利用欧易(OKX)进行高效加密货币交易策略回测指南

bash pip install okx-sdk-api

from okx.v5.account import AccountAPI from okx.v5.market import MarketAPI import pandas as pd

apikey = "YOURAPIKEY" secretkey = "YOURSECRETKEY" passphrase = "YOUR_PASSPHRASE"

marketapi = MarketAPI(apikey, secret_key, passphrase, False) # False 代表模拟盘，True代表实盘

def gethistoricaldata(instrumentid, starttime, end_time, granularity): """ 获取历史K线数据

:param instrument_id: 交易对，例如 'BTC-USDT'
:param start_time: 开始时间戳（毫秒）
:param end_time: 结束时间戳（毫秒）
:param granularity: K线周期，例如 '1m' (1分钟), '5m' (5分钟), '1H' (1小时)
:return: Pandas DataFrame，包含历史K线数据
"""
params = {
    "instId": instrument_id,
    "after": start_time,
    "before": end_time,
    "bar": granularity
}
response = market_api.get_history_candles(**params)
if response['code'] == '0':
    data = response['data']
    df = pd.DataFrame(data, columns=['ts', 'open', 'high', 'low', 'close', 'vol', 'volCcy', 'volCcyQuote', 'confirm'])
    df['ts'] = pd.to_datetime(df['ts'], unit='ms')
    df.set_index('ts', inplace=True)
    df = df.astype(float)
    return df
else:
    print(f"Error: {response['msg']}")
    return None

设置参数

在进行加密货币交易或数据分析时，设置正确的参数至关重要。以下参数用于指定交易标的、数据时间范围和K线图的时间粒度。

instrument_id = 'BTC-USDT'

instrument_id 定义了交易的币对。在此例中，它被设置为 'BTC-USDT'，表示比特币兑泰达币的交易对。不同的交易所或交易平台可能使用不同的命名约定，请务必根据实际情况进行调整。这个参数告诉系统你要分析或交易哪个特定的加密货币对。

start_time = 1640995200000 # 2022-01-01 00:00:00 UTC

start_time 指定了数据分析或交易的起始时间。这里使用 Unix 时间戳（毫秒），对应于 UTC 时间 2022 年 1 月 1 日 00:00:00。准确设置起始时间对于获取正确的时间序列数据至关重要，避免数据偏差。

end_time = 1672531200000 # 2022-12-31 00:00:00 UTC

end_time 指定了数据分析或交易的结束时间，同样使用 Unix 时间戳（毫秒），对应于 UTC 时间 2022 年 12 月 31 日 00:00:00。与 start_time 结合使用，定义了完整的时间范围。确保结束时间晚于起始时间，否则将无法获取有效数据。

granularity = '1h' # 1小时K线

granularity 定义了 K 线图的时间粒度。'1h' 表示每根 K 线代表 1 小时的数据。其他常用的粒度包括 '1m'（1 分钟），'5m'（5 分钟），'15m'（15 分钟），'30m'（30 分钟），'4h'（4 小时），'1d'（1 天）等。选择合适的粒度取决于你的交易策略和分析需求。较小的粒度可以提供更详细的数据，但也可能增加噪音；较大的粒度则更适合长期趋势分析。

获取历史数据

为了进行深入分析和策略回溯，我们需要获取指定时间段内的历史交易数据。 get_historical_data 函数负责从数据源提取这些信息，它接受多个参数以精确定义所需的数据范围和粒度。

具体来说，以下是对 get_historical_data 函数及其参数的详细解释：

• instrument_id : 这是交易标的唯一标识符，例如 "BTC-USD" 或 "ETH-USDT"。 它告诉函数我们需要哪种加密货币或交易对的历史数据。 确保提供正确且有效的值，以避免数据提取错误。
• start_time : 指定所需历史数据的起始时间。 通常以日期时间格式（例如 "2023-01-01 00:00:00"）提供。 函数会将此参数转换为字符串类型 ( str(start_time) )，以便与数据源兼容。
• end_time : 指定所需历史数据的结束时间。 与 start_time 类似，也应以日期时间格式提供，并转换为字符串类型 ( str(end_time) )。
• granularity : 定义数据的粒度或时间间隔。 常见的粒度包括 "1m"（1 分钟）、"5m"（5 分钟）、"1h"（1 小时）、"1d"（1 天）等。 选择合适的粒度取决于分析的需要。 例如，高频交易可能需要分钟级数据，而长期投资策略可能只需要日线数据。

因此，调用函数的形式如下： historical_data = get_historical_data(instrument_id, str(start_time), str(end_time), granularity)

在成功获取历史数据后，下一步是验证数据是否有效。 以下代码检查 historical_data 是否为 None 。 如果数据成功获取，则会打印数据的前几行，以便进行快速检查：

if historical_data is not None:
    print(historical_data.head())

historical_data.head() 方法用于显示 DataFrame 的前几行，这是一种常见的数据结构，用于存储和操作表格数据。 通过查看前几行，我们可以快速验证数据的格式、列名和数值范围是否符合预期。 如果 historical_data 为 None ，则表示数据获取失败，可能需要检查参数或数据源的连接。

def simplemovingaveragestrategy(df, shortwindow, long_window): """ 一个简单的移动平均线交叉策略

:param df: 包含历史K线数据的Pandas DataFrame
:param short_window: 短期移动平均线窗口
:param long_window: 长期移动平均线窗口
:return: 包含交易信号的Pandas DataFrame
"""
df['short_ma'] = df['close'].rolling(window=short_window).mean()
df['long_ma'] = df['close'].rolling(window=long_window).mean()
df['signal'] = 0.0
df['signal'][short_window:] = np.where(df['short_ma'][short_window:] > df['long_ma'][short_window:], 1.0, 0.0)
df['positions'] = df['signal'].diff()
return df

设置移动平均线窗口

在量化交易和技术分析中，移动平均线（Moving Average, MA）是一种常用的平滑价格数据的指标，用于识别趋势方向和平滑短期价格波动。移动平均线的计算涉及到窗口期的选择，窗口期决定了参与计算的过去价格数据点的数量。窗口期的选择直接影响移动平均线的灵敏度和滞后性。较短的窗口期能更快地捕捉价格变化，但可能产生更多的噪音；较长的窗口期能更好地平滑噪音，但可能对价格变化的反应较慢。 short_window = 5 定义了一个较短的移动平均线窗口期，通常用于捕捉短期价格趋势。使用 5 个时间单位（例如 5 天、5 小时或 5 分钟）的数据来计算移动平均值。这意味着计算出的移动平均值将对最近的价格变动更加敏感，能够更快地反映市场变化，但同时也更容易受到短期波动的影响。 long_window = 20 定义了一个较长的移动平均线窗口期，通常用于识别长期价格趋势。使用 20 个时间单位的数据来计算移动平均值。较长的窗口期可以有效地平滑价格噪音，更清晰地展示市场的主要趋势，但对价格变化的反应会相对滞后。 选择合适的窗口期取决于交易策略和目标。例如，日内交易者可能倾向于使用较短的窗口期，而长期投资者可能更喜欢较长的窗口期。同时，也可以结合使用不同长度的移动平均线，例如短周期均线和长周期均线的金叉和死叉作为交易信号。

应用策略

对历史数据应用简单移动平均策略，使用预定义的短期和长期窗口期。这一步骤至关重要，因为它将原始历史数据转换为包含策略信号的数据集，为后续的交易决策提供依据。 `simple_moving_average_strategy` 函数接收历史数据、短期窗口 `short_window` 和长期窗口 `long_window` 作为输入，并计算相应时间段内的移动平均值。 计算结果会被添加回历史数据集中，通常以新的列的形式存在，例如 "SMA_Short" 和 "SMA_Long"。 这些新列代表了在每个时间点短期和长期移动平均线的数值。 通过比较这两个移动平均线，该策略可以生成买入和卖出信号。 例如，当短期移动平均线向上穿过长期移动平均线时，可能产生买入信号（黄金交叉）；反之，当短期移动平均线向下穿过长期移动平均线时，可能产生卖出信号（死亡交叉）。

def backtest(df, initialcapital, feerate): """ 回测函数

:param df: 包含交易信号的Pandas DataFrame
:param initial_capital: 初始资金
:param fee_rate: 手续费率
:return: 包含回测结果的Pandas DataFrame
"""
positions = df['positions'].values
close_prices = df['close'].values
cash = initial_capital
holdings = 0
trades = []

for i in range(1, len(positions)):
    if positions[i] == 1:  # 买入信号
        if cash > 0:
            quantity = cash / close_prices[i]
            holdings += quantity
            cash = 0
            trades.append({'timestamp': df.index[i], 'action': 'buy', 'price': close_prices[i], 'quantity': quantity})
    elif positions[i] == -1:  # 卖出信号
        if holdings > 0:
            cash = holdings * close_prices[i] * (1 - fee_rate) #扣除手续费
            holdings = 0
            trades.append({'timestamp': df.index[i], 'action': 'sell', 'price': close_prices[i], 'quantity': holdings})

#计算最终资产
final_portfolio = cash + holdings * close_prices[-1]
return final_portfolio, trades

回测参数

initial_capital = 10000：指定回测的起始资金量。这个参数定义了模拟交易的初始账户余额，单位通常为美元或其他法定货币。这是评估策略性能的基础。

fee_rate = 0.001 (0.1%手续费)：设置每笔交易的手续费率。手续费是交易成本的重要组成部分，直接影响盈利能力。0.1%的手续费意味着每次买入或卖出，需要支付交易额的0.1%作为费用。准确的手续费设置对于真实反映策略的潜在收益至关重要。

final_portfolio, trades = backtest(historical_data, initial_capital, fee_rate) ：调用回测函数。该函数使用历史数据（ historical_data ）、起始资金（ initial_capital ）和手续费率（ fee_rate ）模拟交易，并返回最终的投资组合价值（ final_portfolio ）和交易记录（ trades ）。 historical_data 包含了回测期间加密货币的价格、成交量等时间序列数据。 backtest 函数的实现细节决定了回测的准确性和效率。

print(f"最终资产: {final_portfolio}") ：打印回测结束后的最终资产价值。这个数值反映了策略在回测期间的盈亏情况，是评估策略有效性的关键指标。更高的最终资产价值意味着策略表现更好。

print(f"交易记录: {trades}") ：打印回测期间的所有交易记录。交易记录包含了每次交易的详细信息，例如交易时间、交易方向（买入/卖出）、交易数量、交易价格等。分析交易记录有助于理解策略的交易行为，发现潜在的问题并进行改进。 详细的交易记录也能用于风险分析和合规审计。