量化投资系列文章：Backtrader教程——Python量化投资实战教程（一）Python量化投资实战教程（二）——MACD策略（+26.9%）Python量化投资实战教程（三）——A股回测MACD策略Github仓库：https://github.com/Ckend/pythondict-quant今天我们将使用backtrader尝试另一种量化投资策略：KDJ策略，KDJ是最常用的一种指标一、其中文名称为“随机指标”。它利用统计原理，找出N个交易日内最高价、最低价和最新收盘价之间的比例关系，计算出随机值（RSV），然后根据加权移动平均法（EMA）计算K值、D值、J值。具体计算方法如下：RSV=（收盘价-N期最低价）/（N期最高价-N期最低价）*100K值=RSVD值的N期加权移动平均数=N-K值的周期加权变动平均J值=3_K-2_D一般来说RSV的N周期选择9，K和D的N周期选择3。基本概念大家都明白了，那么如何决定买卖根据KDJ值？当J值穿越K值时，就是买入信号，此时买入。当J值穿越K值时，就是卖出信号，所以此时卖出。这个策略有效吗？让我们试试看。1.在开始之前，您需要确保您的计算机上已经成功安装了Python和pip。如果没有，请访问这篇文章：超级详细的Python安装指南进行安装。如果使用Python进行数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手-AnacondaWindows环境打开Cmd（开始-运行-CMD），苹果系统环境请打开Terminal（命令+空格输入Terminal），准备开始输入命令来安装依赖。当然，我更推荐你使用VSCode编辑器，将本文代码复制，在编辑器下方的终端中运行命令安装依赖模块。多么惬意的一件事：Python编程的最佳搭档——VSCode详解指南。在终端输入如下命令安装我们需要的依赖模块：pipinstallbacktrader如果看到Successfullyinstalledxxx，则安装成功。Backtrader的基本使用可以参考我们之前的文章：Backtrader教程——实战量化投资教程（一）本文所有代码请在Python实战宝典后台回复：量化投资4下载。2.单一KDJ策略如果您之前从未使用过backtrader，请阅读：Backtrader教程-量化投资实战教程（一）进行学习，否则您会有些摸不着头脑。直接下载代码学习也是一种方式，但前提是你的自学能力足够强。首先，我们需要计算出K、D、J这三个值，之前我们也提到过它们的计算方法：RSV=（收盘价-N期最低价）/（N期最高价-N期最低价）*100K值=RSV的N期加权移动平均数D值=N期K值的加权移动平均数J值=3_K-2_D知道了计算方法，后面的工作就简单了：#9个交易日以来的最高价。high_nine=bt.indicators.Highest(self.data.high,period=9)#9个交易日内最低价self.low_nine=bt.indicators.Lowest(self.data.low,period=9)#计算rsv值self.rsv=100*bt.DivByZero(self.data_close-self.low_nine,self.high_nine-self.low_nine,zero=None)#计算rsv的3期加权平均值，即K值self.K=bt.指标。EMA(self.rsv,period=3)#D值=K值的3周期加权平均值self.D=bt.indicators.EMA(self.K,period=3)#J=3*K-2*Dself.J=3*self.K-2*self.D最后决定买点和卖点：#Python实用书defnext(self):self.log("Close,%.2f"%self.dataclose[0])ifself.order:returnifnotself.position:#J-Dvaluecondition1=self.J[-1]-self.D[-1]condition2=self.J[0]-self.D[0]ifcondition1<0andcondition2>0:self.log("BUYCREATE,%.2f"%self.dataclose[0])self.order=self.buy()else:condition=(self.dataclose[0]-self.bar_executed_close)/self.dataclose[0]如果条件>0.1或条件<-0.1:self.log("SELLCREATE,%.2f"%self.dataclose[0])self.order=self.sell()不过从卖出策略可以看出，我暂时没有使用J越过K值的方法卖出股票，而是使用涨跌10%的限制条件作为卖出信号，请参阅该策略的表现如何？这里和上篇文章一样。我们以10000元作为本金回测002859股票从2010年1月1日到2020年4月21日的走势：效果不是很好，本金10000元，最后剩下的9892元还是亏损。从盈亏来看，这个策略确实输的次数多，比赢的多一倍。但这是我们基于限制性销售的条件。如果J值穿过K值作为卖出信号怎么办？基于backtrader，我们做这样的买卖信号调整真的非常简单：#Python实战宝典defnext(self):self.log("Close,%.2f"%self.dataclose[0])if自己。order:returncondition1=self.J[-1]-self.D[-1]condition2=self.J[0]-self.D[0]ifnotself.position:#J-Dvalueifcondition1<0andcondition2>0:self.log("BUYCREATE,%.2f"%self.dataclose[0])self.order=self.buy()else:ifcondition1>0orcondition2<0:self.log("SELLCREATE,%.2f"%self.dataclose[0])self.order=self.sell()它是如何工作的？卧槽，你不靠谱，一万元本金只剩九千零二十九元。但这还不足以否定这一策略的价值。接下来我们尝试结合MACD策略使用。3、多策略回测通过回测得到的图表，我发现KDJ指标在判断买入信号时有很大的延迟，比MACD买入信号延迟要重很多，但是它的卖出信号很好，很灵敏。因此，我们可以考虑引入MACD策略，利用MACD来决定买入，利用KDJ信号来决定卖出。引入MACD策略相关变量：#MACD策略参数me1=EMA(self.data,period=12)me2=EMA(self.data,period=26)self.macd=me1-me2self.signal=EMA(self.macd,period=9)bt.indicators.MACDHisto(self.data)至于MACD策略为什么要这样计算，请看我们之前的文章：Python量化投资实战教程（二）——MACD策略（+26.9%）.所以我们的文章是环环相扣的。如果你还没有看过，请记得稍后补上。从上面两张图可以看到两条变化非常大的线，就是两条3日均线的线。我们可以摆脱它们，因为它们没有太大价值。添加一个plot=False参数，让它们不显示：#计算rsv的3个周期加权平均值，即K值self.K=bt.indicators.EMA(self.rsv,period=3,plot=False)#DValue=3-periodweightedaveragevalueofKvalueself.D=bt.indicators.EMA(self.K,period=3,plot=False)根据MACD策略的买入信号买入，卖出KDJ策略的信号Sell:ifnotself.position:#BuybasedonMACDstrategycondition1=self.macd[-1]-self.signal[-1]condition2=self.macd[0]-self.signal[0]ifcondition1<0andcondition2>0:self.log('BUYCREATE,%.2f'%self.dataclose[0])self.order=self.buy()else:#SellbasedonKDJstrategycondition1=self.J[-1]-self.D[-1]condition2=self.J[0]-self.D[0]如果condition1>0或condition2<0:self.log("SELLCREATE,%.2f"%self.dataclose[0])self.order=self.sell()回测结果如下：最终结果为10057.06，赚了57元。.当然，总比单纯的KDJ策略不赚钱要好。但是这个策略还是有问题的。它在可以赚到很多钱的时候就把股票卖得太安全了，以至于亏损的次数实际上大于赚钱的次数。当然，我们无法仅从一只股票中看出该策略的整体质量。下一篇量化投资文章（2020/05/09左右），我们将随机抽取A股1000只个股来验证这个复合策略的整体收益。Python实战宝典最新更新，敬请期待。这是我们文章的结尾。如果喜欢我们今天的Python实战教程，请继续关注我们。如果对您有帮助，请在下方点赞/观看。有什么问题可以在下方评论留言，我们会耐心解答！Python实战宝典不只是合集欢迎关注公众号：Python实战宝典原文来自Python实战宝典：Python量化投资实战教程（四）—KDJ策略
