量化投资学习(1)：第一个策略

可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。

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)
context.s1='000001.XSHE'

你所选择的证券的每一个交易数据更新，都将会触发此段逻辑
def handle_bar(context,bar_dict)

开始编写你的主要的算法逻辑

bar_dict[order_book_id] 可以拿到某个证券的bar信息
context.portfolio  可以拿到现在的投资组合状态信息

使用order_shares(id_or_ins,amout) 方法进行落单

TODO: 开始编写你的算法把
order_shares(context,s1,1000)

order_shares(context.s1,1000)

每一个交易策略都需要定义init和handle_bar两个方法。在每次创建一个新的策略的时候，都会自动生成，你只需要在每个方法中填入你自己策略逻辑就可以了。

在策略运行的时候init方法会先于其它所有方法运行，且只运行一次。handle_bar在每次数据更新的时候会运行一次。比如说每日回测，在你限定的交易时间范围内，从最早的交易日到最新的交易日，按时间序列先后，每次数据更新都会运行一次handle_bar方法。

在init方法中，你可以看到我们传入了一个context参数，它是一个Python Dictionary。简单来讲，context就是一个字典，其中包含了很多变量，并可以不断往context里面加入变量。比如下面的例子就是用户在context中加入了一个stockcode变量，并把它赋值为”000001.XSHE”，之所以使用引号，表示的是stockcode变量的值为字符串类型，用于区别其它类型。update_universe用来订阅所有你感兴趣的股票。

def init(context)

context.stockcode="000001.XSHE"

context.stockcode1="000024.XSHE"
update_universe([context.stockcode,context.stockcode2])

handle_bar的其中一个参数也是context，它其实是和init方法中的参数是同一个，因为init方法优先于其他任何方法，所以如果你需要定义一些变量，使得它们能穿梭于其他方法并被调用，那么你就可以采取往context中加入新的变量来达到需求

下面来介绍handle_bar中的另一个参数bar_dict，它也是一个字典，包含了每次数据更新的时候所有属性的值，比如说开盘价 (open)， 收盘价 (close)等值，你可以参考Bar对象查看它所有的属性。

def handle_bar(context, bar_dict):
order_book = bar_dict[context.stockcode].order_book_id
open_price = bar_dict[context.stockcode].open
close_price = bar_dict[context.stockcode].close
MA20 = bar_dict[context.s1].mavg(20, frequency='day')
...

mavg(intervals,frequency=’day’)方法可以用来计算简单移动平均值。

下面来详细讲解如何利用简单移动平均线来写一个简单的金叉策略

移动平均线是一个广为使用的指标，其中最为基础的是简单移动均线 (simple moving average)。每天都会计算平均值，比如说10日均线，就是每天计算过去10日的平均值。随着时间推移，最开始的值会被更新的值取代，结果体现为平均值是随着时间移动。





图中的绿线为收盘价的走势图，红色线为它的20日简单均线图，紫色线为收盘价的50日简单均线图。你会发现当20日的均线往上穿过50日均线，收盘价会有上升趋势，那我们可以在交叉点出现时买入该股票。当20日均线向下穿过50日均线时，收盘价会有下降趋势，那我们可以在交叉点出现时卖出该股票。

首先，我们要先完成init的初始化，在这策略里我们选取一只股票，使用两条均线

def init(context):
context.s1="000001.XSHE"
update_universe([context.s1])

接下来，在每一个handle_bar里，我们需要完成当天的长均线和短均线的计算。

def handle_bar(context,bar_dict)
MA_short=bar_dict[context.s1].mavg(20,frequency='day')
MA_long=bar_dict[context.s1].mavg(50,frequency='day')

我们在获得均值之后，可以进一步按照金叉的逻辑预测来买卖股票，但需要注意的地方是：在买入时，需要计算我们现在持有的仓位，在卖出时，需要计算现有的资金能购买多少share的股票，对于portfolio和positions的属性计算可以参考Portfolio对象和Position对象

计算现在portfolio中股票的仓位
current_position=context.portfolio.positions[context.s1].quantity

计算现在portfolio中的现金可以购买多少股票
shares=context.portfolio.cash/bar_dict[context.s1].close

参考：https://www.ricequant.com/community/topic/169/