目标：

本系列开始重点研究量化，逐步改善模型，改善策略，然后评估各个策略的优劣。本文是第一篇，也是最容易最无脑投资的一篇，每周三定投，收益还不错。

内容：

如果工作太忙没法投资，闲钱无处放，不妨看看这这种方式。

学金融的都知道最简单靠谱的投资方式：定投。
是否真有效？假期封在家，做了下实验。
假设每周，通过支付宝线下买基金定投1000，从15年元旦开始。就投创业板吧，亏钱了就当给科技做贡献。要知道15年可是股灾年，19年也是，经历了2次股灾还能有收益吗？一起来看看到今天2020-02-07，收益如何？
图1为指数行情，证明数据没有错。

图2为定投VS年化5%无风险收益的对比图。可见，定投确实收益超过存定期。

图3为定投选星期几呢？国外有个著名的“周四效应”，而在创业板中，最好的却是周三！国外的月亮比一定在国内元。最差周一、周五。差值能达到20000元。

图4为定投的纯收益，亏损最多的是在19年初那次股灾。

图5为收益率曲线，也可以看出周三的收益率最好。

图6为收益率，定投最多也能亏40%，让人有点崩溃吧。

为啥定投很少有人坚持？2016-2020年4年都在亏钱，好多人的心理早已崩溃，心理承受能力早已塌陷。但曙光就在后面。

这种机械式定投显然不是很好的办法。但确实也有赚钱机会。
股市有风险，投资需谨慎。

改进措施：

最大回撤=82% - （-39%） = 120%。策略波动太大。亏钱源自于高价位买太多，低价位买太少，所以机械的每次买一样的金额，明显不好，可以考虑增加弹性，高价位买少，低价位买多。这样最大回撤能小很多。下篇见。

代码：

实验数据此处下载：链接：https://pan.baidu.com/s/1yVThgukzc3iXFhjHMLVONA
提取码：1234

# -*- coding:utf-8 -*-
"""
作者：luoji
日期：2022年02月06日
"""import pandas as pd
import time
import matplotlib.pyplot as plt
import matplotlib as mpl
from matplotlib.ticker import FuncFormatter# 设置显示为中文
mpl.rcParams['font.sans-serif'] = ['KaiTi']
mpl.rcParams['font.serif'] = ['KaiTi']
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串# dateTOBegin = '2018-01-01'
dateTOBegin = '2015-01-01'  # 定投开始时间data = pd.read_csv('C:\\LuojiPythonProject\\AGuquant\\data\\399006.csv', encoding='UTF-8', index_col=0)  # 加载数据，去掉第一列
print(data.head(5))data['trade_date'] = pd.to_datetime(data['trade_date'], format='%Y%m%d')  # 把字符日期转换为日期格式
print(data['trade_date'])
data = data[data['trade_date'] >= dateTOBegin]  # 筛选定投开始以后的数据data = data.set_index('trade_date')  # 把日期设置为index，方便存取和画图，原地更改dataprint(data.head(5))
print(data.index)
print(data.columns)  # 这里trade_date在列中被删除了，排了序之后，再补回来data = data.sort_values(['trade_date'], ascending=True)  # 按照日期从大到小排序
print(data.head(5))figure = plt.figure(1)  # 画图1
data['close'].plot(title='创业板指数价格', xlabel='交易日期', ylabel='价格', legend='收盘价', grid=True)  # 按 收盘价画指数图
# plt.show()print(data.columns)
# print(data['trade_date'].head(5))
data['trade_date'] = data.index  # 新增一列trade_date，之前那个trade_date设置为了index，并排序。现在还原回来，
listWeekDay = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday']  # 星期1-5
data['day_of_week'] = data['trade_date'].dt.dayofweek  # 获得星期几的序号，从0开始，到6，表示星期一到星期天# def conver2weekDay(x):
#     return listWeekDay[x]
#
# data['weekDay'] = data['weekDay'].map(conver2weekDay)  # 等效为：
data['day_of_week'] = data['day_of_week'].map(lambda x: listWeekDay[x])  # 把day_of_week转换成英语的星期，用了匿名函数
print(data.head(5))baseCapital = 1000  # 每周初始定投资金for i in range(5):principal = 'principal_on_' + listWeekDay[i]  # 本金 principaldata[principal] = 0  # 新建本金 principal列并初始化bugAmount = 'bug_amount_on_' + listWeekDay[i]  # 购买数量，也即是定投的股数data[bugAmount] = 0  # 初始化定投的股数for i in range(5):day = listWeekDay[i]  # 获取星期几bugAmount = 'bug_amount_on_' + listWeekDay[i]  # 购买数量principal = 'principal_on_' + listWeekDay[i]  # 本金 principaldata.loc[data['day_of_week'] == day, principal] = baseCapital  # 本金字段，写到具体星期几做的定投# 计算定投时的股数，也就是用本金除以收盘价，得到当天购买的股数data.loc[data['day_of_week'] == day, bugAmount] = baseCapital / data[data['day_of_week'] == day]['close']# print(data.head(5))
print(data.head(10))
print(data.columns)for i in range(5):accumulateAmount = 'accumulate_amount_' + listWeekDay[i]  # 累积购买股数bugAmount = 'bug_amount_on_' + listWeekDay[i]  # 购买数量data[accumulateAmount] = data[bugAmount].cumsum()  # 购买数量累加，即可得到累积购买的股数marketValue = 'market_value_on_' + listWeekDay[i]  # 当前持有股数的市值data[marketValue] = data['close'] * data[accumulateAmount]  # 收盘价乘以累积购买股数，即可得到市值figure = plt.figure(2)
for i in range(5):marketValue = 'market_value_on_' + listWeekDay[i]  # 画市值图形data[marketValue].plot(title='定投市值', xlabel='交易日期', ylabel='市值', legend=marketValue, grid=True)# no risk profit 无风险收益曲线，作为对照，进行对比投资是否有效，无风险利率5%
data['no_risk_principal'] = 0
data.loc[data['day_of_week'] == 'Monday', 'no_risk_principal'] = baseCapital  # 无风险定投选在每周1
data['no_risk_accumulate_principal'] = data['no_risk_principal'].cumsum()  # 无风险累积成本
no_risk_rate = 0.05  # 无风险收益率5%
no_risk_rate_daily = no_risk_rate / 200  # 交易天数按200天计算，得到每天的无风险收益率
data['no_risk_profit_everyday'] = data['no_risk_accumulate_principal'] * no_risk_rate_daily  # 每天的无风险收益
data['no_risk_profit'] = data['no_risk_profit_everyday'].cumsum()  # 每天的无风险收益累加，即可得到累积的收益
data['no_risk_market_value'] = data['no_risk_accumulate_principal'] + data['no_risk_profit'] # 无风险收益加本金，得到市值
data['no_risk_market_value'].plot(xlabel='交易日期', ylabel='市值', legend='5%_no_risk_market_value', grid=True)
data['no_risk_accumulate_principal'].plot(xlabel='交易日期', ylabel='市值', legend='无风险本金', grid=True) # 画本金# plt.show()# 减去本金，计算纯收益
for i in range(5):principal = 'principal_on_' + listWeekDay[i]  #本金accumulate_principal = 'accumulate_principal_' + listWeekDay[i] #累积本金data[accumulate_principal] = data[principal].cumsum()  # 累积成本=本金相加marketValue = 'market_value_on_' + listWeekDay[i]  # 市值profit = 'profit_on_' + listWeekDay[i] # 纯收益data[profit] = data[marketValue] - data[accumulate_principal] # 市值减去累计本金，得到纯收益profit_rate = 'profit_rate_on_' + listWeekDay[i] # 收益率data[profit_rate] = data[profit] / data[accumulate_principal] # 收益率 = 收益/累积本金figure = plt.figure(3) # 画收益曲线
for i in range(5):profit = 'profit_on_' + listWeekDay[i]data[profit].plot(title='定投收益', xlabel='交易日期', ylabel='收益（元）', legend=profit, grid=True)data['no_risk_profit_rate'] = data['no_risk_profit'] / data['no_risk_accumulate_principal'] #无风险收益/无风险本金=无风险收益率
data['no_risk_profit'].plot(title='定投收益', xlabel='交易日期', ylabel='收益（元）', legend='5% no_risk_profit', grid=True)# plt.show()figure = plt.figure(4) # 画定投收益率
for i in range(5):profit_rate = 'profit_rate_on_' + listWeekDay[i]data[profit_rate].plot(title='定投收益率', xlabel='交易日期', ylabel='收益率', legend=profit_rate, grid=True)data['no_risk_profit_rate'].plot(xlabel='交易日期', ylabel='收益率', legend='5% no_risk_profit_rate', grid=True)def to_percent(temp, position): # 转换画收益图的Y轴为百分数。return '%1.0f' % (100 * temp) + '%'plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent))
plt.show()

产出：

如果资金有计划近期不会使用，可以考虑研究一下如何投资。
修改一下代码，如果我们2018-01-01年开始定投，会怎么样？

收益更好，能达到50%。

量化投资之定投，无脑却收益还不错，记得周三来相关推荐

这些年，大家对量化投资的误解
误解一所有的量化投资都是一样的实际上,量化投资只是一个宽泛的概念,且不说P派Q派的理念之争,在具体的投资策略上也是八仙过海,各显神通.虽然是各显神通,但是毕竟过的是一个海,所以经常也会出现某年 ...
中国量化投资将呈现三大发展趋势
作者:许明虽然中国量化投资的发展才短短十余年,但量化投资策略起点相对较高,直接运用了当前国际上公认有效的策略,节省了大量的摸索时间和试错成本.这些先进的量化投资理念和策略引进国内后,与中国实际的投资 ...
数据分析常用的python包_量化投资数据分析之常用的python包（附代码）
小伙伴们都知道python功能强大,在金融量化分析中运用广泛,python常用的数据分析包很多,下面先给大家简单列举一些(如果您刚开始学python觉得这东西很烦看不懂,那么请不要担心,直接忽视跳到第 ...
实锤，无脑定投指数基金真的可以赚钱么？
投资有风险,入市需谨慎,本文不构成任何投资理财建议,仅做交流学习使用. 不知道大家有没有在网上见过各种理财课程,说什么小白入门最简单的就是定投指数基金,还说人家巴菲特也这么投,这种课程介绍是越写越夸张 ...
量化投资无套利 No-arbitrage
文章目录量化投资无套利 No-arbitrage State of Nature 市场域 Market Span 套利 Arbitrage 无套利和正线性定价规则 No-arbitrage and ...
抱团股会一直涨？无脑执行大小盘轮动策略，轻松跑赢指数5倍【附Python代码】
引言: 邢不行的系列帖子"量化小讲堂",通过实际案例教初学者使用python进行量化投资,了解行业研究方向,希望能对大家有帮助. 前言: 巴蛇吞象,扬州跨鹤.人性之贪婪,逝者如此, ...
邢不行python资源_邢不行—数字货币python量化投资
本帖最后由 ynjie 于 2020-10-14 21:39 编辑课时1.1 什么是量化投资.mp4 课时1.2 数字货币市场特点.mp4 课时1.3 2018量化炒币7大玩法复盘.mp4 课时1. ...
对于目前流行的量化投资与smart beta策略的一些看法
转载自:http://www.dataguru.cn/article-5433-1.html 对于目前流行的量化投资,指数基金,以及smart beta,论坛里已经有帖子做了些介绍(见[1],[2]) ...
量化投资拥有光明的未来
转载自:http://www.dataguru.cn/article-5415-1.html 随着20世纪80年代以来各类证券和期权类产品的丰富和交易量的大增,华尔街已别无选择,不用这些模型,不使用电 ...

量化投资之定投，无脑却收益还不错，记得周三来

目标：

内容：

改进措施：

代码：

产出：

量化投资之定投，无脑却收益还不错，记得周三来相关推荐

最新文章

热门文章