量化交易指標函數整理（持續更新）

# 根據不同的時間段設置滑點與手續費
def set_slip_fee(context):
    # 將滑點設置為0
    set_slippage(FixedSlippage(0)) 
    # 根據不同的時間段設置手續費
    dt=context.current_dt
    
    if dt>datetime.datetime(2013,1, 1):
        set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5)) 
        
    elif dt>datetime.datetime(2011,1, 1):
        set_commission(PerTrade(buy_cost=0.001, sell_cost=0.002, min_cost=5))
            
    elif dt>datetime.datetime(2009,1, 1):
        set_commission(PerTrade(buy_cost=0.002, sell_cost=0.003, min_cost=5))
                
    else:
        set_commission(PerTrade(buy_cost=0.003, sell_cost=0.004, min_cost=5))

　　

計算指數移動平均線

# 計算指數移動平均線數據
# 輸入：股票代碼-字符串，移動指數平均線天數-整數，data
# 輸出：今天和昨天的移動指數平均數-浮點數
def get_EMA(security_code,days,data):
    # 如果只有一天的話,前一天的收盤價就是移動平均
    if days==1:
    # 獲得前兩天的收盤價數據，一個作為上一期的移動平均值，后一個作為當期的移動平均值
        t = attribute_history(security_code, 2, '1d', ('close'))
        return t['close'][-2],t['close'][-1]
    else:
    # 如果全局變量g.EMAs不存在的話，創建一個字典類型的變量，用來記錄已經計算出來的EMA值
        if 'EMAs' not in dir(g):
            g.EMAs={}
        # 字典的關鍵字用股票編碼和天數連接起來唯一確定，以免不同股票或者不同天數的指數移動平均弄在一起了
        key="%s%d" %(security_code,days)
        # 如果關鍵字存在，說明之前已經計算過EMA了，直接迭代即可
        if key in g.EMAs:
            #計算alpha值
            alpha=(days-1.0)/(days+1.0)
            # 獲得前一天的EMA（這個是保存下來的了）
            EMA_pre=g.EMAs[key]
            # EMA迭代計算
            EMA_now=EMA_pre*alpha+data[security_code].close*(1.0-alpha)
            # 寫入新的EMA值
            g.EMAs[key]=EMA_now
            # 給用戶返回昨天和今天的兩個EMA值
            return (EMA_pre,EMA_now)
        # 如果關鍵字不存在，說明之前沒有計算過這個EMA，因此要初始化
        else:
            # 獲得days天的移動平均
            ma=get_MA(security_code,days) 
            # 如果滑動平均存在（不返回NaN）的話，那么我們已經有足夠數據可以對這個EMA初始化了
            if not(isnan(ma)):
                g.EMAs[key]=ma
                # 因為剛剛初始化，所以前一期的EMA還不存在
                return (float("nan"),ma)
            else:
                # 移動平均數據不足days天，只好返回NaN值
                return (float("nan"),float("nan"))

　　

 

• 計算移動平均線

• # 計算移動平均線數據
  # 輸入：股票代碼-字符串，移動平均線天數-整數
  # 輸出：算術平均值-浮點數
  def get_MA(security_code,days):
  # 獲得前days天的數據，詳見API
  a=attribute_history(security_code, days, '1d', ('close'))
  # 定義一個局部變量sum，用於求和
  sum=0
  # 對前days天的收盤價進行求和
  for i in range(1,days+1):
  sum+=a['close'][-i]
  # 求和之后除以天數就可以的得到算術平均值啦
  return sum/days