量化：KDJ策略

1 什么是KDJ策略

KDJ 是⼀种技术分析指标，常⽤于股票市场和其他⾦融市场中，⽤来辅助判断市场的超买和超
卖状态，以及趋势的强弱。KDJ 指标基于随机指标（Stochastic Oscillator）进⾏改进，它包括三
条线，分别是 K 线、D 线和 J 线。

2 知识储备

set_order_cost() 设置佣⾦/印花税

set_order_cost(cost, type, ref=None)
指定每笔交易要收取的⼿续费, 系统会根据⽤户指定的费率计算每笔交易的⼿续费

参数

cost: OrderCost 对象
open_tax，买⼊时印花税 (只股票类标的收取，基⾦与期货不收)
close_tax，卖出时印花税 (只股票类标的收取，基⾦与期货不收)
open_commission，买⼊时佣⾦
close_commission, 卖出时佣⾦
close_today_commission, 平今仓佣⾦
min_commission, 最低佣⾦，不包含印花税
type: 股票、场内基⾦、场内交易的货币基⾦、分级A基⾦、分级B基⾦、分级⺟基⾦、⾦融期货、期货、债券基⾦、股票基⾦、QDII 基⾦、混合基⾦，'stock'/ 'fund' / 'mmf' /'fja'/'fjb'/ 'fjm'/'index_futures' / 'futures' / 'bond_fund' / 'stock_fund' / 'QDII_fund' / / 'mixture_fund' /
ref: 参考代码，⽀持股票代码/基⾦代码/期货合约代码，以及期货的品种，如'000001.XSHE'/'510180.XSHG'/'IF1709'/'IF'/'000300.OF'
注意：针对特定的交易品种类别设置⼿续费时，必须将ref设为None；若针对特定 的交易品种或者标的，需要将type设置为对应的交易品种类别，将ref设置为对应 的交易品种或者标的

python 复制代码

import jqdata
def initialize(context):
 # 股票类每笔交易时的⼿续费是：买⼊时佣⾦万分之三，卖出时佣⾦万分之三加千分之⼀印花
税, 每笔交易佣⾦最低扣5块钱
 set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=
0.0003, close_commission=0.0003, close_today_commission=0, min_commission=5
), type='stock')

Context 策略信息总览，包含账户、时间等信息

subportfolios: 当前单个操作仓位的资⾦、标的信息，是⼀个SubPortfolio 的数组
portfolio: 账户信息，即subportfolios 的汇总信息, Portfolio对象，单个操作仓位时，portfolio 指向 subportfolios[0]
current_dt: 当前单位时间的开始时间, [datetime.datetime]对象
previous_date: 前⼀个交易⽇, [datetime.date]对象, 注意, 这是⼀个⽇期, 是 date, ⽽不是 datetime
run_params: 表示此次运⾏的参数, 有如下属性

start_date: 回测/模拟开始⽇期, [datetime.date]对象
end_date: 回测/模拟结束⽇期, [datetime.date]对象
type: 运⾏⽅式, 如下四个字符串之⼀
'simple_backtest': 回测, 通过点击'编译运⾏'运⾏
'full_backtest': 回测, 通过点击'运⾏回测'运⾏
'sim_trade': 模拟交易
'live_trade': 实盘交易
frequency: 运⾏频率, 如下三个字符串之⼀

'day'

'minute'

'tick'

为了让从其他平台迁移过来的同学更顺⼿的使⽤系统, 我们对此对象也做了和 [g] ⼀样的处理:

可以添加⾃⼰的变量, 每次进程关闭时持久保存, 进程重启时恢复.
以 '__' 开头的变量不会被持久保存
如果添加的变量与系统的冲突, 将覆盖掉系统变量, 如果想恢复系统变量, 请删除⾃⼰的变量.

KD函数

在因⼦库------ 超买超卖型⾥

python 复制代码

KD(security_list, check_date, N = 9, M1 = 3, M2 = 3, unit = '1d', include_n
ow = True, fq_ref_date = None)

参数：

security_list：股票列表
check_date：要查询数据的⽇期
N：统计的天数 N，计算RSV的参数
M1：统计的天数 M1，计算K的M1⽇移动平均值
M2：统计的天数 M2，计算D的M1⽇移动平均值
unit：统计周期，默认为 '1d', ⽀持如下周期: '1m', '5m', '15m', '30m', '60m',
'120m', '1d', '1w', '1M'. '1w' 表示⼀周, '1M' 表示⼀⽉
include_now：是否包含当前周期，默认为 True
fq_ref_date：复权基准⽇，默认为 None

返回：

K和D 的值。

返回结果类型：

字典(dict)：键(key)为股票代码，值(value)为数据。
如：({'000001.XSHE': 76.634909558440839, '603177.XSHG': nan, '000002.XSHE':31.205826728484286, '601211.XSHG': 65.666306018342183}, {'000001.XSHE': 77.290976650878633, '603177.XSHG': nan, '000002.XSHE': 32.552242430383409,'601211.XSHG': 64.593395785918702})
⽤法注释：
KD的计算公式与SKDJ的不太⼤，⽽常⻅的炒股软件中均没有找到KD的⽤法注释，所以该处的⽤法注释使⽤的是公式SKDJ的；
指标>80 时，回档机率⼤；指标<20 时，反弹机率⼤；
K在20左右向上交叉D时，视为买进信号；
K在80左右向下交叉D时，视为卖出信号；
SKDJ波动于50左右的任何讯号，其作⽤不⼤。

order_value 按价值下单

python 复制代码

order_value(security, value, style=None, side='long', pindex=0, close_today
=False)
买卖价值为value的标的。

参数：

security: 股票名字
value: 股票价值，value = 最新价 * ⼿数 * 保证⾦率（股票为1） * 乘数（股
票为100）
style: 参⻅OrderStyle, None代表MarketOrder
side: 'long'/'short'，操作多单还是空单。默认为多单。默认为多单，股票、基⾦暂不⽀持开空单。 pindex: 在使⽤set_subportfolios创建了多个仓位时，指定subportfolio 的序号, 从 0 开始, ⽐如 0为指定第⼀个 subportfolio, 1 为指定第⼆个subportfolio，默认为0。
close_today: 平今字段，close_today: 平今字段，仅对上海国际能源中⼼，上海期货交易所，中⾦所⽣效，其他交易所将返回 Order对象或者None, 如果创建委托成功, 则返回Order对象, 失败则返回None
Position 持仓标的信息
持有的某个标的的信息,注意区分多仓和空仓
security: 标的代码
price: 最新⾏情价格
acc_avg_cost 是累计的持仓成本，在清仓/减仓时也会更新，该持仓累积的收益都会⽤于计算成本（⼀开始acc_avg_cost为0，amount也为0），加仓： new_acc_avg_cost = (acc_avg_cost * amount + trade_value + commission) / (amount + trade_amount)；减仓：new_acc_avg_cost = (acc_avg_cost * amount - trade_value + commission) / (amount - trade_amount) 说明：commission是本次买⼊或者卖出的⼿续费 avg_cost 是当前持仓成本，
hold_cost: 当⽇持仓成本，计算⽅法：当⽇⽆收益：hold_cost = 前收价（清算后）
init_time: 建仓时间，格式为 datetime.datetime
transact_time: 最后交易时间，格式为 datetime.datetime
locked_amount: 挂单冻结仓位
total_amount: 总仓位, 但不包括挂单冻结仓位( 如果要获取当前持仓的仓位,需要将locked_amount和total_amount相加)
closeable_amount: 可卖出的仓位
today_amount: 今天开的仓位
value: 标的价值，计算⽅法是: price * total_amount * multiplier, 其中股票、
基⾦的multiplier为1，期货为相应的合约乘数
side: 多/空，'long' or 'short'
pindex: 仓位索引，subportfolio index
order_target 期货⽬标⼿数下单

python 复制代码

order_target(security, amount, style=None, side='long', pindex=0, close_today=False)
买卖标的, 使最终标的的数量达到指定的amount

参数:

security: 标的代码
amount: 期望的最终数量
style: 参⻅OrderStyle, None代表MarketOrder
side: 'long'/'short'，操作多单还是空单，默认为多单。
pindex: 在使⽤set_subportfolios创建了多个仓位时，指定subportfolio 的序号, 从 0 开始, ⽐如 0为指定第⼀个 subportfolio, 1 为指定第⼆个
subportfolio，默认为0。
close_today: 平今字段返回 Order对象或者None, 如果创建委托成功, 则返回Order对象, 失败则返回None

3 获取KD

python 复制代码

from jqlib.technical_analysis import *
# 定义股票池列表
security_list1 = '000001.XSHE'
security_list2 = ['000001.XSHE','000002.XSHE','601211.XSHG']
# 计算并输出 security_list1 的 KD值
K1, D1 = KD(security_list1, check_date = '2017-01-04', N = 9, M1 = 3, M2 =3)
print('股票1的K1',K1[security_list1]) # K1是⼀个字典
print('股票1的D1',D1[security_list1])
# 输出 security_list2 的 KD 值
K2, D2 = KD(security_list2, check_date = '2017-01-04', N = 9, M1 = 3, M2 =3)
for stock in security_list2:
 print('股票池2的K2',K2[stock])
 print('股票池2的D2',D2[stock])

4 获取KDJ

python 复制代码

from jqlib.technical_analysis import *
security = '000001.XSHE'
check_dates=['2022-09-05','2022-09-06','2022-09-07']
for check_date in check_dates:
 _K,_D,_J = KDJ(security, check_date=check_date, N=9,M1=3,M2=3)
 print(check_date,'K值为：',_K[security])
 print(check_date,'D值为：',_D[security])
 print(check_date,'J值为：',_J[security])

代码

python 复制代码

# 有仓位就卖，没有就买
def initialize(context):
    # 设定一个基准 
    set_benchmark('000300.XSHG')
    g.security = '000001.XSHE'
    # 每日执行
    run_daily(market_open, time='9:30')
    
def market_open(context):
    # 如果没有持仓
    if g.security not in context.portfolio.positions:
        order_target(g.security,100) # 买100股
    else:
        order_target(g.security, 0)  # 全部卖出

运行回测

双均线策略

python 复制代码

 # 双均线策略 
# 金叉：快线上穿慢线 买 
# 死叉：快线下穿慢线  卖 

def initialize(context):
    g.security = '000333.XSHE'
    g.short_count = 15 # 快线15日
    g.long_count = 30 # 慢线30日 
    g.unit = '1d'
    run_daily(market_open, time='every_bar') 
    
# 获取均线价格
def get_ma(security,count, unit):
    df = attribute_history(security, count+1, unit, ['close'])
    # 计算当前的ma
    now_ma = df[:count+1]['close'].rolling(count).mean()[-1]
    # 前一天的ma
    pre_ma = df[:count]['close'].rolling(count).mean()[-1]
    return [pre_ma,now_ma]
        

# 要执行的策略函数  
def market_open(context):
    # 金叉：快线上穿慢线 买 
    # 15日均线
    short_ma = get_ma(g.security,g.short_count,g.unit)
    # 30日均线
    long_ma = get_ma(g.security,g.long_count,g.unit)
    # 死叉：快线下穿慢线  卖 
    if (long_ma[0]>short_ma[0] and (long_ma[1]<=short_ma[1])):
        print(f'金叉买入,MA{g.short_count}={short_ma},MA(g.long_count)={long_ma}')
        order_target(g.security, 100)
    elif (long_ma[0]<short_ma[0] and (long_ma[1]>short_ma[1])):
        print(f'死叉卖出,MA{g.short_count}={short_ma},MA(g.long_count)={long_ma}')
        order_target(g.security, 0)

运行结果