joinquant量化主要是在数据挖掘上有特别的意义，不像平时我们在执行各个量化选股策略时，还要一个一个去输入去查询。而joinquant量化策略在开发方面就简便了很多，joinquant量化策略是运用到个股量化交易中能够针对各个股票数据都能快速挖掘出来，特别是在一次量化平台上，拥有不一样的特质跟潜力，这些都可以在执行交易期间起到关键的作用。

像平时，joinquant量化策略为了方便筛选股票，会通过数据接口的API调用原理进行研究，比如它的开发原理：

那么，joinquant量化筛选出市值介于20-30亿的股票，选取其中市值最小的三只股票，我们可以每天开盘买入，持有五个交易日，然后调仓。

'''

## 初始化函数，设定要操作的股票、基准等等

def initialize(context):

g.security = get_index_stocks('000300.XSHG')

set_benchmark('000300.XSHG')#大盘基准一般大盘走向 策略蓝线比红线高则策略好

set_option('use_real_price',True)

set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003,

min_commission=5), type='stock')

def handle_data(context,data):

# print(get_current_data()['601318.XSHG'].day_open) #当天开盘价

# print(attribute_history('601318.XSHG',5)) #历史数据

# order('601318.XSHG',100) #下单 买多少股

# order_value('601318.XSHG',10000)#买多少钱的股票

# order_target('601318.XSHG',200)#买到多少股 价值为0则是卖出

# order_target_value('601318.XSHG',10000)#买到价值为10000

#一般情况先卖后买

tobuy = []

for stock in g.security:

p = get_current_data()[stock].day_open#当天开盘价

amount = context.portfolio.positions[stock].total_amount#当前股票的仓位

cost=context.portfolio.positions[stock].avg_cost #平均持仓成本，当前持仓成本

if amount >0 and p > cost*1.25:

order_target(stock,0)#止盈

if amount>0 and p < cost*0.9:

order_target(stock,0)

if p <=10.0 and amount ==0:

tobuy.append(stock)

cash_per_stock = context.portfolio.available_cash / len(tobuy)#按策略筛选出的股票平均分配多少钱

for stocks in tobuy:

order_value(stocks,cash_per_stock)//完成持仓