PTrade 平台如何编写 OBV 能量潮交易策略？

这是一个基于 OBV (On-Balance Volume，能量潮) 指标的量化交易策略。

策略原理

OBV 指标通过统计成交量的变动趋势来推测股价趋势。

1. 计算 OBV：
   • 如果今日收盘价 > 昨日收盘价，则今日 OBV = 昨日 OBV + 今日成交量。
   • 如果今日收盘价 < 昨日收盘价，则今日 OBV = 昨日 OBV - 今日成交量。
   • 如果今日收盘价 = 昨日收盘价，则今日 OBV = 昨日 OBV。
2. 交易逻辑 (OBV 均线交叉策略)：
   • 为了平滑信号，我们计算 OBV 的移动平均线 (MA_OBV)。
   • 买入信号：当 OBV 线上穿 MA_OBV 线（金叉），视为资金流入，看涨。
   • 卖出信号：当 OBV 线跌破 MA_OBV 线（死叉），视为资金流出，看跌。

策略代码

import talib
import numpy as np

def initialize(context):
    """
    初始化函数，设置股票池、参数和手续费
    """
    # 设置要操作的股票，这里以恒生电子为例
    g.security = '600570.SS'
    # 设置股票池
    set_universe(g.security)
    
    # 策略参数
    # OBV均线周期，通常取30天，可根据回测调整
    g.obv_ma_window = 30
    
    # 设置回测时的手续费，股票买入万三，卖出万三加千一印花税
    set_commission(commission_ratio=0.0003, min_commission=5.0, type='STOCK')
    # 设置滑点
    set_slippage(slippage=0.002)

def handle_data(context, data):
    """
    盘中运行函数，每个单位时间（如每天）运行一次
    """
    security = g.security
    
    # 1. 获取历史数据
    # 我们需要足够的数据来计算OBV和它的均线
    # 获取数量 = 均线周期 + 缓冲期(用于指标初始化)
    count = g.obv_ma_window + 100
    
    # 获取收盘价和成交量，使用前复权(pre)以保证价格连续性
    # get_history 返回的是 DataFrame
    hist = get_history(count, frequency='1d', field=['close', 'volume'], security_list=security, fq='pre')
    
    # 如果数据不足，直接返回
    if len(hist['close']) < count:
        return

    # 提取 close 和 volume 为 numpy 数组，talib 需要 numpy 数组作为输入
    close_prices = hist['close'].values
    volumes = hist['volume'].values
    
    # 2. 计算 OBV 指标
    # 使用 talib 库计算 OBV
    # 注意：talib.OBV 返回的是一个数组
    obv = talib.OBV(close_prices, volumes)
    
    # 3. 计算 OBV 的移动平均线 (MA)
    # 这里使用简单移动平均 SMA
    obv_ma = talib.SMA(obv, timeperiod=g.obv_ma_window)
    
    # 4. 获取当前和前一时刻的指标值用于判断交叉
    # 当前周期的 OBV 和 MA
    current_obv = obv[-1]
    current_obv_ma = obv_ma[-1]
    
    # 前一周期的 OBV 和 MA
    prev_obv = obv[-2]
    prev_obv_ma = obv_ma[-2]
    
    # 检查计算结果是否包含 NaN (数据不足时 talib 会返回 NaN)
    if np.isnan(current_obv_ma) or np.isnan(prev_obv_ma):
        return

    # 5. 获取当前持仓和资金情况
    position = get_position(security)
    current_cash = context.portfolio.cash
    
    # 6. 生成交易信号
    
    # 金叉：上穿均线 -> 买入
    # 条件：前一时刻 OBV <= 前一时刻 MA，且 当前 OBV > 当前 MA
    if prev_obv <= prev_obv_ma and current_obv > current_obv_ma:
        # 如果有可用资金，全仓买入
        if current_cash > 0:
            log.info("OBV金叉，买入股票: %s" % security)
            order_value(security, current_cash)
            
    # 死叉：下穿均线 -> 卖出
    # 条件：前一时刻 OBV >= 前一时刻 MA，且 当前 OBV < 当前 MA
    elif prev_obv >= prev_obv_ma and current_obv < current_obv_ma:
        # 如果有持仓，清仓卖出
        if position.amount > 0:
            log.info("OBV死叉，卖出股票: %s" % security)
            order_target(security, 0)

代码解析

1. 数据获取 (get_history):

   • 我们获取了 close (收盘价) 和 volume (成交量)。
   • count 设置得比较大 (g.obv_ma_window + 100)，这是因为 OBV 是累积指标，且计算移动平均线 (MA) 需要前面的数据作为铺垫，否则初期计算结果会是 NaN。

2. 指标计算 (talib):

   • PTrade 支持 talib 库，这是计算技术指标最高效的方法。
   • talib.OBV(close, volume) 直接计算出 OBV 序列。
   • talib.SMA(obv, timeperiod) 对 OBV 序列再做一次平滑处理，得到均线。

3. 信号判断:

   • 策略通过比较 current (当前) 和 prev (前一期) 的数值关系来判断“交叉”。
   • 金叉：prev_obv <= prev_ma 且 curr_obv > curr_ma。
   • 死叉：prev_obv >= prev_ma 且 curr_obv < curr_ma。

4. 交易执行:

   • order_value(security, cash)：用当前所有现金买入。
   • order_target(security, 0)：将持仓调整为 0，即清仓。

注意事项

• Python 版本：代码兼容 Python 3.5+，未使用 f-string 等新特性。
• 复权：get_history 中使用了 fq='pre' (前复权)。对于技术指标策略，使用前复权非常重要，否则分红派息导致的价格缺口会扭曲指标计算。
• 有效性：OBV 策略在趋势明显的市场中效果较好，但在震荡市中可能会频繁发出假信号，建议结合其他指标（如 MACD 或 RSI）进行过滤。

Q&A

Q: 为什么 OBV 指标需要配合均线使用？
A: 原始的 OBV 曲线波动较大且没有固定的取值范围（不像 RSI 在 0-100 之间）。单独看 OBV 的数值没有意义，重要的是它的趋势。通过加上一条移动平均线（MA），可以构建出相对的参照系，从而通过金叉和死叉来捕捉趋势的转折点。

Q: 代码中的 talib 是什么？
A: talib (Technical Analysis Library) 是一个广泛使用的金融技术分析库，PTrade 平台原生支持该库。它计算指标的速度比自己用 Python 写循环要快得多，且计算逻辑标准。

Q: 如何修改策略操作多只股票？
A: 目前代码针对单只股票 (g.security 为字符串)。若要操作多只股票，需将 g.security 设为列表，并在 handle_data 中使用 for security in g.security: 循环遍历每只股票，分别获取数据、计算指标和下单。