看的第一个量化策略，闲的无聊，加了注释，共享一下

大家可以看一下，来这里跑起来看看 ～

 # 可以自己 import 我们平台支持的第三方 python 模块，比如 pandas 、 numpy 等。 import math import numpy as np import pandas as pd 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): #初始化全局变量，相当于 main() context.number=10 #选取十只股 context.period = 20 #定义 XXXXX 周期为 20 context.SMAPERIOD = 5 #定义 XXXXX 周期为 5 context.marketval = context.portfolio.market_value context.stocks = sector('信息技术') #定义所选板块 update_universe(context.stocks) #更新股票池 scheduler.run_monthly(get_head,mOnthday=1) #get_head 函数每月 1 日运行一次，选股算法 scheduler.run_monthly(position,mOnthday=1) #position 函数每月 1 日运行一次，调整持仓 scheduler.run_daily(stoploss) #stoploss 函数每天运行一次，止损函数 def get_head(context,bar_dict): #选股算法！找龙头， get_head （），每月运行一次 prices = history(context.period+1,'1d','close') #将历史数据放入 prices 中， pandas 类型。 context.period 是回溯的数量、 1d 是按照日线回溯、 close 是收盘价。 context.period 是回溯的时间周期 20 天 b_prices = history(6, '1d', 'close')[context.benchmark].values #回溯当前时间往后推 6 天， volumes = history(context.period+1,'1d','volume') #成交量放入 volumes score = {} #初始化 score{} for stock in prices.columns: #逐一轮询 prices 的行， stock 是行号 p = prices[stock] v = volumes[stock] temp = 0 for i in list(range(1,context.period)): #1 到 20 ，轮询 20 天 if p[i] > p[i-1]: if v[i] > v[i-1]: temp = temp + 2 #价升量升 +2 else: temp = temp + 1 #价升量跌 +1 else: if v[i] < v[i-1]: temp = temp - 1 #价跌量升 -1 else: temp = temp - 2 #价跌量跌 -2 score[stock] = temp #将决策值存入 score 的序列中 s = pd.Series(score,name = 'scores') #把 score 和 name 放入 series 中 s.sort(ascending=False) #按照降序排列 context.to_buy = s.index[0:context.number] #to_buy ， 1 到 10 号的股票放入 if b_prices[0]/b_prices[4] <= 0.92: #大盘调整 8%，将 context.to_buy 值为空 context.to_buy = [] def position(context,bar_dict): #仓位变更算法，每月运行一次， stocks = set(context.to_buy) #将 get_head 选出的股票 set 到 stocks 中 holdings = set(get_holdings(context)) #读取持有的股票 to_buy = stocks - holdings #读取要买入的股票 holdings = set(get_holdings(context)) #读取持有的股票 to_sell = holdings - stocks #读取要卖出的股票 for stock in to_sell: #卖出 if bar_dict[stock].is_trading: #判断 stock 是否可以交易（停牌） order_target_percent(stock , 0) #将 stock 的仓位调整为“ 0%” order_target_percent 按照百分比调整仓位 to_buy = get_trading_stocks(to_buy, context, bar_dict) #调用下文中的函数 get_trading_stocks ，去除不能交易的票 cash = context.portfolio.cash #cash 是现在投资组合中的剩余的金额 average_value = 0 if len(to_buy) > 0: average_value = 0.98 * cash / len(to_buy) #98%的仓位平均到 to_buy 的所有股票， len(to_buy) for stock in to_buy: #买入 to_buy 的股票 if bar_dict[stock].is_trading: #判断 stock 是否可以交易（停牌） order_value(stock ,average_value) #将 stock 的仓位调整至 average_value 数 context.marketval = context.portfolio.market_value #当前投资组合的市值 def get_trading_stocks(to_buy, context, bar_dict): #重新计算 to_buy 中的股票，去掉不能交易的股票 trading_stocks = [] for stock in to_buy: # 在 to_buy 中循环 if bar_dict[stock].is_trading: #判断 stock 是否可以交易（停牌） trading_stocks.append(stock) return trading_stocks def get_holdings(context): #读取持有的股票 positiOns= context.portfolio.positions #读取当前持仓， positions 所有仓位的字典 holdings = [] for position in positions: if positions[position].quantity > 0: #quantity 未平仓部分的全部股数大于零 holdings.append(position) return holdings def stoploss(context,bar_dict): #止损策略 if context.portfolio.market_value < context.marketval * 0.95: #context.marketval 当月初市值， context.portfolio.market_value 当前市值 for stock in context.portfolio.positions: #清仓， context.portfolio.positions 所有持仓 if bar_dict[stock].is_trading: order_target_value(stock,0) #将 stock 的仓位调整为“ 0%”