大小盘轮动选股策略

  • Python量化投资——使用`qteasy`测试一个大小盘轮动投资策略
    • 问题介绍
    • 策略思想
    • 策略的实现
      • 创建交易策略
      • 配置回测参数
    • 策略的回测结果
    • 策略的进一步改进
      • 可视化报告的使用
      • 交易明细报告
      • 改进后的策略设置
      • 改进后的结果
    • 策略思路的延伸

Python量化投资——使用qteasy测试一个大小盘轮动投资策略

问题介绍

今天我们尝试利用qteasy模块来测试一个大小盘轮动投资策略，看看它能否给我们带来超额收益。

qteasy是本人正在开发的一个快速量化交易工具包，使用这个工具包，可以快速灵活地生成各种量化交易策略，生成历史数据并回测策略的表现，有针对性地优化策略的性能；未来还将提供实时自动化交易功能。该项目正在开发中，Github项目地址在这里：https://github.com/shepherdpp/qteasy

大小盘轮动是一个非常基本而且常见的投资策略。大家在做投资的时候可能会有这样的感觉，有时候大盘股拼命上涨，而很多小盘股按兵不动，出现所谓的“指数涨股票不涨”的情况。然而有时候又恰恰相反，大盘股不涨，而小盘股此起彼伏地往上涨。

我们可以用沪深300指数（000300.SH）代表大盘股，用创业板指(399006.SZ)代表小盘股，通过qteasy查看他们过去十年的走势：

import qteasy as qt
qt.candle('000300.SH', start='20110101', end='20201231', asset_type='IDX', mav=[])


qt.candle('399006.SH', start='20110101', end='20201231', asset_type='IDX', mav=[])

把两张图重叠起来看会更加清楚地发现，这两个指数的涨跌在不少时段是截然相反的，例如：

  • 从2013年一月一直到2014年年中，沪深300基本上处于震荡下行的状态，而同一时段的创业板指开始了一路上涨
  • 而从2017年的年初一直到2018年3月，创业板指一路下跌，而同期的沪深300指数却一路上行从3000点左右上攻到了4400点

如果对比较短期的行情，两个指数之间的差异更多，这时候如果我们可以在大盘股和小盘股之间轮动选股投资，是否会比单独投资大盘股或者小盘股收益更大呢？下面我们就来测试一下。

策略思想

在大小盘之间进行轮动，首先可以考虑最简单的情形：在前面提到的两个指数之间轮动，每天选择未来可能的涨幅较大的指数持有。那么如何判断哪一个指数未来的涨幅较大呢？大家可能有自己的想法，在这里我选择根据趋势来判断：

  • 分别计算两个指数在过去20天的涨幅，也就是今天的价格相对于20天前价格的涨幅
  • 选择涨幅较大的那个指数，在第二天持有，同时卖掉涨幅较小的指数

如果大家有其他的判断方式，欢迎在文末留言。
上面的思路非常简单，也很容易每天实现，只要每天使用当天的收盘价除以20天前的收盘价，计算当日涨跌幅，对比一下两个指数的涨跌幅，第二天根据前一天的结果操作即可：

当日涨幅=Price0Price20−1当日涨幅 = \frac{Price_0}{Price_{20}} - 1当日涨幅=Price20​Price0​​−1

策略的实现

根据上述的策略思路，我们很容易在qteasy中实现这样的轮动选股策略：

创建交易策略

首先，我们需要在queasy中实现一个选股策略，它需要根据“N日价格涨幅”来选股，从两个指数中选择N日价格涨幅最大的一个股票或资产，在qteasy中其实已经有了一个内置策略，能够实现上述目标，这个策略的名称为ndayrate，直接引用这个名称即可使用这个策略。因此，我们首先创建一个Operator对象，并引用这个策略：

op = qt.Operator(strategies = 'ndayrate', signal_type='pt')

现在这个策略已经创建好了，但是我们还需要做一些最基本的设定，确保它能按照我们的想法选股，必要的参数如下：

op.set_parameter(0,   sample_freq='d',  # 策略的选股周期为每日选股 sort_ascending=False,  # 设置选择涨幅最大的指数proportion_or_quantity=1,  # 设置每次选择一只指数后续持有pars=(20, ),  # 策略参数N=20，比较20日涨幅data_types='close')  # 使用收盘价计算涨幅

在上面的代码段中，我们通过几个简单的参数设置选股策略的基本行为：

  • sample_freq='d': 每日选股，如果设置选股周期为'w'表示每周选股，'2d'表示每两天选股一次
  • sort_ascending=False：该策略的操作方式是将所有的N日涨幅排序后取前几位，因为需要取最大涨幅，因此需要降序排列，如果要取最小涨幅，则需要设置sort_ascending=True
  • proportion_or_quantity=1：选择的股票数量，因为从两个指数中固定二选一，因此设置此参数为1
  • pars=(20, )：策略参数N，设置为20表示根据20日涨幅选股
  • data_types='close'：默认值，计算收盘价的涨幅

配置回测参数

配置好选股策略以后，需要通过回测检验策略的表现，也就是调用沪深300和创业板两个指数的实际历史数据，进行模拟交易，看看模拟交易的结果是否能够跑赢大盘。在实际操作中，卖卖大盘指数不太容易，不过一般都可以很容易找到跟踪大盘指数的ETF基金来代替大盘，不过为了简单起见，我们这里就直接投资于2011年1月1日一直到2020年12月31日之间的沪深300和创业板指数，假设交易费率为万分之一，双向收费，看看投资的结果如何。

使用qteasy，调用qt.configure()对回测参数进行基本配置：

qt.configure(asset_pool=['000300.SH','399006.SZ'],  # 投资指数包括沪深300和创业板指数invest_amounts=100000,  # 投入金额为十万元asset_type='IDX',  # 为简单起见，直接投资于指数cost_rate_buy=0.0001,  # 买入资产时交易费用万分之一cost_rate_sell=0.0001,  # 卖出资产时的交易费用为万分之一invest_start='20110101',  # 模拟交易开始日期invest_end='20201231',  # 模拟交易结束日期trade_batch_size=0,  # 买入资产时最小交易批量sell_batch_size=0)  # 卖出资产时最小交易批量

上面的配置含义如下

  • asset_pool=['000300.SH', '399006.SZ']：投资目标指数用列表形式给出，如果要投资其他的指数或ETF基金，直接传入证券代码即可，如果要从三个或更多的证券中选股，直接加入列表中即可
  • invest_amounts=100000： 投资金额为十万元，如果需要模拟多次分批投入，还可以传入一个列表，不过需要分别指定每次投入的具体日期
  • asset_type='IDX'： 投资标的类型：'E'代表股票， 'IDX'代表指数， 'FD'代表基金，'FT'代表期货，'OPT'代表期权
  • cost_rate_buy=0.0001： 设置买入和卖出交易费用比例，qteasy还支持设置最低费用、固定费用等等，这里只简单设置费率即可
  • cost_rate_sell=0.0001：
  • invest_start='20110101'： 模拟交易开始日期
  • invest_end='20201231'： 模拟交易结束日期
  • trade_batch_size=0： 买入资产时最小交易批量，0代表可以交易任意份额，1代表只能交易整数份，这里可以输入任意大于0的数
  • sell_batch_size=0： 卖出资产时最小交易批量为0

qteasy还有其他的配置参数，参见qteasy的文档。

策略的回测结果

设置好所有的配置后，即可以开始回测了，调用qt.run()开始回测，回测的同时，我们开启可视化图表输出，并且开启交易明细记录：

res=qt.run(op, visual=True, print_backtest_log=True)

片刻后，回测完成，打印报告如下：

     ====================================|                                  ||       BACK TESTING RESULT        ||                                  |====================================qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 142.4ms
time consumption for operation back looping:  3s369.3msinvestment starts on      2011-01-04 00:00:00
ends on                   2020-12-31 00:00:00
Total looped periods:     10.0 years.      - 一共模拟了十年的交易-------------operation summary:------------Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000300.SH    74       79    153   47.2%      0.0%     52.8%
399006.SZ    85      118    203   48.5%      0.0%     51.5%   Total operation fee:     ¥    3,122.37    - 总交易费用
total investment amount: ¥  100,000.00    - 初始投资金额十万元
final value:              ¥  514,251.88   - 十年后投资总金额来到了五十一万
Total return:                   414.25%   - 十年总收益率
Avg Yearly return:               17.80%   - 年化收益率
Skewness:                         -0.38
Kurtosis:                          2.88
Benchmark return:                63.38%   - 同期沪深300指数的总收益
Benchmark Yearly return:          5.03%   - 沪深300的年化收益------strategy loop_results indicators------
alpha:                            0.185
Beta:                             0.691
Sharp ratio:                      0.726
Info ratio:                       0.049
250 day volatility:               0.256
Max drawdown:                    50.57% peak / valley:        2015-06-03 / 2016-06-13recovered on:         2020-02-18===========END OF REPORT=============

从回测的结果可以很容易看出，这个策略是跑赢了沪深300大盘指数的，在这十年间沪深300的年化收益率只有可怜的5%左右，甚至比某些收益较高的定期产品都不如，而我们这个策略的投资年化收益率达到了17.8%，十年间总资产从十万元达到了五十多万元，翻了五倍多

策略的进一步改进

我们的策略获得了初步的成功，不过，光看总回报率还不能完全说明问题，策略在整个十年间的表现如何呢？这就需要进一步分析，看看能否进一步改进这个策略。这时我们需要进一步查看回测的结果，尤其是可视化结果和交易明细记录，通过这些记录和报告来找到策略的不足和改进点。

可视化报告的使用

由于设置了visual=True，在回测报告的最后，还能看到运行结果的可视化图表报告如下：

可视化图表是qteasy的一个很有用的功能。首先我们可以看到回测的历史回报率曲线图。这个曲线图以百分比为单位，将投资组合的回报率曲线和一个参考曲线（默认情况下参考曲线是沪深300指数，可以通过qt.configure(reference_asset='xxxxxx.xx')来设置为不同的指数）的收益率对比。红色曲线为投资组合的收益率，而蓝色曲线为参考指数收益率。
在这张图的参考指数曲线上，会用红、绿色箭头标注所有的买卖点，同时，图表在持有仓位的时间区间填充上绿色，响应没有持仓（空仓）的时段会保持为白色，这样就很容易看出整个投资历史上组合的回报率，以及买卖、持仓的大致时段和比例。

紧接着第一张图表，后续五张图表都是历史曲线图，显示了投资回报的多种不同的评价指标，这里面我感觉最有用的是“underwater”图，也就是第六张图，显示了投资资产回撤的情况，这个表我们过一会来仔细分析。

最下面还有并列的三张图表，分别统计了历史上历年或历月的收益率，其中可以看到整个十年中有三年（2011年、2016年和2018年）的收益率是负的，其余年份均实现了正收益。

了解了可视化图表，我们来分析历史曲线，大家可以看着历史回报率曲线图，并开始设想，加入我按这个投资策略开始投资，从2015年6月3日开始，我的收益率会如何？结果是：到2016年6月13日亏损50.6%，然后一直到2020年2月才能解套！如下图：

同样，我们从第六张underwater图中也可以看到，在整个十年投资期间，总资产不断地出现回撤，50%回撤是最大最深的一次，但前期还有31%、22%的多次回撤，而且长度都不短，整个投资就是“长期被套牢，偶尔能翻盘”的状况，我相信，没有几个投资者能够熬得住这样的煎熬的，对吧？


如上图，整个十年间除2015年前后或者2020年下半年以外，几乎都处于潜水套牢状态。

因此，我们可以想办法改进一下这个策略，看看如何能够降低回撤，提升策略的性能。为此，我们需要仔细分析模拟交易回测过程中的每一笔交易，寻找降低回撤的办法。要查看回测交易的每一个细节，那就需要查看交易明细报告。

交易明细报告

我们在回测的时候，设置了print_backtest_log=True，因此系统会生成详细的交易明细报告。这份报告被保存在了qteasy/log路径下，可以看到包含两个报告，两个报告都保存为csv文件，便于用Excel打开：

打开第一个文件可以看到交易日志，交易日志中记录了每一个交易日资金的变动，持股的变动、每种股票的交易明细等信息，不管是否有交易或持股变动，每天都有记录：

从上面的文件中可以看到，1月4日买入了31份沪深300指数，到1月5日收盘时卖出了持有的沪深300指数31份，并在1月6日收盘时买入87份创业板指，并在1月7日继续持有。。。
而打开trade_records.csv文件可以看到，这里记录了每一笔成交的交易，包括交易日期、买卖方向、交易份额、价格、总金额、交易费率等等信息，由于只记录有交易的实际发生，因此信息更加紧凑：

仔细分析上面的表格，会发现这个投资策略除了在换股的时候以外，都是满仓持有的，在2015年中的股灾期间也不例外，我们找到这段时间会发现，从2015年的6月18日开始，不管是沪深300指数还是创业板指数，他们的20日收益率都已经由正转负，表明后市已经开始下跌了，然而此时策略仍然坚定地持有创业板指，这是因为创业板指的跌幅要小于沪深300，也就是收益率大于沪深300：

所以其实这时候我们的策略仍然选择了正确的指数，只不过因为两个指数都在跌，我们的策略选择了跌的少的那一个持有，减少了我们的损失。

那么，我们可否从这里出发改进我们的策略呢？思路很简单，我们可以加一条规则：

  • 每天计算两个指数在过去20天的涨幅，也就是今天的价格相对于20天前价格的涨幅
  • 如果选股日两个指数都小于0，那么我们第二天就空仓，一个指数都不持有
  • 否则，选择涨幅较大的那个指数，在第二天持有，同时卖掉涨幅较小的指数

我们在原来的简单选股规则基础上增加了一条“过滤条件”，将两个指数都小于0的情况排除在外，好了，那么在qteasy中如何调整，以反映这个新的修改呢？

改进后的策略设置

qteasy的内置选股策略提供了一个过滤条件condition属性，默认条件下condition='any'，代表没有过滤条件，现在我们需要把小于0的收益率过滤掉，因此可以设置condition='greater'同时设置过滤范围ubound=0即可：

op.set_parameter(0, sample_freq='d',sort_ascending=False,proportion_or_quantity=1,pars=(20, ),data_types='close',condition='greater',  # 新增过滤条件：20日涨幅大于等于ubound=0)  # 过滤条件值：0

上面的设置跟前一节基本相同，增加了两个参数：

  • condition='greater'：含义是增加过滤条件，N日涨幅必须大于等于某个值才能参加选股，这个值在ubound参数中设置。也就是说排除掉小于这个值的股票，让其无法中选
  • ubound=0： 设置为0，这样只有涨幅大于等于0的指数才能被选中，当然还可以设置为其他浮点数

改进后的结果

同样按照前面的配置，直接执行qt.run()。这里直接放结果：

res=qt.run(op, visual=True, print_backtest_log=True)

     ====================================|                                  ||       BACK TESTING RESULT        ||                                  |====================================qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 108.1ms
time consumption for operation back looping:  914.3msinvestment starts on      2011-01-04 00:00:00
ends on                   2020-12-31 00:00:00
Total looped periods:     10.0 years.-------------operation summary:------------Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000300.SH    82       85    167   24.4%      0.0%     75.6%
399006.SZ    90      104    194   41.2%      0.0%     58.8%   Total operation fee:     ¥    5,535.42
total investment amount: ¥  100,000.00
final value:              ¥1,006,560.22
Total return:                   906.56%
Avg Yearly return:               25.98%
Skewness:                         -0.23
Kurtosis:                          4.79
Benchmark return:                63.38%
Benchmark Yearly return:          5.03%------strategy loop_results indicators------
alpha:                            0.285
Beta:                             0.624
Sharp ratio:                      1.029
Info ratio:                       0.055
250 day volatility:               0.208
Max drawdown:                    20.26% peak / valley:        2015-06-03 / 2015-08-06recovered on:         2015-10-20
===========END OF REPORT=============

可视化图表如下：

从资产收益率图上可以看到，原来一片绿色（全程持仓）变成了白绿相间（白色区间空仓持币），资产回撤情况得到了大幅度优化：从原来的50%回撤降低到了20%左右。而且总回报率也大大提升：

  • 资产总额从改进前的五十多万提高到一百万
  • 总收益率从400%提升到了900%
  • 年化收益率从17%提升到了26%
  • 最大回撤从50%降低到了20%

看来我们的策略优化是成功的，通过计算两个指数的收益率，我们在两个指数之间轮动，同时避开股灾等两个指数都下跌的行情，我们竟然可以得到一个收益率20倍于沪深300的投资策略。

通过查看交易记录可知，的确策略在2015年6月底的股灾期间保持空仓，躲避了单边下跌的行情。

策略思路的延伸

到这里我们这篇文章就结束了，不过关于策略的优化还可以不断进行，大家可以自己尝试一下调整策略的不同参数，例如不用20日收益率，用10日、30日收益率看看效果会如何变化？另外，过滤参数也可以调整，例如过滤掉涨幅小于0.1%的指数，或者过滤掉涨幅小于-0.1%的指数。另外，是否可以不用沪深300和创业板，用别的指数代替？或者用ETF基金？等等

希望大家可以在评论区分享自己的想法和思路，我们一起开拓思路，找到更好的交易策略！

Python量化投资——年化收益26%，一个大小盘轮轮动量化投资策略的回测效果相关推荐

  1. 量化：年化收益、期初收益、期末收益、年份，任意3个值计算剩下的1个值

    1 网页计算器可以参考:(新浪财经投资收益计算器)http://finance.sina.com.cn/money/283/2005/0708/19.html 计算方法 由图可知: F V = ( 1 ...

  2. cad模型轻量化_CAD环境下一种支持大装配的产品模型轻量化技术

    CAD环境下一种支持大装配的产品模型轻量化技术 针对CAD环境下操作复杂大装配常出现加载和显示困难的问题,提出了一种CAD环境下的轻量化解决方案,将参数化表达和多细节层次(LOD)轻量表达共同定义于产 ...

  3. 量化评估--年化收益、最大回撤、阿尔法、贝塔、夏普比率解释

    年化收益率 年化收益率是把当前收益率(日收益率.周收益率.月收益率)换算成年收益率来计算的.例如日收益率是万分之一,则年化收益率是3.65﹪(平年是365天). 年化收益率=[(投资内收益 / 本金) ...

  4. HTMLTestRunner 汉化版---来源一个大神的源码(加了失败截图，用例失败重新执行 功能)...

    HTMLTestRunner 汉化版 20170925 测试报告完全汉化,包括错误日志的中文处理 针对selenium UI测试增加失败自动截图功能 增加失败自动重试功能 增加饼图统计 同时兼容pyt ...

  5. 时间加权平均价格算法（TWAP）和成交量平均算法（VWAP）在量化回测的应用

    为什么要引入TWAP和 VWAP? 为了评估策略的资金容量,我们对M.trade模块里买入点和卖出点这两个参数进行了更丰富的扩展,支持了策略能够按更丰富的算法交易价格(WAP)进行撮合. 如果资金是1 ...

  6. Python 量化投资实战教程(2) —MACD策略(+26.9%)

    量化投资系列文章: Backtrader 教程 - Python 量化投资实战教程(1) Python 量化投资实战教程(2) -MACD策略(+26.9%) Python 量化投资实战教程(3) - ...

  7. Python量化投资——投资组合的评价和可视化（上）：计算收益率、波动率、最大回撤、阿尔法alpha、贝塔beta、夏普率Sharp等指标【源码+详解】

    投资组合的评价和可视化(上)--评价指标的计算 投资结果评价 本文示例数据下载 投资过程回顾 基于收益的投资组合评价 收益率.年化收益.每日收益率 月度历史收益率 基于风险度量的投资组合评价 Vola ...

  8. 【StudyQuant| Python量化投资- 量化研究 - 系列7】多种仓位管理的方法，固定止盈止损 与 移动止盈止损

    前言 StudyQuant -[量化投资教学系列帖子],通过实际案例教初学者使用python进行量化投资,分享最前沿的研究成果.希望能对大家有帮助. 量化投资文章 请点击此处 相关文章 区间震荡策略曾 ...

  9. Python 量化投资实战教程(4) —KDJ 策略

    量化投资系列文章: Backtrader 教程 - Python 量化投资实战教程(1) Python 量化投资实战教程(2) -MACD策略(+26.9%) Python 量化投资实战教程(3) - ...

  10. 上海 python量化 培训_Python量化投资实战班.上海站

    原标题:Python量化投资实战班.上海站 上海 7月27-28日 随着国内量化投资的发展,第三方量化平台费用高,策略保密性差,开发环境局限等弊端不断涌现.VNPY作为一个开源的量化交易系统项目,具备 ...

最新文章

  1. Python、Unicode和中文
  2. C# 世界坐标 页面坐标 PageUnit PageScale
  3. 算法-- 删除排序链表中的重复元素（Java）
  4. cstart做int型转换运算Java,Java实验练习题目-供练习参考
  5. tomcat配置文件server.xml详解
  6. 谷歌发布第二代TPU，并提供了免费试用方案
  7. 人脸Pose检测：ASM、AAM、CLM方法总结
  8. C# 获取文件MD5值的方法
  9. Leetcode每日一题:7.整数反转
  10. Linux Redhat下安装Jenkins
  11. 给网站插入一个百度地图API
  12. 滴滴回应未删道歉微博；阿里 P7 员工租自如病亡；苹果无人车出事故 | 极客头条...
  13. java窗体程序秒表,帮忙解释一个Java小程序（秒表）
  14. ACCESS_REFUSED - operation not permitted on the default exchange
  15. T-SQL笔记8：索引
  16. 计算机硬件 试题,计算机硬件试题150完整版
  17. 什么是计算机病毒？中国黑客教父告诉你
  18. vue3 axios 封装
  19. 桌面上的计算机打不开怎么办,电脑桌面计算机打不开怎么办
  20. 基于java的springboot宠物商城系统毕业设计springboot开题报告

热门文章

  1. 题解 P2919 【[USACO08NOV]守护农场Guarding the Farm】
  2. irr java_java-irr: java版的IRR和XIRR，通过牛顿算法实现内部收益率的计算
  3. word文档插入尾注，并且设置尾注在参考文献这一章
  4. mysql实现oracle的同义词_Oracle 同义词synonym 学习
  5. Failed to open the host Key database file
  6. C++实现IE缓存迭代器
  7. 优锘科技：森数据初体验
  8. Flash Player去广告下载地址
  9. 入门级蛋白质结构查看PyMol的使用——PyMol常用命令
  10. matlab求dfa指数,关于使用MF-DFA方法计算广义Hurst指数的MATLAB操作问题