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——右侧追击，也就是所谓的追涨杀跌。
中心思想基本是以较低的试错成本，一次次的去追击它们的强势行情。中间可能会有多次追击失败，但亏损不会太大，而一旦追击成功，收益相对而言都较为可观。
本次以A股东方财富历史数据为示例，股票代码300059
1. 数据获取
其中quan_trade是在交易封装中封装好的类
# 导入相关库
import akshare as ak
import pandas as pd
import quan_trade # 导入交易类### 获取东方财富历史行情数据
# 参数adjust：默认返回不复权的数据; qfq: 返回前复权后的数据; hfq: 返回后复权后的数据。
# 该股票涉及到多次转增分红，这里需要选择前复权
dfcf_df = ak.stock_zh_a_hist(symbol='300059', period="daily", start_date="20011101", end_date='20221231', adjust="qfq")
dfcf_df
该股票于2010-03-19上市，截止2022-04-08，一共有2865条数据。
2.策略更新
策略之前封装到了quan_trade.py中的类Trade中，添加右侧追击策略只需在类中添加新方法，然后在主函数self.main中添加策略判断即可。
先来梳理一下右侧追击的策略：
1. 将资金分为5份；
2. 突破新高买入一份，止损点设为买入价下方8%；
3. 每涨10%，追加一份，并将止损点更新为最新买入价下方8%；
4. 一旦期间触发止损，意味着此次追击失败，再觅良机重新追击；
5. 如果5份全部买入完成，设最高价下方8%为动态止盈点，一旦触发止盈，意味着本次追击成功且圆满结束。
右侧追击中，会有不少假突破。可能会对本金造成侵蚀，但这是右侧交易必要的磨损。只要严格遵守纪律，在止损点果断斩仓，风险就是可控的。
接下来，就是要将我们的策略告诉程序，在此之前有几个细节需要确定：
1. 新高为半年内新高（即前180个交易日的最高价，非最高收盘价）
2. 突破新高是指当日收盘价站上前期高点，非当日最高价破新高。避免上长影线触发策略买入（上长影线意味着抛压巨大，不是很好的追击点）
3. 每次交易以当日收盘价作为交易价格，更为贴近在现实中能买到或卖到的价格
代码如下：
# 在quan_trade.py文件的的类Trade中添加此方法
def by_right_attack(self):"""右侧追击"""# 定义两个变量，分别存放前高以及追击完成后的最高股价last_higt = max_price = Nonefor i in range(180, self.data.shape[0]):# 更新前半年最高价last_higt = self.data['最高'][i-180:i].max()# 无持仓(持仓数据为空或者持仓数量为零)if self.account.position.empty or self.account.position.iloc[-1].amount == 0:# 价格未突破if self.data.iloc[i].收盘 <= last_higt:self.account.no_trade_update_asset(self.data.iloc[i].日期, self.symbol, self.data.iloc[i].收盘)continue# 破新高买入elif self.account.asset.iloc[-1].cash >= self.data.iloc[i].收盘 * self.trade_amount :self.account.trade_update(self.data.iloc[i].日期,'B',self.symbol,self.trade_amount,self.data.iloc[i].收盘)# 有持仓else:# 追击小于等于4次if self.account.position.iloc[-1].amount <= 4 * self.trade_amount:# 跌破8%，止损if self.data.iloc[i].收盘 <= self.account.order.iloc[-1].trade_price * 0.92 :self.account.trade_update(self.data.iloc[i].日期,'S',self.symbol,self.account.position[self.account.position['symbol'] == self.symbol].iloc[-1].amount,self.data.iloc[i].收盘)# 上涨10%，追击elif self.data.iloc[i].收盘 >= self.account.order.iloc[-1].trade_price * 1.1 and (self.account.asset.iloc[-1].cash >= self.data.iloc[i].收盘 * self.trade_amount):self.account.trade_update(self.data.iloc[i].日期,'B',self.symbol,self.trade_amount,self.data.iloc[i].收盘)# 右侧追击完成，设止盈保护else:# 更新最高点（从最后一次买入后开始计算）max_price = self.account.order.iloc[-1].trade_priceif self.data.iloc[i]['最高'] > max_price :max_price = self.data.iloc[i]['最高']# 最高点下跌8% 止盈if self.data.iloc[i]['收盘'] <= max_price * 0.92 :self.account.trade_update(self.data.iloc[i].日期,'S',self.symbol,self.account.position[self.account.position['symbol'] == self.symbol].iloc[-1].amount,self.data.iloc[i].收盘)# 在类Trade的self.main中添加策略判断
def main(self):#选择交易策略if self.trade_strategy == 'boll' :self.by_boll()# 新添加的策略——右侧出击elif self.trade_strategy == 'right_attack':self.by_right_attack()else :pass3.数据回测
回顾一下策略：将资金分为5份，每次买的话买入一份，卖的话清仓。
在我们封装好的账户中，必须一次性丢给它本金多少，然后跑出来3个DataFrame数据——收益详情、持仓详情、订单记录。
很显然，无法满足将资金分为5份的个性化需求。不过，其中最关键的是什么？是找到每个买点和卖点，有了他们。不管资金怎么分配，也很容易算出收益变化。
而账户中的订单记录，正好记录了每次的买点和卖点。
创建交易对象需传入的参数中，交易数量trade_amount定为每次100；本金可适量的设定大一些，这里设定为100w，防止出现买入机会而本金不够的情况。
## 创建交易对象，调用主函数main
trade = quan_trade.Trade('300059', dfcf_df, 'right_attack', 100 , 1000000)
trade.main()# 查看订单记录
trade.account.order
一共发生了68次交易记录，根据该订单记录，可以很轻松得到资金分为5份追击后的情况。
这里本金设定为10w，每次追击买入2w。（这里忽略A股最小不可分割单位为100股的限制）
创建一个DataFrame数据用来存放每次出击的账户收益情况，包含的内容有：
start_time ：第一次买入时间
end_time ：清仓时间
capital：本金
attack_times：追击次数
profit：盈亏
profit_rate：持仓收益率（分母只算被最大占用的资金）
total_profit_rate：总收益率（分母为本金）
代码如下：
# 创建profit_df用来存放每次追击的情况
profit_df = pd.DataFrame(columns = ['start_time','end_time', 'capital', 'attack_times', 'profit', 'profit_rate','total_profit_rate'])
# 初始化部分数据
start_time = None
capital = 100000
attack_times = 0
profit = 0
amount = 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_df
for i in range(0,trade.account.order.shape[0]):if trade.account.order.iloc[i]['trade_type'] == 'B':# 记录每次追击开始的时间if attack_times == 0:start_time = trade.account.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 / trade.account.order.iloc[i]['trade_price']else :# 数据存放profit_df = profit_df.append({'start_time':start_time,'end_time':trade.account.order['date'].iloc[i], 'capital':capital,'attack_times':attack_times, 'profit': trade.account.order.iloc[i]['trade_price'] * amount - capital / 5 * attack_times, 'profit_rate': (trade.account.order.iloc[i]['trade_price'] * amount /(capital / 5 * attack_times) - 1) * 100,'total_profit_rate':(trade.account.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 4.收益分析
# 总收益及追击明细
print("收益合计：",profit_df.profit.sum())
profit_df # 字段意义见上方文字
可以看到，从该只股票2010-03-19上市以来，一共出现了20次右侧追击的机会，成功将子弹打完的一共有3次（追击次数attack_times为5）。成功率一般，这也是策略还可以优化的地方。后期我们可以在买入时加些条件限制，比如顾比均线趋势、放量情况等，让程序尽可能识别假突破，减少本金磨损。
总体取得了超过12w的收益。按10w的本金来算，即便追击失败，单次最大的亏损也只有3.25%，而追击成功后最大一次收益达到了81.3%。
整体来看，策略表现还不错。风险可控，并且收益可观。
或许有人会觉得，策略持续了长达12年的时间，取得122.87%回报（这里忽略掉因追击失败亏损后需填补的少量资金，实际上本金会略大于10w），折合年化也就6.9%，并没有很惊艳。但12年时间里，绝大部分时间里现金都是躺在账户里的，真正被占用的时间加起来还不到一年半。其它时间资金都是活动的，可以躺在货币基金里吃利息，也可以去投资别的标的。不到一年半资金占用时间，对应超过120%收益，这样想想是不是就变得惊艳了。
但是，事情真的这么简单吗？
其实一直以来都忽略了一个问题，也是大A独有的特色——涨跌停。强势行情中有可能开盘直接涨停，导致该买入时没有卖盘，压根就买不进去。我们拿2015-04-17到2015-05-04期间的交易来看，这次追击看上去很完美。创造了8w多的利润，也占了总收益12w多的大头。可现实真的有这么顺利吗？
从上图可以看出，东方财富从2015年4月16号就开启了连续的涨停行情，持续了11天。除去最后两天能买进去，前面9个交易日都是一字涨停，是没有买入机会的。而策略在4月17开启了追击，连续5天在相对低位买进，然后在5月4号的高位清仓。这显然与现实不符，现实中压根一次都买不进去。所以此次8w多的利润不过是水中花，镜中月。
如果眼睁睁的看着它涨，实在痛苦。也可以选择启用备用方案，用相关性较高的标的来替代，比如券商ETF（512000），同样的策略，买入同样的资金。不过是否能对收益产生正向助力，有待考证。
我们的重心还是放在单个标的收益回测，这里就不考虑备用方案启动后的收益变化了。
另外，除了一字涨停外，还要考虑止损时有没有一字跌停的情况出现。一字跌停后，会止损在更低的位置，增大亏损。
5.真实收益分析
5.1 真实的数据回测
Trade类中有一个参数max_volatility，默认值为None，意味着默认没有涨跌幅限制。像港股、美股、数字货币、期货等都不需要传递此参数。而A股主板每天有10%的涨跌额限制，所以需将数字10传递给它。另外，在Trade类的by_right_attack方法中，添加一个条件判断。
那么程序会在交易中自动判断是否有一字涨停或跌停，如果有，则不会交易。
### 在quan_trade.py文件的的类Trade中微调by_right_attack方法
def by_right_attack(self):"""右侧追击"""# 定义两个变量，分别存放前高以及追击完成后的最高股价last_higt = max_price = Nonefor i in range(180, self.data.shape[0]):###
右侧追击（一）——东方财富相关推荐
- 右侧追击（二）——券商行业
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( ...
- 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 ...
- mac桌面壁纸_在Mac上从命令行设置桌面墙纸
mac桌面壁纸 Whenever I need to accomplish a basic task that typically calls for interacting with a UI, I ...
- 音视频开发——音视频学习资料
目录 1.为什么要学习音视频? 2.如何学习系统性音视频? 3.音视频相关的资料 最近有朋友问想学习音视频,应该怎么学,有什么资料吗? 这个问题也困扰我很久,几年前就想开始音视频相关的学习,但是一直找 ...
- 音视频开发之旅（32)-音视频学习资料
目录 为什么要学习音视频? 如何学习系统性音视频? 音视频相关的资料 学习实践的输出文章分类聚合 收获 最近有朋友问想学习音视频,应该怎么学,有什么资料吗? 这个问题也困扰我很久,几年前就想开始音视频 ...
- python爬取东方财富网资金流向数据（在本地生成csv文件）
今天我们来试着用python爬取东方财富网资金流向的表格数据. 第一步:程序及应用的准备 首先我们需要安装selenium库,使用命令pip install selenium;然后我们需要下载对应的c ...
- Python爬虫(6)：比Selenium快100倍的方法爬东方财富网财务报表
博客原文来自我的博客:https://www.makcyun.top/web_scraping_withpython6.html 摘要: 上一篇文章,我们用Selenium成功爬取了东方财富网的财务报 ...
- 前嗅教你大数据：采集东方财富网数据
l 采集场景 [场景描述]采集东方财富网行情中心沪深京A股数据. [使用工具]前嗅ForeSpider数据采集系统,免费下载: ForeSpider免费版本下载地址 l采集网站 [入口网址] htt ...
- 比Selenium快100倍的方法爬东方财富网财务报表
之前,我们用Selenium成功爬取了东方财富网的财务报表数据,但是速度非常慢,爬取70页需要好几十分钟.为了加快速度,本文分析网页JavaScript请求,找到数据接口然后快速爬取财务报表数据. 1 ...
最新文章
- 某程序员感叹自己学历虽低，却能进入阿里！虽然只是p6，却面过不少清北毕业生！清北毕业生也没什么了不起，水货一抓一大把！...
- R语言应用calibrate包的textxy函数向R原生绘图结果中添加文本标签：添加多个文本标签、改变文本标签的字体、改变文本标签的字体颜色
- poj 3007 Organize Your Train part II (哈希)
- PCM复用设备主要传输什么业务？
- 鳗鱼刺多怎么处理图像_怎么在做鱼前去除鳗鱼刺？
- 你可能不需要 jQuery！使用原生 JavaScript 进行开发
- js 字符串转换成数字（转）
- 拓扑容差如何修改_如何做到全屋WIFI无死角，MESH组网对比有哪些优势？
- Scrapy框架高级操作
- 机器学习霸占高薪榜、区块链偃旗息鼓？2020 年软件工程师状况解读！
- 无法装载这个对象_面试官：别的我不管，这个JVM虚拟机内存模型你必须知道
- autojs遍历当前页面所有控件_伙伴系统：页面分配器
- 尚学堂视频笔记一：java面向对象基础和java基础知识
- 置信区间的临界值_在用正态分布进行置信区间估计时,临界值2.58所对应的置信水平是( )。...
- swagger文档增强工具knife4j使用详解
- 《 线性代数及其应用 （原书第4版）》——1.5 线性方程组的解集
- 区块链让公益更透明安心 | FinTechathon 上园村小红果团队
- 再也不要相信你的眼睛：步步逼近的AI换脸术
- Python错误集锦：打开文件路径提示参数无效，OSError: [Errno 22] Invalid argument: ‘D:\juzicode\桔子code\readme.txt’
- 手动查找 IAT 的方法！！！
热门文章