介绍一个可用Python实现策略的开源量化交易平台

大家好，欢迎来到 Crossin的编程教室 ！

我知道有不少读者是因为想要做量化或者金融相关的项目而学习Python的。今天我们就来分享一个量化平台：Lean

Lean 是 QuantConnect 开源的一款非常强大的开源量化交易平台，可以回测或运行Python或者C#写的策略，并在代码仓库中内置了上百个C#和Python的策略算法。

这个开源的算法交易引擎，专为让用户方便轻松地进行策略研究、回测和实时交易而构建。它集成了常见的数据提供商和券商，因此还可以快速部署算法交易策略。

LEAN Engine 的核心是用 C# 编写的；但它可以在 Linux、Mac 和 Windows 操作系统上无缝运行。它支持用 Python 3.6+ 或 C# 编写的算法。

引擎分为许多模块化部分，可以在不接触其他文件的情况下对某个模块进行扩展。

最重要的几个模块是：

• 结果处理（IResultHandler）处理来自算法交易引擎的所有消息。决定应该发送什么，以及消息应该去哪里。结果处理系统可以将消息发送到本地 GUI 或 Web 界面。

• 数据源(IDataFeed)连接并下载算法交易引擎所需的数据。从磁盘文件中读取文件进行回测；实时交易则连接到一个流并生成数据对象。

• 事务处理(ITransactionHandler)处理新的订单请求；要么使用算法提供的模拟模型，要么使用实际券商。

• 实时事件管理(IRealtimeHandler)生成实时事件 - 例如一天结束的事件。触发对实时事件处理程序的回调。

• 算法状态设置(ISetupHandler)配置算法资金、投资组合和请求的数据。初始化所需的所有状态参数。

这些都可以从 Launcher 项目中的 config.json 文件进行配置。

由于Leon是基于C#开发的，因此我推荐使用 Visual Studio 进行开发。

1、克隆项目。从 https://github.com/QuantConnect/Lean 克隆项目到本地。

2、使用 Visual Studio 打开项目中的 QuantConnect.Lean.sln

3、点击 生成 - 生成解决方案

4、点击 F5 则可以运行程序。

如果你在生成解决方案的过程中遇到了类似于如下的错误：

请在工具 - NuGet包管理器 - 程序包管理器设置 中 添加如下的源, 名字任取，链接对了就行： https://api.nuget.org/v3/index.json

Lean 中比较有意思的一点是，其所有C#策略算法都位于 QuantConnect.Algorithm.CSharp 中，所有的Python策略算法都位于 QuantConnect.Algorithm.Python 中：

如果你想回测C#的策略，你只需要修改 QuantConnect.Lean.Launcher 中的 config.json，将 QuantConnect.Algorithm.CSharp 中对应策略名称，修改到 algorithm-type-name 字段对应的值中，如图所示：

然后按 F5 运行程序，回测开始，此时会弹出一个cmd窗口，里面有本次回测的统计数据：

如果你想要回测内置的Python策略，我们需要先指定Lean使用的Python环境位置：

1.打开系统变量（我的电脑-右键属性-高级系统设置->环境变量->系统变量）

2.点击新建变量，name为 PYTHONNET_PYDLL；value则为你的Python环境的dll文件所在文件夹，如我的为 G:\Anaconda3\python36.dll

3.在此Python环境中安装Lean的依赖：

pip install pandas
pip install wrapt==1.11.2

然后在项目的 config.json 中需要多改几个配置：

然后按F5进行回测，效果如下：

这些统计指标令人眼花缭乱，对于股票的回测我们只要重点关注这些即可：

• Total Trades: 总交易量

• Average Win: 平均盈利率

• Average Loss: 平均亏损率

• Compounding Annual Return: 复合年回报率

• Drawdown: 最大回撤率

• Expectancy: 期望值

• Net Profit: 净利润

• Sharpe Ratio: 夏普比率

• Probabilistic Sharpe Ratio: 概率性夏普比率

• Loss Rate: 失败率

• Win Rate: 胜率

• Profit-Loss Ratio: 盈亏比

• Alpha: Alpha值

• Beta: Beta值

• Total Fees: 总手续费

其他的，按需关注即可。

开始之前，让我们先学习下 Lean 内置策略的写法：

from AlgorithmImports import *


class MACDTrendAlgorithm(QCAlgorithm):

    def Initialize(self):
        '''Initialise the data and resolution required, as well as the cash and start-end dates for your algorithm. All algorithms must initialized.'''

        self.SetStartDate(2004, 1, 1) #Set Start Date
        self.SetEndDate(2015, 1, 1) #Set End Date
        self.SetCash(100000) #Set Strategy Cash
        # Find more symbols here: http://quantconnect.com/data
        self.AddEquity("SPY", Resolution.Daily)

        # define our daily macd(12,26) with a 9 day signal
        self.__macd = self.MACD("SPY", 12, 26, 9, MovingAverageType.Exponential, Resolution.Daily)
        self.__previous = datetime.min
        self.PlotIndicator("MACD", True, self.__macd, self.__macd.Signal)
        self.PlotIndicator("SPY", self.__macd.Fast, self.__macd.Slow)


    def OnData(self, data):
        '''OnData event is the primary entry point for your algorithm. Each new data point will be pumped in here.'''
        # wait for our macd to fully initialize
        if not self.__macd.IsReady: return

        # only once per day
        if self.__previous.date() == self.Time.date(): return

        # define a small tolerance on our checks to avoid bouncing
        tolerance = 0.0025

        holdings = self.Portfolio["SPY"].Quantity

        signalDeltaPercent = (self.__macd.Current.Value - self.__macd.Signal.Current.Value)/self.__macd.Fast.Current.Value

        # if our macd is greater than our signal, then let's go long
        if holdings <= 0 and signalDeltaPercent > tolerance:  # 0.01%
            # longterm says buy as well
            self.SetHoldings("SPY", 1.0)

        # of our macd is less than our signal, then let's go short
        elif holdings >= 0 and signalDeltaPercent < -tolerance:
            self.Liquidate("SPY")


        self.__previous = self.Time

可以看到，其实它和Backtrader的写法相差无几，Initialize 函数设置基本的回测参数，如：

• self.SetStartDate: 回测起始时间

• self.SetEndDate: 回测结束时间

• self.setCash: 回测资金

• self.AddEquity: 回测对象(Resolution.Daily 是指按日回测)

• self.PlotIndicator: 绘图时添加指标

而 onData 函数则会在每个数据点上做操作，如果是日线，则每天的数据都会流入到这个函数并运行一遍。因此 onData 就是算法分析的主逻辑。

在这里，你可以检查需要的指标是否已经准备完毕，因为可能存在一些滞后性指标在回测刚开始的时候并没有对应的值；此外，在日线的情况下，你还可以检测上一个数据点是不是和这个点在同一天上，如果是的话则不作任何操作返回：

if not self.__macd.IsReady: return
if self.__previous.date() == self.Time.date(): return

然后就是核心的买入卖出逻辑：

tolerance = 0.0025

holdings = self.Portfolio["SPY"].Quantity

signalDeltaPercent = (self.__macd.Current.Value - self.__macd.Signal.Current.Value)/self.__macd.Fast.Current.Value

# if our macd is greater than our signal, then let's go long
if holdings <= 0 and signalDeltaPercent > tolerance: # 0.01%
    # longterm says buy as well
    self.SetHoldings("SPY", 1.0)

# of our macd is less than our signal, then let's go short
elif holdings >= 0 and signalDeltaPercent < -tolerance:
    self.Liquidate("SPY")
    
self.__previous = self.Time

如果我持仓的股数<=0, 且信号值大于我设定的阈值，则将我资产的1%买入这只股票。这里和backtrader最大的不同，买入是以资产的百分比为单位的动态买入。当然，你也可以使用限定数量的买入方式：

self.LimitOrder("IBM", 100, self.Securities["IBM"].Price)

如果持仓股市>=0, 且触发卖出信号，则进行清仓操作：

elif holdings >= 0 and signalDeltaPercent < -tolerance:
    self.Liquidate("SPY")

如果你不希望全部清仓，也可以使用 SetHoldings 来调整仓位。

可以看到，Lean相对于Backtrader有更灵活的仓位管理方式，甚至能够进行自动仓位调整、构建投资组合、实时交易等等。而且针对一些比较复杂的策略，你还可以用C#而不是Python来编写以提高运行速度。

综上所述，Lean是一个非常值得深入学习的量化交易平台，有兴趣的同学可以在他们官网学习到更多的内容：

https://www.quantconnect.com/docs

对于 Lean 的介绍就先到这里。

如果文章对你有帮助，欢迎转发/点赞/收藏~

作者：Ckend

_往期文章推荐_