本篇中，我们将通过技术分析流派中经典的“双均线策略”，向大家展现如何在策略！

1. 准备工作?

一大波Python库需要在使用之前被导入：

matplotlib用于绘制图表

numpy时间序列的计算

pandas处理结构化的表格数据

DataAPI通联数据提供的数据API

seaborn用于美化matplotlib图表

In [ ]:

from matplotlib import pylab import numpy as np import pandas as pd import DataAPI import seaborn as sns sns.set_style('white')

我们的关注点是关于一只ETF基金的投资：华夏上证50ETF，代码：510050.XSHG。我们考虑的回测周期：

起始：2008年1月1日

结束：2015年4月23日

这里我们使用数据API函数MktFunddGet获取基金交易价格的日线数据，最后获得security是pandas下的DataFrame对象：

In [ ]:

secID = '510050.XSHG' start = '20080101' end = '20150423' security = DataAPI.MktFunddGet(secID, beginDate=start, endDate=end, field=['tradeDate', 'closePrice']) security['tradeDate'] = pd.to_datetime(security['tradeDate']) security = security.set_index('tradeDate') security.info()

DatetimeIndex: 1775 entries, 2008-01-02 00:00:00 to 2015-04-23 00:00:00

Data columns (total 1 columns):

closePrice 1775 non-null float64

dtypes: float64(1)

最近5天的收盘价如下：

In [ ]:

security.tail()

Out[ ]:

closePrice

tradeDate

2015-04-17

3.185

2015-04-20

3.103

2015-04-21

3.141

2015-04-22

3.241

2015-04-23

3.212

适当的图表可以帮助研究人员直观的了解标的的历史走势，这里我们直接借助DataFrame的plot成员：

In [ ]:

security['closePrice'].plot(grid=False, figsize=(12,8)) sns.despine()

2. 策略描述?

这里我们以经典的“双均线”策略为例，讲述如何使用量化实验室进行分析研究。

这里我们使用的均线定义为：

短期均线：window_short = 20，相当于月均线

长期均线：window_long = 120，相当于半年线

偏离度阈值：SD = 5%，区间宽度，这个会在后面有详细解释

计算均值我们借助了numpy的内置移动平均函数：rolling_mean

In [ ]:

window_short = 20 window_long = 120 SD = 0.05 security['short_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_short), 2) security['long_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_long), 2) security[['closePrice', 'short_window', 'long_window']].tail()

Out[ ]:

closePrice

short_window

long_window

tradeDate

2015-04-17

3.185

2.82

2.30

2015-04-20

3.103

2.85

2.31

2015-04-21

3.141

2.87

2.33

2015-04-22

3.241

2.90

2.34

2015-04-23

3.212

2.93

2.35

仍然地，我们可以把包含收盘价的三条线画到一张图上，看看有没有什么启发？

In [ ]:

security[['closePrice', 'short_window', 'long_window']].plot(grid=False, figsize=(12,8)) sns.despine()

2.1 定义信号?

买入信号： 短期均线高于长期日均线，并且超过SD个点位；

卖出信号： 不满足买入信号的所有情况；

我们首先计算短期均线与长期均线的差s-l，这样的向量级运算，在pandas中可以像普通标量一样计算：

In [ ]:

security['s-l'] = security['short_window'] - security['long_window'] security['s-l'].tail()

Out[ ]:

tradeDate

2015-04-17 0.52

2015-04-20 0.54

2015-04-21 0.54

2015-04-22 0.56

2015-04-23 0.58

Name: s-l, dtype: float64

根据s-l的值，我们可以定义信号：

$s - l > SD \times long\_window$，支持买入，定义Regime为True

其他情形下，卖出信号，定义Regime为False

In [ ]:

security['Regime'] = np.where(security['s-l'] > security['long_window'] * SD, 1, 0) security['Regime'].value_counts()

Out[ ]:

0 1394

1 381

dtype: int64

上面的统计给出了总共有多少次买入信号，多少次卖出信号。

下图给出了信号的时间分布：

In [ ]:

security['Regime'].plot(grid=False, lw=1.5, figsize=(12,8)) pylab.ylim((-0.1,1.1)) sns.despine()

我们可以在有了信号之后执行买入卖出操作，然后根据操作计算每日的收益。这里注意，我们计算策略收益的时候，使用的是当天的信号乘以次日的收益率。这是因为我们的决定是当天做出的，但是能享受到的收益只可能是第二天的(如果用当天信号乘以当日的收益率，那么这里面就有使用未来数据的问题)。

In [ ]:

security['Market'] = np.log(security['closePrice'] / security['closePrice'].shift(1)) security['Strategy'] = security['Regime'].shift(1) * security['Market'] security[['Market', 'Strategy', 'Regime']].tail()

Out[ ]:

Market

Strategy

Regime

tradeDate

2015-04-17

0.012638

0.012638

1

2015-04-20

-0.026083

-0.026083

1

2015-04-21

0.012172

0.012172

1

2015-04-22

0.031341

0.031341

1

2015-04-23

-0.008988

-0.008988

1

最后我们把每天的收益率求和就得到了最后的累计收益率(这里因为我们使用的是指数收益率，所以将每日收益累加是合理的)，这个累加的过程也可以通过DataFrame的内置函数cumsum轻松完成：

In [ ]:

security[['Market', 'Strategy']].cumsum().apply(np.exp).plot(grid=False, figsize=(12,8)) sns.despine()

3 使用quartz实现策略?

上面的部分介绍了从数据出发，在量化实验室内研究策略的流程。实际上我们可以直接用量化实验室内置的quartz框架。quartz框架为用户隐藏了数据获取、数据清晰以及回测逻辑。用户可以更加专注于策略逻辑的描述：

unknown type