如何用WonderTrader开发商品套利策略

前言

  《WonderTrader架构详解》系列文章已经写了四篇了，对于笔者这样的懒人来说，实在是一个大工程。这次先暂时不介绍架构了，本文将给大家介绍一下如何在WonderTrader上编写一个跨品种套利策略，旨在给大家演示一下WonderTrader下多标的策略的一般写法，同时也介绍一下笔者在wtpy最新版本v0.6.3中最新发布的绩效分析模块。

WonderTrader架构文章列表：

• WonderTrader架构详解之一——整体架构
• WonderTrader架构详解之二——从数据说起
• WonderTrader架构详解之三——信号与执行
• WonderTrader架构详解之四——浅谈平台对策略的支持

套利策略简介

  相信每一个做量化的人，都研究过套利策略。套利策略以其逻辑的相对简单、收益的相对稳定而得到多数人的青睐。同时，套利策略和趋势策略有较强的互补性，这就意味着，如果配合得当，对平滑收益曲线，降低绩效的波动，提高夏普有极大的促进作用。
  套利策略的分类就非常多了，笔者曾在《WonderTrader架构详解之四——浅谈平台对策略的支持》文中引用了丁鹏博士的《量化投资——策略与技术》对于策略的分类，里面提到的套利的模式就有很多种，例如：期现套、跨期套、跨品种套、配对交易等等。
  笔者为了开发该策略，查阅资料的时候，看到一个观点，深以为然：不管套利策略分类多么繁复，套利策略的本质是在不同合约之间的价差波动中寻找交易机会。

套利策略实现

策略设计

  鉴于笔者的量化策略的技能树，还没点亮，所以本文中的策略示例，是从互联网上学习到的，笔者在此由衷地感谢此策略的分享者。该策略基本设计如下：

• 合约对选择螺纹钢主力连续合约SHFE.rb.HOT和铁矿石主力连续合约DCE.i.HOT
• 回测数据为主力连续数据，进行了复权处理，防止主力合约换月不同步的时候引起的价差变化
• 基于1分钟数据，对过去N分钟两组收盘价序列进行线性回归，得到一个系数beta、一个常量c和一个残差序列
• 对残差序列进行ADF检验，如果残差序列是一个平稳序列，则进入信号计算逻辑
• 根据得到的系数beta和常量c，以及最新的价格计算新的残差
• 当新的残差超出一个阈值，就触发入场信号，当价差再回归到阈值以内，就触发出场信号

策略实现

• 参数设计
  根据上文的介绍，策略核心的参数如下：

  • code1：套利合约1，本例设置为SHFE.rb.HOT
  • code2：套利合约2，本例设置为DCE.i.HOT
  • period：数据周期，本例设置为m1，即一分钟线
  • threshold：阈值，本例设置为0.9
  • N：统计的K线条数，本例设置为360，即一个交易日的一分钟线
  • bar_cnt：策略读取的K线条数，大于N，主要考虑预留滚动计算的空间

  def __init__(self, name:str, code1:str, code2:str, bar_cnt:int, 
                          period:str, N:int, threshold:float=1):
      BaseCtaStrategy.__init__(self, name)
  
      self.__n__ = N
      self.__threshold__ = threshold
  
      self.__period__ = period
      self.__bar_cnt__ = bar_cnt
      self.__code_1__ = code1
      self.__code_2__ = code2

• 协整检验
  策略核心的逻辑在于协整检验，只有协整检验通过了，才能进行信号触发。

  # 协整检验函数
  def cointegration_check(series01, series02):
      # 对两个序列分别进行ADF检验
      urt_1 = ts.adfuller(np.array(series01), 1)[1]
      urt_2 = ts.adfuller(np.array(series02), 1)[1]
  
      # 同时平稳或不平稳则差分再次检验
      if (urt_1 > 0.1 and urt_2 > 0.1) or (urt_1 < 0.1 and urt_2 < 0.1):
          urt_diff_1 = ts.adfuller(np.diff(np.array(series01)), 1)[1]
          urt_diff_2 = ts.adfuller(np.diff(np.array(series02), 1))[1]
  
          # 同时差分平稳进行OLS回归的残差平稳检验
          if urt_diff_1 < 0.1 and urt_diff_2 < 0.1:
              matrix = np.vstack([series02, np.ones(len(series02))]).T
              beta, c = np.linalg.lstsq(matrix, series01, rcond=None)[0]
              resid = series01 - beta * series02 - c
              # 最后对残差序列再进行ADF检验
              if ts.adfuller(np.array(resid), 1)[1] > 0.1:
                  result = False
              else:
                  result = True
              return beta, c, resid, result
          else:
              result = False
              return 0.0, 0.0, 0.0, result
  
      else:
          result = False
          return 0.0, 0.0, 0.0, result

• 信号发出
  当残差超出上边界，说明残差正向扩大，根据残差均值回归的特性，这时就需要做空价差；相反的，当残差超出下边界，说明残差反向扩大，这时就需要做多价差；当参加在上下边界范围之内，则清掉已有的头寸，等待下一次机会。

  # 计算新残差
  resid_new = close_ay1[-1] - self.beta * close_ay2[-1] - self.c
  
  if resid_new > self.up and curPos1 != 1:
      context.stra_log_text("[%d.%04d]残差正向扩大，做空价差" % (curDate, curTime))
      context.stra_enter_short(self.__code_1__, 1, 'OpenSA')
      context.stra_enter_long(self.__code_2__, 1, 'OpenLB')
  
  elif resid_new < self.down and curPos1 != -1:
      context.stra_log_text("[%d.%04d]残差反向扩大，做多价差" % (curDate, curTime))
      context.stra_enter_long(self.__code_1__, 1, 'OpenLA')
      context.stra_enter_short(self.__code_2__, 1, 'OpenSB')
  
  elif curPos1 != 0 and self.down  <= resid_new and resid_new <= self.up:
      context.stra_log_text("[%d.%04d]残差回归，清掉头寸" % (curDate, curTime))
      context.stra_set_position(self.__code_1__, 0, 'CutA')
      context.stra_set_position(self.__code_2__, 0, 'CutB')

策略回测

绩效分析

本例中采用的wtpy在v0.6.3版本中发布的增强版绩效分析工具进行分析，调用方法和老版本基本一样，但是分析的入口有所变化。

analyst = WtBtAnalyst()
analyst.add_strategy("t1_rb_i", folder="./outputs_bt/t1_rb_i/", init_capital=350000, rf=0.02, annual_trading_days=240)
# 绩效分析的入口，老版本run的仍然可用
analyst.run_new()

绩效分析截图

策略绩效概要

详细交易列表

总体交易分析

连续交易分析

收益分布

日度绩效分析

其他周期绩效

逐日绩效概览

  从前面可以看出，新版本的绩效分析模块提供了更多维度的分析功能。新版本的绩效分析模块，主要参考了MultiCharts的绩效分析报告，所以从分析结果的全面性和实用性来说，应该是有保障的。
  回到策略本身，从前面的绩效报告可以看出，该策略显然是不大成功的。如何优化该策略呢？笔者考虑是否可以通过加入止盈止损逻辑来进行优化，或者通过调整阈值进行优化。不过这些已经超出本文的宗旨了，如果有朋友感兴趣，可以自行研究。

策略获取

本文中的示例策略已经分享到github上wtpy项目中的/demos/cta_arbitrage_bt下，有兴趣的朋友可以自行去下载。点此跳转

结束语

  本文对利用WonderTrader编写套利策略的介绍就到此结束了。笔者今日一边写文章，一边感到忐忑不安。笔者虽然一直在优秀的量化团队里跟大家一起合作，但是由于笔者是从事技术方面的工作，所以对策略的了解毕竟还是停留在表面，因此生怕今天分享的策略出现了低级错误。好在笔者最后还是决定从网络上寻找现成的策略，这样才稍稍缓解了笔者的不安。即便是这样，本文及本文演示的策略也难免有错漏之处，也希望各位看客能够包涵指正。所幸本文的终极目标是通过笔者今日抛出的“砖头”引起大家找到更多的“美玉”，如果能够对大家有所裨益，那就再好不过了。

  最后再安利一下WonderTrader
  WonderTrader旨在给各位量化从业人员提供更好的轮子，将技术相关的东西都封装在平台中，打造更高效的底层框架，力求给策略研发带来更好的策略开发和交易体验。

WonderTrader的github地址：https://github.com/wondertrad...

WonderTrader官网地址：https://wondertrader.github.io

wtpy的github地址：https://github.com/wondertrad...

---

市场有风险，投资需谨慎。以上陈述仅作为对于历史事件的回顾，不代表对未来的观点，同时不作为任何投资建议。