经典量化交易策略之羊驼
你的选股策略真的有效吗？其实不一定有随机小泽效果好，以前电视台展示过一个策略:羊驼来选股，即每天卖掉持有的股票中收益率最差的一只，然后让羊驼随机选入一只股票来买，结果收货颇丰。人们根据这种情况开始尝试使用羊驼来选股，本文介绍根据每天持有收益率最靠前的股票来选股的策略。 1. 基本原理 在这个量化交易策略中，对股票池中的所有股票，每天按照收益率从小到大进行排序，起始时买入num_of_stocks只股票，然后每天在整个股票池中选出收益率前num_of_stocks，如果这些股票未持有则买入，已持有，则继续持有，并把收益率不是排在前num_of_stocks的股票卖掉。 2.策略实现 初始资金：20万元 投资域：沪深300股票池 回测频率 ：按日回测 回测时间段 ：2012年1月2日至2015年10月8日(和股票上市实际时间段的交集 ) 羊驼策略-每天持有收益率前n选股流程 1.设置策略参数，初始买入的股票数num_of_stocks，收益率计算所用天数period，其中收益率=昨天的收盘价/period天之前的收盘价。 2.将股票池内的股票按照收益率排序，买入收益率最高的num_of_stocks只股票。 3.之后的每天都将所有股票按收益率排序，如果股票池中有处于收益率前num_of_stocks而未持有的则买入，并卖掉收益率不处于前num_of_stocks的 注：在本策略中，如果遇到选中的股票停牌导致无法卖出/买入，当天不卖出/不买入此股票，在第二天多卖一只/多买一只源码：
import random
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import scipy.stats as stats
import math
# 设置股票池，本程序中为所有沪深300的股票
stocks = get_index_stocks('000300.XSHG')
#求出股票池中有多少股票
num=len(stocks)
set_universe(stocks)
#设置benchmark，默认为沪深300
#set_benchmark('510050.XSHG')
#设置回测条件
set_commission(PerTrade(buy_cost=0.0008, sell_cost=0.0015, min_cost=5))set_slippage(FixedSlippage(0))
#设置初始买入多少只股票
num_of_stocks=5
#设置计算几日收益率
period=5
#用一个列表来保存每天持有的股票代码
stockshold=[]
#判断参数输入是否符合条件，如果不符合，则重置为默认值
if num_of_stocks>num:
log.info("too large num_of_stocks")
num_of_stocks=10
#预处理数据，将没有数据的股票剔除，同时加入收益率
#构成一个列索引为股票名，收益率一行的索引为
#'return'的dataframe，并返回这个dataframe
def process():
#取出每只股票period天的收盘价格
stocks_info=history(period,'1d','close')
#去除信息不全的数据
stocks_info.dropna(axis=0,how='any',thresh=None)
#取出昨天和period天之前的收盘价，计算收益率
a1=list(stocks_info.iloc)
a2=list(stocks_info.iloc)
a1=np.array(a1)
a2=np.array(a2)
#用一个dataframe来保存所有股票的收益率信息
stocks_return=DataFrame(a2/a1,columns=['return'],index=stocks_info.columns)
stocks_info=stocks_info.T
#把收益率的数据加到相应的列
stocks_info=pd.concat(,axis=1)
#将股票信息按照收益率从大到小来存储
stocks_info=stocks_info.sort(columns=['return'],ascending=)
#返回处理好的dataframe
return stocks_info
#股票入池
def BuyStocks(stocks_info,cash):
#计算现在持有的股票数
current_num=len(stockshold)
stocks_info=stocks_info.T
#将已持有的股票从股票池中剔除
for i in range(0,current_num):
if stockshold in stocks_info.columns:
del stocks_info]
stocks_info=stocks_info.T
#计算在每只股票上可以支付的现金
if num_of_stocks-current_num>0:
cash=cash/(num_of_stocks-current_num)
for i in range(0,num_of_stocks-current_num):
#取得股票当前的价格
current_price=stocks_info['current_price']
#判断是否有价格数据
if math.isnan(current_price)==False:
#计算可以每只股票可以购买的数量
num_of_shares=int(cash/current_price)
if num_of_shares>0:
order(stocks_info.index,+num_of_shares)
log.info("buying %s" %(stocks_info.index))
#将购买的股票代码加到stockhold中
stockshold.append(stocks_info.index)
#股票出池
def SellStocks(stocks_info):
stocks_hold=DataFrame()
stocksremove=[]
current_num=len(stockshold)
#用一个dataframe来保存收益率前n的股票的信息
for i in range(0,num_of_stocks):
stocks_hold=pd.concat(],axis=1) #找出目前持有的股票中不处于收益率前n的股票
for i in range(0,current_num):
#判断股票是否因缺数据而不在更新后的stocks_info里
if stockshold in stocks_info.index:
#如果股票不在收益率前n的股票中
if stockshold not in stocks_hold.columns:
#在stocksremove中保存该股票代码，以便从stockshold中删除
stocksremove.append(stockshold)
#如果该股票未停牌
if stocks_info['paused']]=='False':
#则将其卖出
order_target(stockshold,0)
#将收益率不在前n的股票从stockshold中删除
for i in range(0,len(stocksremove)):
stockshold.remove(stocksremove)
# 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
def handle_data(context, data):
stocks_info=process()
stocks_num=len(stocks_info.index)
#用一个列表来保存所有股票是否停牌的信息
pause=[]
for i in range(0,stocks_num):
if data].paused==True:
pause.append('True')
else:
pause.append('False')
#将列表转换成dataframe以便加入到stocks_info中
paused=DataFrame(pause,columns=['paused'],index=stocks_info.index) stocks_info=pd.concat(,axis=1)
#用一个列表来保存所有股票当前的价格信息
currentprice=[]
for i in range(0,stocks_num):
currentprice.append(data].price)
current_price=DataFrame(currentprice,columns=['current_price'],index=stocks_info.index)
#将股票是否停牌，当前价格的信息添加到stocks_info中
stocks_info=pd.concat(,axis=1)
#取得当前现金
cash=context.portfolio.cash
#执行卖出股票的函数
SellStocks(stocks_info)
#执行买入股票的函数
BuyStocks(stocks_info,cash)
人有时候不一定有羊驼选股好
页:
[1]