战》一书。
1. 策略示例1
如果空仓，直接全仓买入茅台股票。
# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。
import talib
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
logger.info('init')
context.s1 = "600519.XSHG" # 茅台
context.fired = False # 是否发送了交易命令
context.cnt = 1 # 策略相关函数执行次数
# 设置这个策略当中会用到的参数，在策略中可以随时调用，这个策略使用长短均线，我们在这里设定长线和短线的区间，在调试寻找最佳区间的时候只需要在这里进行数值改动
context.SHORTPERIOD = 20
context.LONGPERIOD = 120
def before_trading(context):
logger.info('before trading', context.cnt)
context.cnt += 1
# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
# 开始编写你的主要的算法逻辑
context.cnt += 1
logger.info('handle_bar', context.cnt)
# bar_dict[order_book_id] 可以拿到某个证券的bar信息
# context.portfolio 可以拿到现在的投资组合状态信息
# 使用order_shares(id_or_ins, amount)方法进行落单
# TODO: 开始编写你的算法吧！
if not context.fired:
order_percent(context.s1, 1)
context.fired = True
回测结果：
2. 策略示例2
KDJ金叉全仓买入，KDJ死叉清仓
# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。
import talib
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
# 在context中保存全局变量
context.s1 = "600519.XSHG"
# 实时打印日志
logger.info("RunInfo: {}".format(context.run_info))
context.SHORTPERIOD = 20 # MA20
context.LONGPERIOD = 60 # MA60
# before_trading此函数会在每天策略交易开始前被调用，当天只会被调用一次
def before_trading(context):
pass
# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
# 开始编写你的主要的算法逻辑
# bar_dict[order_book_id] 可以拿到某个证券的bar信息
# context.portfolio 可以拿到现在的投资组合信息
# 使用order_shares(id_or_ins, amount)方法进行落单
# TODO: 开始编写你的算法吧！
prices = history_bars(context.s1, context.LONGPERIOD+1, '1d','close')
short_avg = talib.SMA(prices, context.SHORTPERIOD)
long_avg = talib.SMA(prices, context.LONGPERIOD)
plot('short avg', short_avg[-1])
plot('long avg', long_avg[-1])
# 当前股票持有的仓位
cur_position = get_position(context.s1).quantity
# 当前portfolio中现金可以买入多少股
shares = context.portfolio.cash/bar_dict[context.s1].close
# 死叉，清仓
if (short_avg[-1] - long_avg[-1]) < 0 and (short_avg[-2] - long_avg[-2] > 0) and cur_position > 0:
order_target_value(context.s1, 0)
# 金叉，加仓
if (short_avg[-1] - long_avg[-1]) > 0 and (short_avg[-2] - long_avg[-2] < 0):
order_shares(context.s1, shares)
# after_trading函数会在每天交易结束后被调用，当天只会被调用一次
def after_trading(context):
pass
回测结果：