将下面三个策略结合判断，
动量策略
估值策略
改进美林时钟

三个策略都判断股票上涨（做多股票，则股：债=0.5:0.5
三个中有两个策略判断做多股票信号，则股：债=0.4:0.6
三个中有一个策略判断做多股票信号，则股：债=0.3:0.7
否则，股：债=0.1:0.9

""" 2020.09.25  15:27
@zp
数据端，既用到了153数据库，也用到了Tushare Pro数据库
显然，加入的条件过多，必定导致过拟合问题，(由于未留出测试集，因此，可以肯定的是过拟合问题存在，但却无法量化验证)"""
# coding=utf-8
import math
import tushare as ts
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import talib
import pandas as pd
from datetime import datetime, date
import pymysql
import threading
from queue import Queue
import warnings
warnings.filterwarnings("ignore")
import seaborn as sns
sns.set(style="darkgrid", palette="muted", color_codes=True)
from scipy import stats,integrate
%matplotlib inline
sns.set(color_codes=True)matplotlib.rcParams['axes.unicode_minus']=False
plt.rcParams['font.sans-serif']=['SimHei']
ts.set_token('  ')
pro = ts.pro_api()#移动均值策略部分
def mean_fun():code1,code2,test_start,test_end,t1,t2,t3,t4,t5,n=["000300.SH","000012.SH","20050101","20550101",50,70,90,110,130,1]def dataread():df_stock=pro.index_daily(ts_code=code1,  start_date=test_start, end_date=test_end, fields='close,trade_date')df_bond=df=pro.index_daily(ts_code=code2,start_date=test_start, end_date=test_end , fields='trade_date,close')return df_stock,df_bonddf_stock,df_bond=dataread() #计算均值，时间为t1  t2  t3  t4def mean(t):df_stock.index=pd.to_datetime(df_stock.trade_date)return df_stock.close.sort_index().rolling(window=t).mean()def ret_base():df_stock.index=pd.to_datetime(df_stock.trade_date)df_bond.index =pd.to_datetime(df_bond.trade_date)ret_stock=(df_stock.close-df_stock.close.shift(-1))/df_stock.close.shift(-1)ret_bond= (df_bond.close- df_bond.close.shift(-1))/df_bond.close.shift(-1)return ret_stock,ret_bond.sort_index()def ret_same_time(x):return x[x.index>=mean(max(t1,t2,t3,t4,t5)).dropna().index[0] ]ret_stock=ret_same_time(ret_base()[0]).sort_index()#ret_base()[0][ret_base()[0].index>=mean(max(t1,t2,t3,t4,t5)).dropna().index[0] ]ret_bond= ret_same_time(ret_base()[1] )#ret_base()[1][ret_base()[1].index>=mean(max(t1,t2,t3,t4,t5)).dropna().index[0] ]DF=ret_same_time(df_stock.close).sort_index()return ret_same_time(mean(t1)),ret_same_time(mean(t2)),ret_same_time(mean(t3)),ret_same_time(mean(t4)),ret_same_time(mean(t5)),DF
mean1,mean2,mean3,mean4,mean5,DFF=mean_fun()#估值pe_ttm部分
def fun():start,end,code1,code2,t,T,start1,end1=["20140101","20550101","000300.SH","000012.SH",10,1400,"20080901","20550101"]#读取数据def dataread():df_base=pro.index_dailybasic(ts_code=code1,start_date=start1,end_date=end1, fields='trade_date,pe_ttm,pb')df_stock=pro.index_daily(ts_code=code1,  start_date=start, end_date=end, fields='close,trade_date')df_bond=df=pro.index_daily(ts_code=code2,start_date=start, end_date=end , fields='trade_date,close')return df_base,df_stock,df_bonddf,df_stock,df_bond=dataread()   class prepare:#计算单日收益率def ret_base(self):df_stock.index=pd.to_datetime(df_stock.trade_date)ret_stock=(df_stock.close-df_stock.close.shift(-1))/df_stock.close.shift(-1)df_bond.index=pd.to_datetime( df_bond.trade_date  )ret_bond=(df_bond.close-df_bond.close.shift(-1))/df_bond.close.shift(-1)return ret_stock,ret_bond#计算pe均值，标准差及滚动均值def data_fun(self,freq,df):df.index=pd.to_datetime(df.trade_date )df=df.sort_index()df_std=df.sort_index().rolling(window=T).std()[df.index>=start]#[df.index<=end]df_std=df_std[df_std.index<=end]df_pe_std=df_std.pe_ttmdf_pb_std=df_std.pbdf_mean=df.sort_index().rolling(window=T).mean()[df.index>=start]#[df.index<=end]df_mean=df_mean[df_mean.index<=end]df_pe_mean=df_mean.pe_ttmdf_pb_mean=df_mean.pbdf_roll=df.sort_index().rolling(window=t).mean()[df.index>=start]#[df.index<=end]df_roll=df_roll[df_roll.index<=end]df_pb_roll_mean=df_roll.pbdf_pe_ttm_roll_mean=df_roll.pe_ttmreturn df_pe_mean,df_pb_mean,df_pe_std,df_pb_std,df_pe_ttm_roll_mean,df_pb_roll_meanmean1,mean2,std1,std2,mean_roll1,mean_roll2=prepare().data_fun(t,df)return mean1,mean2,std1,std2,mean_roll1,mean_roll2
mean_pe,mean_pb,std1,std2,mean_roll1,mean_roll2=fun()#美林时钟部分
class read_data:def fetchData(self, query, q, name, db, host='192.168.0.153', user='jcyj',password='jcyjQwer'):'get data from mysql database'conn = pymysql.connect(host, user, password, database=db, charset='utf8', cursorclass=pymysql.cursors.DictCursor)cursor = conn.cursor()res = cursor.execute(query)fetch = cursor.fetchall()data = pd.DataFrame(fetch)q.put((name, data))def multithread(self, dataList, db):threads = []q = Queue()for key, value in dataList.items():t = threading.Thread(target=self.fetchData, args=(value, q, key, db))  # initiate a threadt.start()  # activate a threadthreads.append(t)  # collect threads listfor thread in threads:thread.join()result = []for _ in range(len(threads)):result.append(q.get())result = {i[0]: i[1] for i in result}return resultdef readhgyz(self, db='py_daziguan_2_1'):baseQuery = "select report_date , shibor_1w "\" from py_hgyz_pbc_shanghai_shibor_statistics_month  where DATE(report_date) > '2005-12-01'  "data = self.multithread({'base': baseQuery},db)return datadef readetl1(self, db='py_etl'):baseQuery = "select trading_date , bond_1y "\" from py_etl_risk_free_rate_daily_2_1 where DATE(trading_date) > '2006-04-30'"data = self.multithread({'base2': baseQuery},db)return data
BO1=read_data()
BO1=BO1.readetl1()["base2"]
BO1.set_index('trading_date',inplace=True)
BO1.index = pd.to_datetime(BO1.index)
BO1.bond_1y
R_B=BO1.bond_1y############################读取数据类###################################
class readData:def read_index_daily(self,code,star,end):#指数数据dsb = pro.index_daily(ts_code=code, start_date=star, end_date=end,fields='ts_code,trade_date,close,change')#默认读取三个数据return dsbdef read_daily(self,code,star,end):dsc1 = pro.daily(ts_code=code, start_date=star, end_date=end,fields='ts_code,trade_date,close,change')return dsc1def read_CPI(self,star,end):#时间格式start_cpi='201609'dc=pro.cn_ppi(start_m=star, end_m=end,fields='month,ppi_yoy')return dcdef read_GDP(self,star,end):#时间格式star='2016Q4'df1 = pro.cn_gdp(start_q=star, end_q=end,fields='quarter,gdp_yoy')return df1def read_bond(self,code,star,end):df=pro.cb_daily(ts_code=code,start_date=star,end_date=end)return dfdef readshibor(self,star,end):return pro.shibor(start_date=star, end_date=end)
#####################################################################    start_time='20000430'#发布GDP需要时间，我们延迟1个月，即第一季度的GDP4月份才发布。
end_time="20550731"
star_GDP='2005Q1'#延后一年，因为我们找的是差分
end_GDP='2055Q1'#不是以3 4季度结尾
star_CPI='200501'
end_CPI='205503'
df1=readData()#读取
dc=readData()
dsc1=readData()
dsp=readData()
dsb=readData()
df1=df1.read_GDP(star_GDP,end_GDP)
dc=dc.read_CPI(star_CPI,end_CPI)
dsc1=dsc1.read_index_daily('000300.SH',start_time,end_time)
dsb=dsb.read_index_daily('000012.SH',start_time,end_time)
dsp=dsp.read_index_daily('NHCI.NH',start_time,end_time)
##########################GDP信号处理################################
def GDP_fun(df1):df1.set_index('quarter',inplace=True)#设置日期索引df2=(df1.shift(4)-df1).shift(-4)df2=df2.dropna()G=pd.Series(0,index=df2.gdp_yoy.index)for i in range(len(df2.gdp_yoy)):if df2.gdp_yoy[i]>0:G[i]=1elif df2.gdp_yoy[i]<0:G[i]=0else:G[i]=G[i-1]return G
G=GDP_fun(df1)
####################################################################
###########################CPI信号函数##############################
def CPI_fun(dc):dc=dc.sort_index()dc.set_index('month',inplace=True)dc2=(dc.shift(12)-dc.shift()).shift(-12).dropna()C=pd.Series(0,index=G.index)for j in range( 3*math.floor( len(dc2.ppi_yoy)/3)):if (3+j)%3==0:for i in range(int(j/3),int((3+j)/3)):if   dc2.ppi_yoy[j]+dc2.ppi_yoy[j+1]+dc2.ppi_yoy[j+2] >0:C[i]=1elif dc2.ppi_yoy[j]+dc2.ppi_yoy[j+1]+dc2.ppi_yoy[j+2]<0:C[i]=0else:C[i]=C[i-1] else:pass return C
C=CPI_fun(dc)
########################################################################
##############################利率处理##################################
DF=read_data()
DF2=DF.readhgyz()
DF=DF2['base']def LV_fun(dc):dc=dc.sort_index()dc.set_index('report_date',inplace=True)dc2=(dc.shift(12)-dc.shift()).shift(-12).dropna()C=pd.Series(0,index=G.index)for j in range(   3*math.floor( len(dc2.shibor_1w)/3)):if (3+j)%3==0:for i in range(int(j/3),int((3+j)/3)):if dc2.shibor_1w[j]+dc2.shibor_1w[j+1]+dc2.shibor_1w[j+2]  >0:C[i]=1elif dc2.shibor_1w[j]+dc2.shibor_1w[j+1]+dc2.shibor_1w[j+2]<0:C[i]=0else:C[i]=C[i-1] else:pass return C
LV=LV_fun(DF)
#########################################################################
#将季度时间转化成对应的可读的年月日时间。
def time_fun(i):if C.index[i][5:6]=='1':time=C.index[i][0:4]+"0505"for j in range(2,10):if len(R_B[R_B.index==time])==0:time=C.index[i][0:4]+"050"+str(j)else:breakif C.index[i][5:6]=='2':time=C.index[i][0:4]+"0801"if len(R_B[R_B.index==time])==0:time=C.index[i][0:4]+"0802"if len(R_B[R_B.index==time])==0:time=C.index[i][0:4]+"0803"if C.index[i][5:6]=='3':time=C.index[i][0:4]+"1101"if len(R_B[R_B.index==time])==0:time=C.index[i][0:4]+"1102"if len(R_B[R_B.index==time])==0:time=C.index[i][0:4]+"1103"if C.index[i][5:6]=='4':time=C.index[i-1][0:4]+"0201"for j in range(2,10):if len(R_B[R_B.index==time])==0:time=C.index[i-1][0:4]+"020"+str(j)else:breakfor j in range(10,29):if len(R_B[R_B.index==time])==0:time=C.index[i-1][0:4]+"02"+str(j)else:breakreturn time
############################计算收益率+索引函数##########################
class ZC_fun:def ret_function(self,ds):#standard_base=pro.index_daily( ts_code='000300.SH', start_date='20081031', end_date="20200430")standard_base=ds.sort_index()standard_base.index=pd.to_datetime(standard_base.trade_date,format='%Y-%m-%d')#设置日期索引close_base= standard_base.closestandard_ret=standard_base.change/standard_base.close.shift(-1)ret=standard_ret.sort_index(axis=0,ascending=True)ret=ret.dropna()return ret#,close_base/close_base[start_time_jz].values#=str(RETT.index[0])[:4]+str(RETT.index[0])[5:7]+str(RETT.index[0])[8:10]###############
#有点问题，上面一行def bsc_fun(self,ds):dsc=ds.drop(['ts_code'],axis=1)dsc=dsc.sort_index()dsc.index=pd.to_datetime(dsc.trade_date,format='%Y-%m-%d')#设置日期索引dsc=dsc.drop(['trade_date'],axis=1)return dsc
#########################################################################    gc=ZC_fun()
R_c=gc.ret_function(dsc1)#股票的利
gb=ZC_fun()
R_b=gb.ret_function(dsb)#债券的利
gp=ZC_fun()
R_p=gp.ret_function(dsp)#商品的利
R_B=pd.DataFrame(R_B,dtype=np.float).bond_1y/100#无风险利率   #######################################对应季度的收益####################################
def RET_sig(sig_c,i):#输入ret，输出i对应的时间段收益#####截取收益段if G.index[i][5:6] =='1':a=G.index[i][0:4]+'0505'b=G.index[i][0:4]+'0731'at1=pd.to_datetime(a,format='%Y-%m-%d')bt1=pd.to_datetime(b,format='%Y-%m-%d')sig_c=sig_c[ sig_c.index<=bt1]  sig_c=sig_c[ sig_c.index>=at1]elif G.index[i][5:6] =='2':a=G.index[i][0:4]+'0801'b=G.index[i][0:4]+'1031'at1=pd.to_datetime(a,format='%Y-%m-%d')bt1=pd.to_datetime(b,format='%Y-%m-%d')sig_c=sig_c[ sig_c.index<=bt1]  sig_c=sig_c[ sig_c.index>=at1]elif G.index[i][5:6] =='3':a= G.index[i][0:4]+'1101'a1=G.index[i][0:4]+'1231'at1=pd.to_datetime(a,format='%Y-%m-%d')bt1=pd.to_datetime(a1,format='%Y-%m-%d')sig_c1=sig_csig_c1=sig_c1[ sig_c1.index<=bt1]  sig_c1=sig_c1[ sig_c1.index>=at1]sig_c1=sig_c1b= G.index[i-2][0:4]+'0101'b1=G.index[i-2][0:4]+'0131'at11=pd.to_datetime(b,format='%Y-%m-%d')bt11=pd.to_datetime(b1,format='%Y-%m-%d')sig_c=sig_c[ sig_c.index<=bt11]  sig_c=sig_c[ sig_c.index>=at11]sig_c=sig_c1.append(sig_c)else:a=G.index[i-1][0:4]+'0201'b=G.index[i-1][0:4]+'0430'at1=pd.to_datetime(a,format='%Y-%m-%d')bt1=pd.to_datetime(b,format='%Y-%m-%d')sig_c=sig_c[ sig_c.index<=bt1]  sig_c=sig_c[ sig_c.index>=at1]return sig_c
###########################################################################
###########################################################################
#由三个部分构建不同策略
#动量策略的信号，sig=1  判断高配股票（判断条件换成bool值形式）
def SIG1(i):n=1if DFF[DFF.index== time_fun(i)].values>n*mean1[mean1.index== time_fun(i)].values \and DFF[DFF.index== time_fun(i)].values>n*mean2[mean2.index== time_fun(i)].values \and DFF[DFF.index== time_fun(i)].values>n*mean3[mean3.index== time_fun(i)].values \and DFF[DFF.index== time_fun(i)].values>n*mean4[mean4.index== time_fun(i)].values \and DFF[DFF.index== time_fun(i)].values>n*mean5[mean5.index== time_fun(i)].values :sig=1else:sig=0return sig
#基本面—估值（pe_ttm）策略信号， sig=1高配股票
def SIG2(i):if mean_roll1[mean_roll1.index== time_fun(i)].values<mean_pe[mean_pe.index== \time_fun(i)].values-0.5*std1[std1.index== time_fun(i)].values or \mean_roll2[mean_roll2.index== time_fun(i)].values<mean_pb[mean_pb.index== \time_fun(i)].values-0.5*std2[std2.index== time_fun(i)].values:sig=1else:sig=0return sig
#美林时钟高配股票信号
def SIG3(i):if C[i]==0 and LV[i]==0:sig=1else:sig=0return sig  #################################策略判断条件##################################
def quanzhong_fun(R_c,R_p,R_b,R_B):RETT=None#初始化n=1for i in range(len(G)):if SIG1(i)+SIG2(i)+SIG3(i)==3:#三个策略信号约束RETT=( 0.5*RET_sig(R_c,i)+0*RET_sig(R_p,i) +0.5*RET_sig(R_b,i)+0*RET_sig(R_B,i)  ).append(RETT)elif SIG1(i)+SIG2(i)+SIG3(i)==2:#三个策略信号约束RETT=( 0.4*RET_sig(R_c,i)+0*RET_sig(R_p,i) +0.6*RET_sig(R_b,i)+0*RET_sig(R_B,i)  ).append(RETT)elif SIG1(i)+SIG2(i)+SIG3(i)==1:#三个策略信号约束RETT=( 0.3*RET_sig(R_c,i)+0*RET_sig(R_p,i) +0.7*RET_sig(R_b,i)+0*RET_sig(R_B,i)  ).append(RETT)else:RETT=( 0.1*RET_sig(R_c,i)+0*RET_sig(R_p,i)+0.9*RET_sig(R_b,i) +0*RET_sig(R_B,i)  ).append(RETT)           return RETTRETT=quanzhong_fun(R_c,R_p,R_b,R_B)
RETT=RETT.sort_index(axis=0)
cum=np.cumprod(1+RETT)
cum=cum.dropna()############################指数基准图#########################################
start_time_jz=str(RETT.index[0])[:4]+str(RETT.index[0])[5:7]+str(RETT.index[0])[8:10]
end_time_jz=str(RETT.index[-1])[:4]+str(RETT.index[-1])[5:7]+str(RETT.index[-1])[8:10]
def bj_standard(code,lab='000300.SH',col='k'):#针对沪深股票，直接画出比较基准（收益情况）standard_base = pro.index_daily( ts_code=code, start_date=start_time_jz, end_date=end_time_jz)standard_base=standard_base.sort_index()standard_base.index=pd.to_datetime(standard_base.trade_date,format='%Y-%m-%d')#设置日期索引close_base= standard_base.closestandard_ret=standard_base.change/standard_base.close.shift(-1)standard_sig=pd.Series(0,index=close_base.index) standard_trade=standard_sig.shift(1).dropna()/100#shift(1)整体下移一行standard_SmaRet=standard_ret*standard_trade.dropna()standard_cum=np.cumprod(1+standard_ret[standard_SmaRet.index[0:]])-1plt.plot(close_base/close_base[-1],label=lab,color=col)return close_base/close_base[-1] #standard_cum
###########################################################################   def performance(port_ret):first_date = port_ret.index[0]final_date = port_ret.index[-1]time_interval = (final_date - first_date).days * 250 / 365# calculate portfolio's indicatornv = (1 + port_ret).cumprod()arith_mean = port_ret.mean() * 250geom_mean = (1 + port_ret).prod() ** (250 / time_interval) - 1sd = port_ret.std() * np.sqrt(250)mdd = ((nv.cummax() - nv) / nv.cummax()).max()sharpe = (geom_mean - 0) / sdcalmar = geom_mean / mddresult = pd.DataFrame({'算术平均收益': [arith_mean], '几何平均收益': [geom_mean], '波动率': [sd],'最大回撤率': [mdd], '夏普比率': [sharpe], '卡尔曼比率': [calmar]})print(result)return resultif __name__=="__main__":bj_standard('000300.SH')#比较基准函数（图）bj_standard('000012.SH',lab='上证国债',col='b')#bj_standard('NHCI.NH',lab='南华商品指数',col='y')performance(RETT)plt.plot(cum,label="组合策略",color='r',linestyle='-')plt.title("组合策略净值走势对比图")plt.legend()

看下权重变化

    sig1=pd.Series( 0,RETT.index )sig2=pd.Series( 0,RETT.index )for i in range(len(G)):if SIG1(i)+SIG2(i)+SIG3(i)==3:#三个策略信号约束sig1[RET_sig(R_c,i).index]=0.5sig2[RET_sig(R_c,i).index]=0.5elif SIG1(i)+SIG2(i)+SIG3(i)==2:#三个策略信号约束sig1[RET_sig(R_c,i).index]=0.4sig2[RET_sig(R_c,i).index]=0.6elif SIG1(i)+SIG2(i)+SIG3(i)==1:#三个策略信号约束sig1[RET_sig(R_c,i).index]=0.3sig2[RET_sig(R_c,i).index]=0.7else:sig1[RET_sig(R_c,i).index]=0.1sig2[RET_sig(R_c,i).index]=0.9

import matplotlib.pyplot as plt
import numpy as np
plt.stackplot(sig1.index, sig1, sig2, baseline='zero', labels=['沪深300权重', '上证国债权重'], colors=['r', 'b'])
plt.legend(loc='upper right')
plt.ylim(0, 1.2)
plt.grid(axis='y', color='gray', linestyle=':', linewidth=2)
plt.title("组合股债权重变动图")
plt.show()

从上图可以看除，只有在2015年股票配置存在一次权重为0.5情况。配置股票权重为0.4和0.3的次数相差不大，配置0.1的情况最多。

      算术平均收益 几何平均收益  波动率 最大回撤    夏普比率    卡尔曼比率
组合策略    9.17%     9.02%         7.34%   12.47%  1.23    0.72
估值策略    11.70%    11.51%        9.54%   16.08%  1.21    0.72
动量策略    15.33%    14.72%        15.51%  32.11%  0.95    0.46
美林时钟    17.28%    16.36%        18.09%  34.13%  0.90    0.48
沪深300   13.27%    9.62%         27.63%  72.30%  0.35    0.13
上证国债    3.63%     3.60%         0.96%   2.25%   3.75    1.60

通过上述结果分析，我们可以得到通过由三个策略构建的组合策略，其平均几何收益接近沪深300指数，单在风险方面沪深300的波动率高达27.63%，而我们的组合策略的波动率仅为9.17%显著优于沪深300。此外，组合策略也在波动率方面优于单一的估值、动量及美林时钟策略。组合的夏普比率也是优于任何单一策略。同时我们应该看到收益之所以会低于单一策略，是因为在我们的组合策略中，即使是三个判断信号SIG都判断高配股票，我们也仅仅配置0.5。现实大多数情况都是要充分重时风险的，做到稳中求胜。因此，综合比较之后，我们的组合策略能在较好的控制风险的情况下，取得不错的稳定收益。

其他策略

1.python量化——alpha股票-指数期货对冲策略
2.多因子选股策略
3.海龟交易策略
4.移动平均策略——单/双均线策略
5.改进的美林时钟（介绍）
6.改进的美林时钟策略（一）
7.改进的美林时钟策略（二）
8.改进的美林时钟策略（三）
9.F-F三因子（改进代码+结果）
10.移动波动率策略
11.趋势追踪动量策略
这里获取token码

python量化策略——混合择时策略（动量效应+pe_ttm、pb估值+美林时钟）——股债轮动相关推荐

股债轮动策略之行业版
股债轮动策略之行业版雪球上的宜昌白云飞的原创专栏里有一个系列文章, 现将其摘录如下: 年化20%七年无亏损的简单策略--股债轮动行业版(一) https://xueqiu.com/1884493 ...
股债轮动、股票指数间轮动和行业间轮动的一种新思路：GEYR策略
前言 GEYR一般定义为长期国债收益率与证券市场股利收益率的比值,可用于股债配置.当该值增大时,债券配置价值较高:反之则股票配置价值较高.GEYR策略的本质思想在于将标的资产视为零息债券,并对票息进行 ...
Python量化投资——股票择时到底能否赚钱？TA-Lib 33种技术指标有效性横向大评比
TA-Lib中33种技术指标回测研究 `Python`量化投资--`TA-Lib`中33种股票择时技术指标的有效性研究为什么要做这个评测技术指标清单评测方法评测工具测试方法及评价指标期待你 ...
Python量化投资——股票择时到底能否赚钱？ADX指标的有效性回测
ADX指标的有效性回测 Python量化投资--`ADX`技术指标的有效性研究背景介绍技术指标介绍指标用法建议 `qteasy`中的ADX内置策略 433支股票五年回测结果 12.45% --该 ...
Python量化投资——股票择时到底能否赚钱？技术指标大比拼——AROON指标
技术指标大比拼--AROON指标的有效性回测 Python量化投资--`AROON`技术指标的有效性研究背景介绍技术指标介绍指标用法建议 `qteasy`中的AROON内置策略 433支股票五年 ...
python实现MACD均线择时策略
本文采用了聚宽平台接口进行量化策略设置: 1 确定策略内容在之前的教程中,我们学习了如何通过财务指标等对股票进行筛选等操作.今天我们将以MACD为例,探究如何利用技术指标进行策略的构建与实现. &g ...
python量化交易--择时策略
1.在banban网爬取所有A股的股票名称和代码. 观察板板网站的股票,将在深圳上市和上海上市的A股信息爬取并保存到本地文件 2.传入股票代码,利用tushare api提取股票的所有历史数据,对股票 ...
量化择时策略入门与实操-笔记（同花顺金融量化实验室python实现）
文字与代码来源:2022年第三届"大湾区杯"粤港澳金融数学建模竞赛在线讲座-6_哔哩哔哩_bilibili 目录指数估值择时策略指数轮动择时策略基于风险平价模型的仓位管理策略 ...
【Python 量化交易】什么是择时策略
量化金融:什么是择时策略? 什么是市场择时? 市场择时概要择时成本损失机会的代价交易成本的代价真实例子什么是市场择时? 市场择时,也可以叫做市场选时,是一种投资或者交易的策略.是一种基于某种 ...

python量化策略——混合择时策略（动量效应+pe_ttm、pb估值+美林时钟）——股债轮动

其他策略

python量化策略——混合择时策略（动量效应+pe_ttm、pb估值+美林时钟）——股债轮动相关推荐

最新文章

热门文章