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
|
8月前
|
存储 算法 调度
【复现】【遗传算法】考虑储能和可再生能源消纳责任制的售电公司购售电策略(Python代码实现)
【复现】【遗传算法】考虑储能和可再生能源消纳责任制的售电公司购售电策略(Python代码实现)
411 26
|
8月前
|
数据采集 Web App开发 前端开发
处理动态Token:Python爬虫应对AJAX授权请求的策略
处理动态Token:Python爬虫应对AJAX授权请求的策略
|
9月前
|
机器学习/深度学习 算法 调度
【EI复现】基于深度强化学习的微能源网能量管理与优化策略研究(Python代码实现)
【EI复现】基于深度强化学习的微能源网能量管理与优化策略研究(Python代码实现)
384 0
|
10月前
|
存储 监控 算法
基于 Python 跳表算法的局域网网络监控软件动态数据索引优化策略研究
局域网网络监控软件需高效处理终端行为数据,跳表作为一种基于概率平衡的动态数据结构,具备高效的插入、删除与查询性能(平均时间复杂度为O(log n)),适用于高频数据写入和随机查询场景。本文深入解析跳表原理,探讨其在局域网监控中的适配性,并提供基于Python的完整实现方案,优化终端会话管理,提升系统响应性能。
267 4
|
9月前
|
数据采集 存储 XML
Python爬虫XPath实战:电商商品ID的精准抓取策略
Python爬虫XPath实战:电商商品ID的精准抓取策略
|
9月前
|
Python
解决Python中AttributeError:'image'对象缺少属性'read_file'的问题策略。
通过上述策略综合考虑,您将能够定位问题并确定如何解决它。记住,Python社区很庞大,也很乐于帮助解决问题,因此不要害怕在求助时提供尽可能多的上下文和您已经尝试过的解决方案。
244 0
|
11月前
|
网络协议 API Python
解析http.client与requests在Python中的性能比较和改进策略。
最后,需要明确的是,这两种库各有其优点和适用场景。`http.client` 更适合于基础且并行的请求,`requests` 则因其易用且强大的功能,更适用于复杂的 HTTP 场景。对于哪种更适合你的应用,可能需要你自己进行实际的测试来确定。
270 10
|
8月前
|
数据采集 机器学习/深度学习 人工智能
Python:现代编程的首选语言
Python:现代编程的首选语言
1368 102
|
8月前
|
数据采集 机器学习/深度学习 算法框架/工具
Python:现代编程的瑞士军刀
Python:现代编程的瑞士军刀
475 104
|
8月前
|
人工智能 自然语言处理 算法框架/工具
Python:现代编程的首选语言
Python:现代编程的首选语言
368 103

推荐镜像

更多