第四章：经典量化策略集锦（第三篇：网格交易—动态调仓策略）
导语：市场上股票的价格总是在不断的上下波动，投资者通过低买高卖获利。第三篇将向大
家介绍网格交易，一个动态的调仓策略，有效解决仓位和价位控制。
一、策略阐述
窥探网格交易
“追涨杀跌”与“高抛低吸”是两种完全不同的交易方式，也是大家听到较多的两个炒
股词汇。顾名思义，“追涨杀跌”就是股价上涨买入，股价下跌卖出。“高抛低吸”就是股
价下跌买入，股价上涨卖出。
但是纯粹的“高抛低吸”只是概念，根本无法形成一个交易系统。而且A 股市场，只有
股价上涨，投资者才能从中获利。如果股价跌跌不休，投资者每一次补仓都亏得更多。
网格交易与“高抛低吸”相似，但网格交易更为成熟，主要体现在以下两个方面：
1.价位管理：网格交易有明确的分批买入价格和卖出价格，不受任何主观意识影响。
2.仓位管理：网格交易有明确的买入仓位和卖出仓位，不受任何主观意识影响。
具体参考下图：
可以明确的是，上述网格交易中每笔交易都是盈利的。只要股价不断的上下波动，那么
策略就可以不断的盈利。
----------------------- Page 78-----------------------
网格交易的注意点
1. 网格交易需要规避长期下跌的个股，由于低买高卖的特征，网格交易盈利需要依赖股
价波动，进行长期积累，如果个股长期下跌，那么持股市值亏损可能会吞没低买高卖的盈利。
2. 网格交易需要尽量寻找波动较高的股票，这样就可以进行更多次的低买高卖操作，提
高网格交易收益率。
3. 因为网格交易没有止损，只有越跌越买，而且不盈利绝不退出。网格交易需要做好股
价继续下跌的措施，保证在极限底部仍然要有现金使用。
4. 网格交易因其上涨卖出的性质，决定了其追求的是绝对收益，以及保证每笔交易是盈
利的。
构建网格交易
第一步：我们选取互联网游戏行业龙头：三七互娱为投资标的，该股票业绩优异，波动
率大，且股价靠近安全边际。
第二步：建底仓，仓位40% 。
第三步：设置网格，每上涨2% ，卖出2000 股，每下跌2% ，买入2000 股。
第四步：对三七互娱该股票进行网格交易回测，并打印日志。
以下为策略实现的基本信息：
策略实现难度：1
实现过程中所需要用到的API 函数，ps:通过 MindGo 量化交易平台 API 文档快速掌握：
需要用到的API 函数 功能
set_benchmark 设置基准指数
g. 全局变量
account.positions 查询账户信息
get_price 获取历史行情数据
get_datetime() 获取当前时间
----------------------- Page 79-----------------------
二、代码示意图
三、编写释义
本策略使用到了全局变量：g，策略编写上需与大家分享全局变量的概念，并讲述全局
变量的使用
全局变量、局部变量、对象
一般量化策略同时含有全局变量、局部变量、对象，全局变量即为函数外部的变量，可
以在整个程序访问。局部变量即为函数内部的变量，仅仅在某个函数内访问。对象内存储信
息，比如资金账户对象account 存储账户信息，data 对象用于获取行情数据等等。
【示例】
全局变量：g
局部变量：sh、sz
对象：account、data
注意：每个量化交易平台的全局变量都是系统定义的，用户无法自定义一个新的全局变
量，但是局部变量可以自定义。
全局变量 g 和 account 是不同的，account 是账户对象。在自定义函数中，用户使用该对
象的变量时，需在函数中传入 account，也就是 def 函数名(account):，但是全局变量 g 不同，
即使函数不输入任何信息，还是可以直接使用全局变量 g 中的变量，可以方便策略编写。
----------------------- Page 80-----------------------
四、最终结果
策略回测区间：2017.11.01-2018.02.11
回测资金：1000000
回测频率：分钟级
回测结果：红色曲线为策略收益率曲线，蓝色曲线为对应的基准指数收益率曲线
网格交易日志 （局部）：
2017-11-03 09:31:00 - INFO 执行卖出操作，价位：23.48 ，数量：2000
2017-11-03 09:49:00 - INFO 执行买入操作，价位：22.9 ，数量：2000
2017-11-03 14:15:00 – INFO 执行买入操作，价位：22.35 ，数量：2000
2017-11-06 09:31:00 - INFO 执行买入操作，价位：21.73 ，数量：2000
2017-11-06 10:56:00 – INFO 执行卖出操作，价位：22.19 ，数量：2000
2017-11-07 09:31:00 - INFO 执行卖出操作，价位：22.95 ，数量：2000
2017-11-07 09:35:00 - INFO 执行卖出操作，价位：23.45 ，数量：2000
2017-11-07 09:43:00 - INFO 执行买入操作，价位：22.86 ，数量：2000
2017-11-07 14:51:00 – INFO 执行卖出操作，价位：23.34 ，数量：2000
2017-11-08 09:39:00 - INFO 执行买入操作，价位：22.82 ，数量：2000
2017-11-08 09:48:00 - INFO 执行卖出操作，价位：23.3 ，数量：2000
2017-11-08 10:07:00 - INFO 执行卖出操作，价位：23.9 ，数量：2000
2017-11-08 10:24:00 - INFO 执行卖出操作，价位：24.58 ，数量：2000
----------------------- Page 81-----------------------
2017-11-08 11:06:00 - INFO 执行买入操作，价位：24.07 ，数量：2000
2017-11-08 13:05:00 - INFO 执行卖出操作，价位：24.59 ，数量：2000
2017-11-08 14:16:00 – INFO 执行买入操作，价位：24.07 ，数量：2000
2017-11-09 09:31:00 – INFO 执行买入操作，价位：23.42 ，数量：2000
2017-11-10 09:54:00 - INFO 执行买入操作，价位：22.93 ，数量：2000
2017-11-10 11:00:00 - INFO 执行买入操作，价位：22.45 ，数量：2000
策略源代码：
import numpy
import pandas as pd
#============================初始化函数================================
def initialize(account):
g.stock = '002555.SZ'#设置网格交易的股票
set_benchmark(g.stock)
g.x1 = 0.02 #上涨多少卖出
g.x2 = 0.02 #下跌多少买入
g.y1 = 2000 #卖出多少
g.y2 = 2000 #买入多少
g.p = 0 #记录上一次交易的价格
g.p1 = 0 #下次买入价
g.p2 = 0 #下次卖出价
g.day = 1 #记录运行天数
g.tall = []#记录做 t 资金变动
pass
def before_trading_start(account,data):
if g.day == 1:
account.jc = True
else:
account.jc = False
g.t = []
#===========================开盘时===============================
def handle_data(account,data):
date=get_datetime().strftime('%Y%m%d%H%M%S')
if account.jc == True:
order_target_percent(g.stock,0.4)
p=history(g.stock, ['close'], 1, '1m', False, 'pre', is_panel=1)['close'].iloc[0]
g.p=p
g.p1 = g.p*(1-g.x1)
g.p2 = g.p*(1+g.x2)
else:
p=history(g.stock, ['close'], 1, '1m', False, 'pre', is_panel=1)['close'].iloc[0]
if p <g.p1:
order(g.stock,g.y2)
g.p=p
----------------------- Page 82-----------------------
g.p1 = g.p*(1-g.x1)
g.p2 = g.p*(1+g.x2)
log.info('时间：{}，执行买入操作，价位：{}，数量：{}'.format(date,p,g.y2))
g.t.append(-1*(p*g.y2))
g.tall.append(-1*(p*g.y2))
elif p>g.p2:
order(g.stock,-g.y1)
g.p=p
g.p1 = g.p*(1-g.x1)
g.p2 = g.p*(1+g.x2)
log.info('时间：{}，执行卖出操作，价位：{}，数量：{}'.format(date,p,g.y1))
g.t.append(p*g.y1)
g.tall.append(p*g.y1)
else:
pass
def after_trading_end(account,data):
if g.day==1:
log.info('首日建仓')
pass
else:
log.info(' 当日做 T 资金变动：{}'.format(sum(g.t)))
log.info('全部做 T 资金变动：{}'.format(sum(g.tall)))
pass
g.day=g.day+1
----------------------- Page 83-----------------------
家介绍网格交易，一个动态的调仓策略，有效解决仓位和价位控制。
一、策略阐述
窥探网格交易
“追涨杀跌”与“高抛低吸”是两种完全不同的交易方式，也是大家听到较多的两个炒
股词汇。顾名思义，“追涨杀跌”就是股价上涨买入，股价下跌卖出。“高抛低吸”就是股
价下跌买入，股价上涨卖出。
但是纯粹的“高抛低吸”只是概念，根本无法形成一个交易系统。而且A 股市场，只有
股价上涨，投资者才能从中获利。如果股价跌跌不休，投资者每一次补仓都亏得更多。
网格交易与“高抛低吸”相似，但网格交易更为成熟，主要体现在以下两个方面：
1.价位管理：网格交易有明确的分批买入价格和卖出价格，不受任何主观意识影响。
2.仓位管理：网格交易有明确的买入仓位和卖出仓位，不受任何主观意识影响。
具体参考下图：
可以明确的是，上述网格交易中每笔交易都是盈利的。只要股价不断的上下波动，那么
策略就可以不断的盈利。
----------------------- Page 78-----------------------
网格交易的注意点
1. 网格交易需要规避长期下跌的个股，由于低买高卖的特征，网格交易盈利需要依赖股
价波动，进行长期积累，如果个股长期下跌，那么持股市值亏损可能会吞没低买高卖的盈利。
2. 网格交易需要尽量寻找波动较高的股票，这样就可以进行更多次的低买高卖操作，提
高网格交易收益率。
3. 因为网格交易没有止损，只有越跌越买，而且不盈利绝不退出。网格交易需要做好股
价继续下跌的措施，保证在极限底部仍然要有现金使用。
4. 网格交易因其上涨卖出的性质，决定了其追求的是绝对收益，以及保证每笔交易是盈
利的。
构建网格交易
第一步：我们选取互联网游戏行业龙头：三七互娱为投资标的，该股票业绩优异，波动
率大，且股价靠近安全边际。
第二步：建底仓，仓位40% 。
第三步：设置网格，每上涨2% ，卖出2000 股，每下跌2% ，买入2000 股。
第四步：对三七互娱该股票进行网格交易回测，并打印日志。
以下为策略实现的基本信息：
策略实现难度：1
实现过程中所需要用到的API 函数，ps:通过 MindGo 量化交易平台 API 文档快速掌握：
需要用到的API 函数 功能
set_benchmark 设置基准指数
g. 全局变量
account.positions 查询账户信息
get_price 获取历史行情数据
get_datetime() 获取当前时间
----------------------- Page 79-----------------------
二、代码示意图
三、编写释义
本策略使用到了全局变量：g，策略编写上需与大家分享全局变量的概念，并讲述全局
变量的使用
全局变量、局部变量、对象
一般量化策略同时含有全局变量、局部变量、对象，全局变量即为函数外部的变量，可
以在整个程序访问。局部变量即为函数内部的变量，仅仅在某个函数内访问。对象内存储信
息，比如资金账户对象account 存储账户信息，data 对象用于获取行情数据等等。
【示例】
全局变量：g
局部变量：sh、sz
对象：account、data
注意：每个量化交易平台的全局变量都是系统定义的，用户无法自定义一个新的全局变
量，但是局部变量可以自定义。
全局变量 g 和 account 是不同的，account 是账户对象。在自定义函数中，用户使用该对
象的变量时，需在函数中传入 account，也就是 def 函数名(account):，但是全局变量 g 不同，
即使函数不输入任何信息，还是可以直接使用全局变量 g 中的变量，可以方便策略编写。
----------------------- Page 80-----------------------
四、最终结果
策略回测区间：2017.11.01-2018.02.11
回测资金：1000000
回测频率：分钟级
回测结果：红色曲线为策略收益率曲线，蓝色曲线为对应的基准指数收益率曲线
网格交易日志 （局部）：
2017-11-03 09:31:00 - INFO 执行卖出操作，价位：23.48 ，数量：2000
2017-11-03 09:49:00 - INFO 执行买入操作，价位：22.9 ，数量：2000
2017-11-03 14:15:00 – INFO 执行买入操作，价位：22.35 ，数量：2000
2017-11-06 09:31:00 - INFO 执行买入操作，价位：21.73 ，数量：2000
2017-11-06 10:56:00 – INFO 执行卖出操作，价位：22.19 ，数量：2000
2017-11-07 09:31:00 - INFO 执行卖出操作，价位：22.95 ，数量：2000
2017-11-07 09:35:00 - INFO 执行卖出操作，价位：23.45 ，数量：2000
2017-11-07 09:43:00 - INFO 执行买入操作，价位：22.86 ，数量：2000
2017-11-07 14:51:00 – INFO 执行卖出操作，价位：23.34 ，数量：2000
2017-11-08 09:39:00 - INFO 执行买入操作，价位：22.82 ，数量：2000
2017-11-08 09:48:00 - INFO 执行卖出操作，价位：23.3 ，数量：2000
2017-11-08 10:07:00 - INFO 执行卖出操作，价位：23.9 ，数量：2000
2017-11-08 10:24:00 - INFO 执行卖出操作，价位：24.58 ，数量：2000
----------------------- Page 81-----------------------
2017-11-08 11:06:00 - INFO 执行买入操作，价位：24.07 ，数量：2000
2017-11-08 13:05:00 - INFO 执行卖出操作，价位：24.59 ，数量：2000
2017-11-08 14:16:00 – INFO 执行买入操作，价位：24.07 ，数量：2000
2017-11-09 09:31:00 – INFO 执行买入操作，价位：23.42 ，数量：2000
2017-11-10 09:54:00 - INFO 执行买入操作，价位：22.93 ，数量：2000
2017-11-10 11:00:00 - INFO 执行买入操作，价位：22.45 ，数量：2000
策略源代码：
import numpy
import pandas as pd
#============================初始化函数================================
def initialize(account):
g.stock = '002555.SZ'#设置网格交易的股票
set_benchmark(g.stock)
g.x1 = 0.02 #上涨多少卖出
g.x2 = 0.02 #下跌多少买入
g.y1 = 2000 #卖出多少
g.y2 = 2000 #买入多少
g.p = 0 #记录上一次交易的价格
g.p1 = 0 #下次买入价
g.p2 = 0 #下次卖出价
g.day = 1 #记录运行天数
g.tall = []#记录做 t 资金变动
pass
def before_trading_start(account,data):
if g.day == 1:
account.jc = True
else:
account.jc = False
g.t = []
#===========================开盘时===============================
def handle_data(account,data):
date=get_datetime().strftime('%Y%m%d%H%M%S')
if account.jc == True:
order_target_percent(g.stock,0.4)
p=history(g.stock, ['close'], 1, '1m', False, 'pre', is_panel=1)['close'].iloc[0]
g.p=p
g.p1 = g.p*(1-g.x1)
g.p2 = g.p*(1+g.x2)
else:
p=history(g.stock, ['close'], 1, '1m', False, 'pre', is_panel=1)['close'].iloc[0]
if p <g.p1:
order(g.stock,g.y2)
g.p=p
----------------------- Page 82-----------------------
g.p1 = g.p*(1-g.x1)
g.p2 = g.p*(1+g.x2)
log.info('时间：{}，执行买入操作，价位：{}，数量：{}'.format(date,p,g.y2))
g.t.append(-1*(p*g.y2))
g.tall.append(-1*(p*g.y2))
elif p>g.p2:
order(g.stock,-g.y1)
g.p=p
g.p1 = g.p*(1-g.x1)
g.p2 = g.p*(1+g.x2)
log.info('时间：{}，执行卖出操作，价位：{}，数量：{}'.format(date,p,g.y1))
g.t.append(p*g.y1)
g.tall.append(p*g.y1)
else:
pass
def after_trading_end(account,data):
if g.day==1:
log.info('首日建仓')
pass
else:
log.info(' 当日做 T 资金变动：{}'.format(sum(g.t)))
log.info('全部做 T 资金变动：{}'.format(sum(g.tall)))
pass
g.day=g.day+1
----------------------- Page 83-----------------------
更多精彩内容
