可以写个策略来赚钱算不算好玩呢？
网格大法好，熊市不用跑
不看眼成绩怎么有兴趣往后看~
回测做了很多组，不同网格大小分别在大周期、震荡各做了一次。大周期：-10-10至-10-10-3%买，5%卖：【策略年化：75.38%】【基准年化：4.06%】
-5%买，10%卖：【策略年化：76.77%】【基准年化：4.06%】
-8%买，18%卖：【策略年化：77.18%】【基准年化：4.06%】
震荡：-06-10至-10-20-3%买，5%卖：【策略年化：37.83%】【基准年化：-13.79%】
-5%买，10%卖：【策略年化：43.85%】【基准年化：-13.79%】
-8%买，18%卖：【策略年化：48.67%】【基准年化：-13.7%】
网格交易的来源
网格交易法相信很多人都知道，其思路来源于信息论之父 香农。 />
上世纪40年代的某一天，香农在黑板上给大家演示了他的投资理论：
1、在任意一个价位上，用50%的资金买入股票。即 资金数量：股票市值=50%：50%。
例如，我有10万块钱，当前股价是10元/股。我花5万块钱，买了5000股（股票市值5万元），我还剩5万元。 此时，我的 资金数量：股票市值=50%：50%。
2、股票价格上涨一定幅度就卖出一部分股票，保持 剩余的资金数量：剩余股票市值=50%：50%； 反之股票价格下跌一定幅度，就用剩余资金买进一部分股票，始终 保持剩余资金数量：剩余股票市值=50%：50%。
还是那个例子，如果股票涨到12.5元/股，就卖掉1000股。 此时，我的资金数量还是5万元，不包含收益。 股票市值 = （5000-1000）股 * 12.5元 = 5万元。 资金数量：股票市值=50%：50%，保持不变。此时我的收益是2500元。
再举个反例，如果股票跌到8.33元/股，就买入500股，花了4167元。 此时，我的资金数量是45833.25元。股票市值 = （5000+500）* 8.33 = 45834.25元。资金数量：股票市值=50%：50%，维持在一个大致相同的比例。
从上面例子的重点来看，大家知道早期网格交易的核心了吧。
香农在十多年的交易生涯中，资金获得了29%的年复利增长。而这套方法不断的完善进化，形成了现在的网格交易策略。
网格交易到底是啥子？
这是一种仓位策略，用于动态调仓。
渔网策略：好像渔夫捕鱼一样，在不同的价位上设置好网，以逸待劳，等待捕鱼，下跌买入，上涨卖出，只要价格在一定的范围内波动就能赚到钱。每买卖一次都能赚到钱。当然了，网格交易法并不是适合于所有的市场，比如大跌可能会亏损很多。所以投资标的选定，还有参数的设定是非常讲究的。
其中有如下的参数需要设定:
交易区间：根据经验，不同的品种交易的区间不一样，交易区间决定了网格的密度，根据历史数据合理的划分交易区间才能赚到钱。
网格数量：网格越密集，越能捕捉到微小的价格波动，盈利越多，但需要的资金量越大。
每个网格购买数量：根据资金量进行划分，不同的策略有多种变种，如等比例下注，还是价格越低买的越多，亦或价格越高买的越多。
止盈价格：这个也要根据不同的品种，不同的价格，根据走势来，上涨的时候止盈要设置的高一点，震荡的时候设置的低一点。网格交易在外汇/期货/股票市场上都得到过验证，都取得过不错的成绩。
原则上在任何点位进入都可以（但资金管理很重要）如果目前的点位难以判断高低，以操作一只股票为例，第一次可以投入一半的资金，然后做好股价下跌50%的准备。
具体操作是，画好5%的固定网格，把股票数分为10份，每上涨5%卖出1份股票，每下跌5%买入一份股票，这样手中的股票可以应付股价单边上涨10个5%，资金可以应付单边下跌10个5%。
中间如有反复，每次对冲获利大约是总资金的1/20的4%（手续费按1%计算）。
总体看，如果1个月有10次对冲，月盈利是（1/20）0.0410 = 2%，年收益在25%以上。保守说，即使股价波动很小，每个月对冲2次，结果也不比银行差。
从目前中国市场看，没有什么股票的波动性会这么差。如果操作指数基金更好，不愁没有波动，手续费还少。
（可以同时采用大网格（例如10%）和小网格，还可以把网格划分得更细，例如2.5%甚至1.25%，但对冲差价不应少于5%。总之，以捕捉到更多的波动为佳。）
数字货币市场青睐的原因交易时间长，7*24小时交易，交易机会多
波动剧烈：大部分的时间是在震荡波动，震幅较大，我们知道，网格交易法最喜欢的就是波动了，波动越多，我们网的鱼也就越多。
程序化交易完善，网格交易法非常适合程序化交易来做，因为交易频繁，规则清晰，人工来做无法实时盯盘，而交给程序来做就简单很多。
风险较低。在外汇/期货市场上进行网格交易的问题是杠杆和资金量的问题，这两个市场上杠杆太高。这就意味着，需要控制好资金量，轻仓最重要。
基础网格的几个基本概念底仓价：价格的标准线，建仓和调仓的重要依据。
低吸高抛：仓位控制贯彻低吸高抛，绝不追涨杀跌。根据网格设置买卖价位。下面举个例子 />
在底仓价的附近，我们根据网格的大小，比如每跌3%按仓位买入（第一档：买40%，第二档：买30%，第三档：买20%，第四档：买10%）。网格大小：上图给出了3种网格大小。特点是买入网格小于卖出网格。这种不对称编织网格的道理在于网格的目的是网获利润，将利润建立在趋势的必然性中，而不仅仅是靠震荡的偶然性。
先讲特点和局限吧
首先，定理&公理：没有万能的策略趋势 决定策略的成败。在长期的上涨趋势中策略才能获得满意的回报。
底仓价格 设定在安全边际内。在估值顶部设立底仓价格风险极大，会造成很大的损失。
牛市表现不佳 分散的仓位策略，没有依据价格形态来修改网格，都可能在牛市中跑输大盘。降低贝塔的代价就是阿尔法也较低。
买卖规则不灵活 可能使一些重要的突破支撑或阻力位置的买卖点被忽略在网格之外。
收韭菜的时候到了
回测做了很多组，不同网格大小分别在大周期、震荡各做了一次。
大周期：-10-10至-10-10-3%买，5%卖：【策略年化：75.38%】【基准年化：4.06%】 />-5%买，10%卖：【策略年化：76.77%】【基准年化：4.06%】 />-8%买，18%卖：【策略年化：77.18%】【基准年化：4.06%】 />震荡：-06-10至-10-20-3%买，5%卖：【策略年化：37.83%】【基准年化：-13.79%】 />-5%买，10%卖：【策略年化：43.85%】【基准年化：-13.79%】 />-8%买，18%卖：【策略年化：48.67%】【基准年化：-13.7%】 />
下面是基本网格策略源码
# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。
from vitu import ai, log
# 配置单/多账户初始持仓信息，name字段区分
ai.create_account(name='account1', exchange='binance', account_type='digital.spot',
position_base=[{'asset': 'btc', 'qty': 10},{'asset': 'usdt', 'qty': 50000}])
# 在这个方法中编写任何的初始化逻辑，context对象将会在你的算法策略的任何方法之间做传递
def initialize(context):
context.account = context.get_account('account1')
context.universe = "BTC/USDT.binance"
context.initial_price = {}
# 连续N日下跌
def is_fall_nday(context, universe, days):
close_price = context.history(universe, 'close', bars=days+1, rtype='list')
cnt = 0
for i in range(days):
daily_return = (close_price[i+1]-close_price[i])/close_price[i]
if daily_return < 0:
cnt +=1
if cnt == days:
return True
else:
return False
# 比较现价于N日均价
def compare_current_nmoveavg(context, universe, days, multi):
current_price = context.get_price(universe)
moveavg = context.history(universe, 'close', bars=days, rtype='dataframe').mean()
if current_price > multi*moveavg:
return True
else:
return False
# 初始底仓，没有initial_price，则建立基准价
def initial_price(context, universe):
if not context.initial_price.get(universe):
context.initial_price[universe] = context.get_price(universe)
def setup_position(context, universe, bench, status):
bottom_price = context.initial_price.get(universe)
current_price = context.get_price(context.universe)
btc_unit_value = 0.02
# usdt_unit_value = 10
returns = (current_price-bottom_price)/bottom_price
if status == 'buy':
if returns < bench:
context.account.buy(universe,current_price,4*btc_unit_value)
elif returns < 2 * bench:
context.account.buy(universe,current_price,3*btc_unit_value)
elif returns < 3 * bench:
context.account.buy(universe,current_price,2*btc_unit_value)
elif returns < 4 * bench:
context.account.buy(universe,current_price,1*btc_unit_value)
elif status == 'sell':
if returns > bench:
context.account.sell(universe, current_price, 4*btc_unit_value)
elif returns > 2 * bench:
context.account.sell(universe, current_price, 3*btc_unit_value)
elif returns > 3 * bench:
context.account.sell(universe, current_price, 2*btc_unit_value)
elif returns > 4 * bench:
context.account.sell(universe, current_price, btc_unit_value)
# 你选择的universe crypto的数据更新将会触发此段逻辑，例如日线历史数据或者是实时数据更新
def handle_data(context):
# 连续5日下跌，不操作
if is_fall_nday(context, context.universe, 5):
return
# 大于5日平均或10日平均1.5倍以上，不操作
if compare_current_nmoveavg(context, context.universe, 5, 1.5) or compare_current_nmoveavg(context, context.universe, 10, 1.5):
return
# 1. 初始建仓
initial_price(context, context.universe)
# 2. 开仓步长
setup_position(context, context.universe, -0.03, 'buy')
# 3. 平仓步长
setup_position(context, context.universe, 0.05, 'sell')
# 可以直接指定universe，或者通过筛选条件选择universe池
universe = ai.create_universe(['BTC/USDT.binance'])
# 配置策略参数如：基准、回测数据级别等
my_strategy = ai.create_strategy(
initialize,
handle_data,
universe=universe,
benchmark='csi5',
freq='d',
refresh_rate=1
)
# 配置回测参数如：回测日期、手续费率
ai.backtest(
strategy=my_strategy,
start='-10-01',
end='-03-10',
commission={'taker': 0.01, 'maker': 0.01}
)
