tech

用Python自动化网格交易

在本文中，我们将实现一个 Python 脚本来模拟网格交易并使用历史数据回测其有效性。让我们开始吧。

一键发币： SUI | SOL | BNB | ETH | BASE | ARB | OP | POLYGON | AVAX | FTM | OK

欢迎来到今天的网格交易探索——一种简单且可能有利可图的交易策略，它避开了传统的技术指标。这种方法高度适应算法交易，当使用 Python 进行测试时，它在两个月的 5 分钟时间内显示出令人印象深刻的股权增长。值得注意的是，夏普比率达到了接近 5.7 的值。

1、什么是网格交易？

网格交易涉及在图表上构建预定义价格水平的网格。每当价格触及其中一个水平时，就会执行多头和空头头寸。这些交易的利润目标被分配给后续的网格水平。这种策略在震荡市场中蓬勃发展，尤其是在价格频繁波动的较低时间范围内。

在本文中，我们将实现一个 Python 脚本来模拟网格交易并使用历史数据回测其有效性。让我们开始吧。

2、设置 Python 环境

在实施我们的策略之前，让我们导入必要的 Python 库并检索历史 EUR/USD 数据：

import yfinance as yf
import pandas as pd
import numpy as np
import pandas_ta as ta

# Download the EUR/USD data for the last 59 days with a 5-minute interval
dataF = yf.download("EURUSD=X",
                     start=pd.Timestamp.today() - pd.DateOffset(days=59),
                     end=pd.Timestamp.today(),
                     interval='5m')

使用的库：

yfinance (yf)：从 Yahoo Finance 下载金融市场数据。
andas (pd)：提供强大的数据处理功能。
numpy (np)：支持高效的数值计算。
pandas_ta (ta)：提供技术分析指标。

通过使用 yfinance 下载高频数据，我们创建了一个详细的数据集，非常适合回测我们的网格交易策略。

3、创建网格

网格”是一系列均匀分布的价格水平，构成交易策略的支柱。我们可以根据不同的市场条件进行调整的参数生成网格值：

grid_distance = 0.005  # Distance between grid levels
midprice = 1.065       # Central reference price

def generate_grid(midprice, grid_distance, grid_range):
    return np.arange(midprice - grid_range, midprice + grid_range, grid_distance)
grid = generate_grid(midprice=midprice, grid_distance=grid_distance, grid_range=0.1)

grid_distance (0.005)：网格线之间的增量价格差距。
midprice (1.065)：充当网格的中点。
grid_range (0.1)：确定中间价格上方和下方网格水平的总范围。

可以根据资产及其市场条件动态调整这些参数。 generate_grid 函数可自动创建网格，从而促进交易策略的结构化方法。

4、生成交易信号

每当价格跨越网格级别时，就会生成信号。这会触发多头和空头交易：

signal = [0] * len(dataF)
i = 0
for index, row in dataF.iterrows():
    for p in grid:
        if min(row.Low, row.High) < p and max(row.Low, row.High) > p:
            signal[i] = 1
    i += 1
dataF["signal"] = signal
dataF[dataF["signal"] == 1]

信号逻辑：

如果一行的最高价和最低价跨越网格线，则会生成交易信号。
信号列附加到数据集以进行回溯测试。

5、准备回测

在运行回测之前，我们通过计算平均真实波动范围 (ATR) 来增强我们的数据集，这有助于优化交易参数。

dfpl = dataF[:].copy()

def SIGNAL():
    return dfpl.signal
dfpl['ATR'] = ta.atr(high=dfpl.High, low=dfpl.Low, close=dfpl.Close, length=16)
dfpl.dropna(inplace=True)

ATR 是一种波动性度量，它允许我们动态调整止损和止盈水平。

6、运行回测

在这里，我们定义一个自定义网格交易策略并使用回测库评估其性能：

from backtesting import Strategy, Backtest
import backtesting

class MyStrat(Strategy):
    mysize = 50
    def init(self):
        super().init()
        self.signal1 = self.I(SIGNAL)
    def next(self):
        super().next()
        slatr = 1.5 * grid_distance  # Stop-loss distance
        TPSLRatio = 0.5              # Take profit:stop loss ratio
        if self.signal1 == 1 and len(self.trades) <= 10000:
            # Short Trade
            sl1 = self.data.Close[-1] + slatr
            tp1 = self.data.Close[-1] - slatr * TPSLRatio
            self.sell(sl=sl1, tp=tp1, size=self.mysize)
            # Long Trade
            sl1 = self.data.Close[-1] - slatr
            tp1 = self.data.Close[-1] + slatr * TPSLRatio
            self.buy(sl=sl1, tp=tp1, size=self.mysize)
# Execute the backtest
bt = Backtest(dfpl, MyStrat, cash=50, margin=1/100, hedging=True, exclusive_orders=False)
stat = bt.run()

关键见解：