基准收益公式中的基准最终价值指什么

我也想问buy=[0]len(g.stocks) sell=[0]len(g.stocks) 0是什么

调仓频率 15 这个有用到吗？ 不是每天都在判断是否买入卖出嘛

``` 这个策略的 get_EMA 函数是不是有问题？ 在signal_stock_sell里面调用get_EMA的时候，会将当天的EMA值记录到g.EMAs里面，然后调用signal_stock_buy的时候，就会将g.EMAs里面记录的值当做前一天的EMA，其实g.EMAs里面记录的值是当天的。 ``` @尤孟 @JoinQuant量化课堂 我也是这么认为的

多谢分享，程序第90行if not (1 in toBuy) or (1 in toSell):是不是少了个()？

求问收盘价连续两天站上15日EMA作为买入条件，这里怎么改，有大神教教小白马

@JoinQuant量化课堂 @尤孟 @duron2 还有一个问题 因为缓存了前一天的数据EMA_pre，计算EMA_now的时候如果出现拆分或分红怎么办？

弱弱的问一下，回测代码块1,2,3,4,5都在哪里啊

g.tc=15 # 调仓频率 调仓频率的作用是啥啊

@JoinQuant量化课堂 (ema_long_pre,ema_long_now) = get_EMA(g.security[i],60,data) (ema_short_pre,ema_short_now) = get_EMA(g.security[i],1,data) 为啥60和1日均线要取昨日的EMA和今日的EMA？ 只取今日的EMA比较不更简单吗？ 明白了，两天才能判断是否金叉和死叉。

@空白格 [0]相当于一个数组，乘以4，变成[0,0,0,0]

@duron2 我也这么认为 怎么处理

指数移动平均 是什么意思呢？ 公式里的变量都指的是什么呢？例如p_i，N都不知道什么意思

@宏观经济占卜师 请问这双均线策略需要设置八九个函数，而API稳定里面的双均线策略只有2个函数。这两个版本有哪些区别呢，为什么复杂程度相差那么大 API里面的双均线策略 ``` # 初始化函数，设定要操作的股票、基准等等 def initialize(context): # 定义一个全局变量, 保存要操作的股票 # 000001(股票:平安银行) g.security = '000001.XSHE' # 设定沪深300作为基准 set_benchmark('000300.XSHG') # 每个单位时间(如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次)调用一次 def handle_data(context, data): security = g.security # 获取股票的收盘价 close_data = attribute_history(security, 10, '1d', ['close'],df=False) # 取得过去五天的平均价格 ma5 = close_data['close'][-5:].mean() # 取得过去10天的平均价格 ma10 = close_data['close'].mean() # 取得当前的现金 cash = context.portfolio.cash # 如果当前有余额，并且五日均线大于十日均线 if ma5 > ma10: # 用所有 cash 买入股票 order_value(security, cash) # 记录这次买入 log.info("Buying %s" % (security)) # 如果五日均线小于十日均线，并且目前有头寸 elif ma5 < ma10 and context.portfolio.positions[security].closeable_amount> 0: # 全部卖出 order_target(security, 0) # 记录这次卖出 log.info("Selling %s" % (security)) # 绘制五日均线价格 record(ma5=ma5) # 绘制十日均线价格 record(ma10=ma10) ```

@成吉思汗 更通用 和考虑更多细节

@宏观经济占卜师 谢谢

@宏观经济占卜师 get_EMA这个函数直接用下面的方式写可以吗？这样可以省掉了 get_MA函数，并且不需要使用g.EMAs字典，回测的结果又一点点差别，但是差别不大。请大神帮忙鉴定一下 ``` def get_EMA(security_code,days,data): # 如果只有一天的话,前一天的收盘价就是移动平均 if days==1: # 获得前两天的收盘价数据，一个作为上一期的移动平均值，后一个作为当期的移动平均值 t = attribute_history(security_code, 2, '1d', ('close')) return t['close'][-2],t['close'][-1] elif days==60: t60_now = attribute_history(security_code, 60, '1d', ('close')) t60_pre = attribute_history(security_code, 61, '1d', ('close')) t60_now_mean = t5['close'].mean() t60_pre_mean = t6['close'][:-1].mean() return t60_pre_mean,t60_now_mean ```

@成吉思汗 量化课堂就是个例子，你觉得 怎么方便就怎么来，没有对错 ：）

@宏观经济占卜师 但是回测的结果有点不一样，不清楚什么原因