基于Python的指数基金量化投资 - 正三角和倒三角投资模型

普通投资者的投资方式中，有两种非常常见：

追涨杀跌式：涨了跟着买，跌了赶紧卖。

低买高卖式：跌了就买入，涨了就卖出。

第一种方式长期来看肯定是要亏钱的，长期追高难免不站岗，而第二种方式是比较正确的投资方式，但低买高卖要根据固定的指标来进行量化才能形成有效的模式。

如果把这两种投资方式进行量化，第一种称为倒三角投资模式，第二种称为正三角模式。

下面举两个例子来说明两种模式的差别（下面每一份代表买入1000元）。

倒三角模式就是指数高位的时候买得多，越高买得越多，而低位的时候买得少，越低买得越少，最后份额累积起来就形成了一个倒三角。最终的投资成本较高。

上图中是倒三角模式的一个例子，在指数低位的时候2700只买入了2份，随着指数向上，买入的份额越来越多，到指数变成3300时，买入了8份，这样算下来，买入的成本是3068.73。

正三角模式刚好和倒三角相反，指数高位的时候买得少，越高买得越少，而低位的时候买得多，越低买得越多。最终的投资成本较低。

上图中是正三角模式的一个例子，在指数低位的时候2700只买入了8份，随着指数向上，买入的份额越来越少，到指数变成3300时，只买入了2份，这样算下来，买入的成本是2908.79。

倒三角投资是不稳的，指数下跌的时候，份额集中在高位，下跌带来的亏损会被放大；而指数上涨的时候，由于成本较高，获得的收益也非常有限。

当指数上涨到3300点的时候，获得收益是(3300-3068.73)/3068.73=7.54%；而当指数下跌到2700点的时候，回撤亏损是(2700-3068.73)/3068.73=-12.02%

正三角投资就非常稳健，由于份额集中在低位，整个拉低了投资成本，指数下跌亏损有限，而指数如果上涨到和倒三角同样的指数点位会带来的更多的收益。

当指数上涨到3300点的时候，获得收益是(3300-2908.79)/2908.79=13.41%；而当指数下跌到2700点的时候，回撤亏损是(2700-2908.79)/2908.79=-7.18%

对比起来看，正三角和倒三角投资模式的区别是非常明显的，上涨到高位3300点，正三角会比倒三角将近多6个百分点的收益；而下跌到低位2700点，正三角会比倒三角将近少5个百分点的亏损。

下面来看看上证红利通过倒三角和正三角的投资比较，数据取上证红利指数成立以来的所有数据（2005年到目前的所有数据），而投资的区间取1300点到4000点之间，下图是上证红利的指数曲线，其中蓝线是1300点的位置，红线是4000点的位置。

投资过程中每隔300点增加或减少一份投入（一份投入=1000块钱）

根据定好的模式，来看看正三角和倒三角买入的过程。

下面先给出具体的图例，具体的源码贴在后面，感兴趣大家可以参考。

图中红圈是买入的份额，红圈越大表示买入越多，越小买入越少。可以看出正三角是低位买得多高位买得少，而倒三角正好相反，低位买得少高位买得多。

接着来看看两种方式的投资成本。

其中灰色曲线是上证红利的指数点位，很明显的能看出红线（正三角）低于蓝线（倒三角），除了成本低以外，红线（正三角）低于指数点位的区间是比蓝线（倒三角）多的，说明不仅收益高而且回撤小。下面比较下两者的收益走势。

正三角的投资收益（正收益）在整个投资过程中是100%大于倒三角模式的，而且在某些时间点上会高出几十个百分点，同时回撤（负收益）也更低。

正三角投资是一种有效的投资方式，但真正操作起来却很困难，因为它是反人性的，需要克服周围的干扰和个人情绪的影响，越跌越买需要具备强大的情绪控制能力和极强的耐心。

源码

import pandas as pd
import numpy as np
import math as math
import matplotlib.pyplot as pltname_index = 'sh.000015'
all_data_index = pd.read_csv('./exportfile/indexDataAll/' + name_index + '.csv')calc_range = 0
calc_gap = 5
data_index_p = all_data_index['close'].values[0:len(all_data_index['close']):calc_gap]def triangleDown(val_data_p, buy_cost, invest_count):thd_price   = [1300, 1600, 1900, 2200, 2500, 2800, 3100, 3400, 3700, 4000]each_invest = [1, 2, 3, 4, 5, 6, 7, 8, 9]if thd_price[0] < val_data_p <= thd_price[1]:each_ratio_todo = each_invest[0]elif thd_price[1] < val_data_p <= thd_price[2]:each_ratio_todo = each_invest[1]elif thd_price[2] < val_data_p <= thd_price[3]:each_ratio_todo = each_invest[2]elif thd_price[3] < val_data_p <= thd_price[4]:each_ratio_todo = each_invest[3]elif thd_price[4] < val_data_p <= thd_price[5]:each_ratio_todo = each_invest[4]elif thd_price[5] < val_data_p <= thd_price[6]:each_ratio_todo = each_invest[5]elif thd_price[6] < val_data_p <= thd_price[7]:each_ratio_todo = each_invest[6]elif thd_price[7] < val_data_p <= thd_price[8]:each_ratio_todo = each_invest[7]elif thd_price[8] < val_data_p <= thd_price[9]:each_ratio_todo = each_invest[8]else:each_ratio_todo = 0buy_each_invest = invest_count * each_ratio_todoplot_y = 0plot_x = 0plot_mark = 0if buy_each_invest != 0:buy_each_share = buy_each_invest / val_data_pbuy_cost = buy_cost + buy_each_investplot_y = val_data_pplot_x = iplot_mark = buy_each_investelse:buy_each_share = 0return buy_each_share, buy_cost, [plot_x, plot_y, plot_mark]def triangleUp(val_data_p, buy_cost, invest_count):thd_price   = [1300, 1600, 1900, 2200, 2500, 2800, 3100, 3400, 3700, 4000]each_invest = [9, 8, 7, 6, 5, 4, 3, 2, 1]if thd_price[0] < val_data_p <= thd_price[1]:each_ratio_todo = each_invest[0]elif thd_price[1] < val_data_p <= thd_price[2]:each_ratio_todo = each_invest[1]elif thd_price[2] < val_data_p <= thd_price[3]:each_ratio_todo = each_invest[2]elif thd_price[3] < val_data_p <= thd_price[4]:each_ratio_todo = each_invest[3]elif thd_price[4] < val_data_p <= thd_price[5]:each_ratio_todo = each_invest[4]elif thd_price[5] < val_data_p <= thd_price[6]:each_ratio_todo = each_invest[5]elif thd_price[6] < val_data_p <= thd_price[7]:each_ratio_todo = each_invest[6]elif thd_price[7] < val_data_p <= thd_price[8]:each_ratio_todo = each_invest[7]elif thd_price[8] < val_data_p <= thd_price[9]:each_ratio_todo = each_invest[8]else:each_ratio_todo = 0buy_each_invest = invest_count * each_ratio_todoplot_y = 0plot_x = 0plot_mark = 0if buy_each_invest != 0:buy_each_share = buy_each_invest / val_data_pbuy_cost = buy_cost + buy_each_investplot_y = val_data_pplot_x = iplot_mark = buy_each_investelse:buy_each_share = 0return buy_each_share, buy_cost, [plot_x, plot_y, plot_mark]cnt = 0
invest_count = 1000
buy_each_triangel_up = np.zeros((len(data_index_p), 1))
buy_total_share_list_triangel_up = np.zeros((len(data_index_p), 1))
buy_total_cost_money_list_triangel_up = np.zeros((len(data_index_p), 1))
buy_total_invest_money_list_triangel_up = np.zeros((len(data_index_p), 1))
buy_cost_triangel_up = 0
plot_triangel_up = np.zeros((len(data_index_p), 3))
invest_income_rate_up = np.zeros((len(data_index_p), 1))buy_each_triangel_down = np.zeros((len(data_index_p), 1))
buy_total_share_list_triangel_down = np.zeros((len(data_index_p), 1))
buy_total_cost_money_list_triangel_down = np.zeros((len(data_index_p), 1))
buy_total_invest_money_list_triangel_down = np.zeros((len(data_index_p), 1))
buy_cost_triangel_down = 0
plot_triangel_down = np.zeros((len(data_index_p), 3))
invest_income_rate_down = np.zeros((len(data_index_p), 1))for i in range(len(data_index_p)):buy_each_triangel_up[i], buy_cost_triangel_up, plot_triangel_up[i] = triangleUp(data_index_p[i],buy_cost_triangel_up, invest_count)buy_total_share_list_triangel_up[i] = sum(buy_each_triangel_up)buy_total_invest_money_list_triangel_up[i] = buy_total_share_list_triangel_up[i] * data_index_p[i]buy_total_cost_money_list_triangel_up[i] = buy_cost_triangel_upbuy_each_triangel_down[i], buy_cost_triangel_down, plot_triangel_down[i] = triangleDown(data_index_p[i],buy_cost_triangel_down, invest_count)buy_total_share_list_triangel_down[i] = sum(buy_each_triangel_down)buy_total_invest_money_list_triangel_down[i] = buy_total_share_list_triangel_down[i] * data_index_p[i]buy_total_cost_money_list_triangel_down[i] = buy_cost_triangel_downinvest_cost_triangel_up = buy_total_cost_money_list_triangel_up[-1]/buy_total_share_list_triangel_up[-1]
invest_cost_triangel_down = buy_total_cost_money_list_triangel_down[-1]/buy_total_share_list_triangel_down[-1]for i in range(len(buy_total_cost_money_list_triangel_up)):invest_income_rate_up[i] = (buy_total_invest_money_list_triangel_up[i] - buy_total_cost_money_list_triangel_up[i]) / buy_total_cost_money_list_triangel_up[i]invest_income_rate_down[i] = (buy_total_invest_money_list_triangel_down[i] - buy_total_cost_money_list_triangel_down[i]) / buy_total_cost_money_list_triangel_down[i]size_title = 28
size_label = 23
size_line = 3
size_rotation = 20
plt_gap = 10plt.figure()
plt.rcParams["axes.grid"] = True
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams["grid.linestyle"] = (3, 5)
plt.plot(buy_total_cost_money_list_triangel_up,color='cornflowerblue',linewidth=size_line)
plt.plot(buy_total_invest_money_list_triangel_up,color='tomato',linewidth=size_line)
plt.legend(["投资成本", "持仓总和"], loc='upper left', prop={'size':size_label})
plt_xticks = all_data_index['date'].values[1:len(all_data_index['date']):calc_gap].tolist()
plt.xticks(range(len(plt_xticks),0,-math.floor(len(plt_xticks)/plt_gap)),plt_xticks[len(plt_xticks):0:-math.floor(len(plt_xticks)/plt_gap)],rotation=size_rotation)
plt.tick_params(labelsize=size_label)
plt.title('正三角模型走势',size=size_title)plt.figure()
plt.rcParams["axes.grid"] = True
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams["grid.linestyle"] = (3, 5)
plt.plot(buy_total_cost_money_list_triangel_down,color='cornflowerblue',linewidth=size_line)
plt.plot(buy_total_invest_money_list_triangel_down,color='tomato',linewidth=size_line)
plt.legend(["投资成本", "持仓总和"], loc='upper left', prop={'size':size_label})
plt_xticks = all_data_index['date'].values[1:len(all_data_index['date']):calc_gap].tolist()
plt.xticks(range(len(plt_xticks),0,-math.floor(len(plt_xticks)/plt_gap)),plt_xticks[len(plt_xticks):0:-math.floor(len(plt_xticks)/plt_gap)],rotation=size_rotation)
plt.tick_params(labelsize=size_label)
plt.title('倒三角模型走势',size=size_title)plt.figure()
plt.rcParams["axes.grid"] = True
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams["grid.linestyle"] = (3, 5)
plt.plot(invest_income_rate_up,color='tomato',linewidth=size_line)
plt.plot(invest_income_rate_down,color='cornflowerblue',linewidth=size_line)
plt.legend(["正三角收益", "倒三角收益"], loc='upper right', prop={'size':size_label})
plt_xticks = all_data_index['date'].values[1:len(all_data_index['date']):calc_gap].tolist()
plt.xticks(range(len(plt_xticks),0,-math.floor(len(plt_xticks)/plt_gap)),plt_xticks[len(plt_xticks):0:-math.floor(len(plt_xticks)/plt_gap)],rotation=size_rotation)
plt.tick_params(labelsize=size_label)
plt.title('收益曲线 | %',size=size_title)plt.figure()
plt.rcParams["axes.grid"] = True
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams["grid.linestyle"] = (3, 5)
plt.title('正三角投资模型',size=size_title)
for i in range(len(plot_triangel_up)):if plot_triangel_up[i][0] != 0:plt.plot(plot_triangel_up[i][0], plot_triangel_up[i][1],color='tomato',marker='o',ms=(8*(0.001*plot_triangel_up[i][2])**2)**0.5+0.5)
plt.plot(data_index_p,color='cornflowerblue',linewidth=size_line)
plt_xticks = all_data_index['date'].values[1:len(all_data_index['date']):calc_gap].tolist()
plt.xticks(range(len(plt_xticks),0,-math.floor(len(plt_xticks)/plt_gap)),plt_xticks[len(plt_xticks):0:-math.floor(len(plt_xticks)/plt_gap)],rotation=size_rotation)
plt.tick_params(labelsize=size_label)plt.figure()
plt.rcParams["axes.grid"] = True
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams["grid.linestyle"] = (3, 5)
plt.title('倒三角投资模型',size=size_title)
for i in range(len(plot_triangel_down)-1,-1,-2):if plot_triangel_down[i][0] != 0:plt.plot(plot_triangel_down[i][0], plot_triangel_down[i][1],color='tomato',marker='o',ms=(8*(0.001*plot_triangel_down[i][2])**2)**0.5+0.5)# plt.scatter(plot_triangel_down[i][0], plot_triangel_down[i][1], color='', marker='o', edgecolors='tomato',s=(8 * (0.005 * plot_triangel_down[i][2]) ** 2) ** 0.5)
plt.plot(data_index_p,color='cornflowerblue',linewidth=size_line)
plt_xticks = all_data_index['date'].values[1:len(all_data_index['date']):calc_gap].tolist()
plt.xticks(range(len(plt_xticks),0,-math.floor(len(plt_xticks)/plt_gap)),plt_xticks[len(plt_xticks):0:-math.floor(len(plt_xticks)/plt_gap)],rotation=size_rotation)
plt.tick_params(labelsize=size_label)invest_cost_each_triangel_up = np.zeros((len(buy_total_cost_money_list_triangel_up), 1))
invest_cost_each_triangel_down = np.zeros((len(buy_total_cost_money_list_triangel_down), 1))
for i in range(len(buy_total_cost_money_list_triangel_up)):invest_cost_each_triangel_up[i] = buy_total_cost_money_list_triangel_up[i]/buy_total_share_list_triangel_up[i]invest_cost_each_triangel_down[i] = buy_total_cost_money_list_triangel_down[i]/buy_total_share_list_triangel_down[i]plt.figure()
plt.rcParams["axes.grid"] = True
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams["grid.linestyle"] = (3, 5)
plt.plot(data_index_p,color='darkgray',linewidth=size_line)
plt.plot(invest_cost_each_triangel_up,color='tomato',linewidth=size_line)
plt.plot(invest_cost_each_triangel_down,color='cornflowerblue',linewidth=size_line)
plt.legend(["指数点位", "正三角投资成本", "倒三角投资成本"], loc='upper right', prop={'size':size_label})
plt_xticks = all_data_index['date'].values[1:len(all_data_index['date']):calc_gap].tolist()
plt.xticks(range(len(plt_xticks),0,-math.floor(len(plt_xticks)/plt_gap)),plt_xticks[len(plt_xticks):0:-math.floor(len(plt_xticks)/plt_gap)],rotation=size_rotation)
plt.tick_params(labelsize=size_label)
plt.title('成本分布',size=size_title)plt.figure()
plt.rcParams["axes.grid"] = True
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams["grid.linestyle"] = (3, 5)
plt.plot(data_index_p,color='darkgray',linewidth=size_line)
plt.plot([0,len(data_index_p)],[4000,4000],color='tomato',linewidth=size_line)
plt.plot([0,len(data_index_p)],[1300,1300],color='cornflowerblue',linewidth=size_line)
plt_xticks = all_data_index['date'].values[1:len(all_data_index['date']):calc_gap].tolist()
plt.xticks(range(len(plt_xticks),0,-math.floor(len(plt_xticks)/plt_gap)),plt_xticks[len(plt_xticks):0:-math.floor(len(plt_xticks)/plt_gap)],rotation=size_rotation)
plt.tick_params(labelsize=size_label)
plt.title('投资的点位区间',size=size_title)plt.show()

文中用到的两个文件下载链接: https://pan.baidu.com/s/1yF9hv-Kv_BtAbM8LjIbEdg?pwd=3uqe 提取码: 3uqe

程序中用到的数据如果有问题，大家可以留言获取也可以添加小将前行的微信xjqx_666进行获取，欢迎大家一起交流沟通

课程参考：基于Python的量化指数基金投资

基于Python的指数基金量化投资 - 正三角和倒三角投资模型相关推荐

基于Python的指数基金量化投资——指数数据获取
做基金的量化,最最重要的是要有数据,所以指数的数据是所有分析的源头. Baostock就提供比较全面的指数数据,具体可以参考<基于Python的指数基金量化投资 - 股票数据源baostock& ...
基于Python的指数基金量化投资 ——A股所有个股名称和证券代码获取
前面介绍过怎么获取A股个股的数据<基于Python的指数基金量化投资 - 股票数据源baostock>,里面包含了个股的各种历史数据,包含:股价.市盈率.市净率.成交量.换手率等等. 但是 ...
基于Python的指数基金量化投资-股票数据源baostock
基于Python的指数基金量化投资-股票数据源baostock 课程参考:基于Python的量化指数基金投资微信公众号: 量化用到的数据源来自baostock,可以通过www.baostock.co ...
基于Python的指数基金量化投资——指数基金偏离度计算
什么是指数偏离度它是指数涨跌的快慢和偏离幅度指标. 当指数快速上涨,偏离度数据会迅速的向上偏离,当快速下跌时,偏离度数据会迅速的向下偏离. 而持续的上涨中出现下跌,偏离度就会急转直下,另一种持续的下 ...
基于Python的指数基金量化投资——指数基金间相关度计算
每一种指数基金都是由一篮子股票组成的,少的有几十个成分股,多的有几百上千个成分股,而整个A股目前有四千多家上市公司,每种指数基金都从A股这个大篮子里面选取成分股,那就会有个问题,不同的指数基金选择的成 ...
基于Python的指数基金量化投资——A股全市场成交量计算
成交量是反映市场情绪和流动性一个很重要的指标,当出现牛市时成交量会急剧放大,当出现熊市时成交量会急剧缩小. 通过成交量可以反映出市场的情绪是处于正常.平淡还是疯狂,可以在一定程度上指导我们的投资操作, ...
基于Python的指数基金量化投资-为什么量化指数基金投资
上一次写了基于Python的指数基金量化投资-股票数据源baostock 这次来说一下为什么要量化指数基金投资. 进行指数基金投资我们需要清楚几个关键点:该投资哪些指数品种,为什么投资这些品种.这些品 ...
基于Python的指数基金量化投资 - 指数投资技巧（三）不定期定额
指数投资方式中有四种基本的方法,分别是定期定额.定期不定额.不定期定额和不定期不定额,这四种方式投资效果不同,对投资者的要求也不同,定期定额最简单,但收益不算高,不定期不定额最复杂,对投资者的要求最高 ...
基于Python的指数基金量化投资——指数包含的个股数据获取
要计算指数的加权值,指数的市盈率.市净率,或者指数的净资产收益率,都需要用到指数所包含的个股信息,前面分享的<指数的净资产收益率计算>和<指数的市盈率和市净率计算>等文中都有提 ...
python打印乘法表口诀-用Python打印九九乘法表正三角和倒三角。
网上看到一道作业,用Python打印九九乘法表正三角和倒三角. 正三角输出: for i in range(1,10): for j in range(1,i+1): if(i==j): print( ...

基于Python的指数基金量化投资 - 正三角和倒三角投资模型

源码

基于Python的指数基金量化投资 - 正三角和倒三角投资模型相关推荐

最新文章

热门文章