如何使用JoinQuant编写策略

1. 如何使用JoinQuant编写策略

/// ///应用程序的主入口点 /// [STAThread] static void Main() { //构造连接字符串 string strConnection = "Microsoft.Jet.OleDb.4.0;";

2. JoinQuant是做什么的？

聚宽（JoinQuant）是一个量化交易网站，为量化爱好者提供回测功能、实盘交易接口、策略库，便于量化爱好者快速实现、使用自己的量化交易策略。

3. 求集合竞价规则选股方法的策略源码

# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from gm.api import *

'''
本策略基于掘金量化平台
本策略通过获取SHSE.000300沪深300的成份股数据并统计其30天内
开盘价大于前收盘价的天数,并在该天数大于阈值10的时候加入股票池
随后对不在股票池的股票平仓并等权配置股票池的标的,每次交易间隔1个月.
回测数据为:SHSE.000300在2015-01-15的成份股
回测时间为:2017-07-01 08:00:00到2017-10-01 16:00:00
'''


def init(context):
# 每月第一个交易日的09:40 定时执行algo任务
schedule(schedule_func=algo, date_rule='1m', time_rule='09:40:00')
# context.count_bench累计天数阙值
context.count_bench = 10
# 用于对比的天数
context.count = 30
# 最大交易资金比例
context.ratio = 0.8


def algo(context):
# 获取当前时间
now = context.now
# 获取上一个交易日
last_day = get_previous_trading_date(exchange='SHSE', date=now)
# 获取沪深300成份股
context.stock300 = get_history_constituents(index='SHSE.000300', start_date=last_day,
end_date=last_day)[0]['constituents'].keys()
# 获取当天有交易的股票
not_suspended_info = get_history_instruments(symbols=context.stock300, start_date=now, end_date=now)
not_suspended_symbols = [item['symbol'] for item in not_suspended_info if not item['is_suspended']]

trade_symbols = []
if not not_suspended_symbols:
print('没有当日交易的待选股票')
return

for stock in not_suspended_symbols:
recent_data = history_n(symbol=stock, frequency='1d', count=context.count, fields='pre_close,open',
fill_missing='Last', adjust=ADJUST_PREV, end_time=now, df=True)
diff = recent_data['open'] - recent_data['pre_close']
# 获取累计天数超过阙值的标的池.并剔除当天没有交易的股票
if len(diff[diff > 0]) >= context.count_bench:
trade_symbols.append(stock)

print('本次股票池有股票数目: ', len(trade_symbols))
# 计算权重
percent = 1.0 / len(trade_symbols) * context.ratio
# 获取当前所有仓位
positions = context.account().positions()
# 如标的池有仓位,平不在标的池的仓位
for position in positions:
symbol = position['symbol']
if symbol not in trade_symbols:
order_target_percent(symbol=symbol, percent=0, order_type=OrderType_Market,
position_side=PositionSide_Long)
print('市价单平不在标的池的', symbol)

# 对标的池进行操作
for symbol in trade_symbols:
order_target_percent(symbol=symbol, percent=percent, order_type=OrderType_Market,
position_side=PositionSide_Long)
print(symbol, '以市价单调整至权重', percent)


if __name__ == '__main__':
'''
strategy_id策略ID,由系统生成
filename文件名,请与本文件名保持一致
mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
token绑定计算机的ID,可在系统设置-密钥管理中生成
backtest_start_time回测开始时间
backtest_end_time回测结束时间
backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST
backtest_initial_cash回测初始资金
backtest_commission_ratio回测佣金比例
backtest_slippage_ratio回测滑点比例
'''
run(strategy_id='strategy_id',
filename='main.py',
mode=MODE_BACKTEST,
token='token_id',
backtest_start_time='2017-07-01 08:00:00',
backtest_end_time='2017-10-01 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=10000000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)

4. 如何使用JoinQuant编写策略

/// ///应用程序的主入口点 /// [STAThread] static void Main() { //构造连接字符串 string strConnection = "Microsoft.Jet.OleDb.4.0;";

5. 如何使用JoinQuant编写策略

看如下的例子: 
   //定义一个自定义指令 
j2ee 
 
    //使用刚才定义的指令 ！

6. 如何使用JoinQuant编写策略

/// ///应用程序的主入口点 /// [STAThread] static void Main() { //构造连接字符串 string strConnection = "Microsoft.Jet.OleDb.4.0;";

7. 选股策略回测用matlab好还是用python好

我没钱，支持免费开源

抛开版权不说，初期入手策略测试、数据分析用matlab非常方便
但是策略测试方法、框架弄清楚后，要做正规的回测，还是Python方便，这里的正规是指严格的事件流驱动，虽然速度慢，但是避免未来函数影响、接近实盘的逻辑。
Python在这方面已经有很多库了，quantopian的zipline应该算鼻祖了，国内的优矿网和ricequant都跟zipline很像，另外还有知乎大神的zn.py，PyAlgoTrade等