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。

def my_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

from pyecharts import *

grid = Grid()

attr=[str(t) for t in hs.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

def strategy(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()

#return df1.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','20050101','')

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。