策略如下：

回测区间为2016年10月10日至2017年10月13日，选择沪深300进行回测。

记录所有当天5日滑动平均价格高于20日滑动平均价格的股票

将总资金额的一半n/2用于买入股票，每一支股票按照等额购入

买入后的第二天清仓

回测过程：

数据获取(获取股票收盘价stock_price、大盘收盘价benchmark_price以及公司名称stocks)：

def getPrice():

stocks_name='沪深300'

start_date='2016-10-01'

end_date='2017-10-13'

fields=['ClosingPx']

#选择沪深300里面所有的股票代码

stocks=index_components(stocks_name)

#正式获取股票价格

stock_price=get_price(stocks,start_date=start_date,end_date=end_date,fields=fields)

#获得沪深300指数

benchmark_name='399300.XSHE'

benchmark_price=get_price(benchmark_name,start_date=start_date,end_date=end_date,fields=fields)

return stock_price,benchmark_price,stocks

这里对沪深300指数解释一下：对样本空间内股票在最近一年(新股为上市以来)的日均成交金额由高到低进行排名,剔除排名在后50%的股票,然后对剩余股票按照日均总市值由高到低进行排名,选取排名在前300名的股票作为指数样本。

数据处理——计算滑动平均数(长短期)：

def getRolling(data,shortPeriod,longPeriod):

for i in range(len(data.ix[1])):

col=data.ix[:,i]

name=data.columns[i]

data[name+'_'+str(shortPeriod)+'days']=col.rolling(window=shortPeriod).mean()

data[name+'_'+str(longPeriod)+'days']=col.rolling(window=longPeriod).mean()

return data

主体计算过程：由于每次仅用总资金额的一半即n/2，而且购买后第二天卖出，因此每次购买时资金额都是充足。而且每一支股票投入相同资金，因此直接将所有股票当天收益率取平均作为当天整体的收益率。循环过程从20天滑动平均收盘价开始，第i天作为得到信息的时间，第i+1天购入，第i+2天卖出。

def calculate(data,benchmark_price,stocks):

#初始化累积收益率等

IRR=1

benchmark_revenue=1

victories=0

profits=[]

benchmark_profits=[]

#计算交易的日数

length=0

for i in range(len(data.index)-2):

portfolio=[]

print(data.index[i])

for j,company in enumerate(stocks):

if(data.ix[i,company+'_5days']>data.ix[i,company+'_20days']):

portfolio.append(company)

#如果当天存在出现该信号的公司，则购买

if(portfolio):

length=length+1

#计算策略当日收益率

new=data.ix[i+2,portfolio]/data.ix[i+1,portfolio]

#计算大盘当日收益率

benchmark_new=benchmark_price.ix[i+2]/benchmark_price.ix[i+1]

benchmark_revenue=benchmark_revenue*benchmark_new

data.ix[i+2,'benchmark_profits']=benchmark_revenue

#计算胜率

if(new.mean()>(benchmark_new)):

victories=victories+1

#固定印花说0.1%，手续费0.08%和滑点0.246%

IRR=IRR*(new.mean()-(0.001+0.0008+0.00246))

data.ix[i+2,'profits']=IRR

#如果当天不出现信号，策略的累计收益率不变，大盘的依然要更新

else:

data.ix[i+2,'profits']=data.ix[i+1,'profits']

benchmark_new=benchmark_price.ix[i+2]/benchmark_price.ix[i+1]

benchmark_revenue=benchmark_revenue*benchmark_new

data.ix[i+2,'benchmark_profits']=benchmark_revenue

#计算最大回撤

Max_drawdown=max_drawdown(data['profits'])

#为了便于画图，我先将策略累计收益率和大盘结合

plotData=pd.concat([data['profits'],data['benchmark_profits']],axis=1)

plotData.plot()

#计算夏普率

Sharpo_Ratio=Sharpo(data['profits'],data['benchmark_profits'])

return [IRR,victories/length,Sharpo_Ratio,Max_drawdown]

最大回撤计算：

def max_drawdown(timeseries):

max=-100

for i in np.arange(0,len(timeseries)-1,1):

for j in np.arange(i,len(timeseries),1):

if((timeseries.iloc[i]-timeseries.iloc[j])/timeseries.iloc[j])>max:

max=(timeseries.iloc[i]-timeseries.iloc[j])/timeseries.iloc[j]

return max

夏普率：

def Sharpo(strategy_profits,benchmark_profits):

Sharpo_ratio=(np.mean(strategy_profits)-np.mean(benchmark_profits))/np.std(strategy_profits)

return Sharpo_ratio*np.sqrt(252)

胜率计算：VictoryRatio=日收益率大于大盘的日数\策略真正交易的日数

讲解结束，全部代码如下：

import pandas as pd

import numpy as np

def max_drawdown(timeseries):

max=-100

for i in np.arange(0,len(timeseries)-1,1):

for j in np.arange(i,len(timeseries),1):

if((timeseries.iloc[i]-timeseries.iloc[j])/timeseries.iloc[j])>max:

max=(timeseries.iloc[i]-timeseries.iloc[j])/timeseries.iloc[j]

return max

def Sharpo(strategy_profits,benchmark_profits):

Sharpo_ratio=(np.mean(strategy_profits)-np.mean(benchmark_profits))/np.std(strategy_profits)

return Sharpo_ratio

def getPrice():

stocks_name='沪深300'

start_date='2016-10-01'

end_date='2017-10-13'

fields=['ClosingPx']

#选择沪深300里面所有的股票代码

stocks=index_components(stocks_name)

#正式获取股票价格(不过不知道为什么只能从2016-10-10开始)

stock_price=get_price(stocks,start_date=start_date,end_date=end_date,fields=fields)

#获得沪深300指数(对样本空间内股票在最近一年(新股为上市以来)的日均成交金额由高到低进行排名,剔除排名在后50%的股票,然后对剩余股票按照日均总市值由高到低进行排名,选取排名在前300名的股票作为指数样本。)

benchmark_name='399300.XSHE'

benchmark_price=get_price(benchmark_name,start_date=start_date,end_date=end_date,fields=fields)

return stock_price,benchmark_price,stocks

def getRolling(data,shortPeriod,longPeriod):

for i in range(len(data.ix[1])):

col=data.ix[:,i]

name=data.columns[i]

data[name+'_'+str(shortPeriod)+'days']=col.rolling(window=shortPeriod).mean()

data[name+'_'+str(longPeriod)+'days']=col.rolling(window=longPeriod).mean()

return data

def calculate(data,benchmark_price,stocks):

#初始化累积收益率等

IRR=1

benchmark_revenue=1

victories=0

profits=[]

benchmark_profits=[]

#计算交易的日数

length=0

for i in range(len(data.index)-2):

portfolio=[]

print(data.index[i])

for j,company in enumerate(stocks):

if(data.ix[i,company+'_5days']>data.ix[i,company+'_20days']):

portfolio.append(company)

#如果当天存在出现该信号的公司，则购买

if(portfolio):

length=length+1

#计算策略当日收益率

new=data.ix[i+2,portfolio]/data.ix[i+1,portfolio]

#计算大盘当日收益率

benchmark_new=benchmark_price.ix[i+2]/benchmark_price.ix[i+1]

benchmark_revenue=benchmark_revenue*benchmark_new

data.ix[i+2,'benchmark_profits']=benchmark_revenue

#计算胜率

if(new.mean()>(benchmark_new)):

victories=victories+1

#固定印花说0.1%，手续费0.08%和滑点0.246%

IRR=IRR*(new.mean()-(0.001+0.0008+0.00246))

data.ix[i+2,'profits']=IRR

#如果当天不出现信号，策略的累计收益率不变，大盘的依然要更新

else:

data.ix[i+2,'profits']=data.ix[i+1,'profits']

benchmark_new=benchmark_price.ix[i+2]/benchmark_price.ix[i+1]

benchmark_revenue=benchmark_revenue*benchmark_new

data.ix[i+2,'benchmark_profits']=benchmark_revenue

#计算最大回撤

Max_drawdown=max_drawdown(data['profits'])

#为了便于画图，我先将策略累计收益率和大盘结合

plotData=pd.concat([data['profits'],data['benchmark_profits']],axis=1)

plotData.plot()

#计算夏普率

Sharpo_Ratio=Sharpo(data['profits'],data['benchmark_profits'])

return [IRR,victories/length,Sharpo_Ratio,Max_drawdown]

stock_price,benchmark_price,stocks=getPrice()

stock_price_rolling=getRolling(stock_price,5,20)

IRR,victories,Sharpo_Ratio,Max_drawdown=calculate(stock_price_rolling[19:],benchmark_price[19:],stocks)

print([IRR,victories,Sharpo_Ratio*np.sqrt(252),Max_drawdown])

输出结果为：[0.42318161427509665, 0.5043859649122807, -37.242237755917365, 1.395223166619767]

最后计算得到年化收益率为-57.7%，胜率为50.4%，夏普率为-37.2，最大回撤为139.5%

策略和大盘的累计收益图片：

滑动平均累积收益率(加入交易成本).png

忽略了交易成本，输出结果为：[1.1195674560662801, 0.5043859649122807, -8.8431527706262312, 0.092890344378694187]

最后计算得到年化收益率为11.9%，胜率为50.4%，夏普率为-8.84，最大回撤为9.2%

滑动平均累积收益率(不加入交易成本).png

总结：从不计交易成本的输出结果我们可以看出，最终策略的累积收益率还是跑不赢大盘，策略本身对于累积收益率提升的贡献并不大。同时由于策略交易过于频繁，持有时间过于短暂(一天)，每次交易的获益基本都会被交易成本吸收掉，导致累积收益率一路走低。