用DolphinScript实现趋势跟踪与ATR止损的交易策略

一、数据分析的准备工作

1.1 建库建表

1.2 stockTB表数据示例

二、趋势跟踪交易策略

2.1 策略介绍

2.2 Kelly公式

三、融入ATR跟踪止损策略

3.1 平均真实波幅（ATR）止盈止损信号

3.2 仓位管理

3.3 交易周期中各指令的触发条件

3.4 实现代码

四、度量策略表现

五、完整脚本代码

一、数据分析的准备工作

1.1 建库建表

数据库按日期值分区，每天一个分区。选用专为时间序列数据优化的TSDB存储引擎，支持高效的时间范围查询和聚合操作。使用loadTextEx函数从CSV文件导入数据，导入时会自动按照定义的分区规则将数据分布到不同分区。

// 创建一个名为 "dfs://stockDB" 的数据库
// 按日期范围进行值分区：从2024年4月1日到2025年4月1日
// 使用TSDB(时间序列数据库)引擎
create database "dfs://stockDB"
partitioned by VALUE(2024.04.01..2025.04.01)  // 按日期值分区
engine='TSDB'  // 使用时间序列数据库引擎
// 在stockDB数据库中创建一个名为stockTB的表
// 表结构包含股票交易的基本字段
create table "dfs://stockDB"."stockTB"(
    date DATE       // 日期字段
    Open DOUBLE     // 开盘价
    High DOUBLE     // 最高价
    Low DOUBLE      // 最低价
    Close DOUBLE    // 收盘价
    Volume INT      // 成交量
)
partitioned by date,             // 按日期字段分区
sortColumns=[`date],             // 按日期排序
keepDuplicates=ALL               // 保留所有重复记录(根据需求可能需要改为LAST或FIRST)
// 获取stockTB表的列定义信息
tmp = loadTable("dfs://stockDB", "stockTB").schema().colDefs
// 创建一个包含列名和类型的表，用于后续数据导入
schemaTB = table(tmp.name as name, tmp.typeString as type)
// 从CSV文件导入数据到stockTB表
// 指定数据库句柄、表名、分区列、文件路径和表结构
loadTextEx(
    dbHandle=database("dfs://stockDB"),  // 数据库句柄
    tableName="stockTB",                 // 目标表名
    partitionColumns=`date,              // 分区列
    filename="C:/Users/Downloads/DolphinDB_Win64_V3.00.2.4_JIT/server/stockTB.csv",  // 数据文件路径
    schema=schemaTB                      // 表结构定义
)
// 从数据库中加载stockTB表的所有数据到变量stockTB中
stockTB = select * from loadTable("dfs://stockDB", "stockTB")

1.2 stockTB表数据示例

本文选用浦发银行"600000"的2024-04-01 至 2025-04-01的日线数据，并且前复权处理避免分红配股导致的股价变化。导入到stockTB表后的部分数据如下：

二、趋势跟踪交易策略

2.1 策略介绍

这个策略是一个基于价格突破的趋势跟踪交易策略，结合了凯利公式进行仓位管理。当收盘价低于过去15日的最低价(不包括当日)时，触发买入信号；当收盘价高于过去5日的最高价(不包括当日)时，触发卖出信号。

另外，在策略设计中，我们特别设置了从2024年8月才开始产生交易信号。这一设计决策主要出于Kelly公式计算需要足够的历史数据来可靠估计。

// 定义趋势交易信号生成函数
def trendSignal(stockTB){
    // 返回表新增Signal列，包含交易信号
    return select date, Open, High, Low, Close, case
                      // 卖出信号(-1)：当收盘价突破前一日5日最高价 且 日期在2024年8月及之后
                      when Close > High.prev().mmax(5).bfill!() && month(date) >= 2024.08M then -1
                      // 买入信号(1)：当收盘价跌破前一日15日最低价 且 日期在2024年8月及之后
                      when Close < Low.prev().mmin(15).bfill!() && month(date) >= 2024.08M then 1
                      end as Signal 
           from stockTB
}
// 对股票数据应用趋势信号函数
trendSignalTB = trendSignal(stockTB)

单次投资的盈利或亏损的计算公式为（当前价格 - 平均成本价格）x sgn(仓位)

2.2 Kelly公式

2.2.1 公式简介

Kelly公式是一种用于确定最优投注或投资比例的数学公式，旨在最大化长期资本增长，同时避免破产风险。它最初用于赌博和通信理论，后来被广泛应用于金融交易、投资组合管理和体育博彩等领域。Kelly公式的形式为：

其中：

f=投入资产占当前总资产的最优比例。正值代表多头头寸，负值代表空头头寸。假设不允许施加杠杆，其绝对值应小于1

P_win=做多胜率

P_loss=做多败率，也是做空胜率

r_w=每次做多胜利时的平均盈利

r_l=每次做空胜利时的平均盈利

2.2.2 Kelly值的计算思路和实现

1) 计算历史胜率P_win、P_loss

做多/空胜利总次数cum_long_count/cum_short_count：计算每天价格在历史序列中的排名（升序），其排名值刚好等于这天价格高于历史序列中的价格的次数，看作是这天的做多胜利次数（或者这样说，在过去的每一天做一笔买入交易，而在这天全部卖出，其中获利的交易单数）。累加排名值，得到以这天为最后期限，能够做多胜利的总次数。例如，[10, 20, 15, 20, 30] 的排名是 [0, 1, 1, 2, 4]，累加得 [0, 1, 2, 4, 8]。做空胜利总次数的计算思路与前述类似。

然后历史胜率P_win、P_loss的计算公式：

其中：

N_long=做多胜利总次数

N_short=做多胜利总次数

2) 计算历史平均盈利r_w、r_l

long_profit(v)/ short_profit(v)：计算每个时刻的潜在做多/空盈利。对于每个价格 v[i]，检查之前所有低于 v[i] 的价格，并计算差值总和。例如 v = [10, 20, 15, 20, 30]，long_profit 计算：[0, 10, 5, 15, 55]

i=0（v[0]=10）：前面无数据 → 0

i=1（v[1]=20）：10 < 20 → 20-10 = 10

i=2（v[2]=15）：10 < 15 → 15-10 = 5

i=3（v[3]=20）：10 < 20, 15 < 20 → 20-10+20-15 = 15

i=4（v[4]=30）：10 < 30, 20 < 30, 15 < 30, 20 < 30 → 30-10+30-20+30-15+30-20 = 55

short_profit(v) 的计算思路与前述类似。例如 v = [10, 20, 15, 20, 30]，short_profit 计算得[0, 0, 5, 0, 0]

做多/空胜利总盈利cum_long_profit/cum_short_profit：累加long_profit(v)/ short_profit(v)，得到以这天为最后期限，与做多/空胜利总次数N_long、N_short对应的做多/空胜利总盈利。

然后历史平均盈利r_w、r_l的计算公式：

其中：

G_long=做多胜利总盈利

G_short=做多胜利总盈利

3) 实现代码

// 计算多头利润函数
// 对于每个位置i，计算前面i-1个价格中低于当前价格的差值总和
def long_profit(v){ 
    return each(i -> sum(iif(v[0:i-1] < v[i-1], v[i-1] - v[0:i-1], 0)), 1..size(v)) 
}
// 计算空头利润函数
// 对于每个位置i，计算前面i-1个价格中高于当前价格的差值总和
def short_profit(v){ 
    return each(i -> sum(iif(v[0:i-1] > v[i-1], v[0:i-1] - v[i-1], 0)), 1..size(v)) 
}
// Kelly公式计算主函数
def Kelly(v){
    // 计算累计多头排名和空头排名
    // cumrank(): 计算每个价格在历史序列中的排名(从小到大)
    cum_long_count = v.cumrank().cumsum().double()
    // cumrank(ascending=false): 计算每个价格在历史序列中的排名(从大到小)
    cum_short_count = v.cumrank(ascending=false, tiesMethod='max').cumsum().double()
    
    // 计算多头和空头的胜率
    long_rate = cum_long_count / (cum_long_count + cum_short_count)
    short_rate = 1 - long_rate
    // 计算累计多头和空头利润
    cum_long_profit = v.long_profit().cumsum()
    cum_short_profit = v.short_profit().cumsum()
    
    // 计算平均多头和空头利润
    avg_long_profit = cum_long_profit / cum_long_count
    avg_short_profit = cum_short_profit / cum_short_count
    // Kelly公式计算
    // 公式: (胜率*平均盈利 - 败率*平均亏损)/(平均盈利*平均亏损)
    return (long_rate * avg_long_profit - short_rate * avg_short_profit) / (avg_long_profit * avg_short_profit)
}

2.2.3 Kelly值计算结果

如下图部分结果，从2024年8月开始，基于历史数据计算的Kelly值稳定在0.7~0.8之间。因为Kelly公式在实际交易中偏激进，在策略的仓位管理中使用半Kelly值。

三、融入ATR跟踪止损策略

3.1 平均真实波幅（ATR）止盈止损信号

平均真实波幅ATR值是以下三个值的最大值取15日移动平均：

当日最高价-最低价、

当日最高价-次日收盘价的绝对值、

次日收盘价-当日最低价的绝对值

止盈倍数 × ATR值 > 单次投资的盈利时，触发止盈信号；止损倍数 × ATR值 > 单次投资的亏损时，触发止损信号。策略选取的止盈倍数为3.5，止损倍数为1.8。

ATR = matrix(
    trendSignalTB[`High] - trendSignalTB[`Low],
    abs(trendSignalTB[`High] - trendSignalTB[`Close].next()),
    abs(trendSignalTB[`Close].next() - trendSignalTB[`Low])
).rowMax().mavg(15)

3.2 仓位管理

本策略采用凯利公式进行动态仓位管理，基本公式为：

仓位比例 = (趋势信号方向 × Kelly值) / 2

持仓量 =仓位比例 × 本金 / 当日股价

其中趋势信号方向为1或-1，1代表买入信号，-1代表卖出信号；Kelly值按照2.2节计算得到。注意按照2.2节计算的Kelly值可正可负，如果趋势信号为卖出信号为负且Kelly值为负，那么计算的实际仓位为正，代表多头头寸。当日的股票交易价格取当日的收盘价。

3.3 交易周期中各指令的触发条件

策略的一个交易周期包括以下4种指令，分别说明它们的触发条件，若是其他情况，则执行保持不变的指令

3.3.1 开仓的触发条件

前一日无持仓Position[i-1]==0.0

且过去5天没有ATR信号atrSignal[(i-5):i].isValid().sum() == 0

且前一日有有效的趋势信号trendSignalTB[Signal][i-1].isValid()

之后按3.2节说明的规则计算新的仓位。

3.3.2 调仓的触发条件

当前持仓方向与前一日信号方向一致Position[i-1] * trendSignalTB[Signal][i-1] > 0

且过去5天没有ATR信号atrSignal[(i-5):i].isValid().sum() == 0

且前一日有有效的趋势信号trendSignalTB[Signal][i-1].isValid()

之后按3.2节说明的规则计算新的仓位。

3.3.3 多空转换的触发条件

当前持仓方向与前一日信号方向相反Position[i-1] * trendSignalTB[Signal][i-1] < 0

且过去5天没有ATR信号atrSignal[(i-5):i].isValid().sum() == 0

且前一日有有效的趋势信号trendSignalTB[Signal][i-1].isValid()

之后按3.2节说明的规则计算新的仓位。

3.3.4 平仓的触发条件

前一日产生了ATR信号atrSignal[i-1].isValid()

之后清空持仓。另外设计冷静期机制，即接下来5天内忽略趋势信号，保持空仓。

3.4 实现代码

定义一个名为tradeRecord、输入参数为trendSignalTB的函数来实现策略，该函数的主要内容是遍历每个交易日的for循环。

主循环内包括确定交易指令order、计算持仓数量Position、计算平均成本价costPrice、更新资产价值capital、生成ATR信号，以下逐一说明。

3.4.1 初始化变量

order = take("hold", size(trendSignalTB[`date]))  // 交易指令数组
order[0] = "hold"  // 初始指令为"hold"
Position = take(0.0, size(trendSignalTB[`date]))  // 持仓数量数组
Position[0] = 0.0  // 初始持仓为0
costPrice = take(0.0, size(trendSignalTB[`date]))  // 平均成本价格数组
costPrice[0] = 0.0  // 初始平均成本价格为0
atrSignal = take(0.0, size(trendSignalTB[`date]))  // ATR信号数组
atrSignal[0] = NULL  // 初始ATR信号为空
cash = take(0.0, size(trendSignalTB[`date]))  // 资金数组
cash[0] = 100000.0  // 初始资金为100000.0
capital = take(0.0, size(trendSignalTB[`date]))  // 资产价值数组
capital[0] = cash[0]  // 初始资产价值为100000.0

3.4.2 确定交易指令order

按照3.3节说明的规则：

order[i] = case
    when Position[i-1]==0.0 && atrSignal[(i-5):i].isValid().sum() == 0 && trendSignalTB[`Signal][i-1].isValid() then "open"
    when Position[i-1] * trendSignalTB[`Signal][i-1] > 0 && atrSignal[(i-5):i].isValid().sum() == 0 && trendSignalTB[`Signal][i-1].isValid() then "adjust"
    when Position[i-1] * trendSignalTB[`Signal][i-1] < 0 && atrSignal[(i-5):i].isValid().sum() == 0 && trendSignalTB[`Signal][i-1].isValid() then "reverse"
    when atrSignal[i-1].isValid() then "close"
    else "hold"
    end

3.4.3 计算持仓数量Position

按照3.2节说明：

Position[i] = case
    when order[i] == "open" || order[i] == "adjust" || order[i] == "reverse" then (capital[i-1] * trendSignalTB[`Signal][i-1] * Kelly(trendSignalTB[`Close])[i] / 2) / trendSignalTB[`Close][i]  // 根据凯利公式计算仓位
    when order[i] == "close" then 0.0  // 平仓时持仓为0
    else Position[i-1]  // 保持原仓位
    end

3.4.4 计算平均成本价格costPrice

costPrice[i] = case
    when order[i] == "open" || order[i] == "reverse" then trendSignalTB[`Close][i]  // 新开仓或反向操作时使用当前收盘价
    when order[i] == "adjust" then trendSignalTB[`Close][i] + (costPrice[i-1] - trendSignalTB[`Close][i]) * Position[i-1] / Position[i]  // 调整仓位时计算加权平均价格
    when order[i] == "close" then 0.0  // 平仓时买入价格归零
    else costPrice[i-1]  // 保持原买入价格
    end

3.4.5 更新资产价值capital

cash[i] = cash[i-1] + (Position[i-1] - Position[i]) * trendSignalTB[`Close][i]
capital[i] = cash[i] + Position[i] * trendSignalTB[`Close][i]

3.4.6 生成ATR信号

按照3.1节说明：

atrSignal[i] = case
    when costPrice[i]==0.0 then NULL  // 无持仓时无信号
    when 3.5*ATR[i] < (trendSignalTB[`Close][i] - costPrice[i]) * signum(Position[i]) then 1  // 止盈信号
    when -1.8*ATR[i] > (trendSignalTB[`Close][i] - costPrice[i]) * signum(Position[i]) then 1  // 止损信号
    else NULL  // 无信号
    end

3.4.7 返回交易记录表tradeRecordTB

函数返回一个表，表包含价格、仓位、资金、交易信号等信息。部分结果如下图：

四、度量策略表现

用收益率和最大回撤来度量策略表现，年化收益率的数学计算公式为：

其中：

C_t=当前资产价值

C₀=初始资产价值

t=投资天数

风险回撤的数学计算公式为：

其中：

C_t=当前资产价值

C_peak=当前时间点之前的资产价值峰值

// 定义计算交易指标的函数
def performMetrics(tradeRecordTB){
    // 从交易记录表中选择数据并计算指标
    return select date, 
                  // 计算年化收益率: 
                  log(capital / capital[0]) * 365/(date - date[0]).double() as returnRate,
                  // 计算累计最大回撤 (使用cummdd函数)
                  capital.cummdd() as drawdown,
           from tradeRecordTB
           // 筛选2024年8月及以后的数据
           where month(date) >= 2024.08M
}
// 调用函数计算指标，结果存入performMetricsTB表
performMetricsTB = performMetrics(tradeRecordTB)
// 计算平均年化收益率
avgreturnRate = avg(performMetricsTB[`returnRate])
// 将平均年化收益率格式化为百分比，保留两位小数
avgreturnRate.format("0.00%")
// 计算最大回撤值
drawdownMax = max(performMetricsTB[`drawdown])
// 将最大回撤格式化为百分比，保留两位小数
drawdownMax.format("0.00%")

计算结果年化收益率6.48%，最大回撤1.56%

五、完整脚本代码

create database "dfs://stockDB"
partitioned by VALUE(2024.04.01..2025.04.01)
engine='TSDB'

create table "dfs://stockDB"."stockTB"(
    date DATE
    Open DOUBLE
    High DOUBLE
    Low DOUBLE
    Close DOUBLE
    Volume INT
)
partitioned by date,
sortColumns=[`date],
keepDuplicates=ALL

tmp = loadTable("dfs://stockDB", "stockTB").schema().colDefs
schemaTB = table(tmp.name as name, tmp.typeString as type)
loadTextEx(dbHandle=database("dfs://stockDB"), tableName="stockTB", partitionColumns=`date, filename="C:/Users/Downloads/DolphinDB_Win64_V3.00.2.4_JIT/server/stockTB.csv", schema=schemaTB)

stockTB = select * from loadTable("dfs://stockDB", "stockTB")
share stockTB as sharedTB

def long_profit(v){ 
    return each(i -> sum(iif(v[0:i-1] < v[i-1], v[i-1] - v[0:i-1], 0)), 1..size(v)) 
}
def short_profit(v){ 
    return each(i -> sum(iif(v[0:i-1] > v[i-1], v[0:i-1] - v[i-1], 0)), 1..size(v)) 
}
def Kelly(v){
    cum_long_count = v.cumrank().cumsum().double()
    cum_short_count = v.cumrank(ascending=false, tiesMethod='max').cumsum().double()
    long_rate = cum_long_count / (cum_long_count + cum_short_count)
    short_rate = 1 - long_rate

    cum_long_profit = v.long_profit().cumsum()
    cum_short_profit = v.short_profit().cumsum()
    avg_long_profit = cum_long_profit / cum_long_count
    avg_short_profit = cum_short_profit / cum_short_count

    return (long_rate * avg_long_profit - short_rate * avg_short_profit) / ( avg_long_profit * avg_short_profit)
}

def trendSignal(stockTB){
    return select date, Open, High, Low, Close, case
                when Close > High.prev().mmax(5).bfill!() && month(date) >= 2024.08M then -1
                when Close < Low.prev().mmin(15).bfill!() && month(date) >= 2024.08M then 1
            end as Signal
            from stockTB
}
trendSignalTB = trendSignal(stockTB);

def tradeRecord(trendSignalTB){
 ATR = matrix(
    trendSignalTB[`High] - trendSignalTB[`Low],
    abs(trendSignalTB[`High] - trendSignalTB[`Close].next()),
    abs(trendSignalTB[`Close].next() - trendSignalTB[`Low])
).rowMax().mavg(15);
    
    order = take("hold", size(trendSignalTB[`date]))
    order[0] = "hold"
    costPrice = take(0.0, size(trendSignalTB[`date]))
    costPrice[0] = 0.0
    Position = take(0.0, size(trendSignalTB[`date]))
    Position[0] = 0.0
    atrSignal = take(0.0, size(trendSignalTB[`date]))
    atrSignal[0] = NULL
    cash = take(0.0, size(trendSignalTB[`date]))
    cash[0] = 100000.0
    capital = take(0.0, size(trendSignalTB[`date]))
    capital[0] = cash[0]
    
for(i in 1..(size(trendSignalTB[`date])-1)){
    order[i] = case
    when Position[i-1]==0.0 && atrSignal[(i-5):i].isValid().sum() == 0 && trendSignalTB[`Signal][i-1].isValid() then "open"
    when Position[i-1] * trendSignalTB[`Signal][i-1] > 0 && atrSignal[(i-5):i].isValid().sum() == 0 && trendSignalTB[`Signal][i-1].isValid() then "adjust"
    when Position[i-1] * trendSignalTB[`Signal][i-1] < 0 && atrSignal[(i-5):i].isValid().sum() == 0 && trendSignalTB[`Signal][i-1].isValid() then "reverse"
    when atrSignal[i-1].isValid() then "close"
    else "hold"
    end
    
    Position[i] = case
    when order[i] == "open" || order[i] == "adjust" || order[i] == "reverse" then (capital[i-1] * trendSignalTB[`Signal][i-1] * Kelly(trendSignalTB[`Close])[i] / 2) / trendSignalTB[`Close][i]
    when order[i] == "close" then 0.0
    else Position[i-1]
    end

    costPrice[i] = case
    when order[i] == "open" || order[i] == "reverse" then trendSignalTB[`Close][i]
    when order[i] == "adjust" then trendSignalTB[`Close][i] + (costPrice[i-1] - trendSignalTB[`Close][i]) * Position[i-1] / Position[i]
    when order[i] == "close" then 0.0
    else costPrice[i-1]
    end
    
    cash[i] = cash[i-1] + (Position[i-1] - Position[i]) * trendSignalTB[`Close][i]
    capital[i] = cash[i] + Position[i] * trendSignalTB[`Close][i]
    
    atrSignal[i] = case
    when costPrice[i]==0.0 then NULL
    when 3.5*ATR[i] < (trendSignalTB[`Close][i]-costPrice[i])*signum(Position[i]) then 1
    when -1.8*ATR[i] > (trendSignalTB[`Close][i]-costPrice[i])*signum(Position[i]) then 1
    else NULL
    end
    
}
return select date, Close as tradePrice, costPrice, Position, cash, capital, order, Signal as trendSignal, atrSignal
    from trendSignalTB

}
tradeRecordTB = tradeRecord(trendSignalTB);

def performMetrics(tradeRecordTB){
    return select date, log(capital / capital[0]) * 365/(date - date[0]).double() as returnRate, capital.cummdd() as drawdown
    from tradeRecordTB
    where month(date) >= 2024.08M
}
performMetricsTB = performMetrics(tradeRecordTB)

avgreturnRate = avg(performMetricsTB[`returnRate])
avgreturnRate.format("0.00%")
drawdownMax = max(performMetricsTB[`drawdown])
drawdownMax.format("0.00%")

用DolphinScript实现趋势跟踪与ATR止损的交易策略

目录

一、数据分析的准备工作

1.1 建库建表

1.2 stockTB表数据示例

二、趋势跟踪交易策略

2.1 策略介绍

2.2 Kelly公式

三、融入ATR跟踪止损策略

3.1 平均真实波幅（ATR）止盈止损信号

3.2 仓位管理

3.3 交易周期中各指令的触发条件

3.4 实现代码

四、度量策略表现

五、完整脚本代码

一、数据分析的准备工作

1.1 建库建表

1.2 stockTB表数据示例

二、趋势跟踪交易策略

2.1 策略介绍

2.2 Kelly公式

2.2.1 公式简介

2.2.2 Kelly值的计算思路和实现

1) 计算历史胜率Pwin、Ploss

2) 计算历史平均盈利rw、rl

3) 实现代码

2.2.3 Kelly值计算结果

三、融入ATR跟踪止损策略

3.1 平均真实波幅（ATR）止盈止损信号

3.2 仓位管理

3.3 交易周期中各指令的触发条件

3.3.1 开仓的触发条件

3.3.2 调仓的触发条件

3.3.3 多空转换的触发条件

3.4 实现代码

3.4.1 初始化变量

3.4.2 确定交易指令order

3.4.3 计算持仓数量Position

3.4.4 计算平均成本价格costPrice

3.4.5 更新资产价值capital

3.4.6 生成ATR信号

3.4.7 返回交易记录表tradeRecordTB

四、度量策略表现

五、完整脚本代码

1) 计算历史胜率P_win、P_loss

2) 计算历史平均盈利r_w、r_l