量化投资系列文章：
Backtrader 教程 — Python 量化投资实战教程(1)
Python 量化投资实战教程(2) —MACD策略(+26.9%)
Python 量化投资实战教程(3) —A股回测MACD策略
Github仓库：/Ckend/pythondict-quant
今天我们来使用backtrader试试另一个量化投资策略：KDJ策略，KDJ是最常用的指标之一，其中文名叫“随机指标”。它通过统计学原理，识别N个交易日内最高价、最低价、最新收盘价三者之间的比例关系来计算随机值（RSV），然后再根据加权移动平均线(EMA)的方法来计算K值、D值、J值。
具体计算方法如下：
RSV = （收盘价-N周期最低价）/（N周期最高价-N周期最低价）*100K值 = RSV的N周期加权移动平均值D值 = K值的N周期加权移动平均值J值 = 3_K-2_D
一般来说，RSV的N周期选择9，K和D的N周期选择3。
基本概念大家都懂了，那如何根据KDJ值决定买入和卖出呢？
当J值上穿K值的时候，是买入信号，此时买入。
当J值下穿K值的时候，是卖出信号，此时卖出。
这个策略有用吗？让我们来试试看。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。
当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。
在终端输入以下命令安装我们所需要的依赖模块:
pip install backtrader
看到 Successfully installed xxx 则说明安装成功。
Backtrader基本使用请看我们前一篇文章：
backtrader教程—量化投资实战教程(1)
本文全部代码，请在Python实用宝典后台回复：量化投资4进行下载。
2.单一KDJ策略
如果你以前没用过backtrader，请先看：
backtrader教程—量化投资实战教程(1)
进行学习，不然你会有点蒙。直接下载代码学习也是一种方式，但前提是你的自学本领够强。
首先我们需要先计算K、D、J三个值，前面我们也说过了他们的计算方式：
RSV = （收盘价-N周期最低价）/（N周期最高价-N周期最低价）*100K值 = RSV的N周期加权移动平均值D值 = K值的N周期加权移动平均值J值 = 3_K-2_D
知道了计算方式，那之后的工作就简单了：
# 9个交易日内最高价self.high_nine = bt.indicators.Highest(self.data.high, period=9)# 9个交易日内最低价self.low_nine = bt.indicators.Lowest(self.data.low, period=9)# 计算rsv值self.rsv = 100 * bt.DivByZero(self.data_close - self.low_nine, self.high_nine - self.low_nine, zero=None)# 计算rsv的3周期加权平均值，即K值self.K = bt.indicators.EMA(self.rsv, period=3)# D值=K值的3周期加权平均值self.D = bt.indicators.EMA(self.K, period=3)# J=3*K-2*Dself.J = 3 * self.K - 2 * self.D
最后决定买入点和卖出点：
# Python 实用宝典def next(self):self.log("Close, %.2f" % self.dataclose[0])if self.order:returnif not self.position:# J - D 值condition1 = self.J[-1] - self.D[-1]condition2 = self.J[0] - self.D[0]if condition1 < 0 and condition2 > 0:self.log("BUY CREATE, %.2f" % self.dataclose[0])self.order = self.buy()else:condition = (self.dataclose[0] - self.bar_executed_close) / self.dataclose[0]if condition > 0.1 or condition < -0.1:self.log("SELL CREATE, %.2f" % self.dataclose[0])self.order = self.sell()
不过从卖出策略中可以看到，我暂时没有使用J下穿K值的方式来卖出股票，而是采用涨跌10%的限制性条件作为卖出信号，看看这样的策略表现如何。
这里和上篇文章一样，咱用10000元作为本金，对002859这只股票，回测其1月1日至4月21日期间的走势：
效果不是很好，本金10000元，最后剩余9892元，也就是还亏损了。从盈利和亏损点上来看，该策略确实亏损次数更多，比盈利次数多了一次。
不过这是我们基于限制性卖出的条件，如果是J值下穿K值作为卖出信号呢？
基于backtrader，我们做这样的买入卖出信号调整真的非常简单：
# Python 实用宝典def next(self):self.log("Close, %.2f" % self.dataclose[0])if self.order:returncondition1 = self.J[-1] - self.D[-1]condition2 = self.J[0] - self.D[0]if not self.position:# J - D 值if condition1 < 0 and condition2 > 0:self.log("BUY CREATE, %.2f" % self.dataclose[0])self.order = self.buy()else:if condition1 > 0 or condition2 < 0:self.log("SELL CREATE, %.2f" % self.dataclose[0])self.order = self.sell()
效果如何？
我勒个去，您这个不太靠谱啊，10000元本金只剩9029元了。
但是这样并没有足够证据否认这个策略的价值，接下来我们尝试将它和MACD策略结合在一起使用。
3.多策略回测
通过回测得到的图表，我发现，KDJ指标在决定买入信号的时候有很大的延迟，比MACD的买入信号延迟重得多，但是它的卖出信号却不错，很敏感。
所以我们可以考虑将MACD策略也引入进来，使用MACD决策买入，KDJ信号决策卖出。引入MACD策略相关变量：
# MACD策略参数me1 = EMA(self.data, period=12)me2 = EMA(self.data, period=26)self.macd = me1 - me2self.signal = EMA(self.macd, period=9)bt.indicators.MACDHisto(self.data)
至于为什么MACD策略是这么计算的，请看我们上一篇文章：Python 量化投资实战教程(2) —MACD策略(+26.9%)。所以我们的文章是环环相扣的哦，如果没有阅读，请记得回头补上。
从上面两张图中，大家可以看到两条变化非常大的线，这是两条3日EMA的线。我们可以将其取消掉，因为它们没有太多价值。加一个plot=False参数即可让它们不显示：
# 计算rsv的3周期加权平均值，即K值self.K = bt.indicators.EMA(self.rsv, period=3, plot=False)# D值=K值的3周期加权平均值self.D = bt.indicators.EMA(self.K, period=3, plot=False)
基于MACD策略的买入信号进行买入，KDJ策略的卖出信号进行卖出：
if not self.position:# 买入基于MACD策略condition1 = self.macd[-1] - self.signal[-1]condition2 = self.macd[0] - self.signal[0]if condition1 < 0 and condition2 > 0:self.log('BUY CREATE, %.2f' % self.dataclose[0])self.order = self.buy()else:# 卖出基于KDJ策略condition1 = self.J[-1] - self.D[-1]condition2 = self.J[0] - self.D[0]if condition1 > 0 or condition2 < 0:self.log("SELL CREATE, %.2f" % self.dataclose[0])self.order = self.sell()
回测效果如下：
最终得到10057.06，赚了57块钱。。当然，总比单纯KDJ策略不赚的好。但是这个策略依然存在问题，它在很多能赚大钱的时候，过于保险地将股票卖出了，以至于其亏损的次数其实大于盈利的次数。
当然，单纯从一只股票上我们是无法看出这个策略的整体好坏的，下一篇量化投资文章（大约在/05/09），我们将在A股中随机取1000只股票，来验证这个复合策略的整体收益。敬请期待Python实用宝典的最新更新哦。
我们的文章到此就结束啦，如果你喜欢我们今天的Python 实战教程，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦，有任何问题都可以在下方留言区留言，我们都会耐心解答的！
Python实用宝典
不只是一个宝典
欢迎关注公众号：Python实用宝典
原文来自Python实用宝典：Python 量化投资实战教程(4) —KDJ 策略
