1相关性验证

选取上证指数000001.SH，获取收盘价
以50为单位，计算每个55天的收益序列。
使用shift(1),获得滞后一个时间段（50天）的时间序列数据。
使用df.corr()计算相关性
代码如下

运行此代码，需获取token码，这里获取token码

# coding=utf-8
import math
import tushare as ts
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import talib
import pandas as pd
from datetime import datetime, date
matplotlib.rcParams['axes.unicode_minus']=False
plt.rcParams['font.sans-serif']=['SimHei']
ts.set_token('token码')
pro = ts.pro_api()
#读取数据
start_time='20060931'
end_time="20200931"
#dsc1 = pro.index_daily(ts_code='000300.SH', start_date=start_time,end_date=end_time,fields='ts_code,trade_date,close')
#dsp = pro.index_daily(ts_code='NHCI.NH', start_date=start_time, end_date=end_time,fields='ts_code,trade_date,close')
dsb = pro.index_daily(ts_code='000001.SH', start_date=start_time, end_date=end_time)
dsb.open=0
dsb=dsb.sort_index(ascending=False)
dsb.index=pd.to_datetime(dsb.trade_date,format="%Y-%m-%d")
T= 55
for i in range( math.floor(len(dsb)/T)-1):dsb.open[(i+1)*T]=dsb.close[(i+1)*T]-dsb.close[i*T]
DF=dsb[dsb.open!=0].open
DF=pd.DataFrame(DF)
DF=DF.rename(columns={"open":"close_change"})
DD=DF.shift(1)
DD=pd.DataFrame(DD)
DD=DD.rename( columns={ "close_change":"close_change_shift1" }  )
DF1=pd.concat([DF,DD],axis=1)  #月度数据
print(DF1.dropna().corr())

输出

                     close_change  close_change_shift1
close_change             1.000000             0.416991
close_change_shift1      0.416991             1.000000

具有正相关性

2策略概要

由于滞后一期与本身存在正相关性，因此可以根据上一个时期的股价变动，在接下来的一个时期做出信号判断
if 上一时期股价变动 Δ t − 1 \Delta_{t-1} Δt−1>0，则买入。。否则买入债券、或融券卖出等操作，这里就用做空吧。毕竟考虑交易费用
计算组合收益情况等

# coding=utf-8
import math
import tushare as ts
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import talib
import pandas as pd
from datetime import datetime, date
matplotlib.rcParams['axes.unicode_minus']=False
plt.rcParams['font.sans-serif']=['SimHei']
ts.set_token('输入token码')
pro = ts.pro_api()
start_time='20060204'
end_time="20200428"
dsc1 = pro.index_daily(ts_code='000300.SH', start_date=start_time, end_date=end_time,fields='ts_code,trade_date,close')
dc=dsc1.set_index(dsc1.trade_date).sort_index(ascending=True)
dc.index=pd.to_datetime(dc.index,format="%Y-%m-%d" )
ret=(dc.close-dc.close.shift(1))/dc.close.shift(1)
ret=ret.sort_index(ascending=True)T=55###############################信号判断#######################################
sig=pd.Series(0,index=dc.index)
for i in range( math.floor(len(ret)/T)-2):if dc.close[(1+i)*T]>dc.close[i*T]+50:for j in range((i+1)*T+1,(i+2)*T+1):sig[j]=1
sig=sig.tail(len(sig)-T)
RET=ret*sig
cum=np.cumprod(RET+1).dropna()
#############################策略的年化统计######################################
def Tongji(cum):cum=cum.sort_index()NH=(cum[-1]-1)*100*252/len(cum.index)BD=np.std(np.log(cum/cum.shift(-1)))*np.sqrt(252)*100SR=(NH-4)/BDreturn_list=cumMHC=((np.maximum.accumulate(return_list) - return_list) / np.maximum.accumulate(return_list)).max()*100print("年化收益率：{:.2f}%:，年化夏普率：{:.2f},波动率为：{:.2f}%,最大回撤：{:.2f}%".format( NH,SR,BD,MHC))
############################################################################
JZ=dc.close.tail(len(cum))/dc.close.tail(len(cum))[0]#上证指数净值if __name__=="__main__":print("组合策略：")Tongji(cum)print("直接持有：")Tongji(JZ)plt.plot(JZ,label="000001.SH",color='b',linestyle='-')plt.plot(cum,label="策略",color='r',linestyle='-')plt.title("净值走势")plt.legend()

结果：

组合策略：
年化收益率：38.38%:，年化夏普率：1.72,波动率为：19.96%,最大回撤：45.97%
直接持有：
年化收益率：17.50%:，年化夏普率：0.48,波动率为：28.01%,最大回撤：72.30%

3其他回测结果

其他量化策略

1.python量化——alpha股票-指数期货对冲策略
2.多因子选股策略
3.海龟交易策略
4.移动平均策略——单/双均线策略
5.改进的美林时钟（介绍）
6.改进的美林时钟策略（一）
7.改进的美林时钟策略（二）
8.改进的美林时钟策略（三）
9.F-F三因子（改进代码+结果）
10.移动波动率策略

python量化策略——最简单的动量策略，简单趋势追踪策略相关推荐

Python 量化投资实战教程(3) —A股回测MACD策略
量化投资系列文章: Backtrader 教程 - Python 量化投资实战教程(1) Python 量化投资实战教程(2) -MACD策略(+26.9%) Python 量化投资实战教程(3) - ...
一位良心操盘手重磅推荐：MACD趋势追踪策略
来源: 汇商琅琊榜原文连接:https://mp.weixin.qq.com/s/WqfuhRMJ7zeqlBjBWOuSZw MACD趋势跟踪策略是实用的趋势跟踪策略之一.MACD指标是用来衡量移 ...
深入浅出Python量化交易实战--第2章回测与经典策略（下）
2.3 经典策略之海龟策略说起经典的交易策略,就不得不提到"海龟策略"--一个20世纪80 年代提出的,以海龟交易法则为核心的交易策略.其核心要点是:在股价超过过去N个交易日的 ...
python量化回测结果分析53课_#滑动平均策略——python回测结果（中山大学岭南学院量化投资协会）...
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 ...
金融量化-基于K线形态锤子线的趋势跟踪策略
1.基本原理 1.1 K线部位定义: 实体:某一根K线开盘价和收盘价之间部分; 上影线:某一根K线最高价到实体上端的部分; 下影线:某一根K线最低价到实体下端的部分; 1.2 锤子线定义实体处于整个 ...
5月24日趋势追踪策略分析股票
免责声明:本文资讯及行情数据分析仅作参考,不构成操作建议,据此操作风险自担.股市有风险,投资需谨慎! 一.上个交易日盘面分析: 1.资金攻击路径: 老创投(市北高新)→国产系统(湘邮科技)→华为(实达 ...
python海龟交易策略_【手把手教你】用Python量化海龟交易法则 - 简书
下面使用简化版的海龟交易法则进行历史回测,即不考虑仓位管理和动态止损/止盈条件,以唐奇安通道突破作为买入卖出信号. 交易规则为: (1)当今天的收盘价,大于过去20个交易日中的最高价时,以收盘价买入: ...
Python 量化投资实战教程(4) —KDJ 策略
量化投资系列文章: Backtrader 教程 - Python 量化投资实战教程(1) Python 量化投资实战教程(2) -MACD策略(+26.9%) Python 量化投资实战教程(3) - ...
Python 量化投资实战教程(2) —MACD策略(+26.9%)
量化投资系列文章: Backtrader 教程 - Python 量化投资实战教程(1) Python 量化投资实战教程(2) -MACD策略(+26.9%) Python 量化投资实战教程(3) - ...

python量化策略——最简单的动量策略，简单趋势追踪策略

趋势性动量策略有效性验证及实现

1相关性验证

2策略概要

3其他回测结果

其他量化策略

python量化策略——最简单的动量策略，简单趋势追踪策略相关推荐

最新文章

热门文章