平民版均线量化交易模型

前言

2021年转瞬即逝，回顾一下在蚂蚁上定投的基金，在金融危机风雨欲来的2022年，分享一个懒人版的理财策略，愿大家新年里能财源广进，元旦快乐。

基金定投

我的策略非常简单，每月无脑小额定投，等"全民炒股"这种话题上新闻，择时清仓。一般2-3年有一个操作点，每次操作窗口期几个月，错过就从头再来。卖出点不影响买入操作，循环往复。

为什么选择基金

每月一次或几次交易，不影响本职工作，繁复的工作交给机器来做。
基金可以规避单一股票的对应行业或公司的黑天鹅事件。比如乐视的"下周回国"，或是“双减"对整个教育行业的冲击。
相对股票来说，基金更“永续”，更少的停牌，ST或是增发干扰。
在瞬息万变的股票市场，政策的影响度，舆情的提取手段尚不成熟，基金对于普通人来说可以大幅度简化投资模型。

为什么选择指数基金

公募基金的基金经理有"业绩原罪"，即不惜一切代价追求高利润率，因为这样才能让排名靠前，才能让投资者"看到"。这种激励机制下，交易员更偏向冒险的投资风格，赌赢手续费赚的盆满钵满，赌输不过是换个基金代号从头再来。
基金经理策略会与我们的自主策略混淆，无法归因，无法回测和改进策略，指数基金则减少了“个人”风险的集中度。

为什么选择定投策略

定投不择时，相对模型简化了一个变量。
小额定期交易可以更好的小步试错，累积时序数据。
A股的“「熊长牛短」"特征，意味着间隔平均的投资点大概率会落于熊市的低位，降低成本。

关于高频交易

对于普通投资者来说，高频交易策略的手续费偏高，非金融专业的知识储备不足。
A股的T+1也相对限制了个股上交易操作（若资金量大可以做T改善这个问题，但也面临资金冲击现象）。
基金作为一揽子股票的ETF，则不太适合频繁交易，有能力的可以选择高增长行业的龙头股来做高频。

弊端

投资周期非常长，一般按年计；
收益率一般（年化8%左右），远比不上专业投资人，更不能和币圈相提并论；
资金流动性不好，长时间的熊市属于常态，卖出的窗口期很短；
投资风格非常保守，更偏向于理财，而非投资。

优点

完全属于被动投资，平时几乎不需要操心；
没有追涨杀跌，没有人性考验，可以天天睡得安稳；
熊市"播种"救企业于危难，牛市"分红"共享盛世繁华，政治正确，妥妥的正能量。

量化交易平台

普通的定投或是简单的智能定投策略，在支付宝上已经能很方便的操作了。作为码农，我们肯定希望更自主可控些，这里有更多的量化交易平台可供选择：

开源 vnpy https://github.com/vnpy/vnpy
聚宽 https://www.joinquant.com/
米筐 https://www.ricequant.com/
优矿 https://uqer.datayes.com/

大多以 Python 为开发语言，对于习惯拿机器学习做数据分析的朋友非常友好，这里以聚宽为例。官网注册个账号，新建 Notebook 就能在线运行了，离线版本需要额外申请免费6个月试用。详细可以参考一下 API 文档。

https://www.joinquant.com/help/api/help#api:API文档

初始化

选择沪深300为基线，每月定投1万元，每次至少定投10个月才赎回，目标收益率为 20%。

# 导入函数库
from jqdata import *# 初始化函数，设定基准等等
def initialize(context):# 设定沪深300作为基准set_benchmark('000300.XSHG')# 开启动态复权模式(真实价格)set_option('use_real_price', True)# 输出内容到日志 log.info()log.info('初始函数开始运行且全局只运行一次')# 过滤掉order系列API产生的比error级别低的log# log.set_level('order', 'error')### 股票相关设定 #### 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')# 要操作的基金：（g.为全局变量）g.security = '510300.XSHG'# 预期目标g.goal = 1.2# 均值窗口期g.during = 500# 定投基本值g.base_order_value = 10000# 卖出锁定周期g.sell_period = 10g.sell_timestamp = context.current_dtrun_monthly(market_open, monthday=1, reference_security='000300.XSHG')

均线策略

在每月无脑定投中，稍微加点策略：

高位少买

# 高位买入
def high_buy(security, base_order_value, cash, ratio):# 默认扣款率pay_ratio = 1if ratio < 0.15:pay_ratio = 0.9elif ratio < 0.50:pay_ratio = 0.8elif ratio < 1:pay_ratio = 0.7else:pay_ratio = 0.6# 需买入的金额order_value_cash = base_order_value*pay_ratiolog.info("%s: %f, cash: %d, ratio: %f"%(security, pay_ratio, cash, ratio))if cash < order_value_cash:log.info("现金 %d 不足, 买入失败 %s: %d " % (cash, security, order_value_cash))return Falselog.info("高位买入 %s: %d" % (security, order_value_cash))order_value(security, order_value_cash)return True

低位多买

# 低位买入
def low_buy(security, base_order_value, cash, ratio):# 默认扣款率pay_ratio = 1# 近10天的最高价和最低价value_range = get_bars(security, count=10, unit='1d', fields=['high','low'])max_value = max(value_range['high'])min_value = min(value_range['low'])if (max_value - min_value)/max_value > 0.05:# 大幅度震荡，持续下跌通道中if ratio < 0.05:pay_ratio = 0.6elif ratio < 0.10:pay_ratio = 0.7elif ratio < 0.20:pay_ratio = 0.8elif ratio < 0.30:pay_ratio = 0.9elif ratio < 0.40:pay_ratio = 1else:pay_ratio = 1.1else:# 小幅度震荡，形成底部加大购买量if ratio < 0.5:pay_ratio = 1.6elif ratio < 0.10:pay_ratio = 1.7elif ratio < 0.20:pay_ratio = 1.8elif ratio < 0.30:pay_ratio = 1.9elif ratio < 0.40:pay_ratio = 2else:pay_ratio = 2.1       # 需买入的金额order_value_cash = base_order_value*pay_ratioif cash < order_value_cash:log.info("现金 %d 不足, 买入失败 %s: %d " % (cash, security, order_value_cash))return Falselog.info("低位买入 %s: %d" % (security, order_value_cash))order_value(security, order_value_cash)return True

预期止盈

这里为了回测方便，没法"听新闻"判断了，先以满足预期目标收益来止盈。

# 卖出
def sell(security, current_price, MA, sell_timestamp):log.info("sell: %f, MA: %f" %(current_price, MA))if current_price/MA < g.goal:return Falseif (sell_timestamp - g.sell_timestamp).days/30 < g.sell_period:return False# 卖出所有股票,使这只股票的最终持有量为0log.info("%s, %s, %d" % (sell_timestamp, g.sell_timestamp, (sell_timestamp - g.sell_timestamp).days))log.info("达到预期目标, 卖出 %s" % (security))order_target(security, 0)# 更新卖出时间戳g.sell_timestamp = sell_timestampreturn True

运行策略

万事俱备，我们将上述函数都组合到一起，跑一下看看效果。

## 开盘时运行函数
def market_open(context):log.info('函数运行时间(market_open):'+str(context.current_dt.time()))security = g.security# 平均值窗口期during = g.during# 获取股票的收盘价close_data = get_bars(security, count=during, unit='1d', fields=['close'])# 取得过去500天的平均价格MA = close_data['close'].mean()# 取得上一时间点价格current_price = close_data['close'][-1]# 取得当前的现金cash = context.portfolio.available_cash# 定投金额base_order_value = g.base_order_valueif (current_price > MA):# 高位卖出sell(security, current_price, MA, context.current_dt)# 高位少买 high_buy(security, base_order_value, cash, (current_price-MA)/MA)else:# 低位多买low_buy(security, base_order_value, cash, (MA-current_price)/MA)#得到本次所有成交记录trades = get_trades()for _trade in trades.values():log.info('成交记录：'+str(_trade))log.info('本轮结束')log.info('##############################################################')

选择2015年到2021年来做回测，貌似看起来还不错，买入点很多，除了零星几次资金量用完，几乎每月都有交易；卖出点才4次，这一方面受限于“卖出锁定周期”，另一方面也体现A股长期熊市的现象。

年化收益 9.85%，这里小额定投的建仓周期比较长，所以相对资金利用率不够高，这里的仓位可以简单理解为最大投资规模。实际操作中，大家可以把固定收入作为资金投入，大额资金可以用作其他投资，扩大收益率。

再多选几个长周期，比如2017年至今，或是2019年至今，比不上牛市收益，但可以逃过股市熔断大跳水，大多时候收益率能保持稳定正值。

持仓分析

实盘交易

直接对接证券机构
模拟交易，手动操作

模拟交易

由于我们买入卖出操作不多，可以将制定好的策略，用模拟交易的方式将买入卖出信号通过微信消息来发送，再根据实际情况进行基金操作。

# 给微信发送消息（添加模拟交易，并绑定微信生效）
send_message("买入 %s: %d" % (security, order_value_cash))

总结

看到这里，相信搞深度学习的朋友肯定想拿手上一堆时序模型跃跃欲试了。先小泼盆冷水，就自我体验和身边做量化交易朋友的教训来看，单一模型在A股上基本没戏。

原因主要有以下几点：

时序模型基于历史趋势可再现，历史不会简单重复，只会换种形势卷土重来。
众多的量化机构让原有的“低风险策略点”稍纵即逝，寄生策略泛滥。
A股是强政策市，金融因素占比偏小。
散户比例很高，市场情绪化影响偏大。

另外，以上这些仅作为技术分享和个人经验之谈，不作为投资建议。更多的交易策略，等金融专业人士乱入指点。还有NLP舆情分析关键字拉涨停的更多骚操作，评论区打开脑洞吧。

论一个韭菜的自我修养，侠之大者，为国接盘。

哎，2021年说好的每周一更呢，感觉欠了很多的债。有鸿蒙系列的，树莓派系列的，OCR系列的，知识图谱系列的，手稿太多，没有心境慢慢整理，希望来年能补全。