【策略研究】海龟交易法则（附源码）

海龟交易法则简介

什么是海龟交易法则？

​

​ 1983年年中，著名的商品投机家理查德.丹尼斯与他的老友比尔.埃克哈特进行了一场辩论，这场辩论是关于伟大的交易员是天生造就还是后天培养的。理查德相信，他可以教会人们成为伟大的交易员。比尔则认为遗传和天性才是决定因素。

​ 为了解决这一问题，理查德建议招募并培训一些交易员，给他们提供真实的帐户进行交易，看看两个人中谁是正确的。

​ 他们在《巴伦氏》、《华尔街期刊》和《纽约时报》上刊登了大幅广告，招聘交易学员。广告中称，在一个短暂的培训会后，新手将被提供一个帐户进行交易。

​ 理查德从报名的人中精选出13个人，1983年12月底，学员被邀请到芝加哥进行两周的培训，到1984年1月初，开始用小帐户进行交易。到了2月初，在学员证明了自己的能力之后，丹尼斯给其中的大多数人提供了50万至200万美元的资金帐户。

​ “学员们被称为‘海龟’（丹尼斯先生说这项计划开始时他刚刚从亚洲回来，他解释了自己向别人说过的话，‘我们正在成长为交易员，就象在新加坡他们正在成长为海龟一样’）。”----斯坦利.W.安格瑞斯特，《华尔街期刊》，1989年9月5日

​ 海龟成为交易史上最著名的实验，因为在随后的四年中这些海龟交易员取得了年均复利80%的收益。

​ 是的，里克证明了交易可以被传授。他证明了用一套简单的法则，他可以使仅有很少或根本没有交易经验的人成为优秀的交易员。而这个交易法则被后世称为“海龟交易法则”。

海龟交易法则具体内容

海龟交易法则：海龟交易法则属于趋势交易，首先建立唐奇安通道（下文会具体解释），即确定上突破线和下突破线，如果价格突破上线，则做多，如果价格突破下线就平仓或做空。

唐奇安通道与开仓

唐奇安通道，作为一个通道必定有上线和下线，上线就是前N1日内的最高价，下线就是前N2日内的最低价，一般来说N1=20，N2=10；然后，价格上穿就买，下穿就卖，就是这么简单。

但是仅仅只用唐奇安通道进行买卖，其实效果跟MACD线等其他趋势策略的效果差不多，并没有更优

ATR与仓位管理

海龟交易法则最核心的部分，在于仓位的控制，这种止损会让你基准的亏损不超过总资金的n%，所以这部分的思想是需要我们学习的。

当日的真实波幅TR（true range）

计算当日真实波幅公式

​ TR_1=Max(H_1−L_1,H_1−C_0,C_0−L_1)

其中，下表1代表当日，下表0代表昨日，C_0是昨日开盘价close，H是最高价high，L是最低价low。

平均波幅ATR（Average true range）

一般取前20日的平均TR。

​ ATR{20}=mean(TR_1,TR_2…TR{19},TR_{20})

其中，公式mean(X_1,X_2)代表求X_1和X_2的平均数。

这时候我们已经求出ATR，这个数字可以当做衡量今天的价格波幅的基准，为1单位，比如现在价格是100元，基准波幅ATR=4元，代表今天基准波幅在98-102元，如果是2倍ATR，波幅就在96-104元。

仓位管理

在仅讨论多头的情况下：

1、如果标的价格跌破"持仓均价-0.5（1、1.5、2）倍的ATR"，则平仓至原始仓位的75%（50%，25%，0%）。

2、如果标的价格跌破唐奇安通道下轨，则全平仓。

海龟交易法则策略实现（基于掘金量化平台）

策略思想

  • 当价格上穿唐奇安通道且短MA在长MA上方时开多仓;当价格下穿唐奇安通道且短MA在长MA下方时开空仓(8手)

  • 若有多仓则在价格跌破唐奇安平仓通道下轨的时候全平仓位,否则根据跌破持仓均价 - x(x=0.5,1,1.5,2)倍ATR把仓位平至6/4/2/0手

  • 若有空仓则在价格涨破唐奇安平仓通道上轨的时候全平仓位,否则根据涨破持仓均价 + x(x=0.5,1,1.5,2)倍ATR把仓位平至6/4/2/0手

策略主要步骤实现

订阅数据

subscribe(symbols=symbols, frequency='1d', count=31, wait_group=True)(symbols=symbols, frequency='1d', count=31, wait_group=True)

​ 订阅数据需要在定义init函数里面设置，并调用subscribe函数，这里注意，我们需要通过计算前三十根bars来作为开平仓的标准，并在当前bar上做出开平仓操作，所以需要获取31根bar：

  • symbols 需要设置订阅的标的代码。

  • frequency需设置订阅数据的周期级别，这里设置1d 表示以一天为周期。

  • count需要设置获取的bar的数量

数据获取

data = context.data(symbol=symbol, frequency='1d', count=31, fields='close') = context.data(symbol=symbol, frequency='1d', count=31, fields='close')

​ 订阅数据之后，需要获取已经订阅的数据来进行操作，这时需调用context.data函数：

  • symbols 需要设置订阅的标的代码。

  • frequency需设置订阅数据的周期级别，这里设置1d表示以一天为周期。

  • count需要设置获取的bar的数量

  • fields需要设置返回值的种类

获取持仓信息

position_long = context.account().position(symbol=symbol, side=PositionSide_Long)
​
position_short = context.account().position(symbol=symbol, side=PositionSide_Short) = context.account().position(symbol=symbol, side=PositionSide_Long)
​
position_short = context.account().position(symbol=symbol, side=PositionSide_Short)

​ 在判断平仓条件时，需要获取持仓信息（包含持仓均价），这就需要调用context.account().position函数：

  • symbols 需要设置订阅的标的代码。

  • side需要设置持仓方向，有PositionSide_Long和PositionSide_Short两个选择。

策略回测分析

回测报告

分析

​ 我们选取了2017年6月至2017年12月作为回测周期，“RB1801”与“FG801”作为标的合约，均线长短周期分别为5d，20d，唐奇安通道上下轨计算周期分别为20d，10d，ATR计算周期为20d，可以看出：

  • 胜率（具有盈利的平仓次数与总平仓次数之比）达到了34.48%，因为海龟交易法则为趋势跟踪策略，所以胜率不会太高。

  • 卡玛比率（年化收益率与历史最大回撤之比）是使用最大回撤率来衡量风险。采用最大回撤率来衡量风险，关注的是最极端的情况。卡玛比率越高表示策略承受每单位最大损失获得的报酬越高。在这里卡玛比率超过了9。

  • 夏普比率（年化收益率减无风险收益率的差收益波动率之比）超过2.5，也即承受1单位的风险，会有超过2.5个单位的收益回报。

  • 策略收益曲线整体相对稳定，适合稳定型投资者，最大回撤极小，另外，策略在趋势行情行情中表现更加。

 

海龟交易策略源码：

 


 
  1. # coding=utf-8
  2. from __future__ import print_function, absolute_import, unicode_literals
  3.  
  4. import numpy as np
  5. import pandas as pd
  6. try:
  7. import talib
  8. except:
  9. print('请安装TA-Lib库')
  10. from gm.api import *
  11.  
  12. '''
  13. 本策略通过计算CZCE.FG801和SHFE.rb1801的ATR.唐奇安通道和MA线,并:
  14. 上穿唐奇安通道且短MA在长MA上方则开多仓,下穿唐奇安通道且短MA在长MA下方则开空仓
  15. 若有 多/空 仓位则分别:
  16. 价格 跌/涨 破唐奇安平仓通道 上/下 轨则全平仓位,否则
  17. 根据 跌/涨 破持仓均价 -/+ x(x=0.5,1,1.5,2)倍ATR把仓位
  18. 回测数据为:CZCE.FG801和SHFE.rb1801的1min数据
  19. 回测时间为:2017-09-15 09:15:00到2017-10-01 15:00:00
  20. '''
  21.  
  22.  
  23. def init(context):
  24. # context.parameter分别为唐奇安开仓通道.唐奇安平仓通道.短ma.长ma.ATR的参数
  25. context.parameter = [55, 20, 10, 60, 20]
  26. context.tar = context.parameter[4]
  27. # context.goods交易的品种
  28. context.goods = ['CZCE.FG801', 'SHFE.rb1801']
  29. # context.ratio交易最大资金比率
  30. context.ratio = 0.8
  31. # 订阅context.goods里面的品种, bar频率为1min
  32. subscribe(symbols=context.goods, frequency='60s', count=101)
  33. # 止损的比例区间
  34.  
  35.  
  36. def on_bar(context, bars):
  37. bar = bars[0]
  38. symbol = bar['symbol']
  39. recent_data = context.data(symbol=symbol, frequency='60s', count=101, fields='close,high,low')
  40. close = recent_data['close'].values[-1]
  41. # 计算ATR
  42. atr = talib.ATR(recent_data['high'].values, recent_data['low'].values, recent_data['close'].values,
  43. timeperiod=context.tar)[-1]
  44. # 计算唐奇安开仓和平仓通道
  45. context.don_open = context.parameter[0] + 1
  46. upper_band = talib.MAX(recent_data['close'].values[:-1], timeperiod=context.don_open)[-1]
  47. context.don_close = context.parameter[1] + 1
  48. lower_band = talib.MIN(recent_data['close'].values[:-1], timeperiod=context.don_close)[-1]
  49. # 计算开仓的资金比例
  50. percent = context.ratio / float(len(context.goods))
  51. # 若没有仓位则开仓
  52. position_long = context.account().position(symbol=symbol, side=PositionSide_Long)
  53. position_short = context.account().position(symbol=symbol, side=PositionSide_Short)
  54. if not position_long and not position_short:
  55. # 计算长短ma线.DIF
  56. ma_short = talib.MA(recent_data['close'].values, timeperiod=(context.parameter[2] + 1))[-1]
  57. ma_long = talib.MA(recent_data['close'].values, timeperiod=(context.parameter[3] + 1))[-1]
  58. dif = ma_short - ma_long
  59. # 获取当前价格
  60. # 上穿唐奇安通道且短ma在长ma上方则开多仓
  61. if close > upper_band and (dif > 0):
  62. order_target_percent(symbol=symbol, percent=percent, order_type=OrderType_Market,
  63. position_side=PositionSide_Long)
  64. print(symbol, '市价单开多仓到比例: ', percent)
  65. # 下穿唐奇安通道且短ma在长ma下方则开空仓
  66. if close < lower_band and (dif < 0):
  67. order_target_percent(symbol=symbol, percent=percent, order_type=OrderType_Market,
  68. position_side=PositionSide_Short)
  69. print(symbol, '市价单开空仓到比例: ', percent)
  70. elif position_long:
  71. # 价格跌破唐奇安平仓通道全平仓位止损
  72. if close < lower_band:
  73. order_close_all()
  74. print(symbol, '市价单全平仓位')
  75. else:
  76. # 获取持仓均价
  77. vwap = position_long['vwap']
  78. # 获取持仓的资金
  79. money = position_long['cost']
  80. # 获取平仓的区间
  81. band = vwap - np.array([200, 2, 1.5, 1, 0.5, -100]) * atr
  82. grid_percent = float(pd.cut([close], band, labels=[0, 0.25, 0.5, 0.75, 1])[0]) * percent
  83. # 选择现有百分比和区间百分比中较小的值(避免开仓)
  84. target_percent = np.minimum(money / context.account().cash['nav'], grid_percent)
  85. if target_percent != 1.0:
  86. print(symbol, '市价单平多仓到比例: ', target_percent)
  87. order_target_percent(symbol=symbol, percent=target_percent, order_type=OrderType_Market,
  88. position_side=PositionSide_Long)
  89.  
  90. elif position_short:
  91. # 价格涨破唐奇安平仓通道或价格涨破持仓均价加两倍ATR平空仓
  92. if close > upper_band:
  93. order_close_all()
  94. print(symbol, '市价单全平仓位')
  95. else:
  96. # 获取持仓均价
  97. vwap = position_short['vwap']
  98. # 获取持仓的资金
  99. money = position_short['cost']
  100. # 获取平仓的区间
  101. band = vwap + np.array([-100, 0.5, 1, 1.5, 2, 200]) * atr
  102. grid_percent = float(pd.cut([close], band, labels=[1, 0.75, 0.5, 0.25, 0])[0]) * percent
  103. # 选择现有百分比和区间百分比中较小的值(避免开仓)
  104. target_percent = np.minimum(money / context.account().cash['nav'], grid_percent)
  105. if target_percent != 1.0:
  106. order_target_percent(symbol=symbol, percent=target_percent, order_type=OrderType_Market,
  107. position_side=PositionSide_Short)
  108. print(symbol, '市价单平空仓到比例: ', target_percent)
  109.  
  110.  
  111. if __name__ == '__main__':
  112. '''
  113. strategy_id策略ID,由系统生成
  114. filename文件名,请与本文件名保持一致
  115. mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
  116. token绑定计算机的ID,可在系统设置-密钥管理中生成
  117. backtest_start_time回测开始时间
  118. backtest_end_time回测结束时间
  119. backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST
  120. backtest_initial_cash回测初始资金
  121. backtest_commission_ratio回测佣金比例
  122. backtest_slippage_ratio回测滑点比例
  123. '''
  124. run(strategy_id='strategy_id',
  125. filename='main.py',
  126. mode=MODE_BACKTEST,
  127. token='token_id',
  128. backtest_start_time='2017-09-15 09:15:00',
  129. backtest_end_time='2017-10-01 15:00:00',
  130. backtest_adjust=ADJUST_PREV,
  131. backtest_initial_cash=10000000,
  132. backtest_commission_ratio=0.0001,
  133. backtest_slippage_ratio=0.0001)

文章来源：掘金量化交易平台     转载请注明出处！

-----------------------------------------------------------------------------------------------------------------------------------------------------------

更多策略源码查看：

1 双均线策略(期货)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/153
2 alpha对冲(股票+期货)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/101
3 集合竞价选股(股票) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/102
4 多因子选股(股票)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/103
5 网格交易(期货)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/104
6 指数增强(股票)  量化策略源码 https://www.myquant.cn/docs/python_strategyies/105
7 跨品种套利(期货)量化策略源码 https://www.myquant.cn/docs/python_strategyies/106
8 跨期套利(期货) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/107
9 日内回转交易(股票)量化策略源码 https://www.myquant.cn/docs/python_strategyies/108
10 做市商交易(期货) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/109
11 海龟交易法(期货) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/110
12 行业轮动(股票) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/111
13 机器学习(股票) 量化策略源码 https://www.myquant.cn/docs/python_strategyies/112
阅读更多

更多精彩内容