经典量化交易策略系列——线性回归的趋势跟踪系统

金融老法师

本篇通过各个收盘的波峰波谷做简单线性回归拟合出类似的趋势线，然后结合股价以及预测值来跟踪趋势。思路：上升趋势线用波谷拟合，用波峰的值和拟合预测值做比较；下降趋势线用波峰拟合，用波谷的值和拟合预测值做比较。

    注：这种拟合的方式也许信号发出的不一定准确，后续可以加上拟合度置信区间来提高信号的准确性。

1. #源码：
   
2. 
   
3. from datetime import datetime, timedelta
   
4. import numpy as np
   
5. import pandas as pd
   
6. from sklearn import datasets, linear_model
   
7. 
   
8. # 定义一个全局变量, 保存要操作的证券
   
9. security = '510180.XSHG'
   
10. # 初始化此策略
    
11. # 设置我们要操作的股票池, 这里我们只操作一支股票
    
12. set_universe([security])
    
13. 
    
14. arraySplitNum = 5
    
15. 
    
16. def initialize(context):
    
17.     g.fixedStartDate = datetime(2000,1,1)
    
18.     g.peakPrice = pd.DataFrame(columns=['xDays', 'yPrice', 'tDate'])
    
19.     g.throughPrice = pd.DataFrame(columns=['xDays', 'yPrice', 'tDate'])
    
20.     g.priceBuy = 0.0
    
21.    
    
22. # 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
    
23. def handle_data(context, data):
    
24.     hData = history(3, '1d', 'close', [security])
    
25.     hData.columns = ['close']
    
26.    
    
27.     pLen = len(g.peakPrice)
    
28.     tLen = len(g.throughPrice)
    
29.    
    
30.     # 计算相对时间变量
    
31.     xDays = (context.current_dt - g.fixedStartDate).days - 1
    
32.    
    
33.     if hData.iloc[-2].close >= hData.iloc[-3].close \
    
34.     and hData.iloc[-1].close <= hData.iloc[-2].close:
    
35.         # 这是波峰
    
36.         g.peakPrice.loc[pLen] = [xDays, hData.iloc[-2].close, context.current_dt + timedelta(days=-1)]
    
37.     elif hData.iloc[-2].close <= hData.iloc[-3].close \
    
38.     and hData.iloc[-1].close >= hData.iloc[-2].close:
    
39.         # 这是波谷
    
40.         g.throughPrice.loc[tLen] = [xDays, hData.iloc[-2].close, context.current_dt + timedelta(days=-1)]
    
41. 
    
42.     pricePredictP = data[security].pre_close
    
43.    
    
44.     pricePredictT = data[security].pre_close
    
45.    
    
46.     lastPePrice = pricePredictP
    
47.     lastThPrice = pricePredictT
    
48.    
    
49.     pLen = len(g.peakPrice)
    
50.     tLen = len(g.throughPrice)
    
51.     if  pLen > 1 :
    
52.         # Create linear regression object
    
53.         regrP = linear_model.LinearRegression()
    
54.         
    
55.         # Train the model using the training sets
    
56.         regrP.fit(np.reshape(g.peakPrice.xDays.values, pLen).reshape(pLen,1), g.peakPrice.yPrice.values)
    
57.         
    
58.         pricePredictP = regrP.predict(xDays)
    
59.         
    
60.         lastPePrice = g.peakPrice.ix[pLen - 1].yPrice
    
61.         
    
62.     if  tLen > 1 :
    
63.         # Create linear regression object
    
64.         regrT = linear_model.LinearRegression()
    
65.         
    
66.         # Train the model using the training sets
    
67.         regrT.fit(np.reshape(g.throughPrice.xDays.values, tLen).reshape(tLen,1), g.throughPrice.yPrice.values)
    
68.         
    
69.         pricePredictT = regrT.predict(xDays)
    
70.         lastThPrice = g.throughPrice.ix[tLen - 1].yPrice
    
71. 
    
72.     bsFlag = ''
    
73.     lastClosePrice = data[security].pre_close
    
74.     if lastClosePrice > pricePredictP or lastThPrice > pricePredictP:
    
75.         bsFlag = '+'
    
76.     elif lastClosePrice < pricePredictT or lastPePrice < pricePredictT:
    
77.         bsFlag = '-'
    
78.    
    
79.     # 取得当前价格
    
80.     current_price = data[security].open
    
81.     # 取得当前的现金
    
82.     cash = context.portfolio.cash
    
83.    
    
84.     if bsFlag == '+' and g.priceBuy == 0 :
    
85.         # 全仓买入
    
86.         # 计算可以买多少只股票
    
87.         number_of_shares = int(cash/current_price)
    
88.         # 购买量大于0时，下单
    
89.         if number_of_shares > 0:
    
90.             # 买入股票
    
91.             order(security, +number_of_shares)
    
92.             g.priceBuy = current_price
    
93.             # 记录这次买入
    
94.             log.info(str(context.current_dt) + " Buying %s" % (security))
    
95.         #g.peakPrice = pd.DataFrame(columns=['xDays', 'yPrice', 'tDate'])
    
96.     elif bsFlag == '-' and g.priceBuy > 0 :
    
97.         # 清仓卖出
    
98.         # 卖出所有股票,使这只股票的最终持有量为0
    
99.         order_target(security, 0)
    
100.         g.priceBuy = 0.0
     
101.         g.throughPrice = pd.DataFrame(columns=['xDays', 'yPrice', 'tDate'])
     
102.         # 记录这次卖出
     
103.         log.info(str(context.current_dt) + " Selling %s" % (security))
     
104.    
     
105.     #record(closeP=data[security].close)
     
106.     record(peakP=pricePredictP)
     
107.     record(throughP=pricePredictT)
     
108.     #record(lastThP=lastThPrice)
     
109.     #record(peakP=pricePredictP)
     
110. 
     
111. 
     

复制代码

gyshssl

线性回归的趋势跟踪系统，牛逼