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 ...

python量化策略——多均值-趋势-股债轮动-策略

运行下程序，需要获取财经数据库的token码，这里获取token

其他结果

其他策略

python量化策略——多均值-趋势-股债轮动-策略相关推荐

最新文章

热门文章