python的剥皮策略，74%胜率赚钱如麻！

最新推荐文章于 2024-06-07 09:35:19 发布

程序员羊羊

最新推荐文章于 2024-06-07 09:35:19 发布

阅读量804

点赞数 15

文章标签： python 开发语言

本文链接：https://blog.csdn.net/chengxuyuanyy/article/details/137737795

版权

最近，文章分享了很多使用技术指标构建的通常交易策略的回测，今天，羊羊看到一篇关于剥皮策略的文章，我们尝试一下这个策略，并在 Python 中进行了回测。

在本文中，我们将介绍如何使用 Python 实现的策略以及如何开发一个策略。因此，我们将首先了解我们的交易策略的一些背景知识，然后我们将进入代码部分，我们将使用 FinancialModelingPrep （FMP） API 获取历史和日内数据，并在 Python 中回测我们的策略。

在深入研究我们的交易策略机制之前，有必要首先对剥头皮交易的概念有一些很好的了解。

剥头皮交易

剥头皮交易是一种非常规的交易方法，交易者旨在从小幅价格变动中获利。例如，跟随剥头皮交易的交易者将以 170 美元的价格购买大量苹果（AAPL）股票，并打算以 170.5 美元或 171 美元等非常小的价格卖出股票。

**以小幅价格变化快速卖出股票的原因是每笔交易涉及大量资金。**只有当以巨额资金完成剥头皮交易时，才能看到可观的利润。

交易策略

因此，剥头皮交易的基本思想是从小的价格变化中获利。显然，我们不能将其用作我们的策略，因为它太生硬了，但我们可以做的是将其作为我们交易策略的基础，我们在此基础上创建有效的剥头皮策略。

以下是我们交易策略的机制：

进入市场条件：市场开盘价较前一天收盘价上涨1%。

退出市场条件：股票价格比当天的开盘价买入价上涨 1%。如果股票未能达到其价格的 1% 涨幅，我们将在交易日结束时以收盘价退出。

重要的事情，我们说三遍：我们的目的是：**建一个简单的策略来理解剥头皮交易的本质，而不是依靠这个策略赚钱！（三遍！）

第一步也是最重要的一步是将所有必需的包导入到我们的 Python 环境中。在本文中，我们将使用四个包，它们是：

Pandas — 用于数据格式化、清除、操作和其他相关目的
Matplotlib — 用于创建图表和不同类型的可视化
请求 — 用于进行 API 调用以提取数据
Termcolor — 自定义 Jupyter 笔记本中显示的标准输出
数学 — 用于各种数学函数和运算
NumPy — 用于数值和高级数学函数

以下代码将上述所有包导入到我们的 Python 环境中：

import requests
import pandas as pd
import matplotlib.pyplot as plt
from termcolor import colored as cl
import numpy as np
import math

请确保这些库都正确的进行了安装。

获取股票的历史数据对于回测过程非常重要。为了数据的准确性和可靠性，我们将使用 FinancialModelingPrep （FMP）的历史数据端点，该端点允许提取任何特定股票的日终数据。我们将对特斯拉股票的剥头皮策略进行回测，以下代码提取了 2014 年初的历史数据：

api_key = 'YOUR API KEY'
tsla_json = requests.get(f'https://financialmodelingprep.com/api/v3/historical-price-full/TSLA?from=2014-01-01&apikey={api_key}').json()
tsla_df = pd.DataFrame(tsla_json['historical']).drop('label', axis = 1)
tsla_df = tsla_df.set_index('date')
tsla_df = tsla_df.iloc[::-1]
tsla_df.index = pd.to_datetime(tsla_df.index)
tsla_df

代码非常简单。我们首先将 API 密钥存储在变量中。请确保替换为您的秘密 API 密钥，您可以在创建 FMP 开发人员帐户后获得该密钥。

然后，使用 Requests 包提供的功能，我们进行 API 调用以获取 TSLA 的历史数据。最后，我们将提取的 JSON 响应转换为可行的 Pandas 数据帧以及一些数据操作。

根据交易策略，如果当天的开盘价比前一天的收盘价高1%，我们就会进入市场。为此，我们首先需要借助获得的历史数据计算价格的百分比变化。以下代码执行相同的操作：

tsla_df['pclose_open_pc'] = np.nan
for i in range(1, len(tsla_df)):
    diff, avg = (tsla_df.close[i-1] - tsla_df.open[i]) , (tsla_df.close[i-1] + tsla_df.open[i])/2
    pct_change = (diff / avg)*100
    tsla_df['pclose_open_pc'][i] = pct_change
tsla_df = tsla_df.dropna().drop(['change', 'changePercent', 'changeOverTime'], axis = 1)
tsla_df = tsla_df[tsla_df.pclose_open_pc > 1]
tsla_df

首先，我们将创建一个新列，用于存储百分比变化值。然后是for循环。这个for循环背后的主要思想是复制Pandas提供的函数的功能。

在for循环的帮助下，我们在这里所做的唯一更改是计算两个不同变量之间的百分比变化。即，当天的开盘价和前一天的收盘价是不可能的，这允许计算单个变量的当前值和旧值之间的百分比变化。

之后，我们删除一些列，并使用一个条件对数据帧进行切片，该条件选择百分比变化大于 1 的行，即当天的开盘价比前一天的收盘价高 1%。

这是所有处理后的最终数据帧：

现在我们已经准备好了数据，是时候实际构建和测试我们的剥头皮交易策略了。我们已经到达了本文中最重要和最有趣的步骤之一。现在我们知道了交易策略的来龙去脉，让我们构建它并在 Python 中对其进行回测。为了简单起见，我们将遵循一个非常基本和直接的回溯测试系统。以下代码对剥头皮策略进行了回测：





investment = 100000
equity = investment
earning = 0

earnings_record = []

for i in range(len(tsla_df)):
    
    # EXTRACTING INTRADAY DATA
    date = str(tsla_df.index[i])[:10]
    intra_json = requests.get(f'https://financialmodelingprep.com/api/v3/historical-chart/1min/TSLA?from={date}&to={date}&apikey={api_key}').json()
    intra_df = pd.DataFrame(intra_json)
    intra_df = intra_df.set_index(pd.to_datetime(intra_df.date)).iloc[::-1]
    
    # ENTERING POSITION
    open_p = tsla_df.iloc[i].open
    no_of_shares = math.floor(equity/open_p)
    equity -= (no_of_shares * open_p)

    # EXITING POSITION
    intra_df['p_change'] = np.nan
    
    for i in range(len(intra_df)):
        diff, avg = (intra_df.close[i] - open_p), (intra_df.close[i] + open_p)/2
        pct_change = (diff / avg)*100
        intra_df['p_change'][i] = pct_change
    intra_df = intra_df.dropna()
    greater_1 = intra_df[intra_df.p_change > 1]
    
    if len(greater_1) > 0:
        sell_price = greater_1.iloc[0].close
        equity += (no_of_shares * sell_price)
    else:
        sell_price = intra_df.iloc[-1].close
        equity += (no_of_shares * sell_price)
    
    # CALCULATING TRADE EARNINGS
    investment += earning
    earning = round(equity-investment, 2)
    earnings_record.append(earning)
    
    if earning > 0:
        print(cl('PROFIT:', color = 'green', attrs = ['bold']), f'Earning on {date}: ${earning}; Bought ', cl(f'{no_of_shares}', attrs = ['bold']), 'stocks at ', cl(f'${open_p}', attrs = ['bold']), 'and Sold at ', cl(f'${sell_price}', attrs = ['bold']))
    else:
        print(cl('LOSS:', color = 'red', attrs = ['bold']), f'Loss on {date}:

基本上，代码可以分为四个部分（从代码的注释中可以看出）：

第一个是使用 FMP 的日内数据端点提取我们进入市场时的日内数据。
第二部分是我们通过以当天的开盘价买入股票来进入我们的头寸。
第三部分是退出头寸的代码，我们首先计算价格变化的百分比，然后在价格上涨 1% 时立即平仓。
第四部分专门用于计算每笔交易的收益并将结果打印在输出终端中。

该程序进行了很多交易，虽然不可能显示其中之一，但以下是已执行交易的一瞥：

输出包括所有必要的详细信息，例如股票数量、买入价、卖出价、日期和收益。虽然有一些亏损的交易，但大多数是盈利的交易，收益合理。

在本节中，我们将深入探讨该策略的绩效。让我们从策略回报和投资回报率的基本指标开始。以下代码计算策略的总收益和 ROI：

print(cl(f'TSLA BACKTESTING RESULTS:', attrs = ['bold']))
print(' ')
strategy_earning = round(equity - 100000, 2)
roi = round(strategy_earning / 100000 * 100, 2)
print(cl(f'EARNING: ${strategy_earning} ; ROI: {roi}%', attrs = ['bold']))

代码非常简单。我们只是实施了计算总收益和投资回报率（ROI）的数学公式，以得出最终数字，这是最终输出：

因此，我们的剥头皮交易策略在十年（2014-2024 年）期间产生了 110 美元的总收入和 110% 的投资回报率。这还不错。

现在让我们使用一些基本指标来评估我们的交易策略。但是为了计算这些指标，让我们首先创建和处理数据：


earnings_df = pd.DataFrame(columns = ['date', 'earning'])
earnings_df.date = tsla_df.index
earnings_df.earning = earnings_record
earnings_df.tail()

此代码的主要目的是创建一个数据帧，其中包含每个交易日策略产生的收益的详细信息。借助我们在回测代码中创建的用于记录收益数据的列表，我们可以轻松地从中创建一个 Pandas 数据帧，这正是我们在代码中所做的。

现在我们有了所需的数据，我们现在可以继续计算评估我们的交易策略的必要指标。在此之前，以下是我们将用于评估的指标列表：

最大损失：最差交易的收益
最大利润：最佳交易的收益
总交易：策略生成的交易总和
胜率：策略成功的概率
每月平均交易和每月平均收入

以下代码计算上述所有指标：

max_loss = earnings_df.earning.min()``max_profit = earnings_df.earning.max()``no_of_wins = len(earnings_df.iloc[np.where(earnings_df.earning > 0)[0]])``no_of_losses = len(earnings_df.iloc[np.where(earnings_df.earning < 0)[0]])``no_of_trades = no_of_wins+no_of_losses``win_rate = (no_of_wins/(no_of_wins + no_of_losses))*100``print(cl('MAX LOSS:', color = 'red', attrs = ['bold']), f'${max_loss};', ``       cl('MAX PROFIT:', color = 'green', attrs = ['bold']), f'{max_profit};',  ``      cl('TOTAL TRADES:', attrs = ['bold']), f'{no_of_trades};',`      `cl('WIN RATE:', attrs = ['bold']), f'{round(win_rate)}%;',`      `cl('AVG. TRADES/MONTH:', attrs = ['bold']), f'{round(no_of_trades/120)};',`      `cl('AVG. EARNING/MONTH:', attrs = ['bold']), f'${round(strategy_earning/120)}'`     `)``plt.style.use('ggplot')``earnings_df.earning.hist()``plt.title('Earnings Distribution')``plt.show()``earnings_df = earnings_df.set_index('date')``earnings_df.earning.cumsum().plot()``plt.title('Strategy Cumulative Returns')``plt.show()

除了计算指标之外，代码中还涉及一些可视化，我们将在一分钟内讨论。这是输出：

我们先来谈谈指标。最大损失为 $15.1k，而最大利润为 $5K。问题是，最大损失的绝对值总是小于最大利润的绝对值更好，因为它降低了策略的风险。

在十年的时间里，该策略产生的交易总数为 501 笔，一个月内执行的平均交易数量为 4 笔，这同样是合理的交易数量。每月的平均回报率为 923 美元，这是一个可靠的数字。

策略的胜率为74%。这意味着我们的策略有 74% 的机会执行有利可图的交易，胜率大于 50% 的策略被认为是有效且风险较小的。但是，如果没有适当的风险管理系统，这个数字仍然没有任何意义。单纯追求胜率毫无意义。

来到图表，在上面表示的输出中可以看到其中的两个。第一个是直方图，显示了我们策略的收益分布。可以看出，大多数交易产生的收益约为 1500-2500 美元。

第二张图表是折线图，显示我们交易策略的累积回报。首先可以注意到的是线路的不稳定运动。这表明该策略的收益波动很大，这意味着我们的策略在某些情况下是不稳定和有风险的。最好避免图表中可以看到的那些突然下跌。

一个好的交易策略不仅应该能够产生有利可图的回报，而且必须足够有效，必须超越买入/持有策略。对于那些不知道买入/持有策略是什么的人来说，对于tlsa这样的牛股来说，只是持有就能获得非常不错的收益。

如果我们的策略击败了买入/持有策略，可以说我们提出了一个很好的交易策略。然而，如果它不能做到这一点，我们必须对策略进行相当多的改变。

以下代码实现买入/持有策略并计算回报：


max_loss = earnings_df.earning.min()
max_profit = earnings_df.earning.max()
no_of_wins = len(earnings_df.iloc[np.where(earnings_df.earning > 0)[0]])
no_of_losses = len(earnings_df.iloc[np.where(earnings_df.earning < 0)[0]])
no_of_trades = no_of_wins+no_of_losses
win_rate = (no_of_wins/(no_of_wins + no_of_losses))*100
print(cl('MAX LOSS:', color = 'red', attrs = ['bold']), f'${max_loss};', 
      cl('MAX PROFIT:', color = 'green', attrs = ['bold']), f'{max_profit};', 
      cl('TOTAL TRADES:', attrs = ['bold']), f'{no_of_trades};',
      cl('WIN RATE:', attrs = ['bold']), f'{round(win_rate)}%;',
      cl('AVG. TRADES/MONTH:', attrs = ['bold']), f'{round(no_of_trades/120)};',
      cl('AVG. EARNING/MONTH:', attrs = ['bold']), f'${round(strategy_earning/120)}'
     )
plt.style.use('ggplot')
earnings_df.earning.hist()
plt.title('Earnings Distribution')
plt.show()
earnings_df = earnings_df.set_index('date')
earnings_df.earning.cumsum().plot()
plt.title('Strategy Cumulative Returns')
plt.show()

在上面的代码中，我们再次使用 FMP 的历史数据端点提取 Tesla 的历史数据，因为我们对之前提取的数据进行了一些更改。经过一些数据操作，我们使用简单的数学来计算回报，这是最终的输出：

在比较买入/持有策略和我们的剥头皮交易策略的结果后，买入/持有策略的表现优于我们的，投资回报率相差 333%。这意味着在将剥头皮策略推向市场之前，我们必须在剥头皮策略上做很多工作。

文章提出了交易策略，使用FMP的API获取历史和日内数据，并对策略进行了回测，但我们仍然未能超越买入/持有策略。但本文的目的不是展示借助这些策略的任何赚钱方法，而是对剥头皮交易进行温和的介绍。

如果你真的想把这个策略变成一个高利润的策略，并将其部署到市场上，你可以做一些改进来实现这一目标。首先是调整策略参数。尝试调整进入和退出条件，并测试哪个是交易策略的最佳条件。其次是建立适当的风险管理系统。这是我们在本文中没有介绍的内容，但它非常关键，尤其是当您想将该策略推向现实世界市场时。最后最重要的当然是在A股市场进行模拟盘试盘，要知道大多数在美股看起来有效的策略，放在A股都和开玩笑一样。