关于量化:如何用WonderTrader开发商品套利策略

《WonderTrader架构详解》系列文章曾经写了四篇了，对于笔者这样的懒人来说，切实是一个大工程。这次先临时不介绍架构了，本文将给大家介绍一下如何在 WonderTrader 上编写一个 跨种类套利策略 ，旨在给大家演示一下WonderTrader 下多标的策略的个别写法，同时也介绍一下笔者在 wtpy 最新版本 v0.6.3 中最新公布的 绩效剖析模块。

WonderTrader 架构文章列表：

WonderTrader 架构详解之一——整体架构
WonderTrader 架构详解之二——从数据说起
WonderTrader 架构详解之三——信号与执行
WonderTrader 架构详解之四——浅谈平台对策略的反对

置信每一个做量化的人，都钻研过套利策略。套利策略以其逻辑的绝对简略、收益的绝对稳固而失去少数人的青眼。同时，套利策略和趋势策略有较强的互补性，这就意味着，如果配合切当，对平滑收益曲线，升高绩效的稳定，进步夏普有极大的促进作用。
套利策略的分类就十分多了，笔者曾在《WonderTrader 架构详解之四——浅谈平台对策略的反对》文中援用了丁鹏博士的《量化投资——策略与技术 》对于策略的分类，外面提到的套利的模式就有很多种，例如：期现套、跨期套、跨种类套、配对交易等等。
笔者为了开发该策略，查阅材料的时候，看到一个观点，深认为然： 不论套利策略分类如许简约，套利策略的实质是在不同合约之间的价差稳定中寻找交易机会。

鉴于笔者的量化策略的技能树，还没点亮，所以本文中的策略示例，是从互联网上学习到的，笔者在此由衷地感激此策略的分享者。该策略根本设计如下：

合约对抉择螺纹钢主力间断合约 SHFE.rb.HOT 和铁矿石主力间断合约DCE.i.HOT
回测数据为主力间断数据，进行了复权解决，避免主力合约换月不同步的时候引起的价差变动
基于 1 分钟数据，对过来N 分钟两组收盘价序列进行线性回归，失去一个系数 beta、一个常量c 和一个残差序列
对残差序列进行ADF 测验，如果残差序列是一个安稳序列，则进入信号计算逻辑
依据失去的系数 beta 和常量c，以及最新的价格计算新的残差
当新的残差超出一个阈值，就触发入场信号，当价差再回归到阈值以内，就触发出场信号

参数设计
依据上文的介绍，策略外围的参数如下：
- code1：套利合约 1，本例设置为SHFE.rb.HOT
- code2：套利合约 2，本例设置为DCE.i.HOT
- period：数据周期，本例设置为m1，即一分钟线
- threshold：阈值，本例设置为0.9
- N：统计的 K 线条数，本例设置为360，即一个交易日的一分钟线
- bar_cnt：策略读取的 K 线条数，大于N，次要思考预留滚动计算的空间
```
def __init__(self, name:str, code1:str, code2:str, bar_cnt:int, 
                        period:str, N:int, threshold:float=1):
    BaseCtaStrategy.__init__(self, name)

    self.__n__ = N
    self.__threshold__ = threshold

    self.__period__ = period
    self.__bar_cnt__ = bar_cnt
    self.__code_1__ = code1
    self.__code_2__ = code2
```

协整测验
策略外围的逻辑在于 协整测验，只有协整测验通过了，能力进行信号触发。

# 协整检验函数
def cointegration_check(series01, series02):
    # 对两个序列别离进行 ADF 测验
    urt_1 = ts.adfuller(np.array(series01), 1)[1]
    urt_2 = ts.adfuller(np.array(series02), 1)[1]

    # 同时安稳或不安稳则差分再次测验
    if (urt_1 > 0.1 and urt_2 > 0.1) or (urt_1 < 0.1 and urt_2 < 0.1):
        urt_diff_1 = ts.adfuller(np.diff(np.array(series01)), 1)[1]
        urt_diff_2 = ts.adfuller(np.diff(np.array(series02), 1))[1]

        # 同时差分安稳进行 OLS 回归的残差安稳测验
        if urt_diff_1 < 0.1 and urt_diff_2 < 0.1:
            matrix = np.vstack([series02, np.ones(len(series02))]).T
            beta, c = np.linalg.lstsq(matrix, series01, rcond=None)[0]
            resid = series01 - beta * series02 - c
            # 最初对残差序列再进行 ADF 测验
            if ts.adfuller(np.array(resid), 1)[1] > 0.1:
                result = False
            else:
                result = True
            return beta, c, resid, result
        else:
            result = False
            return 0.0, 0.0, 0.0, result

    else:
        result = False
        return 0.0, 0.0, 0.0, result

信号收回
当残差超出上边界，阐明 残差正向扩充 ，依据残差均值回归的个性，这时就须要 做空价差 ；相同的，当残差超出下边界，阐明 残差反向扩充 ，这时就须要 做多价差；当加入在高低边界范畴之内，则清掉已有的头寸，期待下一次机会。

# 计算新残差
resid_new = close_ay1[-1] - self.beta * close_ay2[-1] - self.c

if resid_new > self.up and curPos1 != 1:
    context.stra_log_text("[%d.%04d]残差正向扩充，做空价差" % (curDate, curTime))
    context.stra_enter_short(self.__code_1__, 1, 'OpenSA')
    context.stra_enter_long(self.__code_2__, 1, 'OpenLB')

elif resid_new < self.down and curPos1 != -1:
    context.stra_log_text("[%d.%04d]残差反向扩充，做多价差" % (curDate, curTime))
    context.stra_enter_long(self.__code_1__, 1, 'OpenLA')
    context.stra_enter_short(self.__code_2__, 1, 'OpenSB')

elif curPos1 != 0 and self.down  <= resid_new and resid_new <= self.up:
    context.stra_log_text("[%d.%04d]残差回归，清掉头寸" % (curDate, curTime))
    context.stra_set_position(self.__code_1__, 0, 'CutA')
    context.stra_set_position(self.__code_2__, 0, 'CutB')

本例中采纳的 wtpy 在v0.6.3版本中公布的增强版绩效剖析工具进行剖析，调用办法和老版本根本一样，然而剖析的入口有所变动。

analyst = WtBtAnalyst()
analyst.add_strategy("t1_rb_i", folder="./outputs_bt/t1_rb_i/", init_capital=350000, rf=0.02, annual_trading_days=240)
# 绩效剖析的入口，老版本 run 的依然可用
analyst.run_new()

绩效剖析截图

策略绩效概要

具体交易列表

总体交易剖析

间断交易剖析

收益散布

日度绩效剖析

其余周期绩效

逐日绩效概览

从后面能够看出，新版本的绩效剖析模块 提供了更多维度的剖析性能 。新版本的绩效剖析模块，次要参考了MultiCharts 的绩效剖析报告，所以从剖析后果的全面性和实用性来说，应该是有保障的。
回到策略自身，从后面的绩效报告能够看出，该策略显然是不大胜利的。如何优化该策略呢？笔者思考是否能够通过 退出止盈止损逻辑 来进行优化，或者通过 调整阈值 进行优化。不过这些曾经超出本文的主旨了，如果有敌人感兴趣，能够自行钻研。

本文中的示例策略曾经分享到 github 上 wtpy 我的项目中的 /demos/cta_arbitrage_bt 下，有趣味的敌人能够自行去下载。点此跳转

本文对利用 WonderTrader 编写套利策略的介绍就到此结束了。笔者今日一边写文章，一边感到局促不安。笔者尽管始终在优良的量化团队里跟大家一起单干，然而因为笔者是从事技术方面的工作，所以对策略的理解毕竟还是停留在外表，因而惟恐明天分享的策略呈现了低级谬误。好在笔者最初还是决定从网络上寻找现成的策略，这样才稍稍缓解了笔者的不安。即使是这样，本文及本文演示的策略也不免有错漏之处，也心愿各位看客可能包涵斧正。所幸本文的终极目标是通过笔者今日抛出的“砖头”引起大家找到更多的“美玉”，如果可能对大家有所裨益，那就再好不过了。

最初再安利一下 WonderTrader
WonderTrader 旨在给各位量化从业人员提供更好的轮子，将技术相干的货色都封装在平台中，打造更高效的底层框架，力求给策略研发带来更好的策略开发和交易体验。

WonderTrader的 github 地址：https://github.com/wondertrad…

WonderTrader官网地址：https://wondertrader.github.io

wtpy的 github 地址：https://github.com/wondertrad…

市场有危险，投资需谨慎。以上陈说仅作为对于历史事件的回顾，不代表对将来的观点，同时不作为任何投资倡议。

关于量化:如何用WonderTrader开发商品套利策略

前言

套利策略简介

套利策略实现

策略设计

策略实现

策略回测

绩效剖析

策略获取

结束语