跳转至

第3章 快速开始

本章通过实际示例带你快速上手 Lean,从创建项目到运行第一个回测。

3.1 使用 Lean CLI 工作流程

3.1.1 创建新项目

# 创建项目目录
mkdir lean-tutorial
cd lean-tutorial

# 初始化 Lean
lean init

# 创建 Python 项目
lean project-create "SimpleMovingAverage" --language python

3.1.2 项目结构

lean-tutorial/
├── SimpleMovingAverage/
│   └── main.py
├── config.json
└── data/

3.1.3 编写策略

编辑 SimpleMovingAverage/main.py:

from AlgorithmImports import *

class SimpleMovingAverageCrossAlgorithm(QCAlgorithm):
    """
    简单移动平均线交叉策略

    策略逻辑:
    - 当短期均线(50日)上穿长期均线(200日)时买入
    - 当短期均线下穿长期均线时卖出
    """

    def Initialize(self):
        self.SetStartDate(2020, 1, 1)
        self.SetEndDate(2023, 12, 31)
        self.SetCash(100000)

        # 添加 SPY
        self.spy = self.AddEquity("SPY", Resolution.Daily).Symbol

        # 创建移动平均线指标
        self.fast = self.SMA(self.spy, 50, Resolution.Daily)
        self.slow = self.SMA(self.spy, 200, Resolution.Daily)

        # 预热指标(避免等待数据积累)
        self.SetWarmUp(TimeSpan.FromDays(200))

    def OnData(self, data):
        # 等待指标就绪
        if not self.fast.IsReady or not self.slow.IsReady:
            return

        # 获取当前值
        fastValue = self.fast.Current.Value
        slowValue = self.slow.Current.Value

        # 金叉:快线上穿慢线
        if fastValue > slowValue and not self.Portfolio[self.spy].IsLong:
            self.SetHoldings(self.spy, 1)
            self.Debug(f"BUY at {data[self.spy].Price}")

        # 死叉:快线下穿慢线
        elif fastValue < slowValue and self.Portfolio[self.spy].IsLong:
            self.Liquidate(self.spy)
            self.Debug(f"SELL at {data[self.spy].Price}")

3.1.4 运行回测

# 本地回测
lean backtest "SimpleMovingAverage"

# 查看结果
lean backtest "SimpleMovingAverage" --output ./results

3.2 理解 Lean 核心概念

3.2.1 数据流

时间流逝 → 新数据到达 → OnData() 被调用 → 执行交易逻辑

3.2.2 生命周期

Initialize() → OnData()循环 → OnEndOfDay() → OnEndOfAlgorithm()

3.2.3 关键对象

对象 说明 常用属性/方法
Portfolio 投资组合 Cash, TotalPortfolioValue, Invested
Securities 证券集合 Price, Holdings, Symbol
Time 当前时间 DateTime 类型
Transactions 交易管理 GetOpenOrders(), CancelOrder()

3.3 常用命令速查

# 项目管理
# 项目就是工作区目录下的文件夹,可用 ls 直接查看
lean project-create "<项目名>" --language python
lean project-delete "<项目名>"

# 回测
lean backtest "<项目名>"
lean backtest "<项目名>" --output ./results

# 研究
lean research "<项目名>"

# 优化
lean optimize "<项目名>"

# 实盘
lean live deploy "<项目名>" --brokerage "Paper Trading"

3.4 查看回测结果

回测完成后,结果包含:

3.4.1 统计指标

指标 说明
Total Return 总收益率
Sharpe Ratio 风险调整后收益
Sortino Ratio 下行风险调整收益
Drawdown 最大回撤
Win Rate 胜率
Total Trades 总交易次数

3.4.2 图表

  • 权益曲线
  • 回撤图
  • 持仓分布
  • 每日收益

3.5 完整示例:多股动量策略

from AlgorithmImports import *
import numpy as np

class MultiStockMomentumAlgorithm(QCAlgorithm):
    """
    多股票动量策略

    逻辑:
    1. 每月第一个交易日计算过去3个月收益率
    2. 买入表现最好的前10只股票
    3. 等权重分配
    """

    def Initialize(self):
        self.SetStartDate(2018, 1, 1)
        self.SetEndDate(2023, 12, 31)
        self.SetCash(100000)

        # 设置 Universe(粗筛选 + 精筛选)
        self.AddUniverse(
            self.CoarseSelectionFunction,
            self.FineSelectionFunction
        )

        # 设置每月第一个交易日调仓
        self.Schedule.On(
            self.DateRules.MonthStart(),
            self.TimeRules.AfterMarketOpen("SPY", 30),
            self.Rebalance
        )

        self._monthly_rebalance = True
        self._lastMonth = -1

        # 保存选中的股票
        self.selectedSymbols = []

    def CoarseSelectionFunction(self, coarse):
        """
        粗筛选:按市值和交易量筛选
        """
        # 筛选价格>10美元,交易量>100万的股票
        filtered = [c for c in coarse
                   if c.Price > 10 and c.Volume > 1000000]

        # 按美元交易量排序,取前500
        sortedByVolume = sorted(
            filtered,
            key=lambda c: c.DollarVolume,
            reverse=True
        )

        return [c.Symbol for c in sortedByVolume[:500]]

    def FineSelectionFunction(self, fine):
        """
        精筛选:计算动量并选择
        """
        if self._monthly_rebalance:
            # 筛选有足够数据的股票
            filtered = [f for f in fine
                       if f.EarningReports.BasicAverageShares.ThreeMonths > 0]

            # 获取3个月前的历史价格
            history = self.History(
                [f.Symbol for f in filtered],
                TimeSpan.FromDays(90),
                Resolution.Daily
            )

            # 计算动量
            momentums = {}
            for f in filtered:
                symbol = f.Symbol
                if symbol in history:
                    prices = history.loc[symbol]['close']
                    if len(prices) > 0:
                        momentum = (prices[-1] - prices[0]) / prices[0]
                        momentums[symbol] = momentum

            # 选择动量最高的前10只
            sortedByMomentum = sorted(
                momentums.items(),
                key=lambda x: x[1],
                reverse=True
            )

            self.selectedSymbols = [x[0] for x in sortedByMomentum[:10]]
            self._monthly_rebalance = False

        return self.selectedSymbols

    def Rebalance(self):
        """
        调仓函数
        """
        # 检查是否是新月份
        if self.Time.month == self._lastMonth:
            return

        self._lastMonth = self.Time.month
        self._monthly_rebalance = True

        # 平仓所有不在新列表中的股票
        for holding in self.Portfolio.Values:
            if holding.Invested and holding.Symbol not in self.selectedSymbols:
                self.Liquidate(holding.Symbol)

        # 等权重买入新选中的股票
        for symbol in self.selectedSymbols:
            self.SetHoldings(symbol, 0.1)

        self.Debug(f"Rebalanced at {self.Time}")

    def OnData(self, data):
        '''不需要特别处理,由调仓函数处理'''
        pass

3.6 调试技巧

3.6.1 使用 Debug 输出

self.Debug("This is a debug message")
self.Log("This will appear in the log")
self.Error("This is an error message")

3.6.2 使用 Plot 绘图

def Initialize(self):
    # ...

    # 添加自定义图表
    self.PlotIndicator("Strategy", self.fast)
    self.PlotIndicator("Strategy", self.slow)

    # 或在 OnData 中
def OnData(self, data):
    self.Plot("Portfolio", "Value", self.Portfolio.TotalPortfolioValue)
    self.Plot("Portfolio", "Cash", self.Portfolio.Cash)

3.7 下一步

现在你已经掌握了 Lean 的基本使用方法。下一章将详细介绍 QCAlgorithm 的基础知识。