ATR止损

首先介绍一个指标： ATR指标。

真实波幅（ATR）主要应用于了解股价的震荡幅度和节奏，在窄幅整理行情中用于寻找突破时机。通常情况下股价的波动幅度会保持在一定常态下，但是如果有主力资金进出时，股价波幅往往会加剧。另外，在股价横盘整理、波幅减少到极点时，也往往会产生变盘行情。真实波幅（ATR）正是基于这种原理而设计的指标。

好了，总而言之，这是一个玄学指标。 玄学止损， Best 止损。 我们来看看这个玄学指标是怎么算的吧？ 计算公式

Raw_ATR=max(|今日振幅|， |昨天收盘-今日最高价|，|昨天收盘-今日最低价|)# 未处理ATR 为这三个指标的最大值
ATR=moving_average (ATR ,N)  #真实ATR 为 Raw_ATR 的N 日简单移动平均,默认N=22

根据这个指标， 我们能做很多有意思的策略。 这里就举一个例子： 吊灯止损。 伪码如下

计算每日, 某个股票的ATR。
if 现价<持有股票之后的最高价-3* ATR： 
卖出止损
else：
继续持有

这里提供了 一个相当精彩的模板， 喜欢的话拿去玩吧...

'''
止损描述 :  
    计算ATR指标。 若当前价< 持仓最高价-3* ATR ： 
                    卖出止损。

套用方法： 
0:  在 init 中设置你的 moving average ATR 周期： context.ATRperiod=22
1： 复制‘scheduler.run_daily(stoploss)’ 至 init 
2:  复制 def stoploss ， def createdic ，def findATR 到策略内
3:  在 order  之后加入 createdic(context,bar_dict,stock)

'''

# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。
import pandas as pd 
import numpy as np 
import time 
import math
import talib
import datetime 

# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
    context.to_buy = ('300033.XSHE','000025.XSHE')
    context.ATRperiod=22# ATR 中moving average 的N 值,可自己调, 默认为22
    update_universe(context.to_buy)
    context.trigger=0
    context.initSL=0.9
    context.profit=0.2 # 当盈利大于20% 就将阶梯设为此价位。
    context.maxvalue=pd.DataFrame()
    # 实时打印日志
    #scheduler.run_daily(stoploss)
    logger.info("Interested at stock: " + str(context.to_buy))
    scheduler.run_monthly(position,1)
    scheduler.run_daily(stoploss)

def findATR(context,bar_dict,stock): # 玄学指标
        close=history(context.ATRperiod+2,'1d','close')[stock][0:context.ATRperiod]
        high=history(context.ATRperiod+2,'1d','high')[stock][1:context.ATRperiod+1]
        low=history(context.ATRperiod+2,'1d','low')[stock][1:context.ATRperiod+1]
        art1=high.values-low.values
        art2=abs(close.values-high.values)
        art3=abs(close.values-low.values)
        art123=np.matrix([art1, art2,art3])
        rawatr=np.array(art123.max(0)).flatten()
        ATR=rawatr.sum()/len(rawatr)
        print(str(rawatr)+'ATR='+str(rawatr))
        print(str(stock)+'ATR='+str(ATR))
        return ATR


def stoploss(context,bar_dict):
    for stock in context.portfolio.positions:
        high=bar_dict[stock].high
        current=bar_dict[stock].last
        bought_value=context.portfolio.positions[stock].bought_value#该股初始价值 单位（RMB）

        stockdic=context.maxvalue[stock]
        highest=stockdic[0]

        del context.maxvalue[stock]
        ATR=findATR(context,bar_dict,stock)
        #currSP=context.initSPM*(1+math.floor((maxvalue/bought_value-1)/context.step)*context.increment) #阶梯止损算法 例： 该股市值增加10%， 止盈比例提高 5% 

        temp=pd.DataFrame({str(stock):[max(highest,high)]})
        context.maxvalue=pd.concat([context.maxvalue,temp], axis=1, join='inner') # 更新其盘中最高价值和先阶段比例。 


        print(str(stock)+'的成本为：' +str( context.portfolio.positions[stock].average_cost) +', 最高价为：'+str(highest)+'ATR为：'+ str(ATR))
        if bar_dict[stock].last<highest-3*ATR:
            print('吊灯止损')
            order_target_percent(stock,0)
            del context.maxvalue[stock]
        #logger.info ( type(market_value))
        #logger.info(type(ontext.maxvalue[stock].values)))



    pass 

# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    # 开始编写你的主要的算法逻辑
    # bar_dict[order_book_id] 可以拿到某个证券的bar信息
    # context.portfolio 可以拿到现在的投资组合状态信息

    # 使用order_shares(id_or_ins, amount)方法进行落单

    # TODO: 开始编写你的算法吧！
    #position(context,bar_dict)
    #logger.info(type(context.now))
    pass




def createdic(context,bar_dict,stock):
    if stock not in context.maxvalue.columns:
        temp=pd.DataFrame({str(stock):[0]})    
        context.maxvalue = pd.concat([context.maxvalue, temp], axis=1, join='inner')
    print(context.maxvalue)


def position(context,bar_dict):
    if len(context.to_buy)!=0:
        for stock in context.to_buy:
            createdic(context,bar_dict,stock)
            order_target_percent(stock,1/len(context.to_buy))


    else: 
        order_target_percent(stock,0)