技術標籤：量化投資python資料視覺化資料分析

前言

從股票市場開始到現在，已經研究出了眾多的指標，但是在使用的時候會發現，由於第二天股價的未知波動，指標顯示的情況並不一定每次都準確，總是會存在誤判的情況。對於這種不可避免的情況而言，我們只能想辦法將其量化、計算根據策略操作後的收益率、估計誤判的概率等

本文先選擇了 VRSI、BBIBOLL、WR、BIAS、RSI 五種指標來量化（一共會考慮了三十多種指標，由於篇幅問題一次討論五種），然後用十支股票來測試這五種策略的效果（實際情況是用了 3600+ 股票來統計策略效果，目前不方便展示結果）

免責宣告

此構想和分析中的任何內容均不應解釋為投資建議，過去的表現並不一定表示未來的結果。

指標策略量化分析

• 前言
• 免責宣告
• 資料準備
• 指標介紹
• • VRSI指標
  • BBIBOLL指標
  • WR指標
  • BIAS指標
  • RSI指標
• 最後的量化結果

資料準備

選擇了 600519 貴州茅臺、600031 三一重工、002594 比亞迪、601633 長城汽車、002074 國軒高科、300750 寧德時代、300014 億緯鋰能、000591 太陽能、002475 立訊精密、600862 中航高科 這十支股票 2020年1月1日 ~ 2021年1月15日 的資料來測試

部分程式碼片段

import pandas_datareader.data as web
import datetime

start = datetime.datetime(2020, 1,
 
 1)
end = datetime.datetime(2021, 1, 15)
df = web.DataReader(ticker, "yahoo", start, end)

指標介紹

VRSI指標

sma是平滑移動指標的計算函式

def vrsi(df, n=6):
    _vrsi = pd.DataFrame()
    _vrsi['date'] = df['date']
    px = df['volume'] - df['volume'].shift(1)
    px[px < 0] = 0
    _vrsi['vrsi'] = sma(px,
 
 n) / sma((df['volume'] - df['volume'].shift(1)).abs(), n) * 100
    return _vrsi

BBIBOLL指標

_ma是移動平均線的計算函式，_md是標準差的計算函式

def bbiboll(df, n=10, k=3):
    # pd.set_option('display.max_rows', 1000)
    _bbiboll = pd.DataFrame()
    _bbiboll['date'] = df.date
    _bbiboll['bbi'] = (_ma(df.close, 3) + _ma(df.close, 6) + _ma(df.close, 12) + _ma(df.close, 24)) / 4
    _bbiboll['boll_md'] = _md(_bbiboll.bbi, n)
    _bbiboll['upr'] = _bbiboll.bbi + k * _bbiboll.boll_md
    _bbiboll['dwn'] = _bbiboll.bbi - k * _bbiboll.boll_md
    return _bbiboll

WR指標

_ema是指數移動平均線的計算函式

def wr(df, n=14):
    _wr = pd.DataFrame()
    _wr['date'] = df['date']
    higest = df.high.rolling(n).max()
    _wr['wr'] = (higest - df.close) / (higest - df.low.rolling(n).min()) * 100
    return _wr

BIAS指標

sma是平滑移動指標的計算函式

def bias(df, n=12):
    _bias = pd.DataFrame()
    _bias['date'] = df.date
    _mav = df.close.rolling(n).mean()
    _bias['bias'] = (np.true_divide((df.close - _mav), _mav)) * 100
    return _bias

RSI指標

_md是標準差的計算函式

def rsi(df, n=6):
    _rsi = pd.DataFrame()
    _rsi['date'] = df['date']
    px = df.close - df.close.shift()
    px[px < 0] = 0
    _rsi['rsi'] = sma(px, n) / sma((df['close'] - df['close'].shift()).abs(), n) * 100
    return _rsi

最後的量化結果

由於篇幅和展示不便，不在文章中展示視覺化的買入賣出點位以及資金變動曲線

為了最簡潔的瞭解策略效果，初始資金設定為10000元，並且為了簡便不考慮必須整手買入的限制，每次都10000元全部買入，測試五種指標策略效果的同時測試2020.1.1買入並持有到2021.1.15的策略，比較最後資金多少來衡量策略效果

HOLD行是表示2020.1.1買入並持有到2021.1.15的策略最後的資金

資料視覺化在這裡不作展示，有資料後可以按照自己的習慣繪圖製表；更多的評估資料也不作展示

圖表中我們注意到
600031 這支股票採用WR指標策略的收益要高於一直持有策略
並且WR指標策略在 601633 這支上也有優於一直持有策略的表現
000591這支股票採用BIAS指標策略的收益要高於一直持有策略

雖然大部分的情況下按照指標操作的效果並不如長期持有策略，但是策略沒有持股的時候作為交易員當然會尋找新的機會，創造收益！