Python | 怎么在基金定投上实现收益最大化

? 个人兴趣专栏

本期对于股市基金定投进行进一步分析，试图找到投资赚钱的规律哈哈哈～

? Index

分析思路阐述
是否存在最合适的定投周期？
设置多少止盈点较为合适？
其他策略
本文总结

? 分析思路阐述

继上一篇文章

1）? 是否存在最合适的定投周期？

2）? 我们到底要设置多少止盈点较为合适？

什么意思呢？我们展开来说，

☝️对于第一点：是否存在最合适的定投周期？

基金定投作为"懒人理财"的头号玩家，当然得贯彻其"懒人"思维，我们想知道到底定投多久，才能说大概率地获得较为满意的收益。

这里有几个点需要理一下：

入场的随机性：因为涉及到实际操作，每个人的入场时间不尽相同，所以这里探讨最合适的定投周期，要考虑入场时机的随机性。
指数的异质性：我们讨论的是指数基金，但不同的指数之间，也是可能会存在不一样的性质，这里也要考虑。
人性的弱点：因为是定投，实际操作的还是人，所以当定投期结束时，是否会因为当前是所谓的"上涨"or"下跌"行情而纠结？
何为"满意的收益”：如何判断“满意”呢，不同人对满意的态度不同，如何定义一个基准。

针对以上的几点，我在自己思考后给出了下面的验证方式：

在指定的定投周期内（定投周期为0.5年的整数倍），遍历所有可能的入场点，卖出点取离场点当月的指数均值，如果收益率大于余额宝定存相同周期时间内的收益的，即为之"满意"，同时验证多几个指数。

简单解释一下，我们验证的定投周期，均是0.5年的整数倍，比如定投1年、1.5年、2年等等，买入日期，选择月初，而卖出点，不会是最后的那个月的月初，而是取其当月的指数均值，比如2019年1月1日开始定投，定投1年，那么卖出点就是2020年2月的指数均值，就是为了防止有的人因为当时股价变化而出现的纠结情绪。

当指数基金定投收益率大于余额宝定存收益率的，记为1，为我们的正样本，反之则记为0，为我们的负样本。我们就来统计一下，不同的定投周期，正负样本的比例关系，看下怎么样的定投周期，具备较大概率的"满意"结果！

✌️对于第二点：我们到底要设置多少止盈点较为合适？

关于这点，我们就是为了找出多少的止盈点较为合适。这个结合我们上篇文章的内容，我们知道如果我们定投的周期越长，收益率当然就是越大的，所以，不同定投周期之间的收益率没有可比性。所以我们需要指定一个定投周期（姑且我们用第一点得到的"最优"定投周期N来作为我们的观测周期）。

我们的验证方式：

在指定的定投周期内，遍历所有可能的入场点，卖出点取离场点当月的指数均值，记录此时的收益率情况，统计收益率的大概率集中区间，即为我们的参考止盈点。

接下来，我们就针对以上的2个内容，来用python代码验证一波。（?：show time～）

? 是否存在最合适的定投周期？

1. 导入相关库

 1# -*- coding: UTF-8 -*-2import matplotlib as mpl3import matplotlib.pyplot as plt4import pandas as pd5import numpy as np6import tushare as ts7from datetime import datetime89#解决中文显示问题，Mac
10%matplotlib inline
11from matplotlib.font_manager import FontProperties
12
13plt.rcParams['figure.figsize'] = (10.0, 4.0) # 设置figure_size尺寸
14plt.rcParams['image.interpolation'] = 'nearest' # 设置 interpolation style
15plt.rcParams['image.cmap'] = 'gray' # 设置 颜色 style
16plt.rcParams['savefig.dpi'] = 100 #图片像素
17plt.rcParams['figure.dpi'] = 100 #分辨率
18
19# 利用plotly绘图
20import plotly.offline as of
21import plotly.graph_objs as go

2. 数据获取

这里还是适用Tushare的接口来获取数据，具体代码如下：

 1# 设置token2ts.set_token('your token')34# 初始化接口5pro = ts.pro_api()67# 获取基本信息8sh_basic = pro.index_basic(market='SSE') # 上交所9sz_basic = pro.index_basic(market='SZSE') # 深交所
10
11
12# 000001.SH 上证综指
13# 399001.SZ 深证成指
14data_sh = pro.index_daily(ts_code='000001.SH', start_date='19901219', end_date='20190401')
15data_sz = pro.index_daily(ts_code='399001.SZ', start_date='19901219', end_date='20190401')
16data_sh.head()

3. 代码封装

对上面提及的验证方式进行逻辑封装：

 1def Log_of_AIP(data, n, money):2    '''3    data：测试数据集，即指数历史走势数据4    n：定投周期，6个月的整数倍，如n=1代表定投6个月5    money：定投金额6    '''78    data = data.loc[:,['open','trade_date']]9    data['trade_month'] = data['trade_date'].apply(lambda x:str(x)[0:6])
10    data['date'] = data['trade_date'].apply(lambda x:datetime.strptime(x,'%Y%m%d'))
11    data = data.set_index('date').sort_index()
12
13    # 假设余额宝的年化收益率为 4%
14    data['余额宝利率'] = (4.0/100+1)**(1.0/250)-1
15    data['理财收益_净值'] = (data['余额宝利率']+1).cumprod()
16
17    # 选择每个月的第一个交易日进行定投
18    trading_day = data.resample('M', kind='date').first()
19
20    # 确定循环次数，因为得保证满足定投周期
21    try:
22        All_Sales = pd.DataFrame()
23        for i in range(len(trading_day) - (6*n)):
24            # 在定投周期结束后一个月卖出
25            trading_cycle = trading_day.iloc[i:i+6*n+1]
26
27            # 计算卖出点 下个月的指数均值
28            in_month = data[data['trade_month']==list(trading_cycle['trade_month'][-1:])[0]]
29            sales_point = in_month.pivot_table(values='open', index='trade_month').mean().values[0]
30
31
32            # 定投指数基金
33            AIP = pd.DataFrame(index=trading_cycle.index)
34            AIP['定投金额'] = int(money)
35
36            # 以基金当天的开盘价作为当天买入的价格
37            AIP['基金价格'] = trading_cycle['open']
38            AIP['购买基金份额'] = AIP['定投金额']/AIP['基金价格']
39            AIP['累计基金份额'] = AIP['购买基金份额'].cumsum()
40
41            # 定期购买理财产品
42            AIP['购买理财产品份额'] = AIP['定投金额']/trading_cycle['理财收益_净值']
43            AIP['累计理财产品份额'] = AIP['购买理财产品份额'].cumsum()
44
45            # 累计投入本金
46            AIP['累计定投本金'] = AIP['定投金额'].cumsum()
47
48            # 计算每个交易日的本息（即本金+利息，公式=当天的份额 X 当天的基金价格）
49            result = pd.concat([trading_cycle, AIP], axis=1)
50            result['基金本息'] = (result['open'] * result['累计基金份额']).astype('int')
51            result['理财本息'] = (result['理财收益_净值'] * result['累计理财产品份额']).astype('int')
52
53            # 买入点 result['trade_date'][0]
54            # 定投周期（月） 6*n
55            # 定投投入本金 result['累计定投本金'][-2:-1][0]
56            # 基金卖出后本息 result['累计基金份额'][-2:-1][0] * sales_point
57            # 余额宝卖出后本息 result['理财本息'][-2:-1][0]
58
59
60            Each_Sales = pd.DataFrame([[result['trade_date'][0],
61                                       6*n,
62                                       result['累计定投本金'][-2:-1][0],
63                                       result['累计基金份额'][-2:-1][0] * sales_point,
64                                       result['理财本息'][-2:-1][0]]],
65                                     columns=['买入点','定投周期(月)', '累计定投本金', '基金卖出后本息', '余额宝卖出后本息'])
66            Each_Sales['基金收益率%'] = 100*(Each_Sales['基金卖出后本息'][0]/Each_Sales['累计定投本金'][0] - 1)
67            Each_Sales['余额宝收益率%'] = 100*(Each_Sales['余额宝卖出后本息'][0]/Each_Sales['累计定投本金'][0] - 1)
68            Each_Sales['LikeOrNot'] = Each_Sales['基金卖出后本息'] > Each_Sales['余额宝卖出后本息']
69            All_Sales = All_Sales.append(Each_Sales)
70
71        return All_Sales
72
73    except:
74        print("定投周期大于历史股价走势！请重新设置定投周期。")
75
76
77def Rate_of_Like(data, money):
78    data= data
79    money= money
80
81    Rate_of_like = pd.DataFrame()
82    for i in range(int(len(trading_day)/6)):
83        tt = Log_of_AIP(data_sh, i+1, 2000)
84        rate = pd.DataFrame([[(i+1)*6, (tt['LikeOrNot'].value_counts()/len(tt))[True]]],
85                            columns=['定投周期(月)','定投基金满意占比'])
86        Rate_of_like = Rate_of_like.append(rate)
87    return Rate_of_like

4. 函数调用&猜想验证

1rate_of_sh = Rate_of_Like(data_sh, 2000)
2rate_of_sh.head()

 1# 绘制定投满意概率图2of.offline.init_notebook_mode(connected=True)34trace1 = go.Scatter(5    x=rate_of_sh['定投周期(月)'],6    y=rate_of_sh['定投基金满意占比'],7    mode = 'lines+markers',8    name = '定投基金满意的次数占比'9)
10data = go.Data([trace1])
11
12layout = dict(title = '是否存在最合适的定投周期？',
13              yaxis = dict(showgrid=True,  #网格
14                           zeroline=False,  #是否显示基线,即沿着(0,0)画出x轴和y轴
15                           nticks=20,
16                           showline=True,
17                           title='定投基金满意的次数占比'),
18
19              xaxis = dict(showgrid=True,  #网格
20                           zeroline=False,  #是否显示基线,即沿着(0,0)画出x轴和y轴
21                           nticks=20,
22                           showline=True,
23                           title='定投周期(月)')
24             )
25fig = dict(data=data, layout=layout)
26of.plot(fig, filename='rate_of_like')

上面，我只是验证了上证综指，从数据中可以看出，当定投周期超出240个月，即20年，我们获得满意（即定投收益跑赢余额宝定存收益）的基金定投的概率超出80%！

此外，我们看到，好像定投周期在300个月以上，获得满意的概率竟然得到了100%，但是我们知道这不太符合实际，原因是因为这基本是从上证开盘就开始定投，也不太满足我们的实际操作。

综上所述：（针对上证综指）

定投周期在50个月之内的，获得满意的概率是一半一半，定投的威力还没体现出来；
当定投周期在60个月左右的满意概率与定投60～120个月的满意概率差不多；
定投240个月左右的满意概率可以达到80%，定投的威力终于来了！

? 设置多少止盈点较为合适？

1. 函数调用

 1log = Log_of_AIP(data_sh, 40, 2000)2log = log.sort_values(['基金收益率%'])34# 转化为密度函数，以10%为一个单位5log['density'] = log['基金收益率%'].apply(lambda x:int(x/10))6log2 = log.pivot_table(values='LikeOrNot', index='density', aggfunc=len).reset_index()7log2['density2'] = log2['density'].apply(lambda x:str(10*x) +'%~'+str(10*(x+1)) + '%')89# 帕累托图
10log2['density3'] = log2['density'].cumsum()
11log2['density4'] = log2['density3']/(log2.tail(1).reset_index()['density3'][0])
12log2

2. 猜想绘制

这里只是贴了其中一个绘制代码：

 1# 绘制收益分布图2of.offline.init_notebook_mode(connected=True)34trace1 = go.Scatter(5    x = pd.Series(range(len(log))),6    y = log['基金收益率%'],7    mode = 'markers',8    name = '基金 收益率分布图'9)
10
11trace2 = go.Scatter(
12    x = pd.Series(range(len(log))),
13    y = log['余额宝收益率%'],
14    mode = 'markers',
15    name = '余额宝 收益率分布图'
16)
17
18data = go.Data([trace1,trace2])
19
20layout = dict(title = '设置多少止盈点较为合适？',
21              yaxis = dict(showgrid=True,  #网格
22                           zeroline=False,  #是否显示基线,即沿着(0,0)画出x轴和y轴
23                           nticks=20,
24                           showline=True,
25                           title='投资收益率%'),
26
27              xaxis = dict(showgrid=True,  #网格
28                           zeroline=False,  #是否显示基线,即沿着(0,0)画出x轴和y轴
29                           nticks=20,
30                           showline=True,
31                           title='迭代次数'
32                           )
33             )
34fig = dict(data=data, layout=layout)
35of.plot(fig,filename='log')

我们按照定投最优的周期（240个月）来进行止盈点的计算，从上图可以看出，余额宝在定投240个月后，收益率大概维持在50%左右，而基金大多数的收益率都是大于余额宝的。

根据基金的收益率，我进行了密度转换，可以看出，我们的收益率，大致都是集中在60～70%之间。

综上所述：（针对上证综指）

定投20年基金，大概率（80%）水平上会获得比余额宝要好得多的收益；
定投20年基金，止盈点定在80～90%，发生的可能性为80%；
定投20年基金，止盈点定在130～140%，发生的可能性为50%；
定投20年基金，止盈点定在200～210%，发生的可能性为20%；

? 其他策略

此外，我也从网上看到了其他更佳复杂的投资策略，这里就先不验证，先放出来给大家参考，下次一起验证：

方法一：高抛低吸降成本

熊市中，不要相信某一次上涨行情可能是新一轮牛市的开端，牛市的到来远远比你想象的要遥远。对于部分套牢的基金，建议在反弹10%以上时，逐步卖出，保留一部分底仓。然后遇到下跌，再买回来。这样做，大概率上会降低成本。

要牢牢记住，反弹多了就减仓，就算你很不幸，卖在了牛市的起步阶段，你也可以在牛市行情确立的时候再买回来。

这样高抛低吸的来回交易，对主动管理型基金来说，成本费用太高。建议买入创业板ETF或者中小板ETF，手续费更便宜。

方法二：10%补仓法

不断进行补仓，使亏损比例控制在10%以内，然后一个10%的反弹就解套了。是不是很简单？缺点就是要有足够的资金。

? 本文总结

我们通过上述的验证，大致可以得到下面的结论，当然这个结论是针对上证综指的，按道理我应该看过几个指数，但是授之以鱼不如授之以渔，方法都在代码里，大家不妨自己动手试试？自己得到一些结论不是来得更有feel不?

定投周期在50个月之内的，定投跑赢余额宝的概率是50%；
当定投周期在60个月（5年）左右的满意概率与定投60～120个月的满意概率差不多，大概是65%；
定投240个月（20年）左右的满意概率可以达到80%，大概率水平上会获得比余额宝要好得多的收益！
定投20年基金，止盈点定在80～90%，发生的可能性为80%；
定投20年基金，止盈点定在130～140%，发生的可能性为50%；
定投20年基金，止盈点定在200～210%，发生的可能性为20%；

? Reference

深度实战，当下最好的投资策略 — 复利人生