rqalpha

项目地址：https://github.com/ricequant/rqalpha/

RQAlpha

简介

RQAlpha是一个开源的Python算法交易和回测引擎，适合A股市场，是事件驱动的设计。自带日线数据, 目前暂时仅支持日线回测。

RQAlpha的逻辑也将会在Ricequant的一些回测部分使用，Ricequant - 是一个开放的量化算法交易社区，有免费的服务器资源给大家测试、实盘模拟您的交易算法，并且可以将交易信号通过微信和邮件实时推送给大家, 如果您想要更好的回测报告体验和实盘模拟交易功能可以把本地写好的策略复制黏贴到我们的网站上运行。

如果您想参与和贡献进来这个项目，可以发邮件给 public@ricequant.com 联系，如果您有功能需求或者bug报告的话，都可以开一个issue：

https://github.com/ricequant/rqalpha/issues

特色

• 容易使用：RQAlpha可以让你集中精力在策略的开发上。可以参考./examples 下的范例
• 需要传入历史数据，计算的结果是pandas的DataFrame, 和PyData的生态系统很好的结合在一起
• 可以使用Python的统计、机器学习等科学计算库如matplotlib, scipy, statsmodels和sklearn等
• 免费提供了Ricequant的日级别数据，可以通过互联网自己更新data bundle

安装

# 为了避免一些安装问题，请先升级您的pip和setuptools
pip install -U pip setuptools

# 安装rqalpha
pip install rqalpha

# 升级rqalpha
pip install -U rqalpha

# 国内的用户们可以使用镜像
pip install -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com -U rqalpha

For Windows用户

如果出现缺失cl.exe，请访问https://wiki.python.org/moin/WindowsCompilers下载VC并且安装。

如果在安装bcloz出现编译困难，可以从bcolz下载bcolz安装，安装bcloz后，再安装rqalpha。

安装依赖

安装TA-Lib

你可以通过PyPI安装：

$ pip install TA-Lib

如果发现无法通过 pip 安装，请访问 https://mrjbq7.github.io/ta-lib/install.html 解决。

对于Windows用户，如果编译困难，可以根据您本地的Python版本下载指定版本的whl包，然后pip install TA_Lib-0.4.9-cp27-none-win_amd64.whl。

• TA_Lib-0.4.9-cp27-none-win32.whl
• TA_Lib-0.4.9-cp27-none-win_amd64.whl
• TA_Lib-0.4.9-cp34-none-win32.whl
• TA_Lib-0.4.9-cp34-none-win_amd64.whl
• TA_Lib-0.4.9-cp35-none-win32.whl
• TA_Lib-0.4.9-cp35-none-win_amd64.whl

Usage

Usage: rqalpha [OPTIONS] COMMAND [ARGS]...

Options:
  -v, --verbose
  --help         Show this message and exit.

Commands:
  examples       generate example strategies to target folder
  plot           draw result DataFrame
  run            run strategy from file
  update_bundle  update data bundle, download if not found

下载回测需要的数据bundle

运行以下命令，将会从Ricequant的服务器下载最新的日级别数据，为回测提供数据支持。

rqalpha update_bundle

生成样例策略

运行以下命令，将会在指定目录生成一个examples文件夹，其中包含几个有趣的样例策略。

rqalpha examples -d ./

运行回测

回测脚本参数如下：

Usage: rqalpha run [OPTIONS]

  run strategy from file

Options:
  -f, --strategy-file PATH     [required]
  -s, --start-date DATE        [required]
  -e, --end-date DATE          [required]
  -o, --output-file PATH
  -i, --init-cash INTEGER
  --plot / --no-plot           plot result
  --progress / --no-progress   show progress bar
  -d, --data-bundle-path PATH
  --help                       Show this message and exit.

运行以下命令，将开始回测

rqalpha run -f examples/multi_rsi.py -s 2014-01-01 -e 2016-01-01 -o result.pkl --plot

等待回测结束后，将显示您的收益率和Risk。

backtest

绘制回测结果

如果运行完回测后，还需要再次绘制回测结果，可以运行以下命令：

rqalpha plot result.pkl

分析结果

RQAlpha可以输出一个DataFrame，其中包含了每天的Portfolio信息、Risk信息、Trades和Positions。

其Index是交易日，columns包括alpha, annualized_returns, benchmark_annualized_returns, benchmark_daily_returns, benchmark_total_returns, beta, cash, daily_returns, downside_risk, information_rate, market_value, max_drawdown, pnl, portfolio_value, positions, sharpe, sortino, total_commission, total_returns, total_tax, tracking_error, trades, volatility。

其中positions是当日的持仓信息，trades是当日的交易信息。

import pandas as pd
df = pd.read_pickle("result.pkl")
print(df.iloc[-1])

'''
alpha                                                                   0.0180666
annualized_returns                                                      0.0559331
benchmark_annualized_returns                                            0.0454542
benchmark_daily_returns                                               8.87784e-05
benchmark_total_returns                                                  0.525913
beta                                                                     0.518371
cash                                                                      4971.44
daily_returns                                                          0.00250376
downside_risk                                                            0.246409
information_rate                                                        0.0380054
market_value                                                               162796
max_drawdown                                                            -0.602535
pnl                                                                           419
portfolio_value                                                            167767
positions                       {'000068.XSHE': Position({{'value_percent': 0....
sharpe                                                                    2.35011
sortino                                                                   2.62967
total_commission                                                          2585.89
total_returns                                                            0.677674
total_tax                                                                 1172.01
tracking_error                                                           0.269138
trades                                                                         []
volatility                                                               0.275721
Name: 2016-07-01 00:00:00, dtype: object
'''

架构图

Architecture

FAQ

在Windows运行报Error on import matplotlib.pyplot

请访问 Error on import matplotlib.pyplot (on Anaconda3 for Windows 10 Home 64-bit PC) 解决。

Python SDK 简介

Python策略Hello World

以下的策略是最简单的一个买入并持有平安银行（buy and hold）的展示，非常简单：

# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。

# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
    context.s1 = "000001.XSHE"
    # order是否被发送出去
    context.fired = False

# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    # 开始编写你的主要的算法逻辑

    # bar_dict[order_book_id] 可以拿到某个证券的bar信息
    # context.portfolio 可以拿到现在的投资组合状态信息

    # 使用order_shares(id_or_ins, amount)方法进行落单

    # TODO: 开始编写你的算法吧！
    if not context.fired:
        # order_percent并且传入1代表买入该股票并且使其占有投资组合的100%
        order_percent(context.s1, 1)
        context.fired = True

需要实现的方法

你的算法策略目前必须实现至少两个方法：init 和 handle_bar，而before_trading是可选择实现的方法。

init

init(context)

初始化方法 - 在回测和实时模拟交易只会在启动的时候触发一次。你的算法会使用这个方法来设置你需要的各种初始化配置。
context 对象将会在你的算法的所有其他的方法之间进行传递以方便你可以拿取到。

返回
None

范例:

def init(context):
    # cash_limit的属性是根据用户需求自己定义的，你可以定义无限多种自己随后需要的属性，ricequant的系统默认只是会占用context.portfolio的关键字来调用策略的投资组合信息
    context.cash_limit = 5000

handle_bar

handle_bar(context, bar_dict)

切片数据的更新会自动触发调用这个方法，如果是日回测则是每日的切片数据（OHLC）会触发调用，分钟回测则会是每分钟的切片数据会调用，那么在实时模拟交易中则是实时每分钟会调用一次。对于切片数据对象你可以看关于Bar对象的更详细的信息。

返回
None

范例

def handle_bar(context, bar_dict):
    # put all your algorithm main logic here.
    # ...
    order_shares('000001.XSHE', 500)
    # ...

before_trading

非强制，可选择实现的函数。每天在市场开始前会被调用。不可以在这个函数中发送订单（即不可以调用order_xxxx函数）。

before_trading(context, bar_dict)

返回
None

范例

def before_trading(context, bar_dict):
    context.stock_list = ["000001.XSHE", "000099.XSHE"]

    # 手动更新股票池
    update_universe(context.stock_list)

Order方法

你可以在策略中使用下面的几种丰富的落单方法，他们不同的用法可以让你落单的操作十分便捷。我们在交易系统内部提供好了仓位计算，因此你可以非常便利使用一些基于仓位管理上的落单方法，比如order_percent 可以让你基于目前的仓位价值进行落单。

order_shares

落指定股数的买/卖单，最常见的落单方式之一。如有需要落单类型当做一个参量传入，如果忽略掉落单类型，那么默认是市价单（market order）。

order_shares(id_or_ins, amount, style=MarketOrder())

返回
int，唯一的order id

范例

• 购买Buy 2000 股的平安银行股票，并以市价单发送

order_shares('000001.XSHE', 2000)

• 卖出2000股的平安银行股票，并以市价单发送：

order_shares('000001.XSHE', -2000)

• 购买1000股的平安银行股票，并以限价单发送，价格为￥10：

order_shares('000001.XSHG', 1000, style=LimitOrder(10))

order_lots

指定手数发送买/卖单。如有需要落单类型当做一个参量传入，如果忽略掉落单类型，那么默认是市价单（market order）。

order_lots(id_or_ins, amount, style=OrderType)

返回
int，唯一的order id

范例

• 买入20手的平安银行股票，并且发送市价单：

order_lots('000001.XSHE', 20)

• 买入10手平安银行股票，并且发送限价单，价格为￥10：

order_lots('000001.XSHE', 10, style=LimitOrder(10))

order_value

使用想要花费的金钱买入/卖出股票，而不是买入/卖出想要的股数，正数代表买入，负数代表卖出。股票的股数总是会被调整成对应的100的倍数（在A中国A股市场1手是100股）。当您提交一个卖单时，该方法代表的意义是您希望通过卖出该股票套现的金额。如果金额超出了您所持有股票的价值，那么您将卖出所有股票。

order_value(id_or_ins, cash_amount, style=OrderType)

返回
int，唯一的order id

范例

• 买入价值￥10000的平安银行股票，并以市价单发送。如果现在平安银行股票的价格是￥7.5，那么下面的代码会买入1300股的平安银行，因为少于100股的数目将会被自动删除掉。

order_value('000001.XSHE', 10000)

• 卖出价值￥10000的现在持有的平安银行：

order_value('000001.XSHE', -10000)

order_percent

发送一个等于目前投资组合价值（市场价值和目前现金的总和）一定百分比的买/卖单，正数代表买，负数代表卖。股票的股数总是会被调整成对应的一手的股票数的倍数（1手是100股）。百分比是一个小数，并且小于或等于1（<=100%），0.5表示的是50%

order_percent(id_or_ins, percent, style=OrderType)

返回
int，唯一的order id

范例

• 买入等于现有投资组合50%价值的平安银行股票。如果现在平安银行的股价是￥10/股并且现在的投资组合总价值是￥2000，那么将会买入200股的平安银行股票。（不包含交易成本和滑点的损失）

order_percent('000001.XSHG', 0.5)

order_target_value

买入/卖出并且自动调整该证券的仓位到一个目标价值。如果还没有任何该证券的仓位，那么会买入全部目标价值的证券。如果已经有了该证券的仓位，则会买入/卖出调整该证券的现在仓位和目标仓位的价值差值的数目的证券。

order_target_value(id_or_ins, cash_amount, style=OrderType)

返回
int，唯一的order id

范例

• 如果现在的投资组合中持有价值￥3000的平安银行股票的仓位并且设置其目标价值为￥10000，以下代码范例会发送价值￥7000的平安银行的买单到市场。（向下调整到最接近每手股数即100的倍数的股数）

order_target_value('000001.XSHE', 10000)

order_target_percent

买入/卖出证券以自动调整该证券的仓位到占有一个指定的投资组合的目标百分比。

• 如果投资组合中没有任何该证券的仓位，那么会买入等于现在投资组合总价值的目标百分比的数目的证券。
• 如果投资组合中已经拥有该证券的仓位，那么会买入/卖出目标百分比和现有百分比的差额数目的证券，最终调整该证券的仓位占据投资组合的比例至目标百分比。

其实我们需要计算一个position_to_adjust (即应该调整的仓位)

position_to_adjust = target_position - current_position

投资组合价值等于所有已有仓位的价值和剩余现金的总和。买/卖单会被下舍入一手股数（A股是100的倍数）的倍数。目标百分比应该是一个小数，并且最大值应该<=1，比如0.5表示50%。

如果position_to_adjust 计算之后是正的，那么会买入该证券，否则会卖出该证券。

order_target_percent(id_or_ins, percent, style=OrderType)

返回
int，唯一的order id

范例

• 如果投资组合中已经有了平安银行股票的仓位，并且占据目前投资组合的10%的价值，那么以下代码会买入平安银行股票最终使其占据投资组合价值的15%：

order_target_percent('平安银行', 0.15)

cancel_order

取消由order_id代表的限价单。

cancel_order(order_id)

get_order

通过唯一的order_id拿到对应的订单信息，不过这个订单信息会在handle_bar结尾处丢弃掉。

get_order(order_id)

返回
order对象，如：

<Order: filled_shares=100.0 quantity=100.0 instrument=<Instrument: order_book_id='000001.XSHE' symbol='平安银行' abbrev_symbol='PAYH' round_lot=100.0 sector_code='Financials' sector_name='金融'>>

get_open_orders

获取一个由order_id到order对象映射的dict，凡在此dict中的order都未被完全成交或取消。

更改context中的预设值

更改默认基准

可以在init函数中使用：

def init(context):
    context.benchmark = "000001.XSHE"

上面的代码片段把你的策略的对比参考基准从默认的csi300修改成了平安银行。

开启允许卖空

默认卖空是不允许的，不过我们提供了API可以开启卖空，不会让您的卖空单被我们的系统拒掉，可以在init函数中使用：

def init(context):
    context.short_selling_allowed = True

如果您在测试一些诸如统计套利（pair trading）需要允许卖空机制的策略的时候可以开启这一项，不过注意到在中国A股市场卖空股票是一件非常难的事情。

更改滑点

可以在init函数中使用：

def init(context):
    context.slippage = 0.5

注意 ： 其中的数值应为x%中的x， 例子中的0.5=0.5%。

上面的代码片段把你的策略的滑点更改为了0.5%。

更改交易费

可以在init函数中使用：

def init(context):
    context.commission = 0.02

注意 ： 其中的数值应为x%中的x， 例子中的0.02=0.02%，即万分之2.

上面的代码片段把你的策略使用的交易费更改为了0.02%。

scheduler方法

如果需要在某个日期、某个时间点运行一个函数，可以在init函数中使用scheduler, 注意：scheduler必须在init函数中调用。

scheduler.run_daily(function)
scheduler.run_weekly(function, weekday=x,tradingday=t)
scheduler.run_monthly(function, tradingday=t)

定日期运行

每天

每天运行一次传入的function

scheduler.run_daily(function)

返回
None

注意
1, schedule一定在其对应时间点的handle_bar之后执行。

范例

以下的范例代码片段是一个非常简单的例子，在每天交易后查询现在portfolio中剩下的cash的情况

def log_cash(context, bar_dict):
    logger.info("Remaning cash: %r" % context.portfolio.cash)

def init(context):
    #...
    # 每天运行一次
    scheduler.run_daily(log_cash)

每周某天

每周在固定的某天运行一下传入的function

scheduler.run_weekly(function, weekday=x, tradingday=t)

返回
None

注意
1, tradingday中的负数表示倒数。

2, tradingday表示交易日。如某周只有四个交易日，则此周的tradingday=4与tradingday=-1表示同一天

3, weekday和tradingday不能同时使用。
范例

以下的代码片段非常简单，在每周二固定运行打印一下现在的portfolio剩余的资金：

def log_cash(context, bar_dict):
    logger.info("Remaning cash: %r" % context.portfolio.cash)

def init(context):
    #...
    # 每周二打印一下剩余资金：
    scheduler.run_weekly(log_cash, weekday=2)

    # 每周第二个交易日打印剩余资金：
    #scheduler.run_weekly(log_cash, tradingday=2)

每月某交易日

在每月的某个交易日运行一次传入的function:

scheduler.run_monthly(function,tradingday=t)

返回
None

注意
1， tradingday的负数表示倒数

2， tradingday表示交易日，如某月只有三个交易日，则此月的tradingday=3与tradingday=-1表示同一天

范例
以下的代码片段非常简单的展示了每个月第一个交易日的时候我们进行一次财务数据查询，这样子会非常有用在一些根据财务数据来自动调节仓位股票组合的算法来说：

def query_fundamental(context, bar_dict):
        # 查询revenue前十名的公司的股票并且他们的pe_ratio在25和30之间。打fundamentals的时候会有auto-complete方便写查询代码。
    fundamental_df = get_fundamentals(
        query(
            fundamentals.income_statement.revenue, fundamentals.eod_derivative_indicator.pe_ratio
        ).filter(
            fundamentals.eod_derivative_indicator.pe_ratio > 25
        ).filter(
            fundamentals.eod_derivative_indicator.pe_ratio < 30
        ).order_by(
            fundamentals.income_statement.revenue.desc()
        ).limit(
            10
        )
    )

    # 将查询结果dataframe的fundamental_df存放在context里面以备后面只需：
    context.fundamental_df = fundamental_df

    # 实时打印日志看下查询结果，会有我们精心处理的数据表格显示：
    logger.info(context.fundamental_df)
    update_universe(context.fundamental_df.columns.values)

# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
    # 每月的第一个交易日查询以下财务数据，以确保可以拿到最新更新的财务数据信息用来调整仓位
    scheduler.run_monthly(query_fundamental, tradingday=1)

定时间运行

scheduler还可以用来做定时间运行，比如在每天开盘后的一小时后或一分钟后定时运行，这里有很多种组合可以让您达到各种自己想要达到的定时运行的目的。

注意：使用time_rule定时运行只会在分钟级别回测和实时模拟交易中有定义的效果，在日回测中只会默认依然在该天运行，并不能在固定的时间运行。

使用的方法是和上面的scheduler.run_daily,scheduler.run_weekly和scheduler.run_monthly进行组合加入time_rule来一起使用：

如何使用scheduler来进行定日期运行已经在上面解释的很清楚了，这里我们主要介绍如何使用time_rule来进行定时间运行：

martet_open /market_close参数如下：

返回：
None

每天的开市后某个时间点运行：

scheduler.run_daily(function, time_rule=market_open(hour=x, minute=x))

每周的闭市前某个时间点运行：

scheduler.run_weekly(function, weekday=w ,tradingday=t, time_rule=market_close(hour=x, minute=x))

每月的第t个交易日开市后某个时间点运行：

scheduler.run_monthly(function,traingday=t ,time_rule=market_open(hour=x, minute=x))

注意
1， 在分钟回测中如未指定time_rule,则默认在开盘后一分钟运行,即09:31分。
2， 如果两个schedule，分别使用market_open 与market_close规则，但规则触发时间在同一时刻，则market_open的handle一定在market_close的handle前执行。
3， 目前暂不支持开盘交易(即 09:30分交易) ,所以time_rule(minute=0) 和time_rule(hour=0) 将不会触发任何事件。
4， market_open(minute=120)将在11:30执行， market_open(minute=121)在13:01执行，中午休市的区间会被忽略。
范例

• 每天开盘后一小时：

scheduler.run_daily(function, time_rule=market_open(hour=1))

• 每周周一开盘后一分钟：

scheduler.run_weekly(function, weekday=1, time_rule=market_open(minute=1))

• 每月第一个交易日收盘前一小时：

scheduler.run_monthly(function, tradingday=1,time_rule=market_close(hour=1))

其他方法

update_universe

update_universe(id_or_symbols)

这个方法传入一个或一个列表的id_or_symbol(s)作为参数，用以更新现在关注的证券的集合（e.g
.：股票池）。PS：会在下一个bar事件触发时候产生（新的关注的股票池更新）效果。并且update_universe会是覆盖（overwrite）的操作而不是在已有的股票池的基础上进行增量添加。比如已有的股票池为['000001 .XSHE', '000024.XSHE']然后调用了update_universe(['000030.XSHE'])之后，股票池就会变成000030 .XSHE一个股票了，随后的数据更新也只会跟踪000030.XSHE这一个股票了。

范例

下面的代码是将股票池变更为只有2个股票000001.XSHE和000024.XSHE:

update_universe(['000001.XSHE', '000024.XSHE'])

instruments

instruments(id_or_symbols)

转换单个string或一个string列表的order_book_id到instrument对象

返回

单个或一个列表的<a href="/api/python/chn#instrument-object" target="_blank">instrument对象</a> - 用id_or_symbol请求的。

范例

• 只得到单个instrument的对象：

[In]instruments('000001.XSHE')
[Out]
<Instrument: industry_name='货币金融服务', listed_date=datetime.datetime(1991, 4, 3, 0, 0), round_lot=100.0, listing=False, abbrev_symbol='PAYH', symbol='平安银行', industry_code='J66', type='CS', sector_code='Financials', sector_name='金融', order_book_id='000001.XSHE'>

• 得到一个列表的instrument对象 - 中国股票：

[In]instruments(['平安银行', '000024.XSHE'])
[Out]
[<Instrument: industry_name='货币金融服务', listed_date=datetime.datetime(1991, 4, 3, 0, 0), round_lot=100.0, listing=False, abbrev_symbol='PAYH', symbol='平安银行', industry_code='J66', type='CS', sector_code='Financials', sector_name='金融', order_book_id='000001.XSHE'>,
<Instrument: industry_name='房地产业', listed_date=datetime.datetime(1993, 6, 7, 0, 0), round_lot=100.0, listing=False, abbrev_symbol='ZSDC', symbol='招商地产', industry_code='K70', type='CS', sector_code='Financials', sector_name='金融', order_book_id='000024.XSHE'>]

history

history(bar_count, frequency, field)

history函数返回所有已关注证券的历史行情，同时支持日以及分钟历史数据。以pandas的DataFrame对象装载为时间序列。

注意：在我们最新加入的可以动态处理调整证券池的功能以后，您并不只能使用history函数拿到已经加入证券池的历史数据，您可以拿到所有想要拿的任意的证券的历史数据了。

返回：

DataFrame

范例：

1. 拿取四天的历史数据：

print (history(4, '1d', 'close')['000001.XSHE'])

当前日期：2013-01-05

2. 拿取四分钟的历史数据：

print(history(4, '1m', 'close')['000001.XSHE'])

当前时间：2014-01-06 09:34:00

plot

plot(series_name, value)

plot函数可以将时间序列的数据传给页面进行绘图，结果是以时间为横轴，value为纵轴的曲线。

范例：

# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    # TODO: 开始编写你的算法吧！

    plot('close', bar_dict['000001.XSHE'].close)
    plot('high', bar_dict['000001.XSHE'].high)
    plot('low', bar_dict['000001.XSHE'].low)
    plot('open', bar_dict['000001.XSHE'].open)

拿到当前时间

context.now

使用以上的方法就可以在handle_bar中拿到当前的bar的时间，比如day bar的话就是那天的时间，minute bar的话就是这一分钟的时间点。

Bar对象

Ricequant的后端算法交易系统会处理你的算法中所有关注的证券，我们支持的包括股票、ETF、LOF、分级基金和期货。
它会发送bar事件并且将来还可以发送其他的事件给你的算法策略（比如：tick数据）。bar_dict是所有的关注的证券的bar数据的一个总集合，你可以在handle_bar中拿取到bar对象，其中包含了该证券的所有的市场数据信息。

例如，如果你想拿到平安银行股票'000001.XSHE'的切片数据信息，那么可以使用这段代码bar_dict['000001.XSHE']。下面会介绍我们已经支持的bar对象的属性：

同时对bar对象我们也支持如下的转换方法：

mavg(intervals, frequency='day')

可以用来计算某个证券的某段时间的移动平均价格，默认单位是‘天’

vwap(intervals, frequency='day')

可以用来计算某个证券的某段时间的加权平均价格，默认单位是“天”

Order对象

在order对象中的属性：

Portfolio对象

portfolio对象包含算法策略的所有的投资组合的信息。在日级别回测中，这表示的是每日收盘以后的投资组合信息。可以使用context.portfolio去拿取portfolio对象的信息。

并且有以下的属性：

Position对象

position对象代表一个证券的仓位信息。可以通过positions字典拿到，例如：如果你的投资组合有平安银行股票（000001.XSHE）的仓位，你可以通过以下代码拿到它的仓位：

context.portfolio.positions['000001.XSHE']

并且position对象有以下的属性：

Instrument对象

Instrument代表所有的金融证券，例如：可以是股票，ETF，指数和期货合同。

股票，ETF，指数Instrument对象

股票，ETF，指数Instrument对象有如下的属性：

开发

pyvenv venv
source venv/bin/activate
pip install -e .

运行单元测试

py.test