右侧追击（二）—

在上文中用东方财富的历史数据，回测了右侧出击策略的表现。资金占用时间不到一年半，对应40%的收益，表现基本让人满意。不过仅凭一只股票的收益表现，偶然性太高，很难说明策略的可靠度。

本次我们拿证券公司（399975）成分股中的所有证券公司，一共49家来代表券商行业、再选定2012-01-01至今作为时间区间来做数据回测，基本上就能评判出策略在券商行业中的综合实力。

1.股票代码预览

首先需要知道，一共是哪些券商公司，它们的代码分别是多少？写了个小爬虫程序，在某行情网站中抓取到了我们的目标券商公司股票代码，然后保存到本地csv文件（爬虫过程及源码这里不做展示）。

先将所有券商的代码及公司读取出来，如下：

# 导入相关库
import akshare as ak
import pandas as pd
import quan_trade # 交易类
import time# 从本地读取所有券商股票代码
dealer_df = pd.read_csv('dealer_data/symbols.csv',dtype = {'symbol':str})
# 展示前5条
dealer_df.head()

2. 函数封装

在右侧追击（一）——东方财富中我们对单只股票每次追击情况进行了统计。本次涉及到49支股票，还需要将每只股票的多次追击详情汇总。

定义一个函数，需传入的参数有order——订单记录，symbol——股票代码，begin_date——该股票具备行情数据的起始日期,capital——本金（每次买卖为本金的1/5，默认值为100000）。在函数内部计算出两个DataFrame数据返回，profit_df记录单只股票每次追击的情况，summary_df对该股票多次追击详情进行汇总，代码如下：

def get_profit(order,symbol,begin_date,capital = 100000):# 创建profit_df用来存放每次追击的情况, summary_df存放每只股票的追击汇总profit_df = pd.DataFrame(columns = ['symbol','start_time','end_time', 'capital', 'attack_times', 'profit', 'profit_rate','total_profit_rate'])summary_df = pd.DataFrame(columns = ['跟踪起始时间','代码','公司','本金','总追击次数','成功次数','追击成功率','单次最大亏损','单次最大盈利','总利润','资金占用时间/天','折合年化'])# 订单记录为空，直接返回if order.empty:print(symbol, ": 订单记录为空")return profit_df,summary_df# 初始化部分数据start_time = Noneattack_times = 0profit = 0amount = 0 # 记录每次追击累积交易的数量# 遍历订单记录，计算每次追击后的数据，存放到profit_dffor i in range(0,order.shape[0]):if order.iloc[i]['trade_type'] == 'B':# 记录每次追击开始的时间if attack_times == 0:start_time = order['date'].iloc[i]#计算累计追击次数以及累计买入数量attack_times += 1amount += capital / 5 / order.iloc[i]['trade_price']else :# 数据存放profit_df = profit_df.append({'symbol':symbol,'start_time':start_time,'end_time':order['date'].iloc[i], 'capital':capital,'attack_times':attack_times, 'profit': order.iloc[i]['trade_price'] * amount - capital / 5 * attack_times, 'profit_rate': (order.iloc[i]['trade_price'] * amount /(capital / 5 * attack_times) - 1) * 100,'total_profit_rate':(order.iloc[i]['trade_price'] * amount - capital / 5 * attack_times) / capital * 100},ignore_index=True)# 卖出意味着本次追击结束，清零attack_times = amount = 0 ### 追击详情汇总summary_df = pd.DataFrame({'跟踪起始时间':begin_date,'代码':symbol,'公司': dealer_df[dealer_df['symbol'] == symbol].company,'本金': capital,'总追击次数' : profit_df['attack_times'].count(),'成功次数': profit_df[profit_df['attack_times'] == 5].attack_times.count(),'追击成功率':profit_df[profit_df['attack_times'] == 5].attack_times.count() / profit_df['attack_times'].count() * 100,'单次最大亏损':profit_df['profit'].min(),'单次最大盈利':profit_df['profit'].max(),'总利润':profit_df['profit'].sum(),'资金占用时间/天':(profit_df['end_time'] - profit_df['start_time']).dt.days.sum() + profit_df.start_time.count(),'折合年化':((profit_df['profit'].sum() /capital + 1) ** (365 / ((profit_df['end_time'] - profit_df['start_time']).dt.days.sum() + profit_df.start_time.count())) -1) * 100})return profit_df, summary_df

函数get_profit的使用，拿东方财富为例：

df = ak.stock_zh_a_hist(symbol='300059', period="daily", start_date="20120101", end_date='20221231', adjust="qfq")
trade = quan_trade.Trade('300059', df, 'right_attack', 100 , 1000000, max_volatility = 10)
trade.main()
profit_df, summary_df = get_profit(trade.account.order, '300059', trade.data.iloc[0].日期)
# 查看每次追击情况
profit_df

# 查看汇总
summary_df

profit_df几乎就是我们在上一篇中所用到的数据，记录了对应股票每次追击情况；summary_df是对profit_df中数据的汇总，里边还计算出了对应股票右侧追击的折合年化回报。

3.计算每只股票的追击汇总

将49支股票的追击详情及汇总分别放到一个DateFrame中，基本上能看出来策略在券商行业中的整体表现了

# 记录程序运行开始时间
start = time.time()
# 定义变量存放所有股票的追击详情以及每只股票的追击汇总
dealer_profit_df = pd.DataFrame()
dealer_total_profit_df = pd.DataFrame()
# 遍历dealer_df取出所有股票代码
for symbol in dealer_df['symbol']:# 回测区间范围设定从2012年开始，截止到现在df = ak.stock_zh_a_hist(symbol= symbol, period="daily", start_date="20120101", end_date='20221231', adjust="qfq")trade = quan_trade.Trade(symbol, df, 'right_attack', 100 , 1000000, max_volatility = 10)trade.main()profit_df, summary_df = get_profit(trade.account.order, symbol, trade.data.iloc[0].日期)# 将每只股票追击详情及汇总分别添加到dealer_profit_df，dealer_total_profit_dfdealer_profit_df = dealer_profit_df.append(profit_df)dealer_total_profit_df = dealer_total_profit_df.append(summary_df)print("程序运行时间/min: ",(time.time() - start)/60 )

上面的代码涉及到一定数量的运算，会耗费一点时间。一共有6支股票没有订单记录，股票代码打印在了上面。也就是说在它们上面没有找到任何参与机会。经过简单的分析就可以知道，这些股票都是在最近两三年内上市，策略还需要有大半年的缓冲期（需跟踪180个交易日内的最高价），跟踪周期较短，没有参与机会也很正常。

# 查看所有股票的追击详情
dealer_profit_df

# 查看所有股票的追击汇总前5条
dealer_total_profit_df.head()

策略从2012-01-01开始追踪，其后的第一个交易日是2012-01-04，但dealer_total_profit_df中的起始跟踪时间有一些会晚于这个时间，那是因为它们直到这个起始跟踪时间点才上市挂牌交易。

根据追击汇总dealer_total_profit_df计算策略在券商行业中的平均收益

# 对所有股票追击汇总再汇总
avg_profit_df = pd.DataFrame({'参与股票数量':dealer_total_profit_df.shape[0],'盈利数量':dealer_total_profit_df[dealer_total_profit_df['总利润'] > 0].shape[0],'亏损数量':dealer_total_profit_df[dealer_total_profit_df['总利润'] <= 0].shape[0],'追击成功率':100 * dealer_total_profit_df['成功次数'].sum() / dealer_total_profit_df['总追击次数'].sum(),'单支股票最大利润':dealer_total_profit_df['总利润'].max(),'单支股票最大亏损':dealer_total_profit_df['总利润'].min(),'平均收益':dealer_total_profit_df['总利润'].mean(),'平均年化回报':dealer_total_profit_df['折合年化'].mean()
},index = [0])
avg_profit_df

4.结论分析

收益总览

一共参与了43支股票，追击成功率8.63%，平均收益2.8w，对应平均年化回报49.42%，整体还不错。

其中盈利的有25支，取得最大利润的是光大证券，18.8w。该股票追击了7次，就有2次追击成功。28%的成功率极大的拉高了收益，按171天的资金占用时间来计算，折合年化高达856.62%。

亏损数量为18支，踩坑的概率还是有一些的。创造最大亏损是国投资本，超过了1.8w。8次追击，0次成功。对应10w的本金，摩擦成本高达18%，风险也不容小觑。

利润周期

# 摘取追击成功的追击详情
dealer_profit_df[dealer_profit_df['attack_times'] == 5].sort_values(by='start_time')

看利润分布，绝大部分的收益都是2014第4季度创造的，追击成功的时间区间大部分也集中于此。

翻看证券公司（399975）的周线图，在我们跟踪的十年期间，2014年尾部也是其表现最为疯狂的时期，从10月份600点左右一路飙升，到12月下旬时涨到了第一个高点1500点左右，这一波所有股票加在一起吃到了接近120万的利润，极大的拉高了平均收益。随后在2015年2季度再创新高，同样也吃到了一小部分利润，相较而言其它时间段都没有特别突出的表现。

再往前看，2007年有类似行情，如果策略跟踪到2007年，收益应该还能再创辉煌。这里单纯意淫一下，2007年中到2014下旬花了7年多的时间，2014年底到现在也是7年多，券商行业是否又在酝酿一次大腾飞呢？

亏损分析

# 查看所有亏损股票的追击总览
dealer_total_profit_df[dealer_total_profit_df['总利润'] <= 0]

18支亏损的股票中，它们的追击成功次数全部为0。换句话说，只要有一次追击成功，没有一只股票是亏损的。

不过也并非所有成功次数为0的股票，都会亏损。比如国信、西南、哈投，它们都创造了正收益。其实只要策略在开启追击后，能连续买到第3、4次，就有很大机会创造正收益！

# 追击成功次数为0且利润为正的股票记录
dealer_total_profit_df[dealer_total_profit_df['总利润'] > 0 ][dealer_total_profit_df['成功次数'] == 0]

另外可以看到，所有亏损的股票中，除了国投和国海，其它的上市时间都晚于2014年，错过了券商行业最疯狂的黄金时段。乐观的看，如果未来再有这么一波强势行情，它们中的绝大部分是不是都能收回摩擦成本，并跑出可观的正收益？这个有待时间给我们答案！

# 国海证券的每次追击详情
dealer_profit_df[dealer_profit_df['symbol'] == '000750']

# 国投证券的每次追击详情
dealer_profit_df[dealer_profit_df['symbol'] == '600061']

国海和国投对于策略而言，彻底就是个坑了。即便在2014年底遍地捡黄金的时代，二者也没有完成一次完整的追击。

所以即便是券商这种反身性行业、严格遵守右侧追击制度、在整个行业疯狂上涨的3层buff加持下，追击个股也有踩坑的风险！国海和国投就是血淋淋的教训，把资金丢到它们身上，就等同于从枪林弹雨般的黄金中完美的躲了过去！

总结

平均年化回报达到49.42%，整体表现不错；
追击成功率8.63%，策略有待优化提高成功率；
绝大部分利润都贡献于2014年年底的行情，右侧追击博的就是这种机会；
虽然券商这种行业适合右侧追击，但追击个股依然有踩坑的风险。

右侧追击（二）——券商行业相关推荐

右侧追击（三）——策略优化
前文数据表明,右侧追击确实是抓取券商强势行情的一把利器.不过策略也有一个明显的弊端,也是有待优化的地方--追击成功率.从整个券商行业来看,10次追击,都未必有一次成功.在实战中,每一次失败,不仅意味着 ...
右侧追击（一）——东方财富
本文旨在策略学习探讨,不构成任何投资建议! 之前我们用两篇文章将账户和交易封装,做了一定准备工作.今天,将正式开启对策略的考核. 对于券商.钢铁.有色.甚至房地产等右侧行情的行业,通常会用到一个方法- ...
产品经理在路上之二——用户/行业调研
一般来说,一个项目的生命周期可以简单得用P D C A(Plan Do Check Action,计划.执行.验收.反馈的往复循环)来表示.其中在项目的早期,就包含了大量Plan的工作,PM在Plan ...
IT产品销售人员的压力之二 - IT行业的“小灶”
在上一篇文章IT产品销售人员的压力之一 - 传统销售人员的压力 ,我们在深入分析IT行业的销售人员从业者的压力之前,先分享了所有销售人员都会面对的压力.IT行业销售人员作为高科技从业人员,除了&quo ...
指数基金（二）：行业指数简介
全球行业分类标准(GICS),将行业分为10个一级行业,24个二级行业,67个子行业.最主要的是个一级行业分别是: 材料:金属.采矿.化学制品等等可选消费:汽车.零售.媒体.房地产等等必须消费:食 ...
神策数据易向文：打造券商上层数据应用的坚实基础
本文根据神策数据解决方案顾问易向文<打造券商上层数据应用的坚实基础>直播整理而成,本文的主要内容如下: 浅析券商数据采集常见的埋点方式介绍如何做好用户数据关联数据管理与数据校验注: ...
视频 + PPT | 财富管理转型，券商如何精细化运营？
科技正在重构证券交易的业态,从坐商到行商再到服务商,线上尤其移动端场景成为相关服务获取的主要渠道,这一变化使得证券公司摆脱网点束缚,可以随时随地接触和服务客户,催生了以移动端为核心的新战场. 利用数据 ...
李奇霖：通道业务山穷水尽券商资管何去何从？
转自http://stock.qq.com/a/20170711/006492.htm 腾讯"证券研究院" 李奇霖联讯证券董事总经理.首席宏观研究员券商资管是什么?从字面简单看 ...
李沐华:变革前夜的券商集中交易系统
变革前夜的券商集中交易系统原创李沐华计算机文艺复兴 3天前图片行业深度系列 - 作者:李沐华 - 券商交易系统是证券公司的IT核心之一 1.1. 券商交易系统的核心是数据库和报盘系统经纪业 ...

右侧追击（二）——券商行业

右侧追击（二）——券商行业相关推荐

最新文章

热门文章