python海龟交易策略_python 海龟交易法则 股票回测-双均线规则(一)
看着别人炒股挣钱,心里总是心痒痒,但是每次一入市,总能被当韭菜收割,沉不住气。近期看了《海龟交易法则》,里面提到一些说法,觉得有点意思,所以拿历史数据试一试,探探究竟,不作为投资建议,仅供娱乐。
抛出书里的几个说法:1、投资可以标准化,但是每几个人能坚持;2、找到一个期望值为正的操作系统,不如有55%的概率是挣钱的,那么只要不断的重复,最终总可以赢钱,除非你是45%*45%...*45%的倒霉蛋;3、风险空值,逐步试行;4、简单就可以了,复杂的系统反而会出现过度拟合;
使用python进行数据收集和处理,最后进行结果分析和展示。使用到pandas库、金融数据库使用了akshare(免费,tushare也可以,但是要有积分),但是
akshare收集到的数据,与不同平台的进行比较(wind,东方财富)有微小偏差,暂忽略不计。
akshare:https://www.akshare.xyz/zh_CN/latest/data/stock/stock.html#id5
***本次回测操作方法为趋势交易,采用60日均线上穿250日均线时买入(认为开启往上涨的趋势),下穿时卖出(认为上涨结束开始下跌)
使用当前A股从2000年1月1日到2020年11月26日数据进行测试。
以当前数据的结论是:截止到2020年11月26日,包含持有的收益是(6000倍),但是需要操作的资金量大,操作股票数量较多,且存在连续亏损的年份,虽然总体为
正收益,但是执行起来信心难以保障。
1、获取机构名单,这个通过wind查询了机构的名单;
2、获取数据,通过akshare库获取每只股票从2000年开始,每一天的数据,采用后复权。
后复权:保证历史价格不变,在每次股票权益事件发生后,调整当前的股票价格。 后复权价格和真实股票价格可能差别较大,不适合用来看盘。 其优点在于,可以被看作投资者的长期财富增长曲线,反映投资者的真实收益率情况。
%%time#读取全部A股数据
for i, row inorg.iterrows():
code= row['akcode']
t1= row['上市日期']if t1 < datetime.datetime(2000,1,1):
t1= datetime.datetime(2000,1,1)
t2=datetime.datetime.now()print(str(i),code,'开始读取。')
berr=Truetry:#调用API接口获取数据
df = ak.stock_zh_a_daily(symbol=code, start_date=t1.strftime("%Y%m%d"), end_date=t2.strftime("%Y%m%d"), adjust="hfq")except:print(code + '读取' + t1.strftime("%Y-%m-%d") + '--' + t2.strftime("%Y-%m-%d") + '有问题。')
berr=False
l=[]#合并
ifberr:
df=df.reset_index()#修改名字
df.columns = [ x.upper() for x indf.columns]
df.rename(columns={"DATE": "index"},inplace=True)
df= df[df['OPEN'].notnull()]#通过rolling滚动计算均线和BOLL通道
df['MA_5'] = df['CLOSE'].rolling(window=5).mean()
df['MA_10'] = df['CLOSE'].rolling(window=10).mean()
df['MA_20'] = df['CLOSE'].rolling(window=20).mean()
df['MA_30'] = df['CLOSE'].rolling(window=30).mean()
df['MA_60'] = df['CLOSE'].rolling(window=60).mean()
df['MA_250'] = df['CLOSE'].rolling(window=250).mean()
df['BOLL_STD'] = df['CLOSE'].rolling(window=250).std()
df['BOLL_UPPER'] = df['MA_250'] + 2 * df['BOLL_STD']
df['BOLL_LOWER'] = df['MA_250'] - 2 * df['BOLL_STD']
with pd.ExcelWriter(r'../data/huice/aklishi/' + code + '.xlsx') as writer:
df.to_excel(writer,index=False,sheet_name = 'Sheet1')
3、开始进行回测;
#判断买卖结点#采用短线均线上穿长线均线为买点#采用短线均线下穿长线均线为卖点
def is_dbljx(data,i,mode = 'buy',j1='MA_60',j2='MA_250'):if i < 250:returnFalseif mode == 'buy':if (data.loc[i,j1] > data.loc[i,j2]) & (data.loc[i-1,j1] < data.loc[i-1,j2]):returnTrueelse:if (data.loc[i,j1] < data.loc[i,j2]) & (data.loc[i-1,j1] > data.loc[i-1,j2]):returnTruereturnFalse#data总数据,l操作记录列表(买、卖形成一条记录)#计算出每一次持有股票的盈利金额、盈利幅度、持有天数、期间最高收益、区间最低收益
defhuizong_one(data,l):#输出结果
dfout = pd.DataFrame(l, columns=['证券代码','买入索引','卖出索引', '买入日期','卖出日期', '买入价格', '卖出价格','状态'])
dfout= dfout.reindex(columns=['证券代码', '买入索引','卖出索引', '买入日期','卖出日期', '买入价格', '卖出价格','状态','期间最高收益','期间最低收益','盈利金额','盈利幅度','持有天数'])#,'盈利金额','盈利幅度','持有天数'
for i, row indfout.iterrows():
dfout.loc[i,'盈利金额'] = dfout.loc[i,'卖出价格'] - dfout.loc[i,'买入价格']
dfout.loc[i,'盈利幅度'] = (dfout.loc[i,'卖出价格'] - dfout.loc[i,'买入价格']) / dfout.loc[i,'买入价格'] * 100dfout.loc[i,'持有天数'] = dfout.loc[i,'卖出日期'] - dfout.loc[i,'买入日期']
m= data.loc[dfout.loc[i,'买入索引']:dfout.loc[i,'卖出索引'],'CLOSE'].max()if m < dfout.loc[i,'卖出价格']:
m= dfout.loc[i,'卖出价格']
dfout.loc[i,'期间最高收益'] = (m - dfout.loc[i,'买入价格'])/dfout.loc[i,'买入价格'] * 100m= data.loc[dfout.loc[i,'买入索引']:dfout.loc[i,'卖出索引'],'CLOSE'].min()if m > dfout.loc[i,'卖出价格']:
m= dfout.loc[i,'卖出价格']
dfout.loc[i,'期间最低收益']= (m - dfout.loc[i,'买入价格'])/dfout.loc[i,'买入价格'] * 100
return dfout
回测主体:
%%time#遍历回测所有采集的股票数据
folder_name = r'../data/huice/aklishi/'file_list=os.listdir(folder_name)
ldf=[]if len(file_list) >0 :#遍历文件夹下所有文件
ldf =[]for f inrange(len(file_list)):
data= pd.read_excel(folder_name + str(file_list[f]),dtype=object)
data['bs'] = ''code= str(file_list[f])[:-5]
l=[]
buy_index=0#因为比较的是60日线和250日线,所以从第251个开始
for i in range(250,len(data)):#判断买卖信号
if is_dbljx(data,i,'buy'):#记录买点
buy_index =i
data.loc[i,'bs'] = 'b'
#卖出信号
elif (buy_index != 0) & is_dbljx(data,i,'sell'):#证券代码 买入索引 卖出索引 买入日期 卖出日期 买入价格 卖出价格
#记录下买卖点,清除买点
l.append([code,buy_index,i,data.loc[buy_index,'index'],data.loc[i,'index'],data.loc[buy_index,'CLOSE'],data.loc[i,'CLOSE'],'终止'])
buy_index=0
data.loc[i,'bs'] = 's'
#结束以后保存结果
with pd.ExcelWriter(folder_name +str(file_list[f])) as writer:
data.to_excel(writer,index=False,sheet_name = 'Sheet1')#汇总单次结果
if buy_index !=0:#记录一个当前
l.append([code,buy_index,i-1,data.loc[buy_index,'index'],data.loc[i-1,'index'],data.loc[buy_index,'CLOSE'],data.loc[i-1,'CLOSE'],'持有'])
ldf.append(huizong_one(data,l))#存储每只股票的操作结果
#最后汇总输出
dfout = pd.concat(ldf,ignore_index=True)
with pd.ExcelWriter(r'../data/huice/回测结果2.xlsx') as writer:
dfout.to_excel(writer,index=False,sheet_name = 'Sheet1',float_format="%.2f")
最终形成的数据:
4、结果分析
4.1 总体情况来看
从2000-01-01 -- 2020-11-26 以来,按照收盘价,60日均线上穿250日均线时进行买入,60日均线下穿250日均线时进行卖出,共进行操作21948次(每一次都买入一样的价钱),平均持有天数是293天,亏损次数13331次,盈利次数8568次,只有大概4成的操作是盈利的,但是盈利幅度总和达到605232.1%(6052倍),总共是盈利的。
最大一次亏损达到-68.5%,相当于1万元,亏损剩下3000来,最大一次盈利是24倍!
4.2 从过程来看
持有期间,最高一次收益是52倍,最低持有收益是-72.22%,意味着你某次操作得承受亏损72%,持有天数达223天,最大一次利润回吐是84.15%,经历了从盈利3倍到亏损27%的痛。
4.3 分时间操作来看
买入来看,在2007年仅操作了84次,在2019年3401次。假设每次操作都投入1万元,那么- -||在不考虑存量股票的情况下,你需要3401万资金,贫穷限制了我的操作。
卖出来看,最多卖出时在2019年2242次(2020年卖出1671次,还在持有的有(2515,前面的计算是计算到截至11月26日的收益),最少卖出时间是在2009年。
分年度收益来看,20年来,仅有11年是正收益,在2008年的时候,产生了3052倍收益,在2019年时造成了321倍的亏损....这相当于,每次投入1万块,在2019年会亏个几百万。从这个系统运行起来看,2001年-2006年经历了长达5年的亏损,正常人相比都会怀疑自己的系统不行的了。难!
5、结论
从当前的操作来看这一次回测,第一,虽然能挣钱,资金量需要有点多;
第二,操作的股票太多,2020年持有2515只股票,等价于操作了股票市场一半多的股票。
第三,根据交易者效应,你发现能够赚钱的策略被别人知道以后开始跟风就会变得不赚钱,然而系统的正确性又需要时间来验证,如果出现了交易者效应或其他因素导致系统连续亏钱如2001年 -- 2006年,那么就会导致对系统变得没有信心,最终就会错过2007年、2008年以致于后面丰收的年份。
总体来说,有点跳大神的感觉,以为自己在某个时间段合适的理论,结果只是巧合?三体转。
回头再考虑结合一下,大盘的情况进行回测看看。
python海龟交易策略_python 海龟交易法则 股票回测-双均线规则(一)相关推荐
- python tushare backtrader股票回测双均线策略
前言: 在前面学了点机器学习知识后,发现自己还没有一个回测框架,找了短时间学习资料,还是决定使用backtrader,至于聚宽优米那些平台感觉使用起来好像没那么自由,还是先学习下backtrader, ...
- Python量化交易实战-38使用开源项目回测双均线策略
B站配套视频教程观看 使用PyAlgoTrade回测双均线策略 双均线策略:长短周期均线,通过金叉,死叉的方式买入卖出股票,获取收益的策略. 回顾上节课代码的部分,上节课完成了可视化代码的部分, 主要 ...
- python量化交易心得_Python量化交易之“凯特纳通道”突破策略!
点及财经,股票期货专业投机者. 前言 说起通道,我想大家可能对海龟通道(唐奇安通道).布林线通道已经耳熟能详了. 布林通道的计算原理就是均线加减N倍ATR .那么今天再给大家介绍一个通道算法,那就是凯 ...
- 自己做量化交易软件(44)小白量化实战17--利用小白量化金融模块在迅投QMT极速策略交易系统上仿大智慧指标回测及实战交易设计
自己做量化交易软件(44)小白量化实战17–利用小白量化金融模块在迅投QMT极速策略交易系统上仿大智慧指标回测及实战交易设计 小白量化平台是由若干小白金融模块构成.其中包含行情接收模块,仿通达信大智慧 ...
- Python 量化投资原来这么简单(5) — A股回测KDJ策略
许多技术投资方面的教材,经常会用几幅上涨的图来表明某些指标的用处,实际上那些上涨的图很可能只是假象.作者为了证明他所强调的指标的作用,选定了符合该指标策略的股票上升趋势图,但实际上这些策略并不一定适合 ...
- 用Python徒手撸一个股票回测框架
通过纯Python完成股票回测框架的搭建. 什么是回测框架? 无论是传统股票交易还是量化交易,无法避免的一个问题是我们需要检验自己的交易策略是否可行,而最简单的方式就是利用历史数据检验交易策略,而回测 ...
- 量化策略初探——使用tushare进行沪深300ETF双均线策略
使用tushare采集沪深300ETF数据,并对沪深300ETF采用简单移动平均.指数移动平均.进行双均线策略,最后使用backtrader进行回测. 一.基本概念 双均线策略:运用两条不同周期的移动 ...
- python海龟交易策略_海龟交易法则的基本原理是什么,如何实现海龟交易策略?...
海龟交易法则简介 什么是海龟交易法则? 1983年年中,著名的商品投机家理查德.丹尼斯与他的老友比尔.埃克哈特进行了一场辩论,这场辩论是关于伟大的交易员是天生造就还是后天培养的.理查德相信,他可以 ...
- python 完整的海龟策略_9海龟策略_python量化交易_Python视频-51CTO学院
清华编程高手尹成带你基于算法实践python量化交易 量化交易是指以先进的数学模型替代人为的主观判断,利用计算机技术从庞大的历史数据中海选能带来超额收益的多种"大概率"事件以制定策 ...
- python海龟交易策略_Python的海龟交易法
import numpy as np import pandas as pd from pandas import Series,DataFrame import random import math ...
最新文章
- 小试牛刀之Django
- [译]yield关键字都做了什么?
- c#form+mysql储存读取图片_C#从SQL server数据库中读取l图片和存入图片
- 关于设置不同linux主机之间ssh免密登录简易方法
- bzoj2127: happiness
- QT中文乱码深度剖析
- 全民 Transformer (一): Attention 在深度学习中是如何发挥作用的
- Linux 下串口编程入门教程
- 李宏毅机器学习HW1_pm2.5prediction(adagrad/gradient descent/SGD)
- asp.net整体运行机制详解
- Powerbuilder 12.5 下载地址
- 未能配置 workstation server 的两种错误解决
- 秋无痕 Windows 7 SP1 (64位旗舰版) 集成安装增强版 V2018年春节版(整合USB3+NVMe+UEFI)
- delphi7中的局部变量和全局变量
- 修改Git提交历史中的author,email和name等信息
- Markdown 简单美化
- mac 下安装Microsoft Remote Desktop远程桌面客户端
- 三极管集电极和基集短接等效成二极管
- 五脏积毒的表现 脸上长痘位置看你健康情况
- laydate时间控件 (开始日期、结束日期)
热门文章
- cas27647-84-3四羧基苯基卟啉锌;四羧基苯基锌卟啉TCPP-Zn(2+)/分子量:850.116160000001
- 移动硬盘——显示盘符但打不开
- FoxNFT创世品牌娘卡包预售6月15日正式开启!五位姑娘正式与大家见面
- IDEA中进行spring项目开发配置文件中如何导入spring命名空间
- Spring Cloud核心组件 侵立删
- 【面试】阿里巴巴Java经典面试题整理及答案详解
- 腾讯/京东/网易校招笔试刷人超70%,这份笔试自救指南请收好
- Redis入门——狂神课程笔记
- c++语言计算2的n次方,2的N次方
- 量子计算实现:量子算法的实现