下面使用简化版的海龟交易法则进行历史回测,即不考虑仓位管理和动态止损/止盈条件,以唐奇安通道突破作为买入卖出信号。
交易规则为:
(1)当今天的收盘价,大于过去20个交易日中的最高价时,以收盘价买入;
(2)买入后,当收盘价小于过去10个交易日中的最低价时,以收盘价卖出。
defmy_strategy(data):
x1=data.close>data.up
x2=data.close.shift(1)
x=x1&x2
y1=data.close
y2=data.close.shift(1)>data.down.shift(1)
y=y1&y2
data.loc[x,'signal']='buy'
data.loc[y,'signal']='sell'
buy_date=(data[data.signal=='buy'].index).strftime('%Y%m%d')
sell_date=(data[data.signal=='sell'].index).strftime('%Y%m%d')
buy_close=data[data.signal=='buy'].close.round(2).tolist()
sell_close=data[data.signal=='sell'].close.round(2).tolist()
return(buy_date,buy_close,sell_date,sell_close)
#对K线图和唐奇安通道进行可视化
frompyechartsimport*
grid=Grid()
attr=[str(t)fortinhs.index.strftime('%Y%m%d')]
v1=np.array(hs.loc[:,['open','close','low','high']])
v2=np.array(hs.up)
v3=np.array(hs.down)
kline=Kline("沪深300唐奇安通道",title_text_size=15)
kline.add("K线图",attr,v1.round(1),is_datazoom_show=True,)
#成交量
bar=Bar()
bar.add("成交量",attr,hs['vol'],tooltip_tragger="axis",is_legend_show=False,
is_yaxis_show=False,yaxis_max=5*max(hs["vol"]))
line=Line()
line.add("上轨线",attr,v2.round(1),is_datazoom_show=True,
is_smooth=True,is_symbol_show=False,line_width=1.5)
line.add("下轨线",attr,v3.round(1),is_datazoom_show=True,
is_smooth=True,is_symbol_show=False,line_width=1.5)
#添加买卖信号
bd,bc,sd,sc=my_strategy(hs)
es=EffectScatter("buy")
es.add("sell",sd,sc,)
es.add("buy",bd,bc,symbol="triangle",)
overlap=Overlap(width=2000,height=600)
overlap.add(kline)
overlap.add(line)
overlap.add(bar,yaxis_index=1,is_add_yaxis=True)
overlap.add(es)
grid.add(overlap,grid_right="10%")
grid
(注:运行上述代码得到的是动态交互图,可调整时间区间)
#关掉pandas的warnings
pd.options.mode.chained_assignment=None
defstrategy(stock,start,end,N1=20,N2=10):
df=get_daily_data(stock,start,end)
#最近N1个交易日最高价
df['H_N1']=ta.MAX(df.high,timeperiod=N1)
#最近N2个交易日最低价
df['L_N2']=ta.MIN(df.low,timeperiod=N2)
#当日收盘价>昨天最近N1个交易日最高点时发出信号设置为1
buy_index=df[df.close>df['H_N1'].shift(1)].index
df.loc[buy_index,'收盘信号']=1
#将当日收盘价
sell_index=df[df.close
df.loc[sell_index,'收盘信号']=0
df['当天仓位']=df['收盘信号'].shift(1)
df['当天仓位'].fillna(method='ffill',inplace=True)
d=df[df['当天仓位']==1].index[0]-timedelta(days=1)
df1=df.loc[d:].copy()
df1['ret'][0]=0
df1['当天仓位'][0]=0
#当仓位为1时,买入持仓,当仓位为0时,空仓,计算资金净值
df1['策略净值']=(df1.ret.values*df1['当天仓位'].values+1.0).cumprod()
df1['指数净值']=(df1.ret.values+1.0).cumprod()
df1['策略收益率']=df1['策略净值']/df1['策略净值'].shift(1)-1
df1['指数收益率']=df1.ret
total_ret=df1[['策略净值','指数净值']].iloc[-1]-1
annual_ret=pow(1+total_ret,250/len(df1))-1
dd=(df1[['策略净值','指数净值']].cummax()-df1[['策略净值','指数净值']])/df1[['策略净值','指数净值']].cummax()
d=dd.max()
beta=df1[['策略收益率','指数收益率']].cov().iat[0,1]/df1['指数收益率'].var()
alpha=(annual_ret['策略净值']-annual_ret['指数净值']*beta)
exReturn=df1['策略收益率']-0.03/250
sharper_atio=np.sqrt(len(exReturn))*exReturn.mean()/exReturn.std()
TA1=round(total_ret['策略净值']*100,2)
TA2=round(total_ret['指数净值']*100,2)
AR1=round(annual_ret['策略净值']*100,2)
AR2=round(annual_ret['指数净值']*100,2)
MD1=round(d['策略净值']*100,2)
MD2=round(d['指数净值']*100,2)
S=round(sharper_atio,2)
df1[['策略净值','指数净值']].plot(figsize=(15,7))
plt.title('海龟交易策略简单回测',size=15)
bbox=dict(boxstyle="round",fc="w",ec="0.5",alpha=0.9)
plt.text(df1.index[int(len(df1)/5)],df1['指数净值'].max()/1.5,f'累计收益率:\
策略{TA1}%,指数{TA2}%;\n年化收益率:策略{AR1}%,指数{AR2}%;\n最大回撤:策略{MD1}%,指数{MD2}%;\n\
策略alpha:{round(alpha,2)},策略beta:{round(beta,2)};\n夏普比率:{S}',size=13,bbox=bbox)
plt.xlabel('')
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.show()
#returndf1.loc[:,['close','ret','H_N1','L_N2','当天仓位','策略净值','指数净值']]
下面对上证综指、沪深300、创业板指数、中国平安、东方通信和贵州茅台进行简单回测,看看海龟交易规则唐奇安的择时效果如何,具体指标看图。
strategy('上证综指','0101','')
4 结语
本文简要介绍了海龟交易法则的基本原理,使用Python对其买卖信号进行了可视化分析,并利用Pandas对相关指数和个股运用简化版的海龟交易规则进行了历史回测。由回测结果可看出,该简化的趋势追踪策略对于某些标的在某些区间效果表现不错,但对于某些标的或某些时期则效果不佳。当然,本文旨在回顾经典策略,展示Pandas在金融量化分析的综合运用,为Python在金融量化中的运用起到抛砖引玉的效果,不作出任何选股或策略推荐。值得注意的是,
任何策略都具有一定的局限性,尤其是知道和使用该策略的交易者多了,其作用自然比该理念刚出现的的效果差得多
。正如技术分析指标,刚出现的时候很有效,但被大家所熟知或应用后,自然效用就大打折扣(相对于多因子模型中的Alpha被大家挖掘后渐渐成了risk factor)。但
所谓新理念、新策略一定是站在前人的肩膀上,因此不能因为经典策略回测效果不佳而全盘否定,如何改进、细化和升级,使之更适合当下的市场才是我们要面对的问题
。
关于Python金融量化
专注于分享Python在金融量化领域的应用。加入知识星球,可以免费获取30多g的量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架,与博主直接交流、结识圈内朋友等。