.. _tutorial-label: 简明教程 ======== 本教程的目的是让你能够快速入门PyAlgoTrade。 如之前简介中所述，PyAlgoTrade的目标是帮助你测试股票交易策略。 一般而言，如果你有一个交易策略的构思，并且想在历史数据中看看它的表现的话， PyAlgoTrade应该能够给你一些帮助。 感谢要放在最开始——感谢豪尔赫帮助审查初步设计和文档。 **本教程是在UNIX下开发的，但是把它调整为windows环境应该是比较简单的。** **因为我就是在windows下翻译的。** PyAlgoTrade有6大主要组件: * Strategies策略 * Feeds数据源 * Brokers经纪商 * DataSeries数据序列 * Technicals指标计算 * Optimizer优化 Strategies 这是你定义的实现交易逻辑的类：何时买、何时卖，等等。 Feeds These are data providing abstractions. 例如，你可以使用CSV数据源从一个格式化后的csv(以逗号分割)文件中加载数据推送给策略。 数据源不仅限于bars。例如，可以利用Twitter数据源将Twitter的事件信息转化为交易决策（译者注：事件驱动）。 Brokers 经纪商模块负责执行订单。 DataSeries DataSeries 是用于管理时间序列的抽象类 Technicals 这是你用来对DataSeries进行计算的一组过滤（指标）器。 例如简单移动平均线（SMA）,相对强弱指标(RSI)等. 这些过滤(指标)器被建模为DataSeries 的装饰器。 Optimizer 这是能让你在不同电脑之间、或多进程、或二者结合以加快回测效率的一组类。 说到这里，我们测试策略时需要一些数据，让我们使用以下命令获取甲骨文(Oracle)2000年的数据: :: python -c "from pyalgotrade.tools import yahoofinance; yahoofinance.download_daily_bars('orcl', 2000, 'orcl-2000.csv')" *pyalgotrade.tools.yahoofinance* 从雅虎金融(Yahoo! Finance)上打包下载格式化后的CSV数据。 文件orcl-2000.csv的格式和内容如下: :: Date,Open,High,Low,Close,Volume,Adj Close 2000-12-29,30.87,31.31,28.69,29.06,31655500,28.35 2000-12-28,30.56,31.12,30.37,31.06,25055600,30.30 2000-12-27,30.37,31.06,29.37,30.69,26441700,29.94 . . 2000-01-04,115.50,118.62,105.00,107.69,116850000,26.26 2000-01-03,124.62,125.19,111.62,118.12,98122000,28.81 让我们从一个简单的策略开始，即在运行过程中只打印收盘价: .. literalinclude:: ../samples/tutorial-1.py 这段代码主要做了3件事情:(???) 1. 声明了一个新的策略，这个策略中只定义了一个方法——*onBars*,这个方法会在推送的每一个bar执行(???)。 2. 从一个CSV文件载入数据源 3. 在数据源推送的每根bar上执行策略。 如果你运行了这个脚本，你应该在命令中看到收盘价： .. literalinclude:: ../samples/tutorial-1.output 下一步我们实现一个打印SMA价格的策略，用来演示technicals是如何被使用的： .. literalinclude:: ../samples/tutorial-2.py 这跟之前的例子很相似，除了： 1、我们在收盘价基础上初始化了一个SMA过滤器（指标）。 2、我们将SMA的值随着收盘价一起打印出来。 运行该脚本后将会看到逐行对应的收盘价和SMA值，但是实际情况是前14行的SMA值是None。 这是因为我们至少需要15个值才能把SMA计算出来： .. literalinclude:: ../samples/tutorial-2.output 若给定的时间不足以计算，则所有的technicals将返回None。 一件重要的事情是technicals可以进行组合，因为他们作为DataSeries是模块化的。 比如，计算收盘价的RSI再计算RSI的SMA就很简单： .. literalinclude:: ../samples/tutorial-3.py 运行该脚本，你应该看到在屏幕上有一堆值： * 前14个RSI值是None。因为我们至少需要15个值来计算RSI。 * 前28个SMA值是None。前14个RSI值是None，SMA过滤器（指标）接收的数据从第15个开始才不是None。我们计算SMA(15)至少需要15个非None值。 .. literalinclude:: ../samples/tutorial-3.output 交易 ------- 现在让我们用一个简单的策略模拟实际的交易，思路很简单： * 如果复权价格在SMA(15)之上时，我们买入一个多单(我们发出一张买订单). * 如果我们持有一张多单，当复权价跌破SMA(15)时，我们平多单(我们发出一张卖单). .. literalinclude:: ../samples/tutorial-4.py 运行该脚本，你将看到跟下面类似的东西: .. literalinclude:: ../samples/tutorial-4.output 如果我们用30替代15来作为SMA的参数会怎样？绩效会变好还是变坏？ 我们很确定可以通过以下方法来验证： :: for i in range(10, 30): run_strategy(i) 我们会发现，使用SMA(20)后能得到更好的回报: :: Final portfolio value: $1075.38 我们只是尝试了一组有限的参数组，看起来没有什么问题。如果我们需要测试一个有多个参数的策略怎么办？ 使用串行计算就不会让策略变得更复杂。 优化 ---------- 了解优化组件后，优化会变得非常简单： * 有一个服务负责: * 提供策略运行所需的bars。 * 提供策略运行所需的参数。 * 记录来自每个工作过程的交易记录结果。 * 并且有多个工作过程负责: * 在由服务提供的参数、K线基础上运行策略。 我们使用一个名为RSI2的策略来说明上述架构(http://stockcharts.com/school/doku.php?id=chart_school:trading_strategies:rsi2), 它需要以下参数: * entrySMA：一个SMA趋势识别的长度。参数范围[150 ~ 250]。 * exitSMA：一个较短的SMA出场点长度。参数范围[5~10]。 * rsiPeriod：多空入场点。参数范围[2 ~ 10]。 * overSoldThreshold：RSI多单平仓点。参数范围[5 ~ 25]。 * overBoughtThreshold：RSI空单平仓点。参数范围[75 ~ 95]。 如果我没算错的话——你的意思是数学是体育老师教的？？————这将有4409559个参数组合。 我这里测试其中一个参数组的时间大约0.16秒，估计需要8.5天才能要运行完整个参数组合然后找到最优参数。时间太长了。如果我能有10台8核的机器同时进行优化，那么时间将缩短到2.5小时。 长话短说, **我们需要并行计算**. 我们先下载道琼斯工业指数3年的日线数据: :: python -c "from pyalgotrade.tools import yahoofinance; yahoofinance.download_daily_bars('dia', 2009, 'dia-2009.csv')" python -c "from pyalgotrade.tools import yahoofinance; yahoofinance.download_daily_bars('dia', 2010, 'dia-2010.csv')" python -c "from pyalgotrade.tools import yahoofinance; yahoofinance.download_daily_bars('dia', 2011, 'dia-2011.csv')" 保存以下代码到rsi2.py: .. literalinclude:: ../samples/rsi2.py 这是服务器脚本: .. literalinclude:: ../samples/tutorial-optimizer-server.py 服务器脚本做了3件事: 1. 声明一个生成器函数，这个函数可以根据参数范围为策略生成参数组合。 2. 从我们下载的CSV文件载入数据源。 3. 运行服务端并在端口5000上等待连接。 This is the worker script that uses the **pyalgotrade.optimizer.worker** module to run the strategy in parallel with the data supplied by the server: .. literalinclude:: ../samples/tutorial-optimizer-worker.py 当您运行服务器和客户端时，您会看到在服务器控制台上看到的类似下面的内容： :: 2014-05-03 15:04:01,083 server [INFO] Loading bars 2014-05-03 15:04:01,348 server [INFO] Waiting for workers 2014-05-03 15:04:58,277 server [INFO] Partial result 1242173.28754 with parameters: ('dia', 150, 5, 2, 91, 19) from localworker 2014-05-03 15:04:58,566 server [INFO] Partial result 1203266.33502 with parameters: ('dia', 150, 5, 2, 81, 19) from localworker 2014-05-03 15:05:50,965 server [INFO] Partial result 1220763.1579 with parameters: ('dia', 150, 5, 3, 83, 24) from localworker 2014-05-03 15:05:51,325 server [INFO] Partial result 1221627.50793 with parameters: ('dia', 150, 5, 3, 80, 24) from localworker . . 在客户机控制台可以看到下面的内容: :: 2014-05-03 15:02:25,360 localworker [INFO] Running strategy with parameters ('dia', 150, 5, 2, 84, 15) 2014-05-03 15:02:25,377 localworker [INFO] Running strategy with parameters ('dia', 150, 5, 2, 94, 5) 2014-05-03 15:02:25,661 localworker [INFO] Result 1090481.06342 2014-05-03 15:02:25,661 localworker [INFO] Result 1031470.23717 2014-05-03 15:02:25,662 localworker [INFO] Running strategy with parameters ('dia', 150, 5, 2, 93, 25) 2014-05-03 15:02:25,665 localworker [INFO] Running strategy with parameters ('dia', 150, 5, 2, 84, 14) 2014-05-03 15:02:25,995 localworker [INFO] Result 1135558.55667 2014-05-03 15:02:25,996 localworker [INFO] Running strategy with parameters ('dia', 150, 5, 2, 93, 24) 2014-05-03 15:02:26,006 localworker [INFO] Result 1083987.18174 2014-05-03 15:02:26,007 localworker [INFO] Running strategy with parameters ('dia', 150, 5, 2, 84, 13) 2014-05-03 15:02:26,256 localworker [INFO] Result 1093736.17175 2014-05-03 15:02:26,257 localworker [INFO] Running strategy with parameters ('dia', 150, 5, 2, 84, 12) 2014-05-03 15:02:26,280 localworker [INFO] Result 1135558.55667 . . 注意！！**你只能运行一个服务器和一个或者多个客户机。**。译者补充：这里说的是同一个优化项目下只能运行一个服务器。 如果你只想在自己的电脑上对策略并行计算，你可以利用 **pyalgotrade.optimizer.local** 模块来实现： .. literalinclude:: ../samples/tutorial-optimizer-local.py 上述代码做了3件事: 1. 声明一个生成器函数，这个函数可以根据参数范围为策略生成参数组合。 2. 从我们下载的CSV文件载入数据源。 3. 通过 **pyalgotrade.optimizer.local** 模块运行策略并寻优。 当你执行这段代码后，你可以看到类似下面的结果: :: 2014-05-03 15:08:06,587 server [INFO] Loading bars 2014-05-03 15:08:06,910 server [INFO] Waiting for workers 2014-05-03 15:08:58,347 server [INFO] Partial result 1242173.28754 with parameters: ('dia', 150, 5, 2, 91, 19) from worker-95583 2014-05-03 15:08:58,967 server [INFO] Partial result 1203266.33502 with parameters: ('dia', 150, 5, 2, 81, 19) from worker-95584 2014-05-03 15:09:52,097 server [INFO] Partial result 1220763.1579 with parameters: ('dia', 150, 5, 3, 83, 24) from worker-95584 2014-05-03 15:09:52,921 server [INFO] Partial result 1221627.50793 with parameters: ('dia', 150, 5, 3, 80, 24) from worker-95583 2014-05-03 15:10:40,826 server [INFO] Partial result 1142162.23912 with parameters: ('dia', 150, 5, 4, 76, 17) from worker-95584 2014-05-03 15:10:41,318 server [INFO] Partial result 1107487.03214 with parameters: ('dia', 150, 5, 4, 83, 17) from worker-95583 . . 在记录中，最优结果为 $2314.40 ,它的参数组是: 1. entrySMA: 154 2. exitSMA: 5 3. rsiPeriod: 2 4. overBoughtThreshold: 91 5. overSoldThreshold: 18 绘图 -------- PyAlgoTrade可以很容易的对策略运行进行绘图。 保存为 sma_crossover.py: .. literalinclude:: ../samples/sma_crossover.py 保存这段代码到另外一个文件: .. literalinclude:: ../samples/tutorial-5.py 上述代码做了3件事: 1. 从一个CSV文件中加载数据源。 2. 通过数据源提供的bar逐根运行策略；提供一个策略绘图程序。 3. 绘制策略图形。 图形如下: .. image:: ../samples/tutorial-5.png 我希望你能喜欢这份简明教程. 同时提醒你下载地址在这里: http://gbeced.github.io/pyalgotrade/downloads/index.html 开始编写你自己的策略吧！ 你可以在 :ref:`samples-label` 找到更多的例子.