量化交易入门（三十八）CCI指标Python实现和回测

今天我们先单纯用CCI指标来完成策略的编写，后续我们会改进这个策略，将CCI指标和前面讲到的MACD和RSI相结合来优化，看看我们优化后的效果会不会更好。

一、量化策略

CCI指标在量化交易中的策略：

在以下情况下生成买入信号：

当 CCI 指标的值低于下限（self.params.lower）并且在上一根K线上低于下限时，生成买入信号。

在以下情况下生成卖出信号：

当 CCI 指标的值高于上限（self.params.upper）并且在上一根K线上高于上限时，生成卖出信号。

策略的目的是在 CCI 指标的值低于下限时买入，以获得较低的价格，并在 CCI 指标的值高于上限时卖出，以获得较高的价格，从而实现利润。

二、代码实现

我们基于CCI指标使用苹果股票2020年1月1日到2023年12月30日的历史数据进行回测。以下是完整的代码:

import backtrader as bt
import yfinance as yfclass CCIStrategy(bt.Strategy):params = (('period', 20),('upper', 100),('lower', -100),)def __init__(self):self.cci = bt.indicators.CCI(self.data, period=self.params.period)def next(self):if not self.position:if self.cci[-1] < self.params.lower and self.cci[0] >= self.params.lower:commission_info = self.broker.getcommissioninfo(self.data)cash = self.broker.get_cash()size = int(cash / (self.data.close[0] * (1 + commission_info.p.commission)))self.order = self.buy(size=size)print(f'BUY: {size} shares')else:if self.cci[-1] > self.params.upper and self.cci[0] <= self.params.upper:self.order = self.close()print(f'SELL: {self.position.size} shares')def notify_order(self, order):if order.status in [order.Submitted, order.Accepted]:returnif order.status in [order.Completed]:if order.isbuy():print(f'BUY executed at {self.data.num2date(order.executed.dt).date()}, Price: {order.executed.price:.2f}, Cost: {order.executed.value:.2f}, Comm: {order.executed.comm:.2f}')elif order.issell():cost = order.executed.valueprofit = order.executed.value - order.created.size * order.created.priceprofit_percent = (profit / cost) * 100print(f'SELL executed at {self.data.num2date(order.executed.dt).date()}, Price: {order.executed.price:.2f}, Cost: {cost:.2f}, Profit: {profit:.2f}, Profit %: {profit_percent:.2f}%')elif order.status in [order.Canceled, order.Margin, order.Rejected]:print('Order Canceled/Margin/Rejected')    # 创建Cerebro引擎
cerebro = bt.Cerebro()# 设置初始资金
cerebro.broker.setcash(100000.0)# 下载苹果股票数据
data = yf.download('AAPL', '2020-01-01', '2023-12-30')
data = data.dropna()# 将数据添加到Cerebro引擎中
data = bt.feeds.PandasData(dataname=data)
cerebro.adddata(data)# 添加MACD策略
cerebro.addstrategy(CCIStrategy)# 设置佣金为0.1%
cerebro.broker.setcommission(commission=0.001)# 添加分析指标
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')# 运行回测
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
results = cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())# 获取回测结果
strat = results[0]
returns = strat.analyzers.returns.get_analysis()
sharpe = strat.analyzers.sharpe.get_analysis()
drawdown = strat.analyzers.drawdown.get_analysis()# 打印回测指标
print('Annualized Return: %.2f%%' % (returns['rnorm100']))
print('Sharpe Ratio: %.2f' % (sharpe['sharperatio']))
print('Max Drawdown: %.2f%%' % (drawdown['max']['drawdown']))
print('Max Drawdown Period: %s' % (drawdown['max']['len']))# 绘制回测结果
cerebro.plot()

三、代码解析

这段代码是一个使用 backtrader 库进行交易策略回测的 Python 脚本，并使用 yfinance 库获取历史金融数据。它具体实现了基于商品渠道指数（CCI）指标的交易策略。让我们来逐部分解析这些代码：

引入库

import backtrader as bt
import yfinance as yf

backtrader: 一个用于回测交易算法的 Python 库。
yfinance: 用于从 Yahoo 财经下载金融数据。

定义策略：`CCIStrategy`

这个类继承自 bt.Strategy，并使用 CCI 指标定义交易策略。

params: 一个元组，定义策略参数 - CCI 周期，以及上下阈值。
__init__: 初始化方法，在这里使用价格数据和指定的周期实例化 CCI 指标。
next: 对于每个新的数据点，都会调用此方法。它包含了基于CCI值穿越定义阈值执行买入和卖出订单的逻辑。

交易逻辑

买入条件：如果没有开仓，并且CCI值从低于下阈值穿越到上面，则下达买入订单。
卖出条件：如果有开仓，并且CCI值从高于上阈值穿越到下面，则平仓（卖出订单）。

订单通知

notify_order: 处理有关订单的通知（例如，当订单被提交、接受、完成或拒绝时）。它会打印有关执行订单的详细信息，包括执行价格、成本、佣金和利润。

设置并运行回测

创建一个 Cerebro 引擎实例，并设置初始资本。
使用 yfinance 获取苹果公司（AAPL）从2020年1月1日到2023年12月30日的历史数据，并添加到 Cerebro 引擎中。
将 CCIStrategy 添加到 Cerebro 中进行回测。
设置交易佣金为0.1%。
添加分析器，用于评估策略性能，包括回报率、夏普比率和最大回撤。
运行回测，并打印最终的投资组合价值以及性能指标（年化回报率、夏普比率和最大回撤）。

绘制结果

最后，调用 cerebro.plot() 来视觉上审查交易策略在回测期间的表现。

这段脚本提供了一个结构化方法来评估基于 CCI 指标的交易策略，包括交易的实际方面，如佣金和订单执行逻辑。

四、策略运行结果及解读

执行的结果：
Starting Portfolio Value: 100000.00 
Final Portfolio Value: 110402.49
Annualized Return: 2.51%
Sharpe Ratio: 0.18
Max Drawdown: 22.65%
Max Drawdown Period: 441

哈哈，这个结果免强还行，最终结果没有亏钱，让我们逐项分析这些结果：