Question

我正在努力让zipline与非美国的日内数据一起使用，我已将其加载到pandas DataFrame中：

                        BARC    HSBA     LLOY     STAN
Date                                                  
2014-07-01 08:30:00  321.250  894.55  112.105  1777.25
2014-07-01 08:32:00  321.150  894.70  112.095  1777.00
2014-07-01 08:34:00  321.075  894.80  112.140  1776.50
2014-07-01 08:36:00  321.725  894.80  112.255  1777.00
2014-07-01 08:38:00  321.675  894.70  112.290  1777.00

我已经按照移动平均线教程here，用我自己的符号代码替换“AAPL”，用“1m”数据代替“1d”代替历史调用。

然后我使用algo_obj.run(DataFrameSource(mydf))进行最终通话，其中mydf是上面的数据框。

然而，TradingEnvironment出现了各种各样的问题。根据源代码：

# This module maintains a global variable, environment, which is
# subsequently referenced directly by zipline financial
# components. To set the environment, you can set the property on
# the module directly:
#       from zipline.finance import trading
#       trading.environment = TradingEnvironment()
#
# or if you want to switch the environment for a limited context
# you can use a TradingEnvironment in a with clause:
#       lse = TradingEnvironment(bm_index="^FTSE", exchange_tz="Europe/London")
#       with lse:
# the code here will have lse as the global trading.environment
#           algo.run(start, end)

但是，使用上下文似乎并不完全有效。我仍然会遇到错误，例如说明我的时间戳是在市场开放之前（实际上，看trading.environment.open_and_close时间是针对美国市场的。

我的问题是，有没有人设法使用非美国日内数据的zipline？你能指点我一个资源，理想情况下代码如何做到这一点？

n.b。我已经看到github上有一些似乎与交易日历有关的tests（tradincalendar_lse.py，tradingcalendar_tse.py等） - 但这似乎只处理每日级别的数据。我需要修理：

开放/关闭时间
基准的参考数据
可能更多......

Answer 1

在摆弄教程笔记本之后，我已经开始工作了。代码示例如下。如原始问题中所述，它使用DF mid。有几点值得一提：

交易日历我手动创建一个，并使用 tradingcalendar_lse.py 中的non_working_days分配给trading.environment。或者，您可以创建一个完全符合您数据的数据（但对于样本外数据可能会出现问题）。您需要定义两个字段：trading_days和open_and_closes。
sim_params 默认的开始/结束值存在问题，因为它们无法识别时区。所以你必须创建一个sim_params对象并使用时区传递开始/结束参数。
此外，必须使用参数overwrite_sim_params = False调用run()，因为calculate_first_open / close会引发时间戳错误。

我应该提一下，它也可以传递pandas Panel数据，其中minor_axis中的字段为open，high，low，close，price和volume。但在这种情况下，前面的字段是强制性的 - 否则会引发错误。

请注意，此代码仅生成性能的每日摘要。我确定必须有一种方法可以在一分钟的分辨率下得到结果（我认为这是由emission_rate设定的，但显然它不是）。如果有人知道请评论，我会更新代码。另外，不确定api的电话是什么叫“分析”＃39; （即在IPython中使用%%zipline魔法时，如教程中所述，analyze()方法会自动调用。如何手动执行此操作？）

import pytz
from datetime import datetime

from zipline.algorithm import TradingAlgorithm
from zipline.utils import tradingcalendar
from zipline.utils import tradingcalendar_lse
from zipline.finance.trading import TradingEnvironment
from zipline.api import order_target, record, symbol, history, add_history
from zipline.finance import trading

def initialize(context):
    # Register 2 histories that track daily prices,
    # one with a 100 window and one with a 300 day window
    add_history(10, '1m', 'price')
    add_history(30, '1m', 'price')

    context.i = 0


def handle_data(context, data):
    # Skip first 30 mins to get full windows
    context.i += 1
    if context.i < 30:
        return

    # Compute averages
    # history() has to be called with the same params
    # from above and returns a pandas dataframe.
    short_mavg = history(10, '1m', 'price').mean()
    long_mavg = history(30, '1m', 'price').mean()

    sym = symbol('BARC')

    # Trading logic
    if short_mavg[sym] > long_mavg[sym]:
        # order_target orders as many shares as needed to
        # achieve the desired number of shares.
        order_target(sym, 100)
    elif short_mavg[sym] < long_mavg[sym]:
        order_target(sym, 0)

    # Save values for later inspection
    record(BARC=data[sym].price,
           short_mavg=short_mavg[sym],
           long_mavg=long_mavg[sym])

def analyze(context,perf) : 
    perf["pnl"].plot(title="Strategy P&L")

# Create algorithm object passing in initialize and
# handle_data functions

# This is needed to handle the correct calendar. Assume that market data has the right index for tradeable days.
# Passing in env_trading_calendar=tradingcalendar_lse doesn't appear to work, as it doesn't implement open_and_closes
from zipline.utils import tradingcalendar_lse
trading.environment = TradingEnvironment(bm_symbol='^FTSE', exchange_tz='Europe/London')
#trading.environment.trading_days = mid.index.normalize().unique()
trading.environment.trading_days = pd.date_range(start=mid.index.normalize()[0],
                                                 end=mid.index.normalize()[-1],
                                                 freq=pd.tseries.offsets.CDay(holidays=tradingcalendar_lse.non_trading_days))

trading.environment.open_and_closes = pd.DataFrame(index=trading.environment.trading_days,columns=["market_open","market_close"])
trading.environment.open_and_closes.market_open = (trading.environment.open_and_closes.index + pd.to_timedelta(60*7,unit="T")).to_pydatetime()
trading.environment.open_and_closes.market_close = (trading.environment.open_and_closes.index + pd.to_timedelta(60*15+30,unit="T")).to_pydatetime()


from zipline.utils.factory import create_simulation_parameters
sim_params = create_simulation_parameters(
   start = pd.to_datetime("2014-07-01 08:30:00").tz_localize("Europe/London").tz_convert("UTC"),  #Bug in code doesn't set tz if these are not specified (finance/trading.py:SimulationParameters.calculate_first_open[close])
   end = pd.to_datetime("2014-07-24 16:30:00").tz_localize("Europe/London").tz_convert("UTC"),
   data_frequency = "minute",
   emission_rate = "minute",
   sids = ["BARC"])
algo_obj = TradingAlgorithm(initialize=initialize, 
                            handle_data=handle_data,
                            sim_params=sim_params)

# Run algorithm
perf_manual = algo_obj.run(mid,overwrite_sim_params=False) # overwrite == True calls calculate_first_open[close] (see above)

Answer 2

@Luciano

您可以在代码末尾添加analyze(None, perf_manual)，以便自动运行分析流程。

使用非美国（欧洲）日内数据的zipline回测

2 个答案: