【大数据】—量化交易实战案例双均线策略（移动平均线）

声明：股市有风险，投资需谨慎！本人没有系统学过金融知识，对股票有敬畏之心没有踏入其大门，今天用另外一种方法模拟炒股，后面的模拟的实战全部用同样的数据，最后比较哪种方法赚的钱多。

量化交易，也被称为算法交易，是一种使用数学模型和计算机算法来分析市场数据、识别交易机会并自动执行交易的交易方式。这种交易方法依赖于统计学、数学和计算机科学，以减少人为情绪和主观判断的影响，提高交易效率和精确度。下面是量化交易的一些关键点：

• 数据驱动：量化交易依赖于大量的历史和实时市场数据，包括价格、成交量、财务报告等。

• 模型构建：交易者使用统计和机器学习技术来构建预测模型，这些模型可以识别市场趋势、价格模式或异常事件。

• 策略开发：基于模型的预测，开发交易策略，这些策略可以是趋势跟踪、均值回归、套利等。

• 自动化执行：一旦策略确定，交易可以完全自动化，由计算机程序执行，无需人工干预。

• 风险管理：量化交易还包括风险管理算法，以确保交易在可接受的风险水平内进行。

• 高频交易（HFT）：一种特殊的量化交易，特点是交易频率极高，可能在几毫秒内完成数百甚至数千笔交易。

• 成本和效率：由于减少了交易中的人工环节，量化交易可以降低交易成本并提高执行速度。

• 监管合规：量化交易需要遵守金融市场的监管规定，包括交易规则和数据保护法规。

优势： 量化交易的优势在于其能够快速处理大量数据，发现人类难以察觉的模式和机会。
挑战： 模型可能过于依赖历史数据而无法准确预测未来市场变化，或者在市场极端波动时可能失效。

import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
plt.rcParams ['font.sans-serif'] ='SimHei'      #显示中文
plt.rcParams ['axes.unicode_minus']=False       #显示负号
zgpa = pd.read_csv('history_k_data.csv')
zgpa = zgpa.set_index('date')
zgpa.head()

导入之前获取的数据：

典型的“美国线”数据，open代表当日开盘价格，high代表当日最高价格，low代表当日最低价格，close代表当日收盘价格。我们还需要增加几个维度来分析，为了不影响原表，我们构建一个新表。

新建一个表单，命名为strategy（策略），计算交易的信号和下单数量：

#序号保持和原始数据一致
strategy = pd.DataFrame(index = zgpa.index)
#添加一个signal字段，用来存储交易信号
strategy['signal'] = 0
#将5日均价保存到avg_5这个字段
strategy['avg_5'] = zgpa['close'].rolling(5).mean()
#同样，将10日均价保存到avg_10
strategy['avg_10'] = zgpa['close'].rolling(10).mean()
#当5日均价大于10日均价时，标记为1
#反之标记为0
strategy['signal'] = np.where(strategy['avg_5']>strategy['avg_10'], 1,0)
#根据交易信号的变化下单，当交易信号从0变成1时买入
#交易信号从1变成0时卖出
#交易信号不变时不下单
strategy['order'] = strategy['signal'].diff()
#查看数据表后10行
strategy.tail(10)

先介绍今天的移动平均线追踪策略：在这种策略中，一般采用5天均值和10天均值，如果5日均线上穿突破了10日均线，说明股价在最近的涨势很猛，买入信号。若下穿了10日均线，说明最近的跌幅较大，应该卖出。

表格情况：
signal列用于存储交易信号0变成1是买入，1变成0时卖出。
avg_5列采用窗口移动计算5日均值。
avg_10列采用窗口移动计算10日均值。
order列表示交易信号变时下单。

窗口移动计算如上图如示，只不过上图是计算7列，我只计算5列和10列。

数据可视化：

#创建尺寸为10*5的画布
plt.figure(figsize=(10,5))
#使用实线绘制股价
plt.plot(zgpa['close'],lw=2,label='price')
#使用虚线绘制5日均线
plt.plot(strategy['avg_5'],lw=2,ls='--',label='avg5')
#使用-.风格绘制10日均线
plt.plot(strategy['avg_10'],lw=2,ls='-.',label='avg10')
#将买入信号用正三角进行标示
plt.scatter(strategy.loc[strategy.order==1].index,
           zgpa['close'][strategy.order==1],
           marker = '^', s=80,color='r',label='Buy')
#将卖出信号用倒三角进行标示
plt.scatter(strategy.loc[strategy.order==-1].index,
           zgpa['close'][strategy.order==-1],
           marker = 'v', s=80,color='g',label='Sell')
#添加图注
plt.legend()
plt.xticks([0,12,24,36,48,60,72,84,96,108])
#添加网格以便于观察
plt.grid()
#显示图像
plt.show()

上图买入信号用正三角进行标注，卖出信号用倒三角进行标注。

模拟实战炒股

依旧是20000元的本金，不交手续费。

initial_cash = 20000
#新建一个数据表positions，序号保持和strategy数据表一致
#用0将空值进行替换
positions = pd.DataFrame(index = strategy.index).fillna(0)
#因为A股买卖都是最低100股
#因此设置stock字段为交易信号的100倍
positions['stock'] = strategy['signal'] * 100
#创建投资组合数据表，用持仓的股票数量乘股价得出持仓的股票市值
portfolio = pd.DataFrame(index = strategy.index)
portfolio['stock value'] = positions.multiply(zgpa['close'], axis=0)
#同样仓位的变化就是下单的数量
#用初始资金减去下单金额的总和就是剩余的资金
portfolio['cash'] = initial_cash - positions['stock'].diff().multiply(zgpa['close'],
                                                 axis=0).cumsum()
#剩余的资金+持仓股票市值即为总资产
portfolio['total'] = portfolio['cash'] + portfolio['stock value']
#检查一下后10行
portfolio.tail(20)

创建投资组合数据表，序号和strategy表一致：
stock value代表用持仓的股票数量乘股价得出持仓的股票市值。
cash代表用初始资金减去下单金额的总和就是剩余的资金。
total剩余的资金+持仓股票市值即为总资产。

我们查看最后20行数据，总资产为20502元，比原始资金20000元赚了502元。

数据可视化：

#创建10*5的画布
plt.figure(figsize=(10,5))
#绘制总资产曲线
plt.plot(portfolio['total'], lw=2, label='总资产')
#绘制持仓股票市值曲线
plt.plot(portfolio['stock value'],lw=2,ls='--', label='交易现金流')
#添加图注
plt.legend()
#添加网格
plt.grid()
plt.xticks([0,12,24,36,48,60,72,84,96,108])
#展示图像
plt.show()

下期我们会带来更多的量化交易策略。

不转发，你至少要点个赞，收藏一下吧！