Lean：一款非常強大的開源量化交易平臺

Lean 是 QuantConnect 開源的一款非常強大的開源量化交易平臺，可以回測或運行Python或者C#寫的策略，并在代碼倉庫中內(nèi)置了上百個C#和Python的策略算法。

這個開源的算法交易引擎，專為讓用戶方便輕松地進行策略研究、回測和實時交易而構(gòu)建。它集成了常見的數(shù)據(jù)提供商和券商，因此還可以快速部署算法交易策略。

LEAN Engine 的核心是用 C# 編寫的；但它可以在 Linux、Mac 和 Windows 操作系統(tǒng)上無縫運行。它支持用 Python 3.6+ 或 C# 編寫的算法。

引擎分為許多模塊化部分，可以在不接觸其他文件的情況下對某個模塊進行擴展。

最重要的幾個模塊是：

• 結(jié)果處理 （IResultHandler）處理來自算法交易引擎的所有消息。決定應(yīng)該發(fā)送什么，以及消息應(yīng)該去哪里。結(jié)果處理系統(tǒng)可以將消息發(fā)送到本地 GUI 或 Web 界面。
• 數(shù)據(jù)源 (IDataFeed)連接并下載算法交易引擎所需的數(shù)據(jù)。從磁盤文件中讀取文件進行回測；實時交易則連接到一個流并生成數(shù)據(jù)對象。
• 事務(wù)處理 (ITransactionHandler)處理新的訂單請求；要么使用算法提供的模擬模型，要么使用實際券商。
• 實時事件管理 (IRealtimeHandler)生成實時事件 - 例如一天結(jié)束的事件。觸發(fā)對實時事件處理程序的回調(diào)。
• 算法狀態(tài)設(shè)置 (ISetupHandler)配置算法資金、投資組合和請求的數(shù)據(jù)。初始化所需的所有狀態(tài)參數(shù)。

這些都可以從 Launcher 項目中的 config.json 文件進行配置。

1.Leon 安裝教程

由于Leon是基于C#開發(fā)的，因此我推薦使用 Visual Studio 進行開發(fā)。

1、克隆項目。從 https://github.com/QuantConnect/Lean 克隆項目到本地（如果你網(wǎng)絡(luò)不通可在公眾號后臺回復(fù) **Lean **下載）。

2、使用 Visual Studio 打開項目中的 QuantConnect.Lean.sln

3、點擊 生成 - 生成解決方案

4、點擊 F5 則可以運行程序。

如果你在生成解決方案的過程中遇到了類似于如下的錯誤：

請在工具 - NuGet包管理器 - 程序包管理器設(shè)置 中 添加如下的源, 名字任取，鏈接對了就行： https://api.nuget.org/v3/index.json

2.回測 Lean 內(nèi)置的C#策略

Lean 中比較有意思的一點是，其所有C#策略算法都位于 QuantConnect.Algorithm.CSharp 中，所有的Python策略算法都位于 QuantConnect.Algorithm.Python 中：

如果你想回測C#的策略，你只需要修改 QuantConnect.Lean.Launcher 中的 config.json，將 QuantConnect.Algorithm.CSharp 中對應(yīng)策略名稱，修改到 algorithm-type-name 字段對應(yīng)的值中，如圖所示：

然后按 F5 運行程序，回測開始，此時會彈出一個cmd窗口，里面有本次回測的統(tǒng)計數(shù)據(jù)：

3. 回測 Lean 內(nèi)置的 Python策略

如果你想要回測內(nèi)置的Python策略，我們需要先指定Lean使用的Python環(huán)境位置：

1.打開系統(tǒng)變量（我的電腦-右鍵屬性-高級系統(tǒng)設(shè)置->環(huán)境變量->系統(tǒng)變量）

2.點擊新建變量，name為 PYTHONNET_PYDLL；value則為你的Python環(huán)境的dll文件所在文件夾，如我的為 G:Anaconda3python36.dll

3.在此Python環(huán)境中安裝Lean的依賴：

pip install pandas
pip install wrapt==1.11.2

然后在項目的 config.json 中需要多改幾個配置：

然后按F5進行回測，效果如下：

這些統(tǒng)計指標(biāo)令人眼花繚亂，對于股票的回測我們只要重點關(guān)注這些即可：

• Total Trades: 總交易量
• Average Win: 平均盈利率
• Average Loss: 平均虧損率
• Compounding Annual Return: 復(fù)合年回報率
• Drawdown: 最大回撤率
• Expectancy: 期望值
• Net Profit: 凈利潤
• Sharpe Ratio: 夏普比率
• Probabilistic Sharpe Ratio: 概率性夏普比率
• Loss Rate: 失敗率
• Win Rate: 勝率
• Profit-Loss Ratio: 盈虧比
• Alpha: Alpha值
• Beta: Beta值
• Total Fees: 總手續(xù)費

其他的，按需關(guān)注即可。

4. Lean 策略是怎么寫的？

開始之前，讓我們先學(xué)習(xí)下 Lean 內(nèi)置策略的寫法：

上滑查看更多代碼

from AlgorithmImports import *


class MACDTrendAlgorithm(QCAlgorithm):

def Initialize(self):
'''Initialise the data and resolution required, as well as the cash and start-end dates for your algorithm. All algorithms must initialized.'''

self.SetStartDate(2004,1,1)#Set Start Date
self.SetEndDate(2015,1,1)#Set End Date
self.SetCash(100000)#Set Strategy Cash
# Find more symbols here: http://quantconnect.com/data
self.AddEquity("SPY", Resolution.Daily)

# define our daily macd(12,26) with a 9 day signal
self.__macd =self.MACD("SPY",12,26,9, MovingAverageType.Exponential, Resolution.Daily)
self.__previous = datetime.min
self.PlotIndicator("MACD", True,self.__macd,self.__macd.Signal)
self.PlotIndicator("SPY",self.__macd.Fast,self.__macd.Slow)


def OnData(self, data):
'''OnData event is the primary entry point for your algorithm. Each new data point will be pumped in here.'''
# wait for our macd to fully initialize
if not self.__macd.IsReady: return

# only once per day
if self.__previous.date() ==self.Time.date():return

# define a small tolerance on our checks to avoid bouncing
        tolerance =0.0025

        holdings =self.Portfolio["SPY"].Quantity

        signalDeltaPercent = (self.__macd.Current.Value -self.__macd.Signal.Current.Value)/self.__macd.Fast.Current.Value

# if our macd is greater than our signal, then let's go long
if holdings <=0and signalDeltaPercent >tolerance:# 0.01%
# longterm says buy as well
self.SetHoldings("SPY",1.0)

# of our macd is less than our signal, then let's go short
        elif holdings >=0 and signalDeltaPercent < -tolerance:
self.Liquidate("SPY")


self.__previous =self.Time

可以看到，其實它和Backtrader的寫法相差無幾，Initialize 函數(shù)設(shè)置基本的回測參數(shù)，如：

• self.SetStartDate: 回測起始時間
• self.SetEndDate: 回測結(jié)束時間
• self.setCash: 回測資金
• self.AddEquity: 回測對象(Resolution.Daily 是指按日回測)
• self.PlotIndicator: 繪圖時添加指標(biāo)

而 onData 函數(shù)則會在每個數(shù)據(jù)點上做操作，如果是日線，則每天的數(shù)據(jù)都會流入到這個函數(shù)并運行一遍。因此 onData 就是算法分析的主邏輯。

在這里，你可以檢查需要的指標(biāo)是否已經(jīng)準(zhǔn)備完畢，因為可能存在一些滯后性指標(biāo)在回測剛開始的時候并沒有對應(yīng)的值；此外，在日線的情況下，你還可以檢測上一個數(shù)據(jù)點是不是和這個點在同一天上，如果是的話則不作任何操作返回：

if not self.__macd.IsReady: return
if self.__previous.date() == self.Time.date(): return

然后就是核心的買入賣出邏輯：

tolerance = 0.0025

holdings = self.Portfolio["SPY"].Quantity

signalDeltaPercent = (self.__macd.Current.Value - self.__macd.Signal.Current.Value)/self.__macd.Fast.Current.Value

# if our macd is greater than our signal, then let's go long
if holdings <= 0 and signalDeltaPercent > tolerance: # 0.01%
    # longterm says buy as well
    self.SetHoldings("SPY", 1.0)

# of our macd is less than our signal, then let's go short
elif holdings >= 0 and signalDeltaPercent < -tolerance:
    self.Liquidate("SPY")
    
self.__previous = self.Time

如果我持倉的股數(shù)<=0, 且信號值大于我設(shè)定的閾值，則將我 資產(chǎn)的1% 買入這只股票。這里和backtrader最大的不同，買入是以資產(chǎn)的百分比為單位的動態(tài)買入。當(dāng)然，你也可以使用限定數(shù)量的買入方式：

self.LimitOrder("IBM", 100, self.Securities["IBM"].Price)

如果持倉股市>=0, 且觸發(fā)賣出信號，則進行清倉操作：

elif holdings >= 0 and signalDeltaPercent < -tolerance:
    self.Liquidate("SPY")

如果你不希望全部清倉，也可以使用 SetHoldings 來調(diào)整倉位。

可以看到，Lean相對于Backtrader有更靈活的倉位管理方式，甚至能夠進行自動倉位調(diào)整、構(gòu)建投資組合、實時交易等等。而且針對一些比較復(fù)雜的策略，你還可以用C#而不是Python來編寫以提高運行速度。