code

# Sample Algorithm
#Importation de bibliothèque
#Bibliothèque requise
import maron
import maron.signalfunc as sf
import maron.execfunc as ef
#Bibliothèque supplémentaire
#Veuillez consulter les notes sur l'écran de droite pour les bibliothèques qui peuvent être utilisées ①
import pandas as pd
import talib as ta
import numpy as np

#Méthode de commande(Veuillez décommenter un seul des deux suivants selon la méthode de commande souhaitée)
#Veuillez consulter la note sur l'écran de droite pour la méthode de commande ②
#ot = maron.OrderType.MARKET_CLOSE #Ordre au moment du cours de clôture le lendemain de l'émission du signal
ot = maron.OrderType.MARKET_OPEN   #Commande au moment du cours d'ouverture le lendemain de l'émission du signal
#ot = maron.OrderType.LIMIT        #Limiter l'ordre

#Acquisition de stocks et de colonnes
#Veuillez consulter la note sur l'écran de droite pour la désignation de la marque ③
#Veuillez consulter la note sur l'écran de droite pour obtenir les colonnes ④
def initialize(ctx):
  #Réglage
  ctx.logger.debug("initialize() called")
  ctx.high_term = 10
  ctx.holding_days = 5
  ctx.configure(
    channels={               #Canal utilisé
      "jp.stock": {
        "symbols": [
            "jp.stock.2914", #JT(L'industrie japonaise du tabac)
            "jp.stock.8766", #Tokio Marine Holdings
            "jp.stock.8031", #Mitsui Bussan
            "jp.stock.8316", #Groupe financier Sumitomo Mitsui
            "jp.stock.8411", #Groupe financier Mizuho
            "jp.stock.9437", #NTT Docomo
            "jp.stock.4502", #Industrie pharmaceutique Takeda
            "jp.stock.8058", #Mitsubishi Corporation
            "jp.stock.9433", #KDDI
            "jp.stock.9432", #Téléphone Nippon Telecom
            "jp.stock.7267", #Honda (Honda Giken Kogyo)
            "jp.stock.8306", #Groupe financier Mitsubishi UFJ
            "jp.stock.4503", #Astellas Pharmaceutical
            "jp.stock.4063", #Industrie chimique Shinetsu
            "jp.stock.7974", #Nintendo
            "jp.stock.6981", #Murata Seisakusho
            "jp.stock.3382", #Seven & i Holdings
            "jp.stock.9020", #Chemin de fer de passagers de l'est du Japon
            "jp.stock.8802", #Domaine Mitsubishi
            "jp.stock.9022", #Chemin de fer de passagers de Tokai
            "jp.stock.9984", #Groupe Softbank
            "jp.stock.6861", #Keyence
            "jp.stock.6501", #Hitachi, Ltd.
            "jp.stock.6752", #Panasonic
            "jp.stock.6758", #Sony
            "jp.stock.6954", #Fanac
            "jp.stock.7203", #Moteur Toyota
            "jp.stock.7751", #Canon
            "jp.stock.4452", #Kao
            "jp.stock.6098", #Recruter Holdings
        ],
        "columns": [
          "close_price",     #le dernier prix
          "close_price_adj", #le dernier prix(Après ajustement pour le fractionnement d'actions)
          "volume_adj",     #Le volume
          #"txn_volume",     #Prix de négociation
        ]
      }
    }
  )
  
  #Définition du signal
  def _my_signal(data):
    #Obtenez des données de volume
    vol = data["volume_adj"].fillna(method = "ffill")
    

    syms = data.minor_axis   #Créer une liste de stock
    dates = data.major_axis  #Créer une liste de dates
   
  
    #Moyenne mobile du volume
    mav5 = vol.rolling(window = 5, center = False).mean()
    mav25 = vol.rolling(window = 25, center = False).mean()
    
    ratio = mav5 / mav25
       
    #Croix d'or, croix morte de ligne moyenne mobile de volume
    vol_golden = (ratio >= 1.04) & (ratio.shift(1) < 1.0) #(mav5 > mav25) & (mav5.shift(1) < mav25.shift(1))
    vol_dead = (ratio <= 0.97)  & (ratio.shift(1) > 1.0)  #(mav5 < mav25) & (mav5.shift(1) > mav25.shift(1))
    #La méthode de décalage décale les données contenues dans le DataFrame d'une unité et les compare avec le rapport du jour précédent pour déterminer la croix d'or et la croix morte.
    
    #Acheter et vendre une partie de génération de signal
    
    buy_sig = vol_golden
    sell_sig =  vol_dead 

    #market_Créez un bloc de données appelé sig qui contient tous les 0
    market_sig = pd.DataFrame(data=0.0, columns=syms, index=dates)
    
    #buy_1 quand sig est vrai.0、sell_Quand sig est vrai-1.Mettre à 0
    market_sig[buy_sig == True] = 1.0
    market_sig[sell_sig == True] = -1.0
    market_sig[(buy_sig == True) & (sell_sig == True)] = 0.0
    # ctx.logger.debug(market_sig)

    return {
      "mav5:g2": mav5,
      "mav25:g2": mav25,
      "market:sig": market_sig,
    }

  #Enregistrement du signal
  ctx.regist_signal("my_signal", _my_signal)

def handle_signals(ctx, date, current):  #Partie de traitement quotidien
  '''
  current: pd.DataFrame
  '''
  #initialiser_my_Commercialiser le signal généré par le signal_Magasin dans sig
  market_sig = current["market:sig"]
  done_syms = set([])  #Type de set qui stocke les stocks pour lesquels le règlement des bénéfices et la réduction des pertes ont été effectués
  none_syms = set([])  # portfolio.Définissez le type qui stocke les marques qui n'existent pas dans des positions
  # portfolio.positions(Marques que vous possédez)Actions cibles(sym)Vérifiez s'il y a
  for (sym, val) in market_sig.items():
    if sym not in ctx.portfolio.positions:
      none_syms.add(sym)
  # portfolio.positions(Marques que vous possédez)Chaque marque de(sym)Vérifiez si le nombre d'actions détenues par
  for (sym, val) in ctx.portfolio.positions.items():
    if val["amount"] == 0:
      none_syms.add(sym)
  #Réduction des pertes, règlement des bénéfices(Rentabilité)paramètres de
  #Processus itératif pour vérifier les stocks que vous possédez un par un
  for (sym, val) in ctx.portfolio.positions.items():
    #Acquisition du ratio profit / perte
    returns = val["returns"]
    if returns < -0.03:  #Ratio profit / perte-3%Moins que(Valeur absolue 3%Plus grande perte)dans le cas de
      #Ordre de vente pour réduction des pertes
      sec = ctx.getSecurity(sym)
      sec.order(-val["amount"], comment="Coupe de perte(%f)" % returns)
      #Ajout du problème affecté à sym au type d'ensemble qui stocke le problème pour lequel le règlement des bénéfices et la réduction des pertes ont été effectués.
      done_syms.add(sym)
    elif returns > 0.05:  #Ratio profit / perte+5%Si supérieur à
      #Prise de bénéfices(Rentabilité)Ordre de vente pour
      sec = ctx.getSecurity(sym)
      sec.order(-val["amount"], comment="Vente à but lucratif(%f)" % returns)
      #Ajout du problème affecté à sym au type d'ensemble qui stocke le problème pour lequel le règlement des bénéfices et la réduction des pertes ont été effectués.
      done_syms.add(sym)
  buy = market_sig[market_sig > 0.0]  #Acheter signal
  for (sym, val) in buy.items():  #Traitez les actions avec les signaux d'achat un par un
    # done_syms ou aucun_Si syms a sym
    if sym in done_syms:
      continue  #Ignorer le traitement
    #Acheter la commande
    sec = ctx.getSecurity(sym)
    sec.order(sec.unit() * 1, orderType=ot, comment="SIGNAL BUY")
    #Si vous souhaitez afficher le journal des commandes d'achat ci-dessous, veuillez supprimer les commentaires ci-dessous(Attention à long terme)
    #ctx.logger.debug("BUY: %s,  %f" % (sec.code(), val))
  sell = market_sig[market_sig < 0.0]  #Signal de vente
  for (sym, val) in sell.items():  #Traitez les actions avec les signaux de vente un par un
    # done_syms ou aucun_Si syms a sym
    if (sym in done_syms) | (sym in none_syms):
      continue  #Ignorer le traitement
    #Ordre de vente
    sec = ctx.getSecurity(sym)
    sec.order(sec.unit() * -1,orderType=ot, comment="SIGNAL SELL")

• Le code complété est ici
• Les détails de l'algorithme sont décrits dans les commentaires sur chaque ligne.

résultat

Évaluation / considération

• Le rapport Sharp (efficacité de l'investissement) est raisonnablement bon ――Le ratio de profits et pertes sur un an est également excellent à 18% ――Si vous regardez des actions individuelles, vous pouvez être vulnérable à une forte baisse ou à une forte hausse. --Exemple: évolution des prix de Takeda Pharmaceutical Industry du 18 février 2019 au 18 février 2020

À la fin

Au cours des trois dernières semaines, j'ai beaucoup appris sur la façon de développer des algorithmes de base avec QuantX Factory! À l'avenir, j'aimerais encore améliorer la qualité de l'algorithme en combinant la ligne moyenne mobile du volume avec d'autres indicateurs techniques et en incorporant l'apprentissage automatique. Cela conclut cet article. Merci d'avoir lu le pauvre texte jusqu'au bout!

Clause de non-responsabilité Précautions

Veuillez noter que nous ne sommes pas responsables des profits ou des pertes causés par des transactions réelles utilisant ce code / cette connaissance.

materials https://qiita.com/Miku_F/items/49c20fcbbbfae59cb9a6

https://www.kabutore.biz/idoheikinsen.html

https://ib-college.com/idou-heikin