RQAlpha 量化交易策略框架

RQAlpha 是一个功能强大的量化交易策略框架，专为量化投资者和机构设计。它支持多种金融工具的回测，包括股票、期货、期权、可转债、指数和场外基金等。通过 RQAlpha，用户可以快速验证交易策略的有效性，并将其应用于模拟交易或实盘交易。

一、功能特点

低门槛：基于 Python，易于上手，适合初学者和专业投资者。
高扩展性：支持调用第三方库，用户可以自定义插件和扩展功能。
多品种支持：支持中国市场几乎所有场内金融工具。
多频率回测：支持日级别、分钟级别和 tick 级别的回测。
丰富的数据接口：提供丰富的数据查询接口，支持财务数据、行情数据等。

二、支持的金融工具及功能

股票
日级别回测：基于日线数据进行回测。
分钟级别回测：基于分钟线数据进行回测。
tick 级别回测：基于 tick 数据进行回测。
自动处理 T+1 和分红拆分。
期货
日级别回测：支持主力连续合约和逐日盯市制度。
分钟级别回测：支持分钟线数据。
tick 级别回测：支持 tick 数据。
保证金交易：支持保证金倍率设置。
期权
日级别回测：支持行权操作。
分钟级别回测：支持分钟线数据。
tick 级别回测：支持 tick 数据。
行权滑点：模拟行权时的市场波动。
可转债
日级别回测：支持转股和回售操作。
分钟级别回测：支持分钟线数据。
tick 级别回测：支持 tick 数据。

三、快速上手指南

第一个策略

以下是一个简单的买入并持有策略示例：

def init(context):
    context.fired = False

def handle_bar(context, bar_dict):
    if not context.fired:
        order_target_percent("000001.XSHE", 0.5)  # 半仓买入平安银行
        context.fired = True

运行该策略时，RQAlpha 会在回测期间展示策略的收益曲线和部分收益及风险指标。

MACD 策略示例

以下是一个基于 MACD 指标的交易策略示例：

import talib

def init(context):
    context.stock = "000001.XSHE"
    context.SHORTPERIOD = 12
    context.LONGPERIOD = 26
    context.SMOOTHPERIOD = 9
    context.OBSERVATION = 100

def handle_bar(context, bar_dict):
    prices = history_bars(context.stock, context.OBSERVATION, '1d', 'close')
    macd, macd_signal, _ = talib.MACD(prices, context.SHORTPERIOD, context.LONGPERIOD, context.SMOOTHPERIOD)

    if macd[-1] > macd_signal[-1] and macd[-2] < macd_signal[-2]:
        order_target_percent(context.stock, 1)  # 全仓买入
    elif macd[-1] < macd_signal[-1] and macd[-2] > macd_signal[-2]:
        order_target_percent(context.stock, 0)  # 清仓

四、编写策略

初始化阶段

在 init 函数中，可以进行全局变量的初始化和策略的准备工作：

def init(context):
    context.stock = "000001.XSHE"  # 设置目标股票
    context.SHORTPERIOD = 12
    context.LONGPERIOD = 26
    context.SMOOTHPERIOD = 9
    context.OBSERVATION = 100

行情更新阶段

在 handle_bar 函数中，策略会根据市场行情进行交易决策：

def handle_bar(context, bar_dict):
    prices = history_bars(context.stock, context.OBSERVATION, '1d', 'close')
    macd, macd_signal, _ = talib.MACD(prices, context.SHORTPERIOD, context.LONGPERIOD, context.SMOOTHPERIOD)

    if macd[-1] > macd_signal[-1] and macd[-2] < macd_signal[-2]:
        order_target_percent(context.stock, 1)  # 全仓买入
    elif macd[-1] < macd_signal[-1] and macd[-2] > macd_signal[-2]:
        order_target_percent(context.stock, 0)  # 清仓

五、运行策略

终端命令运行

使用命令行工具运行策略：

rqalpha run -f macd_000001.py -a stock 100000 -s 20190101 -e 20191231 -bm 000300.XSHG -p

函数入口运行

通过 run_func 函数运行策略：

config = {
    "base": {
        "accounts": {"STOCK": 100000},
        "start_date": "20190101",
        "end_date": "20191231",
    },
    "mod": {
        "sys_analyser": {
            "plot": True,
            "benchmark": "000300.XSHG"
        }
    }
}

if __name__ == "__main__":
    from rqalpha import run_func
    run_func(config=config, init=init, handle_bar=handle_bar)

获取结果

运行策略后，可以获取以下结果：

收益曲线：展示策略的收益变化。
收益和风险指标：如夏普比率、最大回撤等。
交易流水：记录所有交易操作。
每日账户和持仓数据：展示每日的账户状态和持仓情况。

六、进阶教程

账户和持仓

访问账户和持仓信息：

# 获取当前账户的现金
cash = context.portfolio.accounts["STOCK"].cash

# 获取当前持仓数量
position = context.portfolio.positions["000001.XSHE"].quantity

回测频率

日级别回测：每个交易日触发一次 handle_bar。
分钟级别回测：每分钟触发一次 handle_bar。
tick 级别回测：每个 tick 触发一次 handle_tick。

事前风控

设置事前风控参数：

# 关闭验资风控
config = {
    "mod": {
        "sys_risk": {
            "validate_cash": False
        }
    }
}

模拟撮合

设置撮合模型和滑点：

# 设置撮合模型为当前 bar 收盘价撮合
config = {
    "mod": {
        "sys_simulation": {
            "matching_type": "current_bar",
            "slippage_model": "PriceRatioSlippage",
            "slippage": 0.001
        }
    }
}

七、示例策略

多股票 RSI 策略

以下是一个多股票 RSI 策略示例：

import talib

def init(context):
    context.s1 = "000001.XSHE"
    context.s2 = "601988.XSHG"
    context.s3 = "000068.XSHE"
    context.stocks = [context.s1, context.s2, context.s3]
    context.TIME_PERIOD = 14
    context.HIGH_RSI = 85
    context.LOW_RSI = 30
    context.ORDER_PERCENT = 0.3

def handle_bar(context, bar_dict):
    for stock in context.stocks:
        prices = history_bars(stock, context.TIME_PERIOD + 1, '1d', 'close')
        rsi_data = talib.RSI(prices, timeperiod=context.TIME_PERIOD)[-1]

        cur_position = context.portfolio.positions[stock].quantity
        target_available_cash = context.portfolio.cash * context.ORDER_PERCENT
        if rsi_data > context.HIGH_RSI and cur_position > 0:
            order_target_value(stock, 0)  # 清仓
        elif rsi_data < context.LOW_RSI:
            order_value(stock, target_available_cash)  # 用部分现金买入

商品期货跨品种配对交易

以下是一个简单的商品期货跨品种配对交易策略示例：

import numpy as np

def init(context):
    context.s1 = 'AG1612'  # 白银期货
    context.s2 = 'AU1612'  # 黄金期货
    context.window = 60  # 滚动窗口
    context.ratio = 15  # 对冲比率
    context.entry_score = 2  # 入场临界值
    subscribe([context.s1, context.s2])  # 订阅行情

def handle_bar(context, bar_dict):
    position_a = context.portfolio.positions[context.s1]
    position_b = context.portfolio.positions[context.s2]

    price_array_a = history_bars(context.s1, context.window, '1m', 'close')
    price_array_b = history_bars(context.s2, context.window, '1m', 'close')

    spread_array = price_array_a - context.ratio * price_array_b
    std = np.std(spread_array)
    mean = np.mean(spread_array)
    up_limit = mean + context.entry_score * std
    down_limit = mean - context.entry_score * std

    price_a = bar_dict[context.s1].close
    price_b = bar_dict[context.s2].close
    spread = price_a - context.ratio * price_b

    if spread <= down_limit and position_a.buy_quantity == 0:
        buy_open(context.s1, 1)  # 多头开仓
        sell_open(context.s2, context.ratio)  # 空头开仓
    elif spread >= up_limit and position_b.buy_quantity == 0:
        sell_open(context.s1, 1)  # 空头开仓
        buy_open(context.s2, context.ratio)  # 多头开仓
    elif spread >= mean and position_a.buy_quantity > 0:
        sell_close(context.s1, 1)  # 多头平仓
        buy_close(context.s2, context.ratio)  # 空头平仓
    elif spread < mean and position_b.buy_quantity > 0:
        buy_close(context.s1, 1)  # 空头平仓
        sell_close(context.s2, context.ratio)  # 多头平仓

八、总结

RQAlpha 是一个功能强大且易于使用的量化交易策略框架，支持多种金融工具和回测频率。通过详细的文档和丰富的示例策略，用户可以快速上手并开发自己的量化策略。无论是初学者还是专业投资者，都能在 RQAlpha 中找到适合自己的工具和功能。