技术分析入门 —— 双均线策略

来源：https://uqer.io/community/share/554051bbf9f06c1c3d687fac

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×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：

start = datetime(2008, 1, 1)                # 回测起始时间
end  = datetime(2015, 4, 23)                # 回测结束时间
benchmark = 'SH50'                          # 策略参考标准
universe = ['510050.XSHG']  # 股票池
capital_base = 100000     # 起始资金
commission = Commission(0.0,0.0)

window_short = 20
window_long = 120
longest_history = window_long
SD = 0.05

def initialize(account):                    # 初始化虚拟账户状态
    account.fund = universe[0]
    account.SD = SD
    account.window_short = window_short
    account.window_long = window_long

def handle_data(account):             # 每个交易日的买入卖出指令
    hist = account.get_history(longest_history)
    fund = account.fund
    short_mean = np.mean(hist[fund]['closePrice'][-account.window_short:]) # 计算短均线值
    long_mean = np.mean(hist[fund]['closePrice'][-account.window_long:])   #计算长均线值

    # 计算买入卖出信号
    flag = True if (short_mean - long_mean) > account.SD * long_mean else False 
    if flag:
        if account.position.secpos.get(fund, 0) == 0:
            # 空仓时全仓买入，买入股数为100的整数倍
            approximationAmount = int(account.cash / hist[fund]['closePrice'][-1]/100.0) * 100
            order(fund, approximationAmount)
    else:
        # 卖出时，全仓清空
        if account.position.secpos.get(fund, 0) >= 0:
            order_to(fund, 0)

我们一直在努力

apachecn/AiLearning

技术分析入门 —— 双均线策略

1. 准备工作

2. 策略描述

2.1 定义信号

3 使用quartz实现策略

3 使用`quartz`实现策略