量化投资Word格式文档下载.docx

量化投资Word格式文档下载.docx

《量化投资Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《量化投资Word格式文档下载.docx（11页珍藏版）》请在冰豆网上搜索。

特点是买入网格小于卖出网格。

这种不对称编织网格的道理在于网格的目的是网获利润，将利润建立在趋势的必然性中，而不仅仅是靠震荡的偶然性。

先讲特点和局限吧

首先，定理&

公理：

没有万能的策略。

∙1.趋势决定策略的成败。

在长期的上涨趋势中策略才能获得满意回报。

∙2.选股集中在波动大、成长性好的中小市值股票。

不断盘整的周期股、大盘股和业绩不佳的垃圾股踩中就麻烦了。

∙3.底仓价格设定在安全边际内。

在估值顶部设立底仓价格风险极大，会造成很大的损失。

∙4.牛市表现不佳。

分散的仓位策略，没有依据价格形态来修改网格，都可能在牛市中跑输大盘。

降低贝塔的代价就是阿尔法也较低。

∙5.买卖规则不灵活，可能使一些重要的突破支持或阻力位置的买卖点被忽略在网格之外。

来看看策略步骤

1.选股

∙重点行业：

I64互联网和相关服务，I65软件和信息技术服务业

∙低估值PE小：

PE<

50

∙小市值：

分行业按市值排列选市值小的30只

∙高波动：

分行业在市值最小的30只中选出过去一年波动率最大的5只股票

∙So，我们的股票池有10只股。

每3个月按上述条件更新一次股票池，更新时不在新股票池的股票全部清仓。

2.网格：

[-3%买，5%卖]、[-5%买，10%卖]、[-8%买，15%卖]、[-12%买，20%卖]

∙四种大小的网格都会相应尝试一下看看效果。

3.资金安排：

在仓位控制时，满仓的概念是（总资金/股票池总数*2.5）

∙后面的乘数是为了提高资金利用率，因为3个月的周期内可能不是每只股票都能达到满仓。

好啦，收韭菜的时候到了

回测做了很多组，大致是分市场行情（牛、震荡和熊）各做了一次。

然后在震荡期调整网格大小分别做了4次。

结论

∙1.记住啦：

熊市大网格、震荡小网格、长周期中间网格。

这个比较好理解，网格小意味着操作频繁，震荡周期就是勤能补拙了，多多的交易，熊市的话大网格容忍度高一些。

∙2.【熊市】：

选取2015-6-1至2016-1-26日，大网格-12%买，20%卖。

最好的结果是半年多盈利20%（大盘同期大跌35%），年化40%+

∙【长周期】：

选取2010-1-1至2015-12-31日，中网格-8%买，15%卖。

最好的结果是6年241%（大盘同期4%），年化23%。

∙【震荡期】：

选取2012-1-1至2013-12-31日，小网格-3%买，5%卖。

最好的结果2年68%（大盘同期-0.5%），年化29.6%。

∙3.下面上一个熊市大网格的回测结果，剩下的大家可以自己克隆代码改参数试咯~

补充

1.小市值选股对策略的影响。

这是个讲交易方法的策略，那么高收益是否因为按小市值筛选股票得来的呢？

仔细看代码会发现，这个策略选股的要点是波动率，而非小市值。

下面加一下去掉小市值条件的长周期回测效果（加小市值：

240%，不加小市值232%，并没太大的影响）

2.行业选取对策略的影响

高成长性行业的股票本来就收益可观，那我们看看控制单一变量，去掉网格交易方法，长期持有股票池的股票效果如何。

注意：

这里每3个月股票池轮换还是在做的，大盘止损的条件也不变。

（长期持有：

157%，运用网格交易：

240%，采用网格交易收益更高，回撤也小一些）

最后：

这不是教科书，这不是教科书，这不是教科书。

精要的是思想，细节的东西大家到搬砖贴里自行学习，有问题欢迎交流讨论，欢迎拍砖~

importnumpy

importpandasaspd

frompandasimportSeries

definitialize（context）:

g.count=30

g.cash=1000000

g.buy_stock=[]

g.initial_price={}

g.month=context.current_dt.month

run_monthly（select_stock_by_industry,1,'

open'

）

#选股

#重点行业，低估值PE小，优质蓝筹市值大，高波动

defselect_stock_by_industry（context）:

#每3个月更新

month=context.current_dt.month

ifmonth%3!

=g.month%3:

return

industry_list=[

#'

C27'

'

C39'

I63'

'

I64'

I65'

K70'

M73'

M74'

#,'

N77'

R86'

R87'

]

stocks=[]

forindustry_codeinindustry_list:

stock_set=get_industry_stocks（industry_code）

#选fundamental比较好的前15只,pe_ration<

30，market_cap，按market_cap取后20只股票。

q=query（

valuation.code,valuation.market_cap,valuation.pe_ratio

）.filter（

valuation.code.in_（stock_set）,

valuation.pe_ratio<

50

）.order_by（

valuation.market_cap.desc（）

）.limit（

g.count

）

df=get_fundamentals（q）

stock_set=list（df['

code'

]）

#取波动率最高的2只

variance_list=[]

forstockinstock_set:

variance_list.append（variance（stock））

s1=Series（variance_list,index=stock_set）.rank（）

stocks=list（s1[s1<

6].index）

forstockinstocks:

g.buy_stock.append（stock）

g.initial_price[stock]=0

set_universe（g.buy_stock）

reset_position（context）

returnNone

#轮换选股后清除新股票池外的持仓

reset_position（context）:

ifcontext.portfolio.positions.keys（）!

=[]:

forstockincontext.portfolio.positions.keys（）:

ifstocknoting.buy_stock:

order_target_value（stock,0）

#计算波动率

defvariance（security_code）:

hist1=attribute_history（security_code,180,'

1d'

'

close'

df=False）

narray=numpy.array（hist1['

sum1=narray.sum（）

narray2=narray*narray

sum2=narray2.sum（）

N=len（hist1['

mean=sum1/N

var=sum2/N-mean**2

returnvar

#计算股票前n日收益率

defsecurity_return（days,security_code）:

hist1=attribute_history（security_code,days+1,'

security_returns=（hist1['

][-1]-hist1['

][0]）/hist1['

][0]

returnsecurity_returns

#止损，根据前n日收益率

defconduct_nday_stoploss（context,security_code,days,bench）:

ifsecurity_return（days,security_code）<

=bench:

forstocking.buy_stock:

order_target_value（stock,0）

log.info（"

Sell%sforstoploss"

%stock）

returnTrue

else:

returnFalse

#计算股票累计收益率（从建仓至今）

defsecurity_accumulate_return（context,data,stock）:

current_price=data[stock].price

cost=context.portfolio.positions[stock].avg_cost

ifcost!

=0:

return（current_price-cost）/cost

#个股止损，根据累计收益

defconduct_accumulate_stoploss（context,data,stock,bench）:

ifsecurity_accumulate_return（context,data,stock）!

=None\

andsecurity_accumulate_return（context,data,stock）<

bench:

returnTrue

#选股：

连续N日下跌

defis_fall_nday（days,stock）:

his=history（days+1,'

[stock],df=False）

cnt=0

foriinrange（days）:

daily_returns=（his[stock][i+1]-his[stock][i]）/his[stock][i]

ifdaily_returns<

0:

cnt+=1

ifcnt==5:

returnTrue

#比较现价与N日均价

defcompare_current_nmoveavg（data,stock,days,multi）:

moveavg=data[stock].mavg（days）

ifcurrent_price>

multi*moveavg:

returnFalse

#初始底仓选择，判断没有initial_price，则建立基准价

definitial_price（context,data,stock）:

ifg.initial_price[stock]==0:

g.initial_price[stock]=data[stock].price

#补仓、空仓：

分n买入/卖出

defsetup_position（context,data,stock,bench,status）:

bottom_price=g.initial_price[stock]

ifbottom_price==0:

return

cash=context.portfolio.cash

amount=context.portfolio.positions[stock].amount

current_value=current_price*amount

unit_value=g.cash/40

returns=（current_price-bottom_price）/bottom_price

#卖出

if（status=='

short'

）:

ifreturns>

benchandcurrent_value>

6*unit_value:

order_target_value（stock,6*unit_value）

2*benchandcurrent_value>

3*unit_value:

order_target_value（stock,3*unit_value）

3*benchandcurrent_value>

1*unit_value:

order_target_value（stock,1*unit_value）

4*benchandcurrent_value>

#买入

long'

）andcash>

ifreturns<

benchandcurrent_value<

4*unit_value:

order_target_value（stock,4*unit_value）

2*benchandcurrent_value<

7*unit_value:

order_target_value（stock,7*unit_value）

3*benchandcurrent_value<

9*unit_value:

order_target_value（stock,9*unit_value）

4*benchandcurrent_value<

10*unit_value:

order_target_value（stock,10*unit_value）

returnTrue

#每个单位时间（如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次）调用一次

defhandle_data（context,data）:

#指数止损，前一天跌幅大于3%

ifconduct_nday_stoploss（context,'

000001.XSHG'

2,-0.03）:

ifconduct_accumulate_stoploss（context,data,stock,-0.2）:

#1.连续5日下跌，不操作

ifis_fall_nday（5,stock）:

return

#2.大于5日平均或10日平均1.5倍以上,不操作

ifcompare_current_nmoveavg（data,stock,5,1.5）\

orcompare_current_nmoveavg（data,stock,10,1.5）:

#初始设置底仓

initial_price（context,data,stock）

#补仓步长：

-3%，-5%，-8%，-12%

setup_position（context,data,stock,-0.08,'

#空仓步长：

5%，10%，15%，20%

setup_position（context,data,stock,0.15,'