# 根据不同的时间段设置滑点与手续费def set_slip_fee(context): # 将滑点设置为0 set_slippage(FixedSlippage(0)) # 根据不同的时间段设置手续费 dt=context.current_dt if dt>datetime.datetime(2013,1, 1): set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5)) elif dt>datetime.datetime(2011,1, 1): set_commission(PerTrade(buy_cost=0.001, sell_cost=0.002, min_cost=5)) elif dt>datetime.datetime(2009,1, 1): set_commission(PerTrade(buy_cost=0.002, sell_cost=0.003, min_cost=5)) else: set_commission(PerTrade(buy_cost=0.003, sell_cost=0.004, min_cost=5))
计算指数移动平均线
# 计算指数移动平均线数据# 输入：股票代码-字符串，移动指数平均线天数-整数，data# 输出：今天和昨天的移动指数平均数-浮点数def get_EMA(security_code,days,data): # 如果只有一天的话,前一天的收盘价就是移动平均 if days==1: # 获得前两天的收盘价数据，一个作为上一期的移动平均值，后一个作为当期的移动平均值 t = attribute_history(security_code, 2, '1d', ('close')) return t['close'][-2],t['close'][-1] else: # 如果全局变量g.EMAs不存在的话，创建一个字典类型的变量，用来记录已经计算出来的EMA值 if 'EMAs' not in dir(g): g.EMAs={} # 字典的关键字用股票编码和天数连接起来唯一确定，以免不同股票或者不同天数的指数移动平均弄在一起了 key="%s%d" %(security_code,days) # 如果关键字存在，说明之前已经计算过EMA了，直接迭代即可 if key in g.EMAs: #计算alpha值 alpha=(days-1.0)/(days+1.0) # 获得前一天的EMA（这个是保存下来的了） EMA_pre=g.EMAs[key] # EMA迭代计算 EMA_now=EMA_pre*alpha+data[security_code].close*(1.0-alpha) # 写入新的EMA值 g.EMAs[key]=EMA_now # 给用户返回昨天和今天的两个EMA值 return (EMA_pre,EMA_now) # 如果关键字不存在，说明之前没有计算过这个EMA，因此要初始化 else: # 获得days天的移动平均 ma=get_MA(security_code,days) # 如果滑动平均存在（不返回NaN）的话，那么我们已经有足够数据可以对这个EMA初始化了 if not(isnan(ma)): g.EMAs[key]=ma # 因为刚刚初始化，所以前一期的EMA还不存在 return (float("nan"),ma) else: # 移动平均数据不足days天，只好返回NaN值 return (float("nan"),float("nan"))
- 计算移动平均线
-
# 计算移动平均线数据# 输入：股票代码-字符串，移动平均线天数-整数# 输出：算术平均值-浮点数def get_MA(security_code,days):# 获得前days天的数据，详见APIa=attribute_history(security_code, days, '1d', ('close'))# 定义一个局部变量sum，用于求和sum=0# 对前days天的收盘价进行求和for i in range(1,days+1):sum+=a['close'][-i]# 求和之后除以天数就可以的得到算术平均值啦return sum/days