python量化策略——多均值-趋势-股债轮动-策略
- 考虑两种资产,股票和债券。根据星号轮动配置。
- 构建多个动量,当同时满足时,买入信号(股票)
- 读取数据,并计算t1、t2、t3、t4和t5天的均值,
- if DF[i]>nmean3[i] and DF[i]>nmean4[i] and DF[i]>n*mean5[i] 则 买入股票,else:买入债券
运行下程序,需要获取财经数据库的token码,这里获取token
"""
@dazip"""
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, date
from statsmodels.regression import linear_model
import statsmodels.api as smimport threading
from queue import Queue
import math
import tushare as ts
import matplotlib
import talib
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'] # 中文显示
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号code1="000001.SH"
code2="000012.SH"#freq=65
def momentum(freq=65,test_start="20100101",test_end="20201001",t1=5,t2=10,t3=15,t4=20,t5=25,n=1):#读取数据 def dataread():ts.set_token('toke码')#需要获取token码https://tushare.pro/register?reg=385920pro = ts.pro_api()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()mean1=ret_same_time(mean(t1))mean2=ret_same_time(mean(t2))mean3=ret_same_time(mean(t3))mean4=ret_same_time(mean(t4))mean5=ret_same_time(mean(t5))def sig_fun():sig_stock=pd.Series(0,ret_stock.index )sig_bond= pd.Series(0,ret_bond.sort_index().index)for i in range(math.ceil(len(ret_stock)/freq)-1):if DF[i*freq]>n*mean1[i*freq] and DF[i*freq]>n*mean2[i*freq] and DF[i*freq]>n*mean3[i*freq] and DF[i*freq]>n*mean4[i*freq] and DF[i*freq]>n*mean5[i*freq]:for j in range(i*freq,(1+i)*freq):sig_stock[j]=1sig_bond[j]=0else:for j in range(i*freq,(i+1)*freq):sig_stock[j]=0sig_bond[j]=1for i in range(freq*(math.ceil(len(ret_stock)/freq)-1),len(ret_bond)):k=freq*(math.ceil(len(ret_stock)/freq)-1)if DF[k]>mean1[k] and DF[k]>mean2[k] and DF[k]>mean3[k] and DF[k]>mean4[k] and DF[k]>mean5[k]:sig_stock[i]=1sig_bond[i]=0else:sig_stock[i]=0sig_bond[i]=1return sig_stock,sig_bondsig_stock,sig_bond=sig_fun()ret=(ret_stock*sig_stock+ret_bond*sig_bond) .sort_index()#cum=np.cumprod(1+ret.tail(len(ret)-1))def ret_port( ret_bond,ret_stock):ret=ret_bond*sig_bond+ret_stock*sig_stockret=ret.sort_index().dropna()ret_stock=ret_stock.sort_index()ret_bond =ret_bond.sort_index()cum_bond=np.cumprod(1+ret_bond)cum_stock=np.cumprod(1+ret_stock)cum=np.cumprod(1+ret)return cum,cum_stock,cum_bond,retcum,cum_stock,cum_bond,ret=ret_port( ret_bond,ret_stock)#画图def plot():plt.plot(cum_bond ,label="000012.SH",color='k',linestyle='-')plt.plot(cum_stock,label="000300.SH",color='b',linestyle='-')plt.plot(cum,label=" 组合策略(freq=65,[50,70,90,110,130]) ",color='darkred',linestyle='-') plt.title("净值走势")plt.legend(loc="upper left")#结果描述统计 def performance(port_ret):port_ret=port_ret.sort_index(ascending=True)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 plot(),performance(ret)
if __name__=="__main__":momentum(freq=65,test_start="20041201",test_end="20201001",t1=50,t2=70,t3=90,t4=110,t5=130,n=1)
算术平均收益 几何平均收益 波动率 最大回撤率 夏普比率 卡尔曼比率0.153452 0.144932 0.168716 0.433393 0.85903 0.334412
其他结果
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——多均值-趋势-股债轮动-策略相关推荐
- 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
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 ...
- 量化交易 聚宽 市场ETF精选轮动策略(模拟交易)
策略流程 回测结果 代码 # 导入函数库 from jqdata import * from six import BytesIO
- 【基金量化研究系列】大类资产配置研究(一)——股债二八配置策略与股债风险平价策略
文章目录 1. 引言 1.1 资产配置简介 1.2 可投标的说明 1.3 市场基本情况与数据库使用的说明 1.4 本文策略基本假设 2. 资产配置策略一--股债二八策略 2.1 策略简介 2.2 基于 ...
- 金融量化-股债平衡交易策略—面向对象实现 仓位控制
股债平衡交易策略 股债平衡策略最早源于格雷厄姆<聪明的投资者>一书,在这本书里,格雷厄姆提出了著名的股债50%:50%平衡策略,即将总资产的分为两半各50%,一半买股票,一半买债券. 当股 ...
- 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, ...
- 搭建系统|继承backtrader的本地量化回测平台如何玩转多股轮动策略!
前言 一个完整的量化交易系统离不开人机交互功能的应用,特别是在回测阶段,我们需要不断更改参数因子.更换交易策略以应对当前的市场.因此创建完整的.功能键全的GUI用户界面至关重要. 市面上也出现了很多相 ...
- [Tushare+Python] AH股轮动策略基础
[Tushare+Python] AH股轮动策略基础 摘要:为做AH股轮动策略需进行基础数据处理,这里代码主要涉及AH溢价计算及相关数据清洗. 文章目录 [Tushare+Python] AH股轮动策 ...
- 量化选股——基于动量因子的行业风格轮动策略(第1部分—因子测算)
文章目录 动量因子与行业轮动概述 动量因子的理解 投资视角下的行业轮动现象 投资者视角与奈特不确定性 动量因子在行业风格上的效果测算 动量因子效果测算流程概述 1. 行业选择:申万一级行业 2. 动量 ...
最新文章
- 树莓派siri homekit_利用树莓派Zero自制一款Homekit摄像头,看上去挺酷,手痒了吗?...
- js 输出二维数组的最大值
- 从程序设计角度看B/S C/S到底有什么不同???
- 商品管理到底重不重要?
- 驱动框架6——linux内核的gpiolib学习
- ajax参数是json数据类型,如何保护$ .ajax数据类型:json Post参数
- c语言 时间函数,C/C+时间相关的函数
- Windows11安装Vim编辑器配置指南
- shortcutwebsite
- 算法工程师修仙之路:机器学习实战(四)
- 7-2 列出叶结点 (俺没有测试样例,别想了)
- 如何使用SX1278的中断控制发送和接收
- 三星手机和计算机如何连接打印机,三星打印机连接到电脑没反应怎么办
- C#实现格式转换:wmf转png
- 算力大革命 智能经济新时代
- [RK3288][Android6.0] WiFi的dts配置说明(AP6335)
- Matlab中switch, case, otherwise语句
- OpenHarmony——LiteOS小故事(进程篇)
- 【BZOJ4826】[Hnoi2017]影魔 单调栈+扫描线
- LeetCode-621. 任务调度器