# quantOS量化策略样例(1)：选股
本文主要内容：
- 用**JAQS的股票Alpha框架**做股票策略回测；
- 用**TradeSim**在线仿真交易。
代码量：<100行；预计阅读时间：5分钟。
完整代码及样例见[这里](https://github.com/quantOS-org/JAQS/blob/master/example/alpha/first_example.py)，安装JAQS后即可直接运行（安装教程，参见 [JAQS安装指南](https://github.com/quantOS-org/JAQS/blob/master/doc/install.md)）。
## 策略描述
- 每月调仓一次；
- 每次调仓时，将食品饮料行业（中证申万食品饮料指数）的所有成份股按照市值权重构建目标投资组合，依照此目标进行买卖；
- 初始资金1亿，回测期间收益均再投资；
- 策略目标是获得比沪深300更好的收益。
## 策略回测和结果分析
我们使用[JAQS](https://www.quantos.org/jaqs/index.html)来完成数据获取和回测。关于JAQS的介绍，见本文最后部分。
### 策略实现
实现并回测该策略的代码可分为两部分：**准备数据**和**利用准备好的数据进行回测**，这是因为同样的策略可以在不同数据上测试，同样的数据也可以用于不同数据的回测。JAQS也依照这一理念进行了模块化设计，具体请看下方例子。
#### 准备数据
根据策略描述，我们需要以下数据：
- 投资范围(universe)：中证申万食品饮料指数 `000807.SH`的所有成份股；
- 业绩比较基准(benchmark)：沪深300指数 `000300.SH`；
- 市值：投资范围内所有股票的市值；
- 起止时间：回测运行的时间段；
- 日行情：包括高开低收、成交量等，这是回测必然会用到的数据。
使用JAQS提供的`DataView`工具，可方便地获取以上数据：
```python
dataview_props = {# Start and end date of back-test
'start_date': 20170101, 'end_date': 20171030,
# Investment universe and performance benchmark
'universe': UNIVERSE, 'benchmark': '000300.SH',
# Data fields that we need
'fields': 'total_mv,turnover',
# freq = 1 means we use daily data. Please do not change this.
'freq': 1}
# RemoteDataService communicates with a remote server to fetch data
ds = RemoteDataService()
# Use username and password in data_config to login
ds.init_from_config(data_config)
# DataView utilizes RemoteDataService to get various data and store them
dv = DataView()
dv.init_from_config(dataview_props, ds)
dv.prepare_data()
dv.save_dataview(folder_path=dataview_store_folder)
```
运行后，在输出中看到：
```shell
Dataview has been successfully saved to:
'dataview_store_folder'
You can load it with load_dataview('dataview_store_folder')
```
则说明`DataView`已经自动获取数据并存储在我们设置的存储路径`dataview_store_folder`里。
数据存储好后，可多次读取使用，无需再连接数据服务器。
#### 策略回测
首先需要读取保存好的数据文件：
```python
# Load local data file that we just stored.
dv = DataView()
dv.load_dataview(folder_path=dataview_store_folder)
```
读取后会看到如下输出：
```shell
Dataview loaded successfully.
```
接下来是策略部分。我们使用JAQS的股票Alpha策略框架`AlphaStrategy`、回测框架`AlphaBacktestInstance`实现。
框架允许用户任意指定投资范围内每只股票的权重，同时对于等权重、市值权重等常用情况，JAQS已经内置了相应函数，用户无需自己实现。
我们需要设置起止时间、初始资金等回测配置`backtest_props`，建立策略对象`AlphaStrategy`，回测实例对象`AlphaBacktestInstance`等。此外还需要建立运行上下文`context`，用于放置一些全局变量。
```python
backtest_props = {# start and end date of back-test
"start_date": dv.start_date,
"end_date": dv.end_date,
# re-balance period length
"period": "month",
# benchmark and universe
"benchmark": dv.benchmark,
"universe": dv.universe,
# Amount of money at the start of back-test
"init_balance": 1e8}
# This is our strategy
strategy = AlphaStrategy(pc_method='market_value_weight')
# BacktestInstance is in charge of running the back-test
bt = AlphaBacktestInstance()
# Public variables are stored in context. We can also store anything in it
context = model.Context(dataview=dv, instance=bt, strategy=strategy, trade_api=trade_api, pm=pm)
```
准备好这些对象后，即可运行回测并储存结果：
```python
bt.init_from_config(backtest_props)
bt.run_alpha()
# After finishing back-test, we save trade results into a folder
bt.save_results(folder_path=backtest_result_folder)
```
回测过程中会实时输出回测进度及资金情况，如：
```shell
AlphaStrategy Initialized.
=======new day 20170103
Before 20170103 re-balance: available cash all = 1.0000e+08
=======new day 20170203
Before 20170203 re-balance: available cash all = 1.0054e+08
```
回测完成后，会有如下提示：
```shell
Backtest done. 240 days, 5.27e+02 trades in total.
Backtest results has been successfully saved to:
'backtest_result_folder'
```
即回测的结果（交易记录）和回测相关配置已成功存储在`backtest_result_folder`内。用户可自行查看，也可使用我们提供的分析工具进行分析，见下一节。
### 结果分析
我们使用JAQS的`Analyzer`工具。分析时同样基于保存好的`DataView`和回测结果进行：
```python
# Analyzer help us calculate various trade statistics according to trade results.
# All the calculation results will be stored as its members.
ta = ana.AlphaAnalyzer()
ta.initialize(dataview=dv, file_folder=backtest_result_folder)
ta.do_analyze(result_dir=backtest_result_folder,
selected_sec=list(ta.universe)[:3])
```
其中`selected_sec`参数是一个`list`，存放标的代码，其中存放的标的的买卖详情会绘制在回测报告中。
分析完成后，会生成HTML格式的回测报告，并输出报告所在路径。报告样例截图如下：
## 仿真交易
若想将以上策略接入仿真交易，仍使用JAQS运行策略，最后用[TradeSim](https://www.quantos.org/tradesim/index.html)进行仿真交易与撮合。无需修改策略代码，只需修改主程序
，只需更换`AlphaTradeApi`和`AlphaBacktestInstance`：
```python
livetrade_props = {"period": "day",
"strategy_no": 1044,
"init_balance" 1e6}
strategy = AlphaStrategy(pc_method='market_value_weight')
bt = AlphaLiveTradeInstance()
trade_api = RealTimeTradeApi(props)
ds = RemoteDataService()
context = model.Context(dataview=dv, instance=bt, strategy=strategy, trade_api=trade_api, pm=pm, data_api=ds)
bt.init_from_config(props)
bt.run_alpha()
```
以上代码中，我们将`AlphaBacktestInstance`更换为`AlphaLiveTradeInstance`，将`AlphaTradeApi`更换为`RealTimeTradeApi`，并使用`RemoteDataService`以获取最新数据。注意`livetrade_props`中需要填写`strategy_no`项，这是我们的策略号，不同用户不同。
运行`run_alpha`后，策略会根据最新数据产生目标投资组合，可从`strategy.goal_positions`中取出并发单：
```python
goal_positions = strategy.goal_positions
task_id, msg = trade_api.basket_order(goal_positions)
```
发单成功后，`trade_api`为该任务的编号，msg为返回信息。
具体订单、持仓、盈亏等可在[仿真交易网站](https://www.quantos.org/tradesim/trade.html)查看，也可使用[vnTrade](https://github.com/quantOS-org/TradeSim/tree/master/vnTrader)客户端查看，如下图：
*__注__：以上只展示了部分核心代码段，__无法直接运行__。完整、可运行代码可在[这里](https://github.com/quantOS-org/JAQS/blob/master/example/alpha/first_example.py)下载。*
## 附：JAQS简介
策略开发的完整流程一般是以下四步的循环往复，JAQS在这四步都提供了支持：
1. **数据**收集处理：我们提供了标准接口`DataApi`, 便利接口`DataService`, 高效工具`DataView`
2. 对数据进行**研究**：我们提供进行信号/事件研究的`SignalDigger`
3. 根据研究结果开发策略并**回测**：我们提供两种策略回测框架，Alpha选股和事件驱动择时（如CTA、套利）
4. 对回测结果进行**分析**：我们提供直观简洁的报告`Report`，以及分析内容丰富、可进一步开发的分析器`Analyzer`
本文作为入门系列，主要围绕具体样例，介绍了回测部分，更多资料，参见[官方网站。](https://www.quantos.org/jaqs/index.html)