对于 Python 学习者来说，量化交易是一个既有挑战又充满机遇的领域。今天，我要向大家介绍一个强大的量化交易框架——Nautilus Trader，它能够让我们快速构建、回测和部署交易策略。本文将通过一个简单的 MACD 策略实例，带你了解如何使用 Nautilus Trader 进行回测，从而开启你的量化交易之旅。

Nautilus Trader 是什么？

Nautilus Trader 是一个高性能的交易框架，具有以下优势：

  • 可以轻松将外部数据转换为其内部格式

  • 能够以最小的改动从回测切换到实盘交易

  • 设计为高性能架构，甚至支持高频交易

  • 适合小型到中型团队快速研发和部署交易策略

不过需要注意的是，这个框架并不适合简单策略的普通日内交易者，它更适合有一定编程基础的开发团队。

环境准备

首先，确保你使用的是 Python 3.11、3.12 或 3.13 版本，然后安装 Nautilus Trader：

pip install -U nautilus_trader

核心组件概览

在开始编写策略前，我们需要了解 Nautilus Trader 的几个核心组件：

  1. Strategy：这是你的交易逻辑所在的类，处理数据事件、订单事件和仓位状态变化。

  2. BacktestEngine：用于运行回测或实盘交易的引擎，需要以下组件：

    • Venue：在回测中模拟交易所，在实盘中代表真实交易所。

    • Data：策略消费的历史或实时数据。

    • Strategy：你的交易逻辑。

实战：构建 MACD 策略

下面，我们将构建一个基于 MACD 指标的简单策略。

1. 创建策略配置

首先导入必要的模块并创建一个策略配置类：

import datetime as dt
from nautilus_trader.config import StrategyConfig
from nautilus_trader.indicators.macd import MovingAverageConvergenceDivergence
from nautilus_trader.trading.strategy import Strategy
from nautilus_trader.model import BarType
from nautilus_trader.model import Bar
from nautilus_trader.model import Position
from nautilus_trader.model import InstrumentId
from nautilus_trader.model.enums import PriceType
from nautilus_trader.model.enums import OrderSide
from nautilus_trader.model.enums import PositionSide

class MACDStrategyConfig(StrategyConfig):
    instrument_id: InstrumentId
    bar_type_1day: BarType
    fast_period: int = 4
    slow_period: int = 8
    trading_side = 10_000
    enter_threshold: float = 0.00010

2. 实现策略类

接下来，我们创建一个 Strategy 的子类来实现我们的 MACD 策略：

# 创建 Strategy 的子类
class MACDStrategy(Strategy):
    def __init__(self, config: MACDStrategyConfig):
        super().__init__()
        self.bar_type_1day = config.bar_type_1day
        self.macd = MovingAverageConvergenceDivergence(
            fast_period = config.fast_period,
            slow_period = config.slow_period,
            price_type = PriceType.MID
        )
        self.instrument_id = config.instrument_id
        self.trade_size = Quantity.from_int(config.trading_side)
        self.position: Position | None = None
        self.enter_threshold = config.enter_threshold
        self.count_processed_bars = 0
        self.start_time = None
        self.end_time = None
    
    def on_start(self):
        # 策略启动时执行
        self.start_time = dt.datetime.now()
        self.subscribe_bars(self.bar_type_1day)
        self.log.info(f"My MACD strategy started at {self.start_time}")
    
    def on_bar(self, bar: Bar):
        # 接收到新的 K 线数据时执行
        self.count_processed_bars += 1
        self.macd.handle_bar(bar)
        if not self.macd.initialized:
            return
        self.check_for_entry()
        self.check_for_exit()
    
    def check_for_entry(self):
        # 检查是否满足入场条件
        if self.macd.value >= self.enter_threshold:
            # 如果已经有多头仓位，不做操作
            if self.position and self.position.side == PositionSide.LONG:
                return
            # 否则下单买入
            order = self.order_factory.market(
                instrument_id = self.instrument_id,
                order_side = OrderSide.BUY,
                quantity = self.trade_size
            )
            self.submit_order(order)
        elif self.macd.value < -self.enter_threshold:
            # 如果已经有空头仓位，不做操作
            if self.position and self.position.side == PositionSide.SHORT:
                return
            # 否则下单卖出
            order = self.order_factory.market(
                instrument_id = self.instrument_id,
                order_side = OrderSide.SELL,
                quantity = self.trade_size
            )
            self.submit_order(order)
    
    def check_for_exit(self):
        # 检查是否满足出场条件
        # 如果 MACD 值为正且有空头仓位，平仓
        if self.macd.value >= 0:
            if self.position and self.position.side == PositionSide.SHORT:
                self.close_position(self.position)
        # 如果 MACD 值为负且有多头仓位，平仓
        else:
            if self.position and self.position.side == PositionSide.LONG:
                self.close_position(self.position)
    
    def on_end(self):
        # 策略结束时执行
        self.end_time = dt.datetime.now()
        self.close_all_positions(instrument_id = self.config.instrument_id)
        self.unsubscribe_bars()
        self.log.info(f"My MACD strategy finnished at {self.end_time}")
        self.log.info(f"Total count of 1 day bars: {self.count_processed_bars}")

3. 设置回测引擎

3.1 定义交易品种

首先，我们需要定义要交易的金融工具（NVDA 股票）：

from decimal import Decimal
from nautilus_trader.model.identifiers import InstrumentId
from nautilus_trader.model.identifiers import Symbol
from nautilus_trader.model.identifiers import Venue
from nautilus_trader.model.instruments import Equity
from nautilus_trader.model.currencies import USD
from nautilus_trader.model.objects import Price, Quantity

# 创建仪器 ID
instrument_id = InstrumentId(
    symbol=Symbol("NVDA"),
    venue=Venue("NASDAQ"),
)

# 创建 NVIDIA 股票金融工具
NVDA_STOCKS_INSTRUMENT = Equity(
    instrument_id=instrument_id,
    raw_symbol=Symbol("NVDA"),
    currency=USD,
    price_precision=2,  # 价格精度为 2 位小数
    price_increment=Price.from_str("0.01"),
    lot_size=Quantity.from_int(1),  # 以整股交易
    isin="US67066G1040",  # NVIDIA 的 ISIN 标识符
    ts_event=0,  # 金融工具创建/更新的时间戳
    ts_init=0,  # 对象初始化的时间戳
)

# 指定数据分辨率（1 天 K 线）
NVDA_STOCKS_1DAY_BARTYPE = BarType.from_str(
    f"{NVDA_STOCKS_INSTRUMENT.id}-1-DAY-LAST-EXTERNAL"
)
3.2 创建引擎并添加策略
from nautilus_trader.backtest.engine import BacktestEngine
from nautilus_trader.config import BacktestEngineConfig
from nautilus_trader.config import LoggingConfig
from nautilus_trader.config import ImportableStrategyConfig
from nautilus_trader.model import TraderId
from nautilus_trader.model import Bar

# 创建回测引擎配置
engine_config = BacktestEngineConfig(
    trader_id = TraderId("BACKTEST-NVDA1DAY-001"),
    strategies = [
        ImportableStrategyConfig(
            strategy_path = '__main__:MACDStrategy',
            config_path = '__main__:MACDStrategyConfig',
            config = {
                "instrument_id": instrument_id,
                "bar_type_1day": NVDA_STOCKS_1DAY_BARTYPE,
                "fast_period": 10,
                "slow_period": 20,
                "enter_threshold": 0.00001
            }
        )
    ],
    logging = LoggingConfig(log_level = "DEBUG"),
)

# 创建回测引擎并添加交易品种
engine = BacktestEngine(config = engine_config)
engine.add_instrument(NVDA_STOCKS_INSTRUMENT)
3.3 添加交易所
from nautilus_trader.model.identifiers import Venue
from nautilus_trader.model.enums import AccountType
from nautilus_trader.model.enums import OmsType
from nautilus_trader.model.currencies import USD
from nautilus_trader.model.objects import Money

# 添加模拟交易所
engine.add_venue(
    venue=Venue("NASDAQ"),
    oms_type=OmsType.NETTING,  # 订单管理系统类型
    account_type=AccountType.MARGIN,  # 交易账户类型
    starting_balances=[Money(1_000_000, USD)],  # 初始账户余额
    base_currency=USD,  # 账户基础货币
    default_leverage=Decimal(1),  # 账户不使用杠杆
)
3.4 添加历史数据
# 从 Yahoo Finance 下载 NVDA 历史数据
import yfinance
ydata_df = yfinance.download(tickers=['NVDA'], start='2000-01-01', end='2025-01-01')
ydata_df.head()

# 将 Yahoo 数据转换为 Nautilus Trader 的内部 BarData 格式
from nautilus_trader.persistence.wranglers import BarDataWrangler
wrangler = BarDataWrangler(
    NVDA_STOCKS_1DAY_BARTYPE,
    NVDA_STOCKS_INSTRUMENT
)
nvda_1day_bars_list: list[Bar] = wrangler.process(ydata_df)

# 将数据加入引擎
engine.add_data(nvda_1day_bars_list)

4. 运行回测并查看结果

# 运行回测
engine.run()

# 查看结果
engine.trader.generate_orders_report()
engine.trader.generate_positions_report()

扩展与优化

在实际应用中，你可以根据自己的需求对上述策略进行扩展和优化：

  1. 自定义指标：除了使用内置的 MACD 指标外，Nautilus Trader 还支持创建自定义指标。

  2. 多资产交易：可以同时添加多个交易品种，实现跨资产类别的组合策略。

  3. 风险管理：增加止损、止盈和头寸管理逻辑，提高策略的健壮性。

  4. 参数优化：通过对 MACD 参数（快线、慢线周期等）进行优化，提高策略性能。

总结

Nautilus Trader 是一个功能强大的量化交易框架，适合希望构建复杂交易系统的开发者和团队。虽然学习曲线较陡，但其高性能、灵活性和可扩展性使其成为构建专业级交易系统的理想选择。

本文介绍了如何使用 Nautilus Trader 构建一个简单的 MACD 策略并进行回测，希望能够帮助你迈出量化交易的第一步。随着对框架的深入理解，你可以构建更复杂、更高效的交易策略，实现自己的量化交易目标。

如果你对 Nautilus Trader 感兴趣，建议深入阅读官方文档和示例代码，以便更好地理解和使用这个强大的工具。

参考文章

  1. Nautilus Trader 官方文档：https://nautilustrader.io/

  2. Nautilus Trader GitHub 仓库：https://github.com/nautechsystems/nautilus_trader

  3. MACD 指标详解：https://www.investopedia.com/terms/m/macd.asp

# 人工智能 # 开源 # github # 低代码
Logo
加入社区！打开量化的大门，首批课程上线啦！

加入社区！打开量化的大门，首批课程上线啦！

更多推荐

终极指南：5步复现Spring Boot安全风险CVE-2016-1000027

Spring Boot安全风险CVE-2016-1000027是一个严重的Java反序列化问题，允许攻击者通过恶意序列化数据执行任意代码。本文将详细解析这一问题的原理、复现方法和修复方案。## 🔍 问题背景与原理剖析CVE-2016-1000027问题源于Spring Framework中的`HttpInvokerServiceExporter`和`RemoteInvocationSer

avatar 量化交易与投资社区

终极指南：如何避免RateLimitExceededException的Laravel API安全防护

在构建RESTful API时，避免RateLimitExceededException是每个开发者必须掌握的关键技能。Dingo API作为Laravel和Lumen框架的强大RESTful API包，提供了完整的速率限制机制来保护你的应用程序免受恶意请求和过量访问。本文将为你详细介绍如何配置和使用这些安全功能。## 🛡️ 什么是速率限制及其重要性速率限制是API安全的第一道防线，它能

avatar 量化交易与投资社区
cover

SPL量化工作台使用教程-15 放量高点阻力突破策略

avatar 量化交易与投资社区