如何用WonderTrader開發商品套利策略

前言

  《WonderTrader架構詳解》系列文章已經寫了四篇了，對於筆者這樣的懶人來講，實在是一個大工程。此次先暫時不介紹架構了，本文將給你們介紹一下如何在WonderTrader上編寫一個跨品種套利策略，旨在給你們演示一下WonderTrader下多標的策略的通常寫法，同時也介紹一下筆者在wtpy最新版本v0.6.3中最新發布的績效分析模塊。

WonderTrader架構文章列表：

• WonderTrader架構詳解之一——總體架構
• WonderTrader架構詳解之二——從數聽說起
• WonderTrader架構詳解之三——信號與執行
• WonderTrader架構詳解之四——淺談平臺對策略的支持

套利策略簡介

  相信每個作量化的人，都研究過套利策略。套利策略以其邏輯的相對簡單、收益的相對穩定而獲得多數人的青睞。同時，套利策略和趨勢策略有較強的互補性，這就意味着，若是配合得當，對平滑收益曲線，下降績效的波動，提升夏普有極大的促進做用。
  套利策略的分類就很是多了，筆者曾在《WonderTrader架構詳解之四——淺談平臺對策略的支持》文中引用了丁鵬博士的《量化投資——策略與技術》對於策略的分類，裏面提到的套利的模式就有不少種，例如：期現套、跨期套、跨品種套、配對交易等等。
  筆者爲了開發該策略，查閱資料的時候，看到一個觀點，深覺得然：無論套利策略分類多麼繁複，套利策略的本質是在不一樣合約之間的價差波動中尋找交易機會。

套利策略實現

策略設計

  鑑於筆者的量化策略的技能樹，還沒點亮，因此本文中的策略示例，是從互聯網上學習到的，筆者在此由衷地感謝此策略的分享者。該策略基本設計以下：

• 合約對選擇螺紋鋼主力連續合約SHFE.rb.HOT和鐵礦石主力連續合約DCE.i.HOT
• 回測數據爲主力連續數據，進行了復權處理，防止主力合約換月不一樣步的時候引發的價差變化
• 基於1分鐘數據，對過去N分鐘兩組收盤價序列進行線性迴歸，獲得一個係數beta、一個常量c和一個殘差序列
• 對殘差序列進行ADF檢驗，若是殘差序列是一個平穩序列，則進入信號計算邏輯
• 根據獲得的係數beta和常量c，以及最新的價格計算新的殘差
• 當新的殘差超出一個閾值，就觸發入場信號，當價差再回歸到閾值之內，就觸發出場信號

策略實現

• 參數設計
  根據上文的介紹，策略核心的參數以下：

  • code1：套利合約1，本例設置爲SHFE.rb.HOT
  • code2：套利合約2，本例設置爲DCE.i.HOT
  • period：數據週期，本例設置爲m1，即一分鐘線
  • threshold：閾值，本例設置爲0.9
  • N：統計的K線條數，本例設置爲360，即一個交易日的一分鐘線
  • bar_cnt：策略讀取的K線條數，大於N，主要考慮預留滾動計算的空間

  def __init__(self, name:str, code1:str, code2:str, bar_cnt:int, 
                          period:str, N:int, threshold:float=1):
      BaseCtaStrategy.__init__(self, name)
  
      self.__n__ = N
      self.__threshold__ = threshold
  
      self.__period__ = period
      self.__bar_cnt__ = bar_cnt
      self.__code_1__ = code1
      self.__code_2__ = code2

• 協整檢驗
  策略核心的邏輯在於協整檢驗，只有協整檢驗經過了，才能進行信號觸發。

  # 協整檢驗函數
  def cointegration_check(series01, series02):
      # 對兩個序列分別進行ADF檢驗
      urt_1 = ts.adfuller(np.array(series01), 1)[1]
      urt_2 = ts.adfuller(np.array(series02), 1)[1]
  
      # 同時平穩或不平穩則差分再次檢驗
      if (urt_1 > 0.1 and urt_2 > 0.1) or (urt_1 < 0.1 and urt_2 < 0.1):
          urt_diff_1 = ts.adfuller(np.diff(np.array(series01)), 1)[1]
          urt_diff_2 = ts.adfuller(np.diff(np.array(series02), 1))[1]
  
          # 同時差分平穩進行OLS迴歸的殘差平穩檢驗
          if urt_diff_1 < 0.1 and urt_diff_2 < 0.1:
              matrix = np.vstack([series02, np.ones(len(series02))]).T
              beta, c = np.linalg.lstsq(matrix, series01, rcond=None)[0]
              resid = series01 - beta * series02 - c
              # 最後對殘差序列再進行ADF檢驗
              if ts.adfuller(np.array(resid), 1)[1] > 0.1:
                  result = False
              else:
                  result = True
              return beta, c, resid, result
          else:
              result = False
              return 0.0, 0.0, 0.0, result
  
      else:
          result = False
          return 0.0, 0.0, 0.0, result

• 信號發出
  當殘差超出上邊界，說明殘差正向擴大，根據殘差均值迴歸的特性，這時就須要作空價差；相反的，當殘差超出下邊界，說明殘差反向擴大，這時就須要作多價差；當參加在上下邊界範圍以內，則清掉已有的頭寸，等待下一次機會。

  # 計算新殘差
  resid_new = close_ay1[-1] - self.beta * close_ay2[-1] - self.c
  
  if resid_new > self.up and curPos1 != 1:
      context.stra_log_text("[%d.%04d]殘差正向擴大，作空價差" % (curDate, curTime))
      context.stra_enter_short(self.__code_1__, 1, 'OpenSA')
      context.stra_enter_long(self.__code_2__, 1, 'OpenLB')
  
  elif resid_new < self.down and curPos1 != -1:
      context.stra_log_text("[%d.%04d]殘差反向擴大，作多價差" % (curDate, curTime))
      context.stra_enter_long(self.__code_1__, 1, 'OpenLA')
      context.stra_enter_short(self.__code_2__, 1, 'OpenSB')
  
  elif curPos1 != 0 and self.down  <= resid_new and resid_new <= self.up:
      context.stra_log_text("[%d.%04d]殘差迴歸，清掉頭寸" % (curDate, curTime))
      context.stra_set_position(self.__code_1__, 0, 'CutA')
      context.stra_set_position(self.__code_2__, 0, 'CutB')

策略回測

績效分析

本例中採用的wtpy在v0.6.3版本中發佈的加強版績效分析工具進行分析，調用方法和老版本基本同樣，可是分析的入口有所變化。

analyst = WtBtAnalyst()
analyst.add_strategy("t1_rb_i", folder="./outputs_bt/t1_rb_i/", init_capital=350000, rf=0.02, annual_trading_days=240)
# 績效分析的入口，老版本run的仍然可用
analyst.run_new()

績效分析截圖

策略績效概要

詳細交易列表

整體交易分析

連續交易分析

收益分佈

日度績效分析

其餘週期績效

逐日績效概覽

  從前面能夠看出，新版本的績效分析模塊提供了更多維度的分析功能。新版本的績效分析模塊，主要參考了MultiCharts的績效分析報告，因此從分析結果的全面性和實用性來講，應該是有保障的。
  回到策略自己，從前面的績效報告能夠看出，該策略顯然是不大成功的。如何優化該策略呢？筆者考慮是否能夠經過加入止盈止損邏輯來進行優化，或者經過調整閾值進行優化。不過這些已經超出本文的宗旨了，若是有朋友感興趣，能夠自行研究。

策略獲取

本文中的示例策略已經分享到github上wtpy項目中的/demos/cta_arbitrage_bt下，有興趣的朋友能夠自行去下載。點此跳轉

結束語

  本文對利用WonderTrader編寫套利策略的介紹就到此結束了。筆者今日一邊寫文章，一邊感到忐忑不安。筆者雖然一直在優秀的量化團隊裏跟你們一塊兒合做，可是因爲筆者是從事技術方面的工做，因此對策略的瞭解畢竟仍是停留在表面，所以生怕今天分享的策略出現了低級錯誤。好在筆者最後仍是決定從網絡上尋找現成的策略，這樣才稍稍緩解了筆者的不安。即使是這樣，本文及本文演示的策略也不免有錯漏之處，也但願各位看客可以包涵指正。所幸本文的終極目標是經過筆者今日拋出的「磚頭」引發你們找到更多的「美玉」，若是可以對你們有所裨益，那就再好不過了。

  最後再安利一下WonderTrader
  WonderTrader旨在給各位量化從業人員提供更好的輪子，將技術相關的東西都封裝在平臺中，打造更高效的底層框架，力求給策略研發帶來更好的策略開發和交易體驗。

WonderTrader的github地址：https://github.com/wondertrad...

WonderTrader官網地址：https://wondertrader.github.io

wtpy的github地址：https://github.com/wondertrad...

---

市場有風險，投資需謹慎。以上陳述僅做爲對於歷史事件的回顧，不表明對將來的觀點，同時不做爲任何投資建議。