seagull = 数据 + 策略 + 因子分析 + 回测 + 可视化 + 自动化交易
| | | | | \__ vnpy
| | | | \____________ seaborn
| | | \____________________ vectorbt
| | \____________________________ quantstats, alphalens
| \_____________________________________ qlib, lightgbm
\____________________________________________ adata, baostock, efinance
-
python
-
$ git clone https://github.com/StarlightDamian/seagull-quantization.git
-
配置数据库信息
/seagull-quantization/conf/setting_global.txt
- 服务器提交，每日定时获取增量数据，输出至数据库
$ cd seagull-quantization
$ nohup python main.py & > /log/main.log 2>&1 & - 输入股票代码，返回下一个交易日推荐买入 / 卖出价格
$ python main.py - 通过macd对多只回测历史数据
$ python /lib/backtest/backtest_vectorbt.py
--strategy macd
--date_start 2019-01-01
--date_end 2023-01-01
--full_code SH.510300# 回测2019-01-01至2023-01-01所有ETF数据
# ETF基准和macd策略收益对比
full_code base strategy strategy_better
SH.513360 2.781000 22.855000 20.07400
SH.516820 5.037000 23.008000 17.97100
SH.588060 9.589000 25.896000 16.30700
SZ.159847 7.608000 23.527000 15.91900
SH.513860 3.774000 19.662000 15.88800
... ... ...
SH.511950 27.319000 11.114000 -16.20500
SH.512690 63.031000 43.649000 -19.38200
SH.510090 29.653000 9.726000 -19.92700
SH.512390 34.175000 11.935000 -22.24000
mean 20.523068 23.008397 2.48533
[676 rows x 3 columns]
# 不同macd参数横向对比，其中14-28双均线效果最好
window
14-28-10 23.478
13-28-10 23.341
12-28-10 23.306
14-27-10 23.271
13-27-10 23.214
11-25-10 22.724
10-25-10 22.678
14-24-10 22.585
10-24-10 22.512
None-None-None 20.657
Length: 26, dtype: float64
| 特征 | 回测脚本 | 结论 | 备注 |
|---|---|---|---|
| 双均线 | /lib/backtest/backtest_vectorbt_moving_average | 金叉买死叉买，或者相反均跑不过沪深300 | |
| macd | /lib/backtest/backtest_vectorbt_macd | 牛市跑不过沪深300一直持有 下跌周期更抗跌 macd只有买入、卖出相互交叉，没有仓位概念 表现最好的参数14-27-10 |
|
| 版本 | 上线日期 | 新增功能 | 备注 |
|---|---|---|---|
| v0.1.0_20231227_alpha | 2023-12-27 | 1.单一股票进行股价预测 2.单一股票的买入点和卖出点 3.训练一只股票模型速度为15分钟 |
|
| v0.2.0_20240222_beta | 2024-02-22 | 1.不再进行单一股票的训练与预测，而且把整个股市全天的数据为单位进行训练与预测。 2.重点优化推票的逻辑，进行每日TOP5的推票，进行多次回测，优化推票逻辑。 |
|
| v0.2.1_20240226_rc | 2024-02-26 | 1.接入15分钟线数据 2.首页按推荐排序，推荐效果优化至可用 3.去除成交额为0和一字涨跌停数据预测，减少干扰项 |
|
| v0.2.2_20240222_release | 2024-03-26 | 1.分类为主板、创业板、科创版、新三板、北交所，在模型训练和预测阶段限制每日涨跌幅为相应比例 | 修改了训练、评估、测试阶段的逻辑。 |
| v0.3.0_20240925_beta | 2024-09-25 | 1.新增向量化回测，快速大批量的回测历史数据 |
| 优先级 | 功能 | 备注 |
|---|---|---|
| 1 | 在适合买入/卖出的时候，提供指定股票代码的推荐买入价格/卖出价格 | |
| 1 | 提供该策略的历史回测图 | |
| 2 | 在适合买入/卖出的时候，提供全部股票代码的推荐买入价格/卖出价格 | |
| 2 | 提供全部股票代码该策略的历史回测图 | |
| 2 | 补充宏观经济指标作为特征 | |
| 3 | 模糊搜索 | |
| 3 | 日线输出推荐，修改为15分钟线推荐 | |
| 4 | 微信自动回复 | |
| 4 | 做这个拉群最终的目的是 你要根据板块的分析 或者当天的新闻筛选出最优化的几只 | |
| 4 | 推票就是这样 是提供买哪只 而不是只单单的预测我自己要买的价格 |
| 类别 | 功能 | 备注 |
|---|---|---|
| 投资组合 | 投资组合 | |
| 宏观特征 | 季报、年报 | |
| 特征 | 持仓比例和成本 | |
| 特征 | 主力流入流出 | |
| 模型 | 用rank来做 | |
| 特征 | 小市值策略 | |
| 特征 | 仓位对策略的影响 | |
整体流程图
数据库概览
数据获取流程
【1】https://github.com/polakowo/vectorbt/tree/54cbe7c5bff332b510d1075c5cf11d006c1b1846
【2】https://efinance.readthedocs.io/en/latest/
【3】https://github.com/microsoft/qlib
@article{seagull-quantization,
author = {Starlight Damian},
title = {seagull-quantization: Local quantitative research platform
},
year = {2024}
}