Python编写动量交易策略(下)

简介: Python编写动量交易策略(下)

4. 绘制K线图与动量图

这次,我们选择使用万能的mplfinance库。

def candel_momen_plot(df, period):
    import matplotlib.pyplot as plt
    import mplfinance as mpf
    price = df.Close
    lagPrice = price.shift(period)
    momen = price - lagPrice
    momen = momen.dropna()
    df1 = df.loc[momen.index[0]:, :]  # 使K线图起始时间与动量图相同
    s = mpf.make_mpf_style(base_mpf_style='nightclouds', rc={
   'font.family': 'SimHei', 'axes.unicode_minus': 'False'})
    add_plot = [mpf.make_addplot(momen)]
    mpf.plot(df1, type='candle', style=s, title='K线图与动量图', addplot=add_plot, volume=True)

# 调用
candel_momen_plot(df['2020'],5)

生成图像如下(nightclouds风格):
在这里插入图片描述

5. 动量交易策略的制定

四个步骤:

  • 获取数据
  • 确定时间跨度与计算方法
  • 选择关键点
  • 回测与评价。

最直觉的交易策略是动量大于0,说明股票还有上涨的能量,释放出买入信号。反之则相反。
在时间跨度m的设定上,仁者见仁智者见智,没有统一标准。
本次接下来计算将其设置为35日。

# 这次我们提取平安银行从2019年到昨天(2021-04-26)的收盘数据
Close = df['2019':'2021'].Close
momen35 = momentum(Close,35)    # 使用前边定义过的函数
signal = []   # 交易信号空列表
#  动量值为负表示卖出
# 动量值为正表示买入
for i in momen35:
    if i > 0:
        signal.append(1)
    else:
        signal.append(-1)

signal = pd.Series(signal, index=momen35.index)        

# 根据买卖点,指定买入和卖出交易,并计算收益率
tradeSig = signal.shift(1)    # 滞后一天交易
ret = Close/Close.shift(1)-1    # 计算收益率
Mom35Ret = (ret*tradeSig).dropna()  # 去空值

查看一下:
在这里插入图片描述

# 策略评价
# 计算胜率
win=Mom35Ret[Mom35Ret>0]
winrate = len(win)/len(Mom35Ret != 0)

查看胜率结果:
在这里插入图片描述

还没完,然后我们可以根据收益率与动量交易策略收益率的时序图,查看收益率分布情况:

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

plt.subplot(211)
plt.plot(ret[-len(Mom35Ret):],'b')
plt.ylabel('return')
plt.title('收益率时序图')
plt.subplot(212)
plt.plot(Mom35Ret,'r')
plt.ylabel('Mom35Ret')
plt.title('动量交易策略收益率时序图')
plt.show()

效果如下:
在这里插入图片描述
(这一点需要说明一下:在python console中,只要用mplfinance绘了一次图,在再次打开python console前,前边设定的风格会一直沿用下去了,会影响到matplotlib.pyplot。)

再然后,我们可以将预测成功与预测失败的收益率进行比较分析:

loss = -Mom35Ret[Mom35Ret < 0]

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.subplot(211)
win.hist()
plt.title("盈利直方图")

plt.subplot(212)
loss.hist()
plt.title("损失直方图")

如图所示:
在这里插入图片描述

最后,我们计算两种收益率的平均值与分位数值:

performance = pd.DataFrame({
   "win":win.describe(),"loss":loss.describe()})

查看结果:
在这里插入图片描述
投资有风险,入市需谨慎。量化投资要结合多种策略的结论,而非单一指标。动量交易策略也只是其一。


路过的各路神仙大佬哥哥姐姐叔叔阿姨们,如果觉得我写得还可以的,就请点一下那个红色的关注按钮吧。以及那个灰色的大拇指,让它变成红色吧。
更多内容,敬请期待,博主会持续更新。感谢来访!

目录
相关文章
|
2月前
|
机器学习/深度学习 Python
堆叠集成策略的原理、实现方法及Python应用。堆叠通过多层模型组合,先用不同基础模型生成预测,再用元学习器整合这些预测,提升模型性能
本文深入探讨了堆叠集成策略的原理、实现方法及Python应用。堆叠通过多层模型组合,先用不同基础模型生成预测,再用元学习器整合这些预测,提升模型性能。文章详细介绍了堆叠的实现步骤,包括数据准备、基础模型训练、新训练集构建及元学习器训练,并讨论了其优缺点。
62 3
|
3月前
|
数据可视化 数据处理 Python
如何使用Python实现一个基于均线的交易策略
【10月更文挑战第9天】本文介绍了如何使用Python实现一个基于均线的交易策略。主要步骤包括导入所需库(如`pandas`、`numpy`和`matplotlib`),加载股票或期货的历史数据,计算均线和其他指标,实现交易策略逻辑,以及可视化交易结果。示例代码展示了如何根据均线交叉点进行开仓、止损和止盈操作,并提供了注意事项,如数据来源、交易成本和风险管理。
104 7
|
2月前
|
数据采集 存储 算法
Python 中的数据结构和算法优化策略
Python中的数据结构和算法如何进行优化?
|
3月前
|
机器学习/深度学习 数据采集 TensorFlow
智能市场营销策略优化:使用Python实现深度学习模型
【10月更文挑战第1天】 智能市场营销策略优化:使用Python实现深度学习模型
190 63
|
2月前
|
算法 数据处理 开发者
超越传统:Python二分查找的变种策略,让搜索效率再上新台阶!
本文介绍了二分查找及其几种Python实现的变种策略,包括经典二分查找、查找第一个等于给定值的元素、查找最后一个等于给定值的元素以及旋转有序数组的搜索。通过调整搜索条件和边界处理,这些变种策略能够适应更复杂的搜索场景,提升搜索效率和应用灵活性。
39 5
|
2月前
|
Python
不容错过!Python中图的精妙表示与高效遍历策略,提升你的编程艺术感
本文介绍了Python中图的表示方法及遍历策略。图可通过邻接表或邻接矩阵表示,前者节省空间适合稀疏图,后者便于检查连接但占用更多空间。文章详细展示了邻接表和邻接矩阵的实现,并讲解了深度优先搜索(DFS)和广度优先搜索(BFS)的遍历方法,帮助读者掌握图的基本操作和应用技巧。
41 4
|
2月前
|
算法 IDE API
Python编码规范与代码可读性提升策略####
本文探讨了Python编码规范的重要性,并深入分析了如何通过遵循PEP 8等标准来提高代码的可读性和可维护性。文章首先概述了Python编码规范的基本要求,包括命名约定、缩进风格、注释使用等,接着详细阐述了这些规范如何影响代码的理解和维护。此外,文章还提供了一些实用的技巧和建议,帮助开发者在日常开发中更好地应用这些规范,从而编写出更加清晰、简洁且易于理解的Python代码。 ####
|
2月前
|
数据采集 Web App开发 JavaScript
爬虫策略规避:Python爬虫的浏览器自动化
爬虫策略规避:Python爬虫的浏览器自动化
|
2月前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
86 5
|
算法 Python 设计模式
python设计模式(二十二):策略模式
策略模式,让一个类的行为或其算法可以在运行时更改,策略是让实例化对象动态的更改自身的某些方法使用的是types.MethodType绑定。 说起策略的动态更改方法,就不得不对比一下元类的动态增加方法,元类是类的抽象,它负责一个抽象类创建、实例化,是通过type函数来绑定方法。
1381 0