Python
IPython在一个网站看到如何写炒股策略,拿来和大家分享分享. 源地址: https://app.wmcloud.com/mercury/community/share/554051bbf9f06c1c3d687fac
技术分析入门 —— 双均线策略
本篇中，我们将通过技术分析流派中经典的“双均线策略”，向大家展现如何在量化实验室中使用Python测试自己的想法，并最终将它转化为策略！
1. 准备工作¶
一大波Python库需要在使用之前被导入：
- matplotlib用于绘制图表
- numpy时间序列的计算
- pandas处理结构化的表格数据
- DataAPI通联数据提供的数据API
- seaborn用于美化matplotlib图表
from matplotlib import pylab import numpy as np import pandas as pd import DataAPI import seaborn as sns sns.set_style('white')
我们的关注点是关于一只ETF基金的投资：华夏上证50ETF，代码：510050.XSHG。我们考虑的回测周期：
- 起始：2008年1月1日
- 结束：2015年4月23日
这里我们使用数据API函数MktFunddGet获取基金交易价格的日线数据，最后获得security是pandas下的DataFrame对象：
secID = '510050.XSHG' start = '20080101' end = '20150423' security = DataAPI.MktFunddGet(secID, beginDate=start, endDate=end, field=['tradeDate', 'closePrice']) security['tradeDate'] = pd.to_datetime(security['tradeDate']) security = security.set_index('tradeDate') security.info()
<class 'pandas.core.frame.DataFrame'> DatetimeIndex: 1775 entries, 2008-01-02 00:00:00 to 2015-04-23 00:00:00 Data columns (total 1 columns): closePrice 1775 non-null float64 dtypes: float64(1)
最近5天的收盘价如下：
security.tail()
| closePrice | |
|---|---|
| tradeDate | |
| 2015-04-17 | 3.185 |
| 2015-04-20 | 3.103 |
| 2015-04-21 | 3.141 |
| 2015-04-22 | 3.241 |
| 2015-04-23 | 3.212 |
适当的图表可以帮助研究人员直观的了解标的的历史走势，这里我们直接借助DataFrame的plot成员：
security['closePrice'].plot(grid=False, figsize=(12,8)) sns.despine()
2. 策略描述¶
这里我们以经典的“双均线”策略为例，讲述如何使用量化实验室进行分析研究。
这里我们使用的均线定义为：
- 短期均线：window_short = 20，相当于月均线
- 长期均线：window_long = 120，相当于半年线
- 偏离度阈值：SD = 5%，区间宽度，这个会在后面有详细解释
计算均值我们借助了numpy的内置移动平均函数：rolling_mean
window_short = 20 window_long = 120 SD = 0.05 security['short_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_short), 2) security['long_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_long), 2) security[['closePrice', 'short_window', 'long_window']].tail()
| closePrice | short_window | long_window | |
|---|---|---|---|
| tradeDate | |||
| 2015-04-17 | 3.185 | 2.82 | 2.30 |
| 2015-04-20 | 3.103 | 2.85 | 2.31 |
| 2015-04-21 | 3.141 | 2.87 | 2.33 |
| 2015-04-22 | 3.241 | 2.90 | 2.34 |
| 2015-04-23 | 3.212 | 2.93 | 2.35 |
仍然地，我们可以把包含收盘价的三条线画到一张图上，看看有没有什么启发？
security[['closePrice', 'short_window', 'long_window']].plot(grid=False, figsize=(12,8)) sns.despine()
2.1 定义信号¶
买入信号： 短期均线高于长期日均线，并且超过SD个点位；
卖出信号： 不满足买入信号的所有情况；
我们首先计算短期均线与长期均线的差s-l，这样的向量级运算，在pandas中可以像普通标量一样计算：
security['s-l'] = security['short_window'] - security['long_window'] security['s-l'].tail()
tradeDate 2015-04-17 0.52 2015-04-20 0.54 2015-04-21 0.54 2015-04-22 0.56 2015-04-23 0.58 Name: s-l, dtype: float64
根据s-l的值，我们可以定义信号：
- $s - l > SD \times long\_window$，支持买入，定义Regime为True
- 其他情形下，卖出信号，定义Regime为False
security['Regime'] = np.where(security['s-l'] > security['long_window'] * SD, 1, 0) security['Regime'].value_counts()
0 1394 1 381 dtype: int64
上面的统计给出了总共有多少次买入信号，多少次卖出信号。
下图给出了信号的时间分布：
security['Regime'].plot(grid=False, lw=1.5, figsize=(12,8)) pylab.ylim((-0.1,1.1)) sns.despine()
我们可以在有了信号之后执行买入卖出操作，然后根据操作计算每日的收益。这里注意，我们计算策略收益的时候，使用的是当天的信号乘以次日的收益率。这是因为我们的决定是当天做出的，但是能享受到的收益只可能是第二天的（如果用当天信号乘以当日的收益率，那么这里面就有使用未来数据的问题）。
security['Market'] = np.log(security['closePrice'] / security['closePrice'].shift(1)) security['Strategy'] = security['Regime'].shift(1) * security['Market'] security[['Market', 'Strategy', 'Regime']].tail()
| Market | Strategy | Regime | |
|---|---|---|---|
| tradeDate | |||
| 2015-04-17 | 0.012638 | 0.012638 | 1 |
| 2015-04-20 | -0.026083 | -0.026083 | 1 |
| 2015-04-21 | 0.012172 | 0.012172 | 1 |
| 2015-04-22 | 0.031341 | 0.031341 | 1 |
| 2015-04-23 | -0.008988 | -0.008988 | 1 |
最后我们把每天的收益率求和就得到了最后的累计收益率（这里因为我们使用的是指数收益率，所以将每日收益累加是合理的），这个累加的过程也可以通过DataFrame的内置函数cumsum轻松完成：
security[['Market', 'Strategy']].cumsum().apply(np.exp).plot(grid=False, figsize=(12,8)) sns.despine()
3 使用quartz实现策略¶
上面的部分介绍了从数据出发，在量化实验室内研究策略的流程。实际上我们可以直接用量化实验室内置的quartz框架。quartz框架为用户隐藏了数据获取、数据清晰以及回测逻辑。用户可以更加专注于策略逻辑的描述：
