经典量化交易策略之羊驼

geek168

　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

1. 源码：
   
2. 　　import random
   
3. 　　import numpy as np
   
4. 　　import pandas as pd
   
5. 　　from pandas import Series,DataFrame
   
6. 　　import scipy.stats as stats
   
7. 　　import math
   
8. 　　# 设置股票池，本程序中为所有沪深300的股票
   
9. 　　stocks = get_index_stocks('000300.XSHG')
   
10. 　　#求出股票池中有多少股票
    
11. 　　num=len(stocks)
    
12. 　　set_universe(stocks)
    
13. 　　#设置benchmark，默认为沪深300
    
14. 　　#set_benchmark('510050.XSHG')
    
15. 　　#设置回测条件
    
16. 　　set_commission(PerTrade(buy_cost=0.0008, sell_cost=0.0015, min_cost=5))set_slippage(FixedSlippage(0))
    
17. 　　#设置初始买入多少只股票
    
18. 　　num_of_stocks=5
    
19. 　　#设置计算几日收益率
    
20. 　　period=5
    
21. 　　#用一个列表来保存每天持有的股票代码
    
22. 　　stockshold=[]
    
23. 　　#判断参数输入是否符合条件，如果不符合，则重置为默认值
    
24. 　　if num_of_stocks>num:
    
25. 　　log.info("too large num_of_stocks")
    
26. 　　num_of_stocks=10
    
27. 　　#预处理数据，将没有数据的股票剔除，同时加入收益率
    
28. 　　#构成一个列索引为股票名，收益率一行的索引为
    
29. 　　#'return'的dataframe，并返回这个dataframe
    
30. 　　def process():
    
31. 　　#取出每只股票period天的收盘价格
    
32. 　　stocks_info=history(period,'1d','close')
    
33. 　　#去除信息不全的数据
    
34. 　　stocks_info.dropna(axis=0,how='any',thresh=None)
    
35. 　　#取出昨天和period天之前的收盘价，计算收益率
    
36. 　　a1=list(stocks_info.iloc[0])
    
37. 　　a2=list(stocks_info.iloc[period-1])
    
38. 　　a1=np.array(a1)
    
39. 　　a2=np.array(a2)
    
40. 　　#用一个dataframe来保存所有股票的收益率信息
    
41. 　　stocks_return=DataFrame(a2/a1,columns=['return'],index=stocks_info.columns)
    
42. 　　stocks_info=stocks_info.T
    
43. 　　#把收益率的数据加到相应的列
    
44. 　　stocks_info=pd.concat([stocks_info,stocks_return],axis=1)
    
45. 　　#将股票信息按照收益率从大到小来存储
    
46. 　　stocks_info=stocks_info.sort(columns=['return'],ascending=[False])
    
47. 　　#返回处理好的dataframe
    
48. 　　return stocks_info
    
49. 　　#股票入池
    
50. 　　def BuyStocks(stocks_info,cash):
    
51. 　　#计算现在持有的股票数
    
52. 　　current_num=len(stockshold)
    
53. 　　stocks_info=stocks_info.T
    
54. 　　#将已持有的股票从股票池中剔除
    
55. 　　for i in range(0,current_num):
    
56. 　　if stockshold[i] in stocks_info.columns:
    
57. 　　del stocks_info[stockshold[i]]
    
58. 　　stocks_info=stocks_info.T
    
59. 　　#计算在每只股票上可以支付的现金
    
60. 　　if num_of_stocks-current_num>0:
    
61. 　　cash=cash/(num_of_stocks-current_num)
    
62. 　　for i in range(0,num_of_stocks-current_num):
    
63. 　　#取得股票当前的价格
    
64. 　　current_price=stocks_info['current_price'][i]
    
65. 　　#判断是否有价格数据
    
66. 　　if math.isnan(current_price)==False:
    
67. 　　#计算可以每只股票可以购买的数量
    
68. 　　num_of_shares=int(cash/current_price)
    
69. 　　if num_of_shares>0:
    
70. 　　order(stocks_info.index[i],+num_of_shares)
    
71. 　　log.info("buying %s" %(stocks_info.index[i]))
    
72. 　　#将购买的股票代码加到stockhold中
    
73. 　　stockshold.append(stocks_info.index[i])
    
74. 　　#股票出池
    
75. 　　def SellStocks(stocks_info):
    
76. 　　stocks_hold=DataFrame()
    
77. 　　stocksremove=[]
    
78. 　　current_num=len(stockshold)
    
79. 　　#用一个dataframe来保存收益率前n的股票的信息
    
80. 　　for i in range(0,num_of_stocks):
    
81. 　　stocks_hold=pd.concat([stocks_hold,stocks_info.iloc[i]],axis=1) #找出目前持有的股票中不处于收益率前n的股票
    
82. 　　for i in range(0,current_num):
    
83. 　　#判断股票是否因缺数据而不在更新后的stocks_info里
    
84. 　　if stockshold[i] in stocks_info.index:
    
85. 　　#如果股票不在收益率前n的股票中
    
86. 　　if stockshold[i] not in stocks_hold.columns:
    
87. 　　#在stocksremove中保存该股票代码，以便从stockshold中删除
    
88. 　　stocksremove.append(stockshold[i])
    
89. 　　#如果该股票未停牌
    
90. 　　if stocks_info['paused'][stockshold[i]]=='False':
    
91. 　　#则将其卖出
    
92. 　　order_target(stockshold[i],0)
    
93. 　　#将收益率不在前n的股票从stockshold中删除
    
94. 　　for i in range(0,len(stocksremove)):
    
95. 　　stockshold.remove(stocksremove[i])
    
96. 　　# 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
    
97. 　　def handle_data(context, data):
    
98. 　　stocks_info=process()
    
99. 　　stocks_num=len(stocks_info.index)
    
100. 　　#用一个列表来保存所有股票是否停牌的信息
     
101. 　　pause=[]
     
102. 　　for i in range(0,stocks_num):
     
103. 　　if data[stocks_info.index[i]].paused==True:
     
104. 　　pause.append('True')
     
105. 　　else:
     
106. 　　pause.append('False')
     
107. 　　#将列表转换成dataframe以便加入到stocks_info中
     
108. 　　paused=DataFrame(pause,columns=['paused'],index=stocks_info.index) stocks_info=pd.concat([stocks_info,paused],axis=1)
     
109. 　　#用一个列表来保存所有股票当前的价格信息
     
110. 　　currentprice=[]
     
111. 　　for i in range(0,stocks_num):
     
112. 　　currentprice.append(data[stocks_info.index[i]].price)
     
113. 　　current_price=DataFrame(currentprice,columns=['current_price'],index=stocks_info.index)
     
114. 　　#将股票是否停牌，当前价格的信息添加到stocks_info中
     
115. 　　stocks_info=pd.concat([stocks_info,current_price],axis=1)
     
116. 　　#取得当前现金
     
117. 　　cash=context.portfolio.cash
     
118. 　　#执行卖出股票的函数
     
119. 　　SellStocks(stocks_info)
     
120. 　　#执行买入股票的函数
     
121. 
     
122. 　　BuyStocks(stocks_info,cash)

复制代码

gyshssl

人有时候不一定有羊驼选股好