以AI量化为生：7.编写自己的第一个量化策略
本文介绍了《以AI量化为生》系列第七篇关于vnpy策略开发的内容。文章从修改策略加载机制入手，详细分析了vnpy的双均线、布林带等经典策略，并最终实现了一个支持多时间周期的3MA策略。该策略通过15分钟周期判断趋势，5分钟周期执行交易，结合动态止盈止损机制，在回测中取得了39.26%的总收益率。文章还展示了参数优化过程，最终将年化收益率提升至155.08%，夏普比率达到5.07。完整代码已开源，为
·
本文是《以AI量化为生》系列的第七篇，我们将从零开始学习vnpy策略开发，修改策略加载机制，分析经典策略，并最终实现一个支持多时间周期的3MA策略。
前言
焦煤在3MA策略下的最优回测效果
在前面的文章中，我们已经搭建了完整的数据下载系统和日志告警机制。现在系统可以稳定地获取数据并监控运行状态，是时候开始编写我们的第一个量化策略了！
刚开始做量化的时候，我经常遇到这样的困惑：
-
vnpy的策略模板怎么用？
-
如何设计交易信号？
-
怎么处理多时间周期？
-
如何实现动态止盈止损？
今天我们要解决的问题：
-
策略模板使用：掌握vnpy策略开发的基本框架
-
策略加载机制：修改vnpy使其能加载我们自研的策略
-
经典策略分析：学习vnpy自带策略的设计思路
-
3MA策略实现：编写支持多时间周期的移动平均策略
一、vnpy策略开发基础
1.1 策略模板结构分析
vnpy的策略开发基于CtaTemplate基类，让我们先看看它的基本结构：
from vnpy_ctastrategy import (
CtaTemplate, # 策略基类
StopOrder, # 停止单
TickData, # Tick数据
BarData, # K线数据
TradeData, # 成交数据
OrderData, # 委托数据
BarGenerator, # K线合成器
ArrayManager, # 数组管理器
)
class MyStrategy(CtaTemplate):
"""我的策略"""
# 策略参数
param1 = 10
param2 = 20
# 策略变量
var1 = 0
var2 = 0
# 参数列表（用于回测优化）
parameters = ["param1", "param2"]
# 变量列表（用于监控显示）
variables = ["var1", "var2"]
def on_init(self):
"""策略初始化"""
pass
def on_start(self):
"""策略启动"""
pass
def on_stop(self):
"""策略停止"""
pass
def on_tick(self, tick: TickData):
"""Tick数据更新"""
pass
def on_bar(self, bar: BarData):
"""K线数据更新"""
pass
def on_trade(self, trade: TradeData):
"""成交回报"""
pass
def on_order(self, order: OrderData):
"""委托回报"""
pass
1.2 核心组件详解
BarGenerator（K线合成器）：
-
将Tick数据合成为K线数据
-
支持多时间周期合成
-
自动处理数据缺失
ArrayManager（数组管理器）：
-
提供技术指标计算功能
-
支持SMA、EMA、RSI、ATR等指标
-
自动维护数据数组
交易函数：
-
buy(price, volume)：买入 -
sell(price, volume)：卖出 -
short(price, volume)：做空 -
cover(price, volume)：平空 -
cancel_all()：撤销所有委托
二、修改策略加载机制
2.1 问题分析
vnpy默认只加载vnpy_ctastrategy/strategies目录下的策略，但我们的自研策略放在core/strategies目录。我们需要修改加载机制。
2.2 修改策略引擎
我们需要修改vnpy的策略引擎，让它能够加载我们自定义目录下的策略。实际上只需要修改load_strategy_class函数：
# vnpy_ctastrategy/engine.py 修改部分
def load_strategy_class(self) -> None:
"""
Load strategy class from source code.
"""
# 加载vnpy自带策略
path1: Path = Path(__file__).parent.joinpath("strategies")
self.load_strategy_class_from_folder(path1, "vnpy_ctastrategy.strategies")
# 加载当前目录下的策略
path2: Path = Path.cwd().joinpath("strategies")
self.load_strategy_class_from_folder(path2, "strategies")
# 加载ATMQuant自定义策略
path3: Path = Path(__file__).parent.parent.joinpath("core", "strategies")
self.load_strategy_class_from_folder(path3, "core.strategies")
同样需要修改回测引擎：
# vnpy_ctabacktester/engine.py 修改部分
def load_strategy_class(self) -> None:
"""
Load strategy class from source code.
"""
# 加载vnpy自带策略
app_path: Path = Path(vnpy_ctastrategy.__file__).parent
path1: Path = app_path.joinpath("strategies")
self.load_strategy_class_from_folder(path1, "vnpy_ctastrategy.strategies")
# 加载当前目录下的策略
path2: Path = Path.cwd().joinpath("strategies")
self.load_strategy_class_from_folder(path2, "strategies")
# 加载ATMQuant自定义策略
path3: Path = Path(__file__).parent.parent.joinpath("core", "strategies")
self.load_strategy_class_from_folder(path3, "core.strategies")
2.3 创建策略基类
为了保持代码风格的一致性，我们在core/strategies目录下创建一个基础策略类：
# core/strategies/base_strategy.py
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
ATMQuant基础策略类
基于vnpy CtaTemplate扩展，添加日志和告警功能
"""
from vnpy_ctastrategy import CtaTemplate
from core.logging.logger_manager import get_logger
from core.logging.alert_manager import alert_manager
class BaseCtaStrategy(CtaTemplate):
"""ATMQuant基础策略类"""
def __init__(self, cta_engine, strategy_name, vt_symbol, setting):
"""初始化策略"""
super().__init__(cta_engine, strategy_name, vt_symbol, setting)
# 初始化日志系统
self.logger = get_logger(symbol=self.vt_symbol.split('.')[0])
# 策略状态
self.strategy_status = "未启动"
def on_init(self):
"""策略初始化"""
self.strategy_status = "初始化中"
self.logger.info(f"策略 {self.strategy_name} 开始初始化")
super().on_init()
def on_start(self):
"""策略启动"""
self.strategy_status = "运行中"
self.logger.success(f"策略 {self.strategy_name} 启动成功")
super().on_start()
def on_stop(self):
"""策略停止"""
self.strategy_status = "已停止"
self.logger.info(f"策略 {self.strategy_name} 已停止")
super().on_stop()
def on_trade(self, trade):
"""成交回报"""
self.logger.success(
f"成交回报: {trade.direction} {trade.volume}@{trade.price} "
f"成交金额: {trade.price * trade.volume}"
)
super().on_trade(trade)
def on_order(self, order):
"""委托回报"""
if order.status == "全部成交":
self.logger.info(f"委托全部成交: {order.direction} {order.volume}@{order.price}")
elif order.status == "部分成交":
self.logger.info(f"委托部分成交: {order.direction} {order.volume}@{order.price}")
elif order.status == "已撤销":
self.logger.warning(f"委托已撤销: {order.direction} {order.volume}@{order.price}")
super().on_order(order)
def send_alert(self, message: str, level: str = "INFO"):
"""发送告警消息"""
try:
alert_manager.send_alert(
content=f"📊 策略告警\n策略：{self.strategy_name}\n品种：{self.vt_symbol}\n消息：{message}",
symbol=self.vt_symbol,
alert_type="feishu"
)
except Exception as e:
self.logger.error(f"发送告警失败: {e}")
三、经典策略分析
让我们分析几个vnpy自带的经典策略，学习它们的设计思路。
3.1 双均线策略（DoubleMaStrategy）
这是最经典的策略之一，让我们看看它的核心逻辑：
def on_bar(self, bar: BarData) -> None:
"""K线数据更新"""
self.cancel_all() # 撤销所有委托
am = self.am
am.update_bar(bar)
ifnot am.inited:
return
# 计算移动平均线
fast_ma = am.sma(self.fast_window, array=True)
slow_ma = am.sma(self.slow_window, array=True)
# 获取当前和前一根K线的均线值
self.fast_ma0 = fast_ma[-1]
self.fast_ma1 = fast_ma[-2]
self.slow_ma0 = slow_ma[-1]
self.slow_ma1 = slow_ma[-2]
# 判断金叉死叉
cross_over = self.fast_ma0 > self.slow_ma0 and self.fast_ma1 < self.slow_ma1
cross_below = self.fast_ma0 < self.slow_ma0 and self.fast_ma1 > self.slow_ma1
# 执行交易逻辑
if cross_over:
if self.pos == 0:
self.buy(bar.close_price, 1)
elif self.pos < 0:
self.cover(bar.close_price, 1)
self.buy(bar.close_price, 1)
elif cross_below:
if self.pos == 0:
self.short(bar.close_price, 1)
elif self.pos > 0:
self.sell(bar.close_price, 1)
self.short(bar.close_price, 1)
关键学习点：
-
使用
array=True获取历史数据数组 -
通过比较当前和前一根K线的值判断交叉
-
考虑仓位状态进行交易决策
3.2 布林带策略（BollChannelStrategy）
这个策略展示了如何使用技术指标和止损：
def on_15min_bar(self, bar: BarData) -> None:
"""15分钟K线更新"""
self.cancel_all()
am = self.am
am.update_bar(bar)
ifnot am.inited:
return
# 计算技术指标
self.boll_up, self.boll_down = am.boll(self.boll_window, self.boll_dev)
self.cci_value = am.cci(self.cci_window)
self.atr_value = am.atr(self.atr_window)
if self.pos == 0:
# 无仓位时的入场逻辑
if self.cci_value > 0:
self.buy(self.boll_up, self.fixed_size, True)
elif self.cci_value < 0:
self.short(self.boll_down, self.fixed_size, True)
elif self.pos > 0:
# 多头仓位的止损逻辑
self.intra_trade_high = max(self.intra_trade_high, bar.high_price)
self.long_stop = self.intra_trade_high - self.atr_value * self.sl_multiplier
self.sell(self.long_stop, abs(self.pos), True)
elif self.pos < 0:
# 空头仓位的止损逻辑
self.intra_trade_low = min(self.intra_trade_low, bar.low_price)
self.short_stop = self.intra_trade_low + self.atr_value * self.sl_multiplier
self.cover(self.short_stop, abs(self.pos), True)
关键学习点：
-
多时间周期处理（1分钟合成15分钟）
-
技术指标组合使用（布林带+CCI）
-
动态止损机制（基于ATR）
3.3 多时间周期策略（MultiTimeframeStrategy）
这个策略展示了如何同时使用多个时间周期：
def on_init(self) -> None:
"""策略初始化"""
# 创建不同时间周期的BarGenerator
self.bg5 = BarGenerator(self.on_bar, 5, self.on_5min_bar)
self.am5 = ArrayManager()
self.bg15 = BarGenerator(self.on_bar, 15, self.on_15min_bar)
self.am15 = ArrayManager()
def on_5min_bar(self, bar: BarData) -> None:
"""5分钟K线更新 - 执行交易"""
# 只有在15分钟趋势明确时才执行交易
ifnot self.ma_trend:
return
# 5分钟RSI信号
self.rsi_value = self.am5.rsi(self.rsi_window)
if self.pos == 0:
if self.ma_trend > 0and self.rsi_value >= self.rsi_long:
self.buy(bar.close_price + 5, self.fixed_size)
elif self.ma_trend < 0and self.rsi_value <= self.rsi_short:
self.short(bar.close_price - 5, self.fixed_size)
def on_15min_bar(self, bar: BarData) -> None:
"""15分钟K线更新 - 判断趋势"""
self.am15.update_bar(bar)
ifnot self.am15.inited:
return
# 15分钟均线判断趋势
self.fast_ma = self.am15.sma(self.fast_window)
self.slow_ma = self.am15.sma(self.slow_window)
if self.fast_ma > self.slow_ma:
self.ma_trend = 1# 上升趋势
else:
self.ma_trend = -1# 下降趋势
关键学习点：
-
不同时间周期承担不同职责
-
大周期判断趋势，小周期执行交易
-
通过变量在不同时间周期间传递信息
四、3MA策略设计与实现
基于前面的学习，现在我们来设计一个经典的3MA策略。
4.1 策略需求分析
交易信号：
-
做多：短期MA向上穿过中期MA，且交叉点位于长期MA上方
-
做空：短期MA向下穿过中期MA，且交叉点位于长期MA下方
技术要求：
-
支持SMA和EMA两种移动平均线类型
-
支持多时间周期（趋势分析15分钟 + 信号执行5分钟）
-
百分比动态止盈止损机制
-
集成日志和告警系统
4.2 策略参数设计
class TripleMaStrategy(BaseCtaStrategy):
"""三均线策略"""
# 策略参数
short_window = 5 # 短期均线周期
mid_window = 20 # 中期均线周期
long_window = 60 # 长期均线周期
ma_type = "SMA" # 均线类型：SMA或EMA
# 多时间周期参数
signal_timeframe = 15# 趋势分析时间周期（分钟）
trade_timeframe = 5 # 信号执行时间周期（分钟）
# 止盈止损参数
stop_loss_pct = 2.0 # 止损百分比
take_profit_pct = 4.0# 止盈百分比
trailing_stop_pct = 1.0# 跟踪止损百分比
# 策略变量
short_ma = 0.0
mid_ma = 0.0
long_ma = 0.0
trend_direction = 0 # 趋势方向：1上升，-1下降，0震荡
# 交易状态
entry_price = 0.0
highest_price = 0.0
lowest_price = 0.0
parameters = [
"short_window", "mid_window", "long_window", "ma_type",
"signal_timeframe", "trade_timeframe",
"stop_loss_pct", "take_profit_pct", "trailing_stop_pct"
]
variables = [
"short_ma", "mid_ma", "long_ma", "trend_direction",
"entry_price", "highest_price", "lowest_price"
]
4.3 策略核心实现
def on_init(self):
"""策略初始化"""
super().on_init()
# 创建多时间周期BarGenerator
self.signal_bg = BarGenerator(
self.on_bar,
self.signal_timeframe,
self.on_trend_bar
)
self.signal_am = ArrayManager()
self.trade_bg = BarGenerator(
self.on_bar,
self.trade_timeframe,
self.on_signal_bar
)
self.trade_am = ArrayManager()
# 加载历史数据
self.load_bar(100)
self.logger.info(f"3MA策略初始化完成 - 趋势分析周期:{self.signal_timeframe}分钟, 信号执行周期:{self.trade_timeframe}分钟")
def on_trend_bar(self, bar: BarData):
"""趋势分析 - 15分钟K线更新，判断大趋势方向"""
self.signal_am.update_bar(bar)
ifnot self.signal_am.inited:
return
# 根据参数选择均线类型
if self.ma_type == "SMA":
short_ma_array = self.signal_am.sma(self.short_window, array=True)
mid_ma_array = self.signal_am.sma(self.mid_window, array=True)
long_ma_array = self.signal_am.sma(self.long_window, array=True)
else: # EMA
short_ma_array = self.signal_am.ema(self.short_window, array=True)
mid_ma_array = self.signal_am.ema(self.mid_window, array=True)
long_ma_array = self.signal_am.ema(self.long_window, array=True)
# 获取当前和前一根K线的均线值
self.short_ma = short_ma_array[-1]
mid_ma = mid_ma_array[-1]
self.long_ma = long_ma_array[-1]
prev_short_ma = short_ma_array[-2]
prev_mid_ma = mid_ma_array[-2]
# 判断趋势方向
if self.short_ma > self.long_ma and mid_ma > self.long_ma:
self.trend_direction = 1# 上升趋势
elif self.short_ma < self.long_ma and mid_ma < self.long_ma:
self.trend_direction = -1# 下降趋势
else:
self.trend_direction = 0# 震荡趋势
# 记录趋势
self.logger.info(
f"趋势分析 - 短期MA:{self.short_ma:.2f}, 中期MA:{mid_ma:.2f}, "
f"长期MA:{self.long_ma:.2f}, 趋势:{self.trend_direction}"
)
def on_signal_bar(self, bar: BarData):
"""信号执行 - 5分钟K线更新，执行具体交易"""
self.cancel_all()
self.trade_am.update_bar(bar)
ifnot self.trade_am.inited:
return
# 只有在趋势分析明确时才执行交易
if self.trend_direction == 0:
return
# 计算交易信号
signal = self.calculate_trade_signal(bar)
# 执行交易
self.execute_trade(bar, signal)
def calculate_trade_signal(self, bar: BarData) -> int:
"""计算交易信号"""
if self.trend_direction == 0:
return0
# 获取交易时间周期的均线
if self.ma_type == "SMA":
short_ma_array = self.trade_am.sma(self.short_window, array=True)
mid_ma_array = self.trade_am.sma(self.mid_window, array=True)
else:
short_ma_array = self.trade_am.ema(self.short_window, array=True)
mid_ma_array = self.trade_am.ema(self.mid_window, array=True)
if len(short_ma_array) < 2or len(mid_ma_array) < 2:
return0
current_short = short_ma_array[-1]
current_mid = mid_ma_array[-1]
prev_short = short_ma_array[-2]
prev_mid = mid_ma_array[-2]
# 判断交叉信号
cross_up = current_short > current_mid and prev_short <= prev_mid
cross_down = current_short < current_mid and prev_short >= prev_mid
# 结合趋势方向判断信号
if cross_up and self.trend_direction > 0:
return1# 做多信号
elif cross_down and self.trend_direction < 0:
return-1# 做空信号
else:
return0# 无信号
def execute_trade(self, bar: BarData, signal: int):
"""执行交易"""
if signal == 0:
return
# 获取当前仓位
pos = self.pos
if signal > 0: # 做多信号
if pos == 0:
# 开多仓
self.buy(bar.close_price, 1)
self.entry_price = bar.close_price
self.highest_price = bar.close_price
self.lowest_price = bar.close_price
self.logger.success(f"开多仓: {bar.close_price}")
self.send_alert(f"开多仓信号触发，价格: {bar.close_price}")
elif pos < 0:
# 平空开多
self.cover(bar.close_price, abs(pos))
self.buy(bar.close_price, 1)
self.entry_price = bar.close_price
self.highest_price = bar.close_price
self.lowest_price = bar.close_price
self.logger.success(f"平空开多: {bar.close_price}")
self.send_alert(f"平空开多信号触发，价格: {bar.close_price}")
elif signal < 0: # 做空信号
if pos == 0:
# 开空仓
self.short(bar.close_price, 1)
self.entry_price = bar.close_price
self.highest_price = bar.close_price
self.lowest_price = bar.close_price
self.logger.success(f"开空仓: {bar.close_price}")
self.send_alert(f"开空仓信号触发，价格: {bar.close_price}")
elif pos > 0:
# 平多开空
self.sell(bar.close_price, pos)
self.short(bar.close_price, 1)
self.entry_price = bar.close_price
self.highest_price = bar.close_price
self.lowest_price = bar.close_price
self.logger.success(f"平多开空: {bar.close_price}")
self.send_alert(f"平多开空信号触发，价格: {bar.close_price}")
# 更新止盈止损
self.update_stop_loss_take_profit(bar)
def update_stop_loss_take_profit(self, bar: BarData):
"""更新止盈止损"""
if self.pos == 0:
return
# 更新最高价和最低价
self.highest_price = max(self.highest_price, bar.high_price)
self.lowest_price = min(self.lowest_price, bar.low_price)
if self.pos > 0: # 多头仓位
# 计算止损价格
stop_loss_price = self.entry_price * (1 - self.stop_loss_pct / 100)
# 计算跟踪止损价格
trailing_stop_price = self.highest_price * (1 - self.trailing_stop_pct / 100)
# 取更优的止损价格
final_stop_price = max(stop_loss_price, trailing_stop_price)
# 计算止盈价格
take_profit_price = self.entry_price * (1 + self.take_profit_pct / 100)
# 设置止损单
self.sell(final_stop_price, abs(self.pos), True)
# 如果价格达到止盈条件，设置止盈单
if bar.close_price >= take_profit_price:
self.sell(take_profit_price, abs(self.pos), True)
self.logger.success(f"触发止盈: {take_profit_price}")
self.send_alert(f"多头止盈触发，价格: {take_profit_price}")
elif self.pos < 0: # 空头仓位
# 计算止损价格
stop_loss_price = self.entry_price * (1 + self.stop_loss_pct / 100)
# 计算跟踪止损价格
trailing_stop_price = self.lowest_price * (1 + self.trailing_stop_pct / 100)
# 取更优的止损价格
final_stop_price = min(stop_loss_price, trailing_stop_price)
# 计算止盈价格
take_profit_price = self.entry_price * (1 - self.take_profit_pct / 100)
# 设置止损单
self.cover(final_stop_price, abs(self.pos), True)
# 如果价格达到止盈条件，设置止盈单
if bar.close_price <= take_profit_price:
self.cover(take_profit_price, abs(self.pos), True)
self.logger.success(f"触发止盈: {take_profit_price}")
self.send_alert(f"空头止盈触发，价格: {take_profit_price}")
def on_trade(self, trade: TradeData):
"""成交回报"""
super().on_trade(trade)
# 更新入场价格
if self.pos != 0and self.entry_price == 0:
self.entry_price = trade.price
self.highest_price = trade.price
self.lowest_price = trade.price
elif self.pos == 0:
# 平仓时重置状态
self.entry_price = 0
self.highest_price = 0
self.lowest_price = 0
self.logger.info("仓位已平，重置交易状态")
self.send_alert(f"仓位已平，成交价格: {trade.price}")
五、策略回测与优化
5.1 使用vnpy回测模块进行回测
我们写完了策略代码，终于来到了效果验证阶段。vnpy提供了图形化的回测界面，让我们通过界面操作来完成策略回测，这样更直观易懂。
步骤1：启动vnpy主程序
首先启动vnpy主程序：
cd /Users/mac/code/atmquant
source vnpy_env/bin/activate
python main.py
步骤2：进入回测模块
在vnpy主界面中，点击"CTA回测"模块，进入回测界面。
回测界面
步骤3：配置回测参数
在回测界面中配置以下参数：
基本设置：
-
策略类：选择"TripleMaStrategy"
-
本地代码：jm2601.SHFE（焦煤主力合约）
-
K线周期：1分钟
-
开始日期：2025-05-01
-
结束日期：2025-9-13
交易设置：
-
手续费率：0.0001
-
滑点：0
-
合约乘数：60
-
最小价格变动：0.5
-
初始资金：100000
策略参数：
-
短期均线周期：20
-
中期均线周期：60
-
长期均线周期：100
-
均线类型：SMA
-
趋势分析周期：5
-
信号执行周期：5
-
止损百分比：2.0
-
止盈百分比：4.0
-
跟踪止损百分比：1.0
-
固定手数：1
回测参数配置
步骤4：运行回测，查看回测结果
点击"开始回测"按钮，等待回测完成。 回测完成后，可以查看以下结果：
回测结果
统计指标：(固定1手)
-
总收益率：39.26%
-
年化收益率：102.41%
-
最大回撤：-3,987.20
-
百分比最大回撤：-2.17%
-
总盈亏：81,874.04
-
夏普比率：4.98
效果还不错，我们接下来进行参数优化，找到效果更优解。
5.2 参数优化
第一次优化：均线周期参数
首先优化均线周期参数，这是策略的核心参数。
均线参数优化
优化参数设置：
-
短均线周期：开始：5, 结束：21，步长：2
-
中均线周期：开始：40, 结束：60，步长：5
-
长均线周期：开始：80, 结束：120，步长：10
-
优化目标：夏普比率
优化结果分析：
参数优化结果
根据优化结果，选择夏普比率最高的参数组合。通常会发现：
-
短期均线：7-9周期表现较好
-
中期均线：55-60周期较为稳定
-
长期均线：100周期效果最佳
第二次优化：跟踪止损参数
在确定最佳均线参数后，进一步优化跟踪止损参数。
跟踪止损优化
优化参数设置：
-
跟踪止损百分比：开始：0.1，结束：3.0，步长：0.1
-
优化目标：最大回撤
跟踪止损参数优化结果
优化结果分析： 跟踪止损参数的选择需要在风险控制和收益之间找到平衡：
-
过小的跟踪止损：容易被震出，错失趋势
-
过大的跟踪止损：风险控制不佳，收益骤减12%
-
建议选择：0.5-0.8%之间
优化结果应用
将优化得到的最佳参数应用到策略中：
# 优化后的策略参数
{
"short_window": 7, # 优化结果
"mid_window": 55, # 优化结果
"long_window": 100, # 优化结果
"trailing_stop_pct": 0.5, # 优化结果
# 其他参数保持默认值
}
5.3 回测结果分析
最佳参数应用回测效果
通过回测，我们可以得到以下关键信息：
策略表现：
-
总收益率：59.45%
-
年化收益率：155.08%
-
最大回撤：-3,960.00
-
百分比最大回撤：-2.50%
-
总盈亏：59,445.81
-
夏普比率：5.07
改进方向：
-
可以添加市场状态判断，避免在震荡市中交易
-
考虑加入成交量指标，量价结合分析，避免假信号
-
优化止盈止损机制，留住更多利润
六、下一步计划
在下一篇文章中，我们将进一步完善回测框架的功能：
增加回测指标：
-
风险调整收益指标：卡尔玛比率、索提诺比率
-
交易分析指标：平均持仓时间、胜率、盈亏比
-
资金管理指标：最大连续盈利、最大连续亏损等
参数优化结果界面改进：
-
增加多参数综合评分
-
多指标参数结果展示
-
保存功能优化
通过本篇文章的学习，你已经掌握了：
-
vnpy策略开发的基本框架
-
多时间周期策略的设计思路
-
动态止盈止损的实现方法
-
策略回测和优化的完整流程
学习完这个3MA策略后，如果你有更多优化想法，可以继续自行改进。记住，策略开发是一个迭代的过程，需要不断地测试、优化和完善。
本文是《以AI量化为生》系列文章的第七篇，完整代码已开源至GitHub：https://github.com/seasonstar/atmquant
本文内容仅供学习交流，不构成任何投资建议。交易有风险，投资需谨慎。
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
26
0- 0
已为社区贡献8条内容
所有评论(0)