跳转至

Lean 量化交易教程大纲

本教程面向有量化交易经验的开发者,提供 Lean 量化交易引擎的全面学习指南。

目标读者

具备量化交易基础知识,熟悉 Python 或 C#,希望快速掌握 Lean 引擎进行策略开发的开发者。

内容特点: - 包含完整可运行的示例代码 - 聚焦 Lean 特有的 API 和模式 - 跳过基础编程和量化概念教学


第一部分:入门介绍

1. 什么是 Lean?

项目简介与核心功能

  • 开源量化交易引擎
  • 支持 C# 和 Python 双语言策略开发
  • 本地与云端混合开发模式

Lean vs Lean CLI

  • Lean Engine:核心交易引擎(本项目)
  • Lean CLI:命令行工具(推荐用于策略开发)

核心特性概述

  • 事件驱动架构
  • 多资产类别支持(股票、期权、期货、外汇、加密货币等)
  • 模块化设计

2. 环境搭建

方式一:使用 Lean CLI(推荐)

# 安装 Lean CLI
pip install lean

# 初始化项目
lean init

# 创建新项目
lean project-create
  • Docker 环境配置
  • 跨平台支持(Windows / macOS / Linux)

方式二:本地编译 Lean Engine

Windows: Visual Studio macOS: VS Code + .NET SDK Linux: .NET CLI

# 克隆仓库
git clone https://github.com/QuantConnect/Lean.git
cd Lean

# 编译
dotnet build QuantConnect.Lean.sln

# 运行
cd Launcher/bin/Debug
dotnet QuantConnect.Lean.Launcher.dll

方式三:Dev Container

# 拉取镜像
docker pull quantconnect/research:latest

# 在 VS Code 中打开容器
# 使用 "Reopen in Container" 功能

Python 环境配置

# 安装 Python 3.11
# 使用 Anaconda 或 miniconda

# 设置环境变量
export PYTHONNET_PYDLL="/path/to/libpython3.11.so"

# 安装依赖
pip install pandas==2.3.3 wrapt==1.17.3

# 安装自动补全
pip install quantconnect-stubs

3. 快速开始

创建第一个项目

# 使用 CLI 创建项目(项目名为位置参数)
lean project-create "MyFirstStrategy" --language python

运行回测

# 本地回测(项目名为位置参数)
lean backtest "MyFirstStrategy"

# 云端回测(项目名为位置参数)
lean cloud backtest "MyFirstStrategy"

查看结果报告

# 生成报告(指定回测结果与输出位置)
lean report --backtest-results "<backtest结果JSON路径>" --report-destination "<输出目录>"

第二部分:策略开发基础

4. QCAlgorithm 基础

算法生命周期

C# 示例:

public class BasicTemplateAlgorithm : QCAlgorithm
{
    public override void Initialize()
    {
        // 设置日期范围
        SetStartDate(2023, 1, 1);
        SetEndDate(2023, 12, 31);

        // 设置初始资金
        SetCash(100000);

        // 添加证券
        AddEquity("SPY", Resolution.Daily);
    }

    public override void OnData(Slice slice)
    {
        // 数据处理主入口
    }
}

Python 示例:

from AlgorithmImports import *

class BasicTemplateAlgorithm(QCAlgorithm):

    def Initialize(self):
        self.SetStartDate(2023, 1, 1)
        self.SetEndDate(2023, 12, 31)
        self.SetCash(100000)
        self.AddEquity("SPY", Resolution.Daily)

    def OnData(self, slice):
        pass

基本配置

方法 说明
SetStartDate(year, month, day) 设置回测开始日期
SetEndDate(year, month, day) 设置回测结束日期
SetCash(amount) 设置初始资金
SetAccountCurrency(currency) 设置账户货币

添加证券

方法 用途
AddEquity(symbol, resolution) 添加股票
AddForex(symbol, resolution) 添加外汇
AddFuture(symbol, resolution) 添加期货
AddOption(symbol, resolution) 添加期权
AddCrypto(symbol, resolution) 添加加密货币

数据分辨率

  • Tick - 逐笔数据
  • Second - 秒级
  • Minute - 分钟级
  • Hour - 小时级
  • Daily - 日级

5. 订单管理

基本订单类型

// 市价单
MarketOrder("SPY", 100);

// 限价单
LimitOrder("SPY", 100, 450m);

// 止损市价单
StopMarketOrder("SPY", -100, 440m);

// 止损限价单
StopLimitOrder("SPY", -100, 440m, 438m);

组合管理

// 按比例设置持仓(90% 资金买入 SPY)
SetHoldings("SPY", 0.9);

// 平掉所有持仓
Liquidate();

// 平掉指定证券
Liquidate("SPY");

订单管理

// 获取订单票
var ticket = MarketOrder("SPY", 100);

// 检查订单状态
if (ticket.Status == OrderStatus.Filled)
{
    // 订单已成交
}

// 更新订单
ticket.Update(new UpdateOrderFields()
{
    Quantity = 150,
    LimitPrice = 455m
});

// 取消订单
ticket.Cancel();

6. 技术指标

内置指标使用

// 简单移动平均线
var sma = SMA("SPY", 20);

// 指数移动平均线
var ema = EMA("SPY", 20);

// 相对强弱指标
var rsi = RSI("SPY", 14);

// MACD
var macd = MACD("SPY", 12, 26, 9);

// 布林带
var bb = BB("SPY", 20, 2);

// 在 OnData 中使用
public override void OnData(Slice slice)
{
    if (!sma.IsReady) return;

    var currentPrice = Securities["SPY"].Price;
    var average = sma.Current.Value;

    if (currentPrice > average)
    {
        SetHoldings("SPY", 1);
    }
}

指标预热

// 自动预热指标
WarmUpIndicator("SPY", sma, TimeSpan.FromDays(30));

// 或使用全局预热
SetWarmUp(TimeSpan.FromDays(30));

7. 数据与历史查询

历史数据请求

// 获取历史数据
var history = History<TradeBar>("SPY", TimeSpan.FromDays(30));

// 获取多个证券的历史数据
var history = History(
    new List<string>() { "SPY", "QQQ" },
    TimeSpan.FromDays(30),
    Resolution.Daily
);

// 获取特定时间段的数据
var history = History<TradeBar>(
    "SPY",
    new DateTime(2023, 1, 1),
    new DateTime(2023, 12, 31),
    Resolution.Daily
);

Universe 选择

// 手动 Universe(构造函数接收 IEnumerable<Symbol> / Symbol[])
AddUniverseSelection(new ManualUniverseSelectionModel(
    new List<Symbol> { "AAPL", "MSFT", "GOOGL" }
));

// 粗粒度 Universe(按市值、价格等筛选)
AddUniverse(
    (coarse) => {
        return from c in coarse
               where c.Price > 10 && c.Volume > 1000000
               orderby c.DollarVolume descending
               select c.Symbol;
    }
);

// 精细粒度 Universe(粗筛 + 精筛,结合基本面数据)
AddUniverse(
    (coarse) => {
        return from c in coarse
               where c.Price > 10 && c.Volume > 1000000
               orderby c.DollarVolume descending
               select c.Symbol;
    },
    (fine) => {
        return from f in fine
               where f.ValuationRatios.PERatio < 20
               orderby f.ValuationRatios.PBRatio ascending
               select f.Symbol;
    }
);

第三部分:进阶策略开发

8. Algorithm Framework 框架化开发

框架模型概述

Lean Framework 将策略拆分为五个可插拔模型: - Alpha Model:生成交易信号 - Portfolio Construction:组合构建 - Execution:订单执行 - Risk:风险管理 - Universe Selection:选股选券

Alpha 模型

public class RsiAlpha : AlphaModel
{
    private Dictionary<Symbol, IndicatorBase> _rsiIndicators = new();

    public override IEnumerable<Insight> Update(QCAlgorithm algorithm, Slice data)
    {
        var insights = new List<Insight>();

        foreach (var kvp in _rsiIndicators)
        {
            var symbol = kvp.Key;
            var rsi = kvp.Value as RelativeStrengthIndex;

            if (!rsi.IsReady) continue;

            // RSI < 30 时生成买入信号
            if (rsi.Current.Value < 30)
            {
                insights.Add(Insight.Price(
                    symbol,
                    TimeSpan.FromDays(7),
                    InsightDirection.Up
                ));
            }
            // RSI > 70 时生成卖出信号
            else if (rsi.Current.Value > 70)
            {
                insights.Add(Insight.Price(
                    symbol,
                    TimeSpan.FromDays(7),
                    InsightDirection.Down
                ));
            }
        }

        return insights;
    }
}

Portfolio Construction 模型

public class EqualWeightingPortfolioConstruction : PortfolioConstructionModel
{
    public override IEnumerable<IPortfolioTarget> CreateTargets(
        QCAlgorithm algorithm,
        Insight[] insights)
    {
        var targets = new List<PortfolioTarget>();

        if (insights.Length == 0) return targets;

        // 等权重分配
        var weight = 1m / insights.Length;

        foreach (var insight in insights)
        {
            if (insight.Direction == InsightDirection.Up)
            {
                targets.Add(PortfolioTarget.Percent(
                    insight.Symbol,
                    weight
                ));
            }
            else if (insight.Direction == InsightDirection.Down)
            {
                targets.Add(PortfolioTarget.Percent(
                    insight.Symbol,
                    -weight
                ));
            }
        }

        return targets;
    }
}

9. 高级功能

自定义手续费模型

public class CustomFeeModel : IFeeModel
{
    public OrderFee GetOrderFee(
        OrderFeeParameters parameters)
    {
        var security = parameters.Security;
        var order = parameters.Order;

        // 自定义手续费计算逻辑
        var fee = order.AbsoluteQuantity * security.Price * 0.001m;

        return new OrderFee(new CashAmount(fee, "USD"));
    }
}

// 使用自定义手续费模型
Securities["SPY"].FeeModel = new CustomFeeModel();

期权策略

// 添加期权
var option = AddOption("SPY", Resolution.Minute);

// 设置过滤器(筛选近月、平值期权)
option.SetFilter(-2, 2, TimeSpan.FromDays(0), TimeSpan.FromDays(30));

// 在 OnData 中操作期权链
public override void OnData(Slice slice)
{
    // 获取期权链:从 slice.OptionChains 取,键为标的对应的 canonical 期权 Symbol
    var canonical = Symbol.Create("SPY", SecurityType.Option, Market.USA);
    if (!slice.OptionChains.TryGetValue(canonical, out var chain)) return;

    // 获取看涨期权
    var calls = chain.Where(x => x.Right == OptionRight.Call);

    // 获取平值看涨期权(Underlying 是标的代码,标的价格需从数据/证券中取)
    var underlyingPrice = Securities["SPY"].Price;
    var atmCall = calls
        .OrderBy(x => Math.Abs(x.Strike - underlyingPrice))
        .FirstOrDefault();

    if (atmCall != null)
    {
        MarketOrder(atmCall.Symbol, 1);
    }
}

调度事件

// 在特定时间执行
Schedule.On(
    DateRules.EveryDay("SPY"),
    TimeRules.At(9, 30),
    () => {
        // 开盘后 30 分钟执行
    }
);

// 每周一执行
Schedule.On(
    DateRules.Every(DayOfWeek.Monday),
    TimeRules.AfterMarketOpen("SPY", 30),
    () => {
        // 每周一开盘后 30 分钟执行
    }
);

// 每月执行
Schedule.On(
    DateRules.MonthStart(),
    TimeRules.AfterMarketOpen("SPY", 30),
    () => {
        // 每月第一个交易日开盘后执行
    }
);

10. 研究环境(Research)

# 在 Jupyter Notebook 中使用 QuantBook
from QuantConnect import *
from QuantConnect.Data import *

# 创建 QuantBook
qb = QuantBook()

# 添加证券
spy = qb.AddEquity("SPY", Resolution.Daily)

# 获取历史数据
history = qb.History([spy.Symbol], 30, Resolution.Daily)

# 计算指标
sma = qb.SMA(spy.Symbol, 20)

# 显示数据
print(history.head())

启动研究环境:

lean research

第四部分:回测与优化

11. 回测深入

回测配置

修改 config.json:

{
  "algorithm-type-name": "MyStrategy",
  "algorithm-language": "Python",
  "algorithm-location": "./MyStrategy.py",

  "data-folder": "../../../Data/",

  "live-mode": false
}

注意:config.json 中没有 start-date、end-date、initial-cash 这些键。 回测的开始/结束日期与初始资金需要在策略的 Initialize() 中通过 SetStartDate() / SetEndDate() / SetCash() 设定(见第 4 章)。 常用的真实配置键包括 algorithm-type-name、algorithm-language、 algorithm-location、data-folder、parameters、live-mode 等。

结果分析

关键统计指标: - Sharpe Ratio:夏普比率 - Sortino Ratio:索提诺比率 - Drawdown:最大回撤 - Total Return:总收益 - Win Rate:胜率 - Profit-Loss Ratio:盈亏比

12. 参数优化

# 配置并运行优化(项目名为位置参数,按提示配置目标/约束/参数;
# 可用 --max-concurrent-backtests 控制并发回测数,默认为 CPU 核数的一半)
lean optimize "MyStrategy"
lean optimize "MyStrategy" --max-concurrent-backtests 10

优化配置示例(schema 与 Optimizer.Launcher/config.example.json 一致):

{
  "optimization-criterion": {
    "target": "Statistics.Sharpe Ratio",
    "extremum": "max"
  },

  "constraints": [
    {
      "target": "Drawdown",
      "operator": "lessOrEqual",
      "target-value": 0.15
    }
  ],

  "parameters": [
    {
      "name": "rsiPeriod",
      "min": 10,
      "max": 30,
      "step": 2
    },
    {
      "name": "overboughtThreshold",
      "min": 65,
      "max": 80,
      "step": 5
    }
  ]
}

字段说明:

  • optimization-criterion:优化目标。target 为回测输出 JSON 中的统计指标路径,extremum 取 max 或 min(可选 target-value 表示达标即提前结束)。
  • constraints:约束条件,不满足的回测结果直接丢弃。operator 可选 less、greaterOrEqual、greater、notEqual、equals、lessOrEqual。
  • parameters:待优化参数,与策略中的运行时参数一一对应,支持 step、min-step。

第五部分:实盘交易

13. 实盘交易准备

券商接入

支持的券商包括: - Interactive Brokers - Bitfinex(加密货币) - Coinbase(加密货币) - Binance(加密货币) - Kraken(加密货币)

配置示例(扁平键,无嵌套的 brokerage 配置块):

{
  "live-mode": true,
  "live-mode-brokerage": "InteractiveBrokersBrokerage",

  "ib-account": "DU1234567",
  "ib-host": "127.0.0.1",
  "ib-port": 7497
}

纸面交易(无实际券商)只需:

{
  "live-mode": true,
  "live-mode-brokerage": "PaperBrokerage"
}

14. 实盘部署

# 启动实盘交易(项目名为位置参数)
lean live deploy "MyStrategy"

# 查看云端状态
lean cloud status

第六部分:数据管理

15. 数据下载与管理

数据目录结构

Data/
├── equity/
│   └── usa/
│       └── daily/
│           └── spy.zip
├── forex/
│   └── daily/
├── crypto/
│   └── daily/
├── future/
│   └── daily/
└── option/
    └── daily/

使用 QuantConnect 云端数据

# 下载所需数据
lean data download --dataset "QuantConnect - USA Equity Price Data"

自定义数据导入

继承 PythonData,覆写 GetSource 定义数据源、Reader 解析每行数据 (PythonData 没有 Update(BaseData) 模式):

from AlgorithmImports import *

class CustomData(PythonData):
    """自定义数据类型"""

    def GetSource(self, config, date, isLiveMode):
        """定义数据源(返回 SubscriptionDataSource)"""
        return SubscriptionDataSource(
            "data/custom_data.csv",
            SubscriptionTransportMedium.LocalFile,
            FileFormat.Csv
        )

    def Reader(self, config, line, date, isLiveMode):
        """解析每一行数据(返回 None 表示跳过)"""
        if not line.strip():
            return None

        parts = line.split(',')

        data = CustomData()
        data.Symbol = config.Symbol
        # 时间解析用 datetime.strptime(按数据文件中的日期格式)
        data.Time = datetime.strptime(parts[0], "%Y-%m-%d")
        data.EndTime = data.Time + timedelta(days=1)
        data.Value = float(parts[1])
        return data

# 添加自定义数据(Python 包装只接收单个 timeZone 参数)
self.AddData(CustomData, "CUSTOM", Resolution.Daily)

第七部分:最佳实践与进阶主题

16. 代码组织与设计模式

项目结构

MyLeanProject/
├── algorithms/
│   ├── strategies/
│   │   ├── MeanReversion.py
│   │   └── Momentum.py
│   ├── indicators/
│   │   └── CustomIndicator.cs
│   └── alpha/
│       └── RsiAlpha.cs
├── library/
│   └── common.py
└── config.json

附录A. API 快速参考

注:性能优化主题已并入最佳实践章节。本附录提供常用 API 快速参考, 包括证券管理、订单管理、历史数据、技术指标、调度、Portfolio/Securities API、 常用常量与快速代码片段(对应 docs/07-best-practices/17-performance-optimization.md)。

18. 调试与测试

本地调试

C#:在 VS Code 中设置断点,使用 F5 调试

Python:在 config.json 中启用调试:

{
  "debugging": true,
  "debugging-method": "DebugPy"
}

单元测试

[TestClass]
public class MyStrategyTests
{
    [TestMethod]
    public void TestInitialize()
    {
        var algorithm = new MyStrategy();
        algorithm.Initialize();

        Assert.IsTrue(algorithm.Portfolio.Cash == 100000);
    }
}

附录

A. 常用方法索引

类别 方法 说明
证券管理 AddEquity() 添加股票
证券管理 AddForex() 添加外汇
证券管理 AddFuture() 添加期货
证券管理 AddOption() 添加期权
证券管理 AddCrypto() 添加加密货币
订单管理 MarketOrder() 市价单
订单管理 LimitOrder() 限价单
订单管理 SetHoldings() 按比例设置持仓
订单管理 Liquidate() 平仓
历史数据 History() 获取历史数据
指标 SMA() 简单移动平均
指标 EMA() 指数移动平均
指标 RSI() 相对强弱指标
指标 MACD() MACD 指标
指标 BB() 布林带
调度 Schedule.On() 定时任务

B. 示例策略库

基础策略示例

  • 均值回归:使用 RSI 指标的均值回归策略
  • 动量策略:基于价格动量的趋势跟踪策略
  • 双均线交叉:经典的双均线交叉策略

高级策略示例

  • 多因子策略:结合多个因子的选股策略
  • 统计套利:配对交易策略
  • 期权波动率策略:基于 VIX 的期权策略

C. 常见问题 FAQ

Q: 如何在本地运行 Python 策略?

A: 确保已安装 Python 3.11 和相关依赖,然后在 config.json 中设置 algorithm-language 为 Python。

Q: 如何添加自定义数据?

A: 继承 PythonData(或继承 BaseData),覆写 GetSource 和 Reader 方法,然后使用 AddData<T>() 添加。

Q: 回测和实盘有什么差异?

A: 主要差异包括:数据质量、滑点真实度、订单填充时机、市场时间等。

D. 资源链接