【Elite量化策略实验室】RUMI策略 - 1

发布于VeighNa社区公众号【vnpy-community】

原文作者：用Python的交易员 | 发布时间：2023-3-1

失踪系列回归

VeighNa平台面向专业量化交易用户的Elite（菁英版）从2022年10月开始内测以来，经过5个月时间的迭代目前已经到了0.9.0版本，预计将在3月底之前正式上线发布。

前期VeighNa Elite在开发上主要专注于交易系统性能方面的优化，如：

• 低延时事件引擎：实现更高速率的系统事件处理；
• 前后端分离架构：分离前端UI界面的运行时开销；
• 多进程策略并发：突破GIL带来的CPU单核算力上限。

后续根据内测用户的反馈，开始增加交易和策略相关的功能扩展，交易方面的内容包括：市场深度委托、多账户组合交易、标准化执行算法等。策略方面推出的则是更加针对量化私募机构策略开发需求的EliteCtaStrategy和ElitePortfolioStrategy模块。

翻了下公众号的历史记录，【VeighNa量化策略实验室】系列的上一篇文章更新已经是2021年9月的事情。时隔一年半再次回归，升级为基于VeighNa Elite版的【Elite量化策略实验室】，同样希望能够在量化策略研究方面给大家带来更多的灵感。

本文分享的RUMI策略来自于VeighNa社区用户推荐的互联网资料，原作者已经很难确定，甚至我们连RUMI具体是什么的缩写也不清楚（如果有知道的欢迎评论区留言）。

为了吊起大家的胃口，先来看一下螺纹钢期货上经过各种细节优化的结果：

策略基本信息

策略来源	互联网资料
策略类型	CTA策略
核心思路	均线偏离度平滑识别

策略核心原理

移动平均线（Moving Average）作为一种大家非常熟悉的技术指标，由于其非平稳性时间序列的特征（即均值并不围绕固定中枢波动），本身并不适合作为CTA策略的核心信号使用。

而简单的使用双均线金死叉作为交易信号，尽管能够在大趋势中捕捉相当一部分行情，但在均线缠绕出现的震荡类行情中则会遭遇来回打脸的问题。

因此RUMI策略采用了对均线偏离度平滑处理的方式，来更好的识别趋势机会：

• 快速均线：使用SMA（简单移动平均）计算
• 慢速均线：使用WMA（加权移动平均）计算
• DIFF：计算快慢均线的偏离度（两者相减）
• RUMI：对偏离度使用SMA进行平滑处理

有了RUMI指标后，交易信号则是十分简单：

• RUMI上穿0轴，买入做多
• RUMI下穿0轴，卖出做空

看到这里不难发现，本质上RUMI策略是对传统均线金死叉（即DIFF上下穿0轴）信号的一种优化，通过平滑处理的方式降低DIFF的敏感度来解决均线缠绕的问题。

策略代码实现

策略参数定义

本文中的RumiStrategy采用EliteCtaStrategy模块下的策略模板类EliteCtaTemplate开发，用户可以直接通过基础参数来配置策略运行的K线数据周期（无需再创建和维护BarGenerator进行合成）：

class RumiStrategy(EliteCtaTemplate):
    """RUMI策略"""

    author = "VeighNa菁英版"

    # 基础参数（必填）
    bar_window: int = Parameter(1)              # K线窗口
    bar_interval: int = Parameter("1m")         # K线级别
    bar_buffer: int = Parameter(100)            # K线缓存

在定义策略的参数和变量时，可以分别使用Parameter和Variable辅助类来创建，无需再手动添加字段名称到parameters和variables列表中：

    # 策略参数（可选）
    fast_window: int = Parameter(3)             # 快速均线窗口
    slow_window: int = Parameter(50)            # 慢速均线窗口
    rumi_window: int = Parameter(30)            # 均线偏差窗口
    max_holding: int = Parameter(100)           # 持仓周期上限
    stop_percent: float = Parameter(0.03)       # 保守止损比例
    risk_window: int = Parameter(10)            # 风险计算窗口
    risk_capital: int = Parameter(1_000_000)    # 交易风险投入
    price_add: int = Parameter(5)               # 委托下单超价

    # 策略变量
    trading_size: int = Variable(1)             # 当前委托数量
    rumi_0: float = Variable(0.0)               # RUMI当前数值
    rumi_1: float = Variable(0.0)               # RUMI上期数值

信号指标计算

EliteCtaTemplate提供了新的on_history回调函数，用于推送已经合成完毕且缓存为时间序列的K线数据容器HistoryManager：

def on_history(self, hm: HistoryManager) -> None:
    """K线推送"""
    # 计算均线数组
    fast_array: ndarray = sma(hm.close, self.fast_window)
    slow_array: ndarray = wma(hm.close, self.slow_window)
    
    # 计算均线差值
    diff_array: ndarray = fast_array - slow_array
    rumi_array: ndarray = sma(diff_array, self.rumi_window)
    self.rumi_0 = rumi_array[-1]
    self.rumi_1 = rumi_array[-2]
    
    # 判断上下穿
    long_signal: bool = cross_over(rumi_array, 0)
    short_signal: bool = cross_below(rumi_array, 0)

由于采用了连续内存区域分配，HistoryManager可以提供比开源版ArrayManager更快的数据更新和计算效率，且支持快速转换为Pandas的DataFrame对象。当用户收到on_history推送时，HistoryManager对象中的K线缓存数据固定为bar_buffer长度，用户无需再额外进行条件判断检查数据满足长度要求。

除了封装TA-Lib中的指标计算函数外，EliteCtaStrategy模块中还额外提供了类似cross_over/cross_below的常用条件判断和逻辑运算函数。

动态仓位计算

根据市场波动对交易仓位进行动态管理的技术，能够有效平滑资金曲线波动和提高整体夏普比率，随着海龟策略体系的普及在CTA策略中被广泛应用（具体细节在《超越海龟策略精析》课程中有详细讲解）。

# 计算交易数量
self.trading_size = self.calculate_volume(self.risk_capital, self.risk_window, 1000, 1)

这里通过调用EliteCtaTemplate所提供的calculate_volume函数，传入交易风险资金risk_capital、风险评估窗口risk_window、委托数量上下限（1000、1）参数，快速计算当前市场情况下合适的交易委托数量。

目标交易执行

考虑到机构投资者普遍金额和数量较大的交易执行需求，由用户在策略中直接实现具体的买卖委托操作可能较为麻烦，因此EliteCtaTemplate提供了目标仓位交易执行功能：

# 获取当前目标
last_target: int = self.get_target()

# 初始化新一轮目标（默认不变）
new_target: int = last_target

# 执行开仓信号
if long_signal:
    new_target = self.trading_size
elif short_signal:
    new_target = -self.trading_size

# 持仓时间平仓
if self.bar_since_entry() >= self.max_holding:
    new_target = 0

# 保护止损平仓
close_price = hm.close[-1]

if last_target > 0:
    stop_price: float = self.long_average_price() * (1 - self.stop_percent)
    if close_price <= stop_price:
        new_target = 0
elif last_target < 0:
    stop_price: float = self.short_average_price() * (1 + self.stop_percent)
    if close_price >= stop_price:
        new_target = 0

# 设置新一轮目标
self.set_target(new_target)

# 执行目标交易
self.execute_trading(self.price_add)

# 推送UI更新
self.put_event()

在上文代码中，交易执行的步骤可以分解为：

1. 通过get_target函数，获取策略当前T时刻的目标仓位数值last_target；
2. 结合策略核心逻辑判断，计算生成新的目标仓位数值new_target；
3. 调用set_target函数，设置策略T+1时刻的目标仓位数值；
4. 调用execute_trading函数，计算目标持仓target和实际持仓pos的差值执行委托交易；

同时除了RUMI策略本身的多空交易逻辑外，我们出于实盘交易中的谨慎风险管理原则，额外添加了两块平仓出场逻辑：

1. 总持仓时间限制的出场：

2. 使用bar_since_entry函数，获取开仓以来经过的K线总数量；

3. 当总数量超过一个上限值，认为趋势已经衰减结束，平仓离场；

4. 保护性止损位平仓出场：

5. 在多空持仓场景下，分别使用long_average_price和short_average_price函数获取开仓成本价；

6. 以做多为例：当价格跌破多头开仓成本价一个固定百分比，则止损离场

在实盘交易中，目标交易执行模式的主要优势包括：

• 策略逻辑围绕目标持仓展开，开盘初始化时可以直接通过历史数据回放来恢复正确的策略状态，无需再依赖昨日收盘时的策略变量缓存（如基于实际仓位跟踪的移动止损高低点），减少在实盘运维中的出错风险；
• 用户不再需要为繁琐的委托下单代码头疼（尤其是某些比较复杂策略中的交易状态机管理），当执行数量较大时可以由策略引擎自动调用平台内置的执行算法（TWAP、Sniper、BestLimit等）来进行拆单交易，降低整体的交易成本。

回测结果

回测数据上，本文中选择使用米筐RQData提供的rb99连续指数合约数据（rb888连续主力合约数据由于长期的换月升贴水平滑，较早时期的价格已变为负数），在后续的篇幅中我们会尝试更多的品种，回测配置如下：

• 本地代码：rb99.SHFE
• K线周期：1分钟
• 开始日期：2010-1-1
• 结束日期：2023-2-3
• 手续费率：0.0001
• 交易滑点：1
• 合约乘数：10
• 价格跳动：1
• 回测资金：1000W

作为原始版本策略的源码复现，初步回测结果勉强过得去：

策略回测的关键统计结果：

• 总交易日：3226
• 盈利交易日：1425
• 总收益率：338.81%
• 年化收益：25.21%
• 百分比最大回撤：-32.80%

下一篇文章中，将会详细讲解如何使用EliteCtaStrategy实现基于稳健统计指标R-Cubed的参数优化，以及分享RumiStrategy在更多品种上的回测绩效。

当前VeighNa Elite版仍处于免费内测阶段，内测账号可以通过提供量化私募机构的投研人员名片申请，感兴趣的同学请扫码添加小助手：

免责声明
文章中的信息或观点仅供参考，作者不对其准确性或完整性做出任何保证。读者应以其独立判断做出投资决策，作者不对因使用本报告的内容而引致的损失承担任何责任。