什么是日内交易？
日内交易（Day Trade）是一种交易模式。主要是指持仓时间短，不留过夜持仓的交易方式。日内交易捕捉入市后能够马上脱离入市成本的交易机会，入市之后如果不能马上获利，就准备迅速离场。因为这种交易方式在市时间短，所以承受的市场波动的风险较低。目前，全球范围内有一些操盘高手采用此交易方式取得稳定的盈利，获得了成功。
日内策略在中国市场可行吗？
与国外市场不同，我国股票市场现阶段施行“T+1”交易，在这个基础上的“T+0”操作，必须是有底仓的高抛低吸。
但凡在日内交易上经验丰富且有很高胜率的选手，在持股期，都会对日内交易拥有极高的兴趣，交易频次也会比较高。以上表述已经暗含了一个隐藏的前提：必须是当天不准备卖出者才能做T，否则会为了几个点的微小价差而得不偿失。
日内交易因为其快速了结和价差较小的特点，交易者盈利的首要条件即为一个交易来回的价差大于交易成本。按照当前券商普遍采用的佣金标准万三计算，一个完整交易轮回的摩擦成本略小于0.2%，从这点看，低佣金使得日内交易的盈利变得相对容易。根据我自身的交易经验，只要参与者对单次盈利预期合理且在介入时间点上不至太过偏离，均能在长久的做T生涯中获得不菲的正收益。
策略实现（基于掘金量化平台）
策略思想
本策略首先买入“SHSE.600000”股票10000股。
根据300s的数据来计算“MACD(12,26,9)”线。
“MACD”水下金叉，配合均线多头排列的时候买入1000股，“MACD”水上死叉，配合均线空头排列的时候卖出1000股。
每日操作的股票数不超过原有仓位，并于收盘前把仓位调整至开盘前的仓位。
策略主要步骤实现
订阅数据
subscribe(symbols=symbols, frequency='300s', count=35, wait_group=True)
(symbols=symbols, frequency='300s', count=35, wait_group=True)
订阅数据需要在定义init函数里面设置，并调用subscribe函数：
symbols需要设置订阅的标的代码。
frequency需设置订阅数据的周期级别，这里设置1d 表示以一天为周期。
count需要设置获取的bar的数量
数据获取
recent_data = context.data(symbol=symbol, frequency='300s', count=35, fields='close')
= context.data(symbol=symbol, frequency='300s', count=35, fields='close')
订阅数据之后，需要获取已经订阅的数据来进行操作，这时需调用context.data函数：
symbols 需要设置订阅的标的代码。
frequency需设置订阅数据的周期级别，这里设置1d表示以一天为周期。
count需要设置获取的bar的数量
fields需要设置返回值的种类
获取当前bar的时间
def on_bar(context, bars):
bar = bars[0]
day = bar.bob.strftime('%Y-%m-%d %H:%M:%S')
on_bar(context, bars):
bar = bars[0]
day = bar.bob.strftime('%Y-%m-%d %H:%M:%S')
在on_bar函数里，需要判断当前bar是否为当天交易的最后一根，以判断是否平仓，这里可直接过去传入bar的信息。
回测报告
分析
我们选取了2016年1月至2016年7月作为回测周期，保利地产（600048）作为标的股票，可以看出：
胜率（具有盈利的平仓次数与总平仓次数之比）达到了46%，当然，您可以根据需要，制定别的高胜率的开平仓条件。
卡玛比率（年化收益率与历史最大回撤之比）是使用最大回撤率来衡量风险。采用最大回撤率来衡量风险，关注的是最极端的情况。卡玛比率越高表示策略承受每单位最大损失获得的报酬越高。在这里卡玛比率达到了1.4。
夏普比率（年化收益率减无风险收益率的差收益波动率之比）达到0.78。
策略收益曲线与标的股票收益具有很大相关性，日内交易的关键点在于手续费的控制，在提高胜率的同时，尽量提高盈亏比，使得平仓的价差收益大于手续费的损耗。
股票日内回转交易策略源码：
# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
try:
import talib
except:
print('请安装TA-Lib库')
from gm.api import *
'''
本策略首先买入SHSE.600000股票10000股
随后根据60s的数据来计算MACD(12,26,9)线,并在MACD>0的时候买入100股,MACD<0的时候卖出100股
但每日操作的股票数不超过原有仓位,并于收盘前把仓位调整至开盘前的仓位
回测数据为:SHSE.600000的60s数据
回测时间为:2017-09-01 08:00:00到2017-10-01 16:00:00
'''
def init(context):
# 设置标的股票
context.symbol = 'SHSE.600000'
# 用于判定第一个仓位是否成功开仓
context.first = 0
# 订阅浦发银行, bar频率为1min
subscribe(symbols=context.symbol, frequency='60s', count=35)
# 日内回转每次交易100股
context.trade_n = 100
# 获取昨今天的时间
context.day = [0, 0]
# 用于判断是否触发了回转逻辑的计时
context.ending = 0
def on_bar(context, bars):
bar = bars[0]
if context.first == 0:
# 最开始配置仓位
# 需要保持的总仓位
context.total = 10000
# 购买10000股浦发银行股票
order_volume(symbol=context.symbol, volume=context.total, side=PositionSide_Long,
order_type=OrderType_Market, position_effect=PositionEffect_Open)
print(context.symbol, '以市价单开多仓10000股')
context.first = 1.
day = bar.bob.strftime('%Y-%m-%d')
context.day[-1] = day[-2:]
# 每天的仓位操作
context.turnaround = [0, 0]
return
# 更新最新的日期
day = bar.bob.strftime('%Y-%m-%d %H:%M:%S')
context.day[0] = bar.bob.day
# 若为新的一天,获取可用于回转的昨仓
if context.day[0] != context.day[-1]:
context.ending = 0
context.turnaround = [0, 0]
if context.ending == 1:
return
# 若有可用的昨仓则操作
if context.total >= 0:
# 获取时间序列数据
symbol = bar['symbol']
recent_data = context.data(symbol=symbol, frequency='60s', count=35, fields='close')
# 计算MACD线
macd = talib.MACD(recent_data['close'].values)[0][-1]
# 根据MACD>0则开仓,小于0则平仓
if macd > 0:
# 多空单向操作都不能超过昨仓位,否则最后无法调回原仓位
if context.turnaround[0] + context.trade_n < context.total:
# 计算累计仓位
context.turnaround[0] += context.trade_n
order_volume(symbol=context.symbol, volume=context.trade_n, side=PositionSide_Long,
order_type=OrderType_Market, position_effect=PositionEffect_Open)
print(symbol, '市价单开多仓', context.trade_n, '股')
elif macd < 0:
if context.turnaround[1] + context.trade_n < context.total:
context.turnaround[1] += context.trade_n
order_volume(symbol=context.symbol, volume=context.trade_n, side=PositionSide_Short,
order_type=OrderType_Market, position_effect=PositionEffect_Close)
print(symbol, '市价单平多仓', context.trade_n, '股')
# 临近收盘时若仓位数不等于昨仓则回转所有仓位
if day[11:16] == '14:55' or day[11:16] == '14:57':
position = context.account().position(symbol=context.symbol, side=PositionSide_Long)
if position['volume'] != context.total:
order_target_volume(symbol=context.symbol, volume=context.total, order_type=OrderType_Market,
position_side=PositionSide_Long)
print('市价单回转仓位操作...')
context.ending = 1
# 更新过去的日期数据
context.day[-1] = context.day[0]
if __name__ == '__main__':
'''
strategy_id策略ID,由系统生成
filename文件名,请与本文件名保持一致
mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
token绑定计算机的ID,可在系统设置-密钥管理中生成
backtest_start_time回测开始时间
backtest_end_time回测结束时间
backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST
backtest_initial_cash回测初始资金
backtest_commission_ratio回测佣金比例
backtest_slippage_ratio回测滑点比例
'''
run(strategy_id='strategy_id',
filename='main.py',
mode=MODE_BACKTEST,
token='token_id',
backtest_start_time='2017-09-01 08:00:00',
backtest_end_time='2017-10-01 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=2000000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)