作为一个关注加密货币市场超过一年的金融人，我来介绍一下现在币圈所谓量化交易平台的现状：
- 现在所谓的币圈量化基本上还是程序员在弄，正经的金融工程狗还没有进入这个圈子，如果你想找Quantopian，RiceQuant那样的回测平台，是没有的。现在的币圈量化产品也因此基本停留在trading bot的阶段（自带简单的technical analysis/ML/arbitrage驱动），不支持复杂策略的历史回测，他们做的产品不是从金融理论和严谨的金融逻辑出发的，更多是本能般地痴迷于自动化和炫技，大都是forward looking的黑盒子，不注重历史数据的积累。（Zenbot，Gekko，BotVS皆属于这一类）
- 在量化回测领域，你不能不提Zipline，就像你买电脑时，不是Intel的芯会让你犹豫再三一样，backtester不是zipline的量化回测平台，我是信不过的。那么币圈有没有内核是zipline的量化回测平台呢，是有的
- 阿布量化（应该是用了Zipline内核，百度数据部门的程序员弄的，非常自恋，每个函数的命名都以自己的名字开头，涵盖所有市场百科大全式的回测平台，加密货币市场只有比特币和莱特币的历史数据，数据种类和时间范围都有限，在未来也不一定会维护数据库。阿布很努力，技术很牛，可产品不了解真实需求，缺乏金融逻辑，是Data Science和Computer Science视角的人做出来的。）
- 微宽网（火币弄的，但是很早就不再维护了，现在网页已经打不开了）
当然还有一种可能性，就是在本地部署Zipline模块，自己找数据，清理数据，自己回测自己的策略，这是现在唯一靠谱可行的办法，代码如下。
因为赞比较多，在这里特地声明一下，本文中的代码我不是原创作者，是转自http://Pythonprogramming.net，我只是参考了他的教程，那里详细的介绍了如何在本地部署zipline及整理数据，我非常感谢原代码作者Sendtex
- import jupyterthemesfrom jupyterthemes import jtplotjtplot.style(theme='grade3')jtplot.style(context='poster', fscale=1.4, spines=False, gridlines='--')jtplot.style(ticks=True, grid=True, figsize=(16, 9))import pandas as pdfrom collections import OrderedDictimport pytzfrom zipline.api import order, record, symbol, set_benchmark, order_target_percent, get_open_ordersfrom zipline.utils.calendars.exchange_calendar_twentyfourhr import TwentyFourHRimport ziplineimport matplotlib.pyplot as pltfrom datetime import datetimedef initialize(context): set_benchmark(symbol("BTC"))def handle_data(context, data): slowma = data.history(symbol("BTC"), fields='price', bar_count=50, frequency='1m').mean() fastma = data.history(symbol("BTC"), fields='price', bar_count=10, frequency='1m').mean() if fastma slowma: if symbol("BTC") not in get_open_orders(): order_target_percent(symbol("BTC"), 0.96) record(BTC=data.current(symbol('BTC'), fields='price'))data = OrderedDict()data['BTC'] = pd.read_csv("BTC-USD.csv")data['BTC']['date'] = pd.to_datetime(data['BTC']['time'], unit='s', utc=True)data['BTC'].set_index('date', inplace=True)data['BTC'].drop('time', axis=1, inplace=True)data['BTC'] = data['BTC'].resample("1min").mean()data['BTC'].fillna(method="ffill", inplace=True)data['BTC'] = data['BTC'][["low","high","open","close","volume"]]print(data['BTC'].head())panel = pd.Panel(data)panel.minor_axis = ["low","high","open","close","volume"]panel.major_axis = panel.major_axis.tz_localize(pytz.utc)print(panel)perf = zipline.run_algorithm(start=datetime(2018, 2, 7, 0, 0, 0, 0, pytz.utc), end=datetime(2018, 3, 26, 0, 0, 0, 0, pytz.utc), initialize=initialize, trading_calendar=TwentyFourHR(), capital_base=10000, handle_data=handle_data, data_frequency ='minute', data=panel)``` low high open close \ date 2018-02-05 17:48:00 7170.000000 7171.000000 7170.000000 7170.990234 2018-02-05 17:49:00 7131.990234 7171.000000 7170.990234 7131.990234 2018-02-05 17:50:00 7120.000000 7137.359863 7132.000000 7120.020020 2018-02-05 17:51:00 7113.000000 7121.000000 7120.040039 7113.000000 2018-02-05 17:52:00 7113.000000 7122.000000 7113.000000 7121.990234 volume date 2018-02-05 17:48:00 3.425961 2018-02-05 17:49:00 5.209975 2018-02-05 17:50:00 14.767619 2018-02-05 17:51:00 18.237879 2018-02-05 17:52:00 22.768671 Dimensions: 1 (items) x 72277 (major_axis) x 5 (minor_axis) Items axis: BTC to BTC Major_axis axis: 2018-02-05 17:48:00+00:00 to 2018-03-27 22:24:00+00:00 Minor_axis axis: low to volumeperf.portfolio_value.pct_change().fillna(0).add(1).cumprod().sub(1).plot(label='BTC Momentum Strategy')perf.BTC.pct_change().fillna(0).add(1).cumprod().sub(1).plot(label='Benchmark:BTC')plt.legend(loc=2)plt.ylabel('Cumulative Return')plt.title('Momentum AlgoTrading with BTC')plt.show()
![]()
|
转播
