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。