更新时间:2023-05-23 02:30
可以在Initial函数中通过context的set_commission设置
def initialize(context):
"""初始化"""
print("initialize")
# 股票设置费率的示例
context.set_commission(equities_commission=PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5.0))
# 期货设置费率的示例
comm_dict = {
更新时间:2023-05-11 03:12
• 点击新建对话,创建一个新对话
• 点击输入框,开始与QuantChat交流
• 您可以直接输入以下对话
 pos_date = position.last_sale_date print("持仓时间",pos_date)
“请问这个天数是交易日还是自然日?“
具体实现代
更新时间:2022-11-09 01:23
对系统不熟悉,问个小白的问题吧。
看起来context和data这两个对象是回测中非常重要的全局对象,要写策略的话应该是必须要对这两个对象非常熟悉才行,所以我想看看这两个对象里都有哪些内容,比如看FAQ里了解到data下有current_dt这个属性,但是自己写了一小段代码,发现根本没法用。谁指点一下?
\
是的。context \data这些变量都只能在回测引擎中使用,即,你要调用M.tra
更新时间:2022-11-09 01:23
回测运行没有错误,但是绑定模拟交易就一直提示运行失败
if context.extension['datecont'] == 0: KeyError: 'datecont'
ERROR moduleinvoker: module name: forward_test, module version: v5, trackeback: KeyError: 'datecont'
就是之前提问奇偶交易变量的那个note

in
209 )
210
–> 211 m19 = M.trade.v4(
212 instruments=m9.data,
213 options_data=m21.predictions,
in m19_handle_data_bigquant_run(context, data)
25 context.ranker_prediction.date == data.current_dt.strftime(’%Y-%m-%d’)]
26 print (ranker_pre
更新时间:2022-11-09 01:23
参考 https://wesmckinney.com/book/ 编写 Python For Quants - 用于量化投资的Python
更新时间:2022-10-10 01:02
在前期发布的行业轮动专题报告中,我们对于有效的行业轮动因子进行了总结,部分基本面因子存在较好的行业轮动能力。然而,对于技术类行业轮动因子,我们并未得到较好的结果。 本文从高频数据的角度出发,借鉴因子选股报告中的高频因子构建行业高频因子,并对于相关因子的行业轮动能力进行了回测。本文主要分为四部分,第一部分介绍了相关因子的逻辑以及计算方法,第二部分对于各高频因子的月度行业轮动能力进行了回测分析,第三部分变换了模型参数,对于相关因子的行业轮动能力进行了敏感性测试,第四部分展示了2017年以来相关因子所选出的多头行业。
可参考高频数据类选股因子构建高频数据类行业轮动因子。考虑到使用日间
更新时间:2022-10-09 08:42