python量化策略——移动平均波动率策略、稳定性策略

最新推荐文章于 2023-03-10 22:53:25 发布
置顶 最新推荐文章于 2023-03-10 22:53:25 发布
阅读量4.7k 收藏 39
点赞数 5
分类专栏： python量化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_46665608/article/details/108413201
版权

移动平均波动率反转策略

波动率策略简介

一个更简单的移动平均策略移动平均策略——单/双均线策略

————————————————————分——————————_————————

  1. 读取tushare pro财经数据，这里用到沪深300，以下程序都需注册此数据库并获得token码 才能运行，这里获取token码，若自己有数据，只需换掉数据部分即可。
  2. 数据预处理,计算沪深300的净值波动率，
  3. 策略细则：if 100天平均波动率大于最近20天的波动率 并且最近20天的波动率小于上一个20天波动率，则是做多信号
  4. 计算收益+统计

策略代码分解

  1. 所需的库
# coding=utf-8
import math
import tushare as ts
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import talib
import pandas as pd
from datetime import datetime, date
import seaborn as sns  
sns.set(style="darkgrid", palette="muted", color_codes=True) 
from scipy import stats,integrate
%matplotlib inline 
sns.set(color_codes=True)
matplotlib.rcParams['axes.unicode_minus']=False
plt.rcParams['font.sans-serif']=['SimHei']
  1. 读取数据，就是这里需要token码
ts.set_token('此处填入token码')
pro = ts.pro_api()
#读取数据的时间范围
star="20060602"
end="20200905"
df = pro.index_daily( ts_code='000300.SH', start_date=star, end_date=end)
df=df.sort_index(ascending=False)#排序
df.index=pd.to_datetime(df.trade_date,format='%Y-%m-%d')#设置日期序列索引
df_close=df.close/df.close[0]#计算净值
  1. 计算20天的波动率
df.trade_date=None
for i in range(20,len(df.index)):#计算20天的波动率
    df.trade_date[i]=np.std(np.log(df_close[i-20:i] /df_close[i-20:i].shift(-1)))*np.sqrt(252)*100#波动率计算
df1=df.trade_date.dropna()
df1

这里可以打印下数据结果：

trade_date
2006-06-30    28.0057
2006-07-03    27.7961
2006-07-04    28.5801
2006-07-05    18.6095
2006-07-06    19.4827
               ...   
2020-08-31    17.4778
2020-09-01    17.6335
2020-09-02    17.7192
2020-09-03    17.6655
2020-09-04    17.2246
Name: trade_date, Length: 3454, dtype: object
  1. 计算策略信号判断
t=20#一20天为时间段计算波动率
T=100#波动率移动平均时间段。
df1=pd.Series(df1,dtype=float)#转换类型
df2= talib.MA(pd.Series(  pd.Series(df.trade_date.dropna() ,dtype=np.float) ), timeperiod=T)
sig=pd.Series(0,df1.index)
for i in range(math.ceil(T/t), math.floor(len(df1)/t)-1):#信号判断
     if df1[i*t+t]<df2[i*t+t] and  df1[i*t]>df1[i*t+t]:#这里可以作为检验，即去掉if  查看波动
        for j in range(i*t+1,(i+1)*t+1):
            sig[j]=1
df_close=df_close.sort_index()
ret=(df_close-df_close.shift(1))/df_close.shift(1)
ret1=ret.tail(len(df1)).sort_index()*sig
cum=np.cumprod(ret1+1).dropna()
cum=cum.tail(len(cum)-T-2)#组合累计净值
  1. 比较基准函数 直接调用
def bj_standard(code,lab='沪深300指数',col='k'):#针对沪深股票，直接画出比较基准（收益情况）
    standard_base = pro.index_daily( ts_code=code, start_date=star, end_date=end)
    standard_base=standard_base.head(len( standard_base)-T-20)
    standard_base=standard_base.sort_index()
    standard_base.index=pd.to_datetime(standard_base.trade_date,format='%Y-%m-%d')#设置日期索引
    close_base= standard_base.close
    standard_ret=standard_base.change/standard_base.close.shift(-1)
    standard_sig=pd.Series(0,index=close_base.index) 
    standard_trade=standard_sig.shift(1).dropna()/100#shift(1)整体下移一行
    standard_SmaRet=standard_ret*standard_trade.dropna()
    standard_cum=np.cumprod(1+standard_ret[standard_SmaRet.index[0:]])-1
    plt.plot(close_base/close_base[-1],label=lab,color=col)
    return close_base/close_base[-1] #standard_cum
###########################################################################
  1. 结果统计函数年化收益等。直接调用
def Tongji(cum):
    cum=cum.sort_index()
    NH=(cum[-1]-1)*100*252/len(cum.index)
    BD=np.std(np.log(cum/cum.shift(-1)))*np.sqrt(252)*100
    SR=(NH-4)/BD
    return_list=cum
    MHC=((np.maximum.accumulate(return_list) - return_list) / np.maximum.accumulate(return_list)).max()*100
    print("年化收益率：{:.2f}%:，年化夏普率：{:.2f},波动率为：{:.2f}%,最大回撤：{:.2f}%".format( NH,SR,BD,MHC))
Tongji(cum)
############################################################################
  1. 输出结果
if __name__=="__main__":
    bj_standard('000300.SH')
    plt.plot(cum,label="策略组合净值",color='r',linestyle='-')
    plt.title("策略净值走势图")
    plt.legend()

结果为：

年化收益率：24.16%:，年化夏普率：1.51,波动率为：13.33%,最大回撤：42.28%

在这里插入图片描述
还是比较平稳的

  1. 再看下其他结果——参数t,T改变
    在这里插入图片描述

  2. 回测最近十年的结果
    在这里插入图片描述

  3. 用更长的数据+更大的参数变动
    在这里插入图片描述
    虽然图形没有前面好看，主要是07-08年的牛市没有完全抓住。但是但是但是，我们看看他们的年化率

年化收益率：27.35%:，年化夏普率：2.07,波动率为：11.29%,最大回撤：27.91%
年化收益率：11.97%:，年化夏普率：0.52,波动率为：15.24%,最大回撤：38.17%
年化收益率：28.02%:，年化夏普率：1.83,波动率为：13.11%,最大回撤：48.18%
年化收益率：20.00%:，年化夏普率：1.17,波动率为：13.72%,最大回撤：58.95%
年化收益率：28.97%:，年化夏普率：1.83,波动率为：13.65%,最大回撤：48.18%

这里就觉得还可以了吧。

13.为了说明结果的有效性，我们换种思路，将做多做空信号相反，我们看看他是怎么反向跑输的，而且是大概率输
先来最近五年的
在这里插入图片描述
再来2010-2015年的

在这里插入图片描述
大概率贴边，最后也是输面大

2005-2010
在这里插入图片描述
完败————————————

此外，使用商品期货市场指数再次来验证

在这里插入图片描述

有效

回测结果总结

不管市参数扰动，还是回测时间变动以下，其都有相对稳定的回报。
股市没有一直输的策略，同时也没有用远胜的策略，我们追求的不就是高概率胜码。
另外我也试过其他更广泛的区间，大概率正向比反向表现好，且正向超过基准的次数，远远超过负向。
但是以上都为考虑交易费用等成本，可将t延长，以此减少信号判断次数。
原有策略一年交易信号：0-13次。

其他量化
1.python量化——alpha股票-指数期货对冲策略
2.多因子选股策略
3.海龟交易策略
4.移动平均策略——单/双均线策略
5.改进的美林时钟（介绍）
6.改进的美林时钟策略（一）
7.改进的美林时钟策略（二）
8.改进的美林时钟策略（三）
9.F-F三因子（改进代码+结果）

完整代码

# coding=utf-8
import math
import tushare as ts
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import talib
import pandas as pd
from datetime import datetime, date
import seaborn as sns  
sns.set(style="darkgrid", palette="muted", color_codes=True) 
from scipy import stats,integrate
%matplotlib inline 
sns.set(color_codes=True)

matplotlib.rcParams['axes.unicode_minus']=False
plt.rcParams['font.sans-serif']=['SimHei']
ts.set_token('0a输入token码')#获取地址 https://tushare.pro/register?reg=385920
pro = ts.pro_api()
#读取数据
star="20040602"
end="20200905"
df = pro.index_daily( ts_code='000300.SH', start_date=star, end_date=end)
df=df.sort_index(ascending=False)
df.index=pd.to_datetime(df.trade_date,format='%Y-%m-%d')#设置日期索引
df_close=df.close/df.close[0]#计算净值

df.trade_date=None
for i in range(20,len(df.index)):#计算20天的波动率
    df.trade_date[i]=np.std(np.log(df_close[i-20:i] /df_close[i-20:i].shift(-1)))*np.sqrt(252)*100#波动率计算
df1=df.trade_date.dropna()
def CL_fun(t,T,df1=df1,df_close=df_close):
    df1=pd.Series(df1,dtype=float)
    df2= talib.MA(pd.Series(  pd.Series(df.trade_date.dropna() ,dtype=np.float) ), timeperiod=T)
    sig=pd.Series(0,df1.index)
    for i in range(math.ceil(T/t), math.floor(len(df1)/t)-1):
         if df1[i*t+t]>df2[i*t+t] and  df1[i*t]<df1[i*t+t]:#这里可以作为检验，即去掉if  查看波动
            for j in range(i*t+1,(i+1)*t+1):
                sig[j]=1
    df_close=df_close.sort_index()
    ret=(df_close-df_close.shift(1))/df_close.shift(1)
    ret1=ret.tail(len(df1)).sort_index()*sig
    cum=np.cumprod(ret1+1).dropna()
    cum=cum.tail(len(cum)-T-2)

    def bj_standard(code,lab='沪深300指数',col='k'):#针对沪深股票，直接画出比较基准（收益情况）
        standard_base = pro.index_daily( ts_code=code, start_date=star, end_date=end)
        standard_base=standard_base.head(len( standard_base)-T-20)
        standard_base=standard_base.sort_index()
        standard_base.index=pd.to_datetime(standard_base.trade_date,format='%Y-%m-%d')#设置日期索引
        close_base= standard_base.close
        standard_ret=standard_base.change/standard_base.close.shift(-1)
        standard_sig=pd.Series(0,index=close_base.index) 
        standard_trade=standard_sig.shift(1).dropna()/100#shift(1)整体下移一行
        standard_SmaRet=standard_ret*standard_trade.dropna()
        standard_cum=np.cumprod(1+standard_ret[standard_SmaRet.index[0:]])-1
        plt.plot(close_base/close_base[-1],label=lab,color=col)
        print( close_base/close_base[-1] )#standard_cum
###########################################################################   

    def Tongji(cum):
        cum=cum.sort_index()
        NH=(cum[-1]-1)*100*252/len(cum.index)
        BD=np.std(np.log(cum/cum.shift(-1)))*np.sqrt(252)*100
        SR=(NH-4)/BD
        return_list=cum
        MHC=((np.maximum.accumulate(return_list) - return_list) / np.maximum.accumulate(return_list)).max()*100
        print("年化收益率：{:.2f}%:，年化夏普率：{:.2f},波动率为：{:.2f}%,最大回撤：{:.2f}%".format( NH,SR,BD,MHC))

    return Tongji(cum),cum
if __name__=="__main__":
############################################################################
    plt.plot( CL_fun(10,100,)[1],label="t=10,T=100",color='r',linestyle='-')
    plt.plot( CL_fun(30,100,)[1],label="t=30,T=100",color='g',linestyle='-')
    plt.plot( CL_fun(20,110,)[1],label="t=20,T=110",color='b',linestyle='-')
    plt.plot( CL_fun(20,80,)[1],label="t=20,T=80",color='y',linestyle='-')
    plt.plot( CL_fun(20,130,)[1],label="t=20,T=130",color='m',linestyle='-')
    plt.title("2005-2010年 反向—移动波动率策略策略净值走势图 ")
    plt.legend()
小李、不姓李
关注
专栏目录
移动平均波动率策略、稳定性策略
qq_26742269的博客
01-22 220
策略：根据波动率，超过上限，买入。工具：numpy，pandas。数据源：akshare。
如何利用Python构建股票波动率因子模型？
最新发布
Vayne16的博客
04-15 855
波动率是一个衡量金融资产价格波动性的指标，市场波动率因子模型可以用来解释不同市场之间的协方差和相关性，对投资组合的风险管理具有重要意义。本文将介绍如何使用Python构建股票波动率因子模型。 1. 数据准备 为了构建波动率因子模型，我们需要收集股票价格和交易量数据。Python中，我们可以使用pandas包来收集和整理数据。pandas是Python中用于数据处理和分析的常用库。 我们可以从Yahoo财经、FRED或者其他类似的金融数据网站上下载数据。比如，我们从Yahoo财经下载S&P500指数ET
量化策略：基于波动率范围指标的反向交易策略
weixin_42731853的博客
12-27 2485
金融时间序列非常复杂，我们需要许多变量来理解和解释它们。只有这样，我们才有机会预测价格并从中获利。在本文中，我将介绍一个新的技术指标，称为波动范围指标（VRI），该指标使用波动率，动量和范围的概念来生成高质量的交易信号。 波动范围指标（VRI） VRI是一个相对复杂的指标，由三个要素组成： 波动率由历史标准偏差衡量。 按收盘价之差衡量的动量。 最大-最小范围技术。 在将每个部分组合在一起之前，我们将单独讨论它们，将“波动率范围指标”（VRI）全部呈现出来，然后创建交易策略并回溯检验。 本文来自《数据黑客
移动平均波动率策略
qq_26742269的博客
02-18 737
利用20日平均价格波动率，今日波动率低于20日波动率均线，今日波动率低于前20天的波动率。数据源：akshare。
[量化-014]计算各时间切片上的波动率选择合适的标的
大数据和机器学习研究
12-31 1041
如果一个股票的k线是一条水平线，没法赚钱。 有波动，才有赚钱机会。 股票A，最近30天，每天的平均波动是5%，股票B，最近30天，每天的平均波动是1%，那么，A比B的赚钱机会要多。 如果一个股票的波动率，从日均1%上升到日均5%，表明交易开始活跃，有一波行情。 因此需要计算股票的波动率，根据波动率选择标的。 一个比较稳妥的方案，是计算上证50或者沪深300的股票，在1、3、7、21、28...
量化交易入门——平台框架、技术类策略、量化心得
Nichkhun的博客
11-13 2363
量化平台分类： 本地：MC、TB、WH、TS、MT4 云端：聚宽、优矿、米筐、bigquant SDK/量化API： 万得、东财choice、掘金量化 开源框架：PyCTP、Vnpy、zipline、quicklib 使用平台的优点： 省时省力，无需收集清洗数据 无需编写复杂的回测引擎 有大量集成好的函数使用 使用平台的缺点： 无法导入数据；数据有问题就没辙 无法自定义下单算法 很多限制，如日线只能用收盘价买卖 编程语法不统一 收费（按年、按手续费比例） 有bug只能忍 策略安全性 如何判断策略
Python美股量化交易填坑记录——13b.Vegas隧道交易机器人（实盘记录）
ChristopherShen的博客
10-19 1332
1.背景 上一篇帖子介绍了该算法的原理和八天的实盘记录： Python美股量化交易填坑记录——13a.Vegas隧道交易机器人_ChristopherShen的博客-CSDN博客 经过八天实盘后，已经陆陆续续添加了很多信号过滤条件，目的都是为了“消灭止损单”。 周末（10月16-17日）又做了一项很大的改动：信号bar下降1/4后才买入。 2.实盘记录 第9天实盘：10月18日，周一 今日初始选股范围为成交额top300，结果首bar之后只有3个信号，可能是受到了大盘的负面影响？然..
【基金量化研究系列】大类资产配置研究（一）——股债二八配置策略与股债风险平价策略
Mikey_Sun的博客
05-15 6377
文章目录1. 引言1.1 资产配置简介1.2 可投标的说明1.3 市场基本情况与数据库使用的说明1.4 本文策略基本假设2. 资产配置策略一——股债二八策略2.1 策略简介2.2 基于python的策略实现2.3 策略表现3. 资产配置策略二——股债风险平价策略3.1 策略简介3.2 基于python的策略实现3.3 策略表现4. 资产配置策略三——动态调仓的股债风险平价策略4.1 策略简介4.2 基于python的策略实现4.3 策略表现5. 策略比较与结论写在最后 1. 引言 1.1 资产配置简介 资
Python美股量化交易填坑记录——13c.Vegas隧道交易机器人（实盘记录）
ChristopherShen的博客
11-03 2523
1.背景 上一篇帖子介绍了思路调整的过程，我的目标从“消灭止损单”（越来越保守）改为“追大肉”（允许有止损单，盈利超过损失就行）。 Python美股量化交易填坑记录——13b.Vegas隧道交易机器人（实盘记录）_ChristopherShen的博客-CSDN博客 这一篇帖子将记录在新思路指导下的实盘结果。而且为了缩短计算耗时，将尝试把信号计算从python机器人完全交给TradingView（警报上限400个，即股票池最大400）。 2.实盘记录 第19天实盘：11月1日，周一...
python 交易量化模型_Python期货股票量化交易，多品种组合模型之动量策略!
weixin_39685459的博客
12-29 1190
一、策略简介动量交易策略源于股票或期货市场中的动量效应，所谓动量效应是指过去一段时间的收益较高的资产价格，那么，资产在未来一段时间内同样也能获得较高收益。同样的，如果某一资产价格过去的波动越大，那么在未来的一段时间内这部分资产价格的波动同样也大，也就是惯性效应。因此，基于这样的逻辑开发策略，称作：动量策略。50个期货品种的TR一阶段差分均值在股票和期货市场都有这样的效应，那么下面在期货市场中实现基...
Python量化策略：经波动率调整的随机震荡指标
weixin_42731853的博客
12-03 2737
我们都知道著名的随机震荡指标，它是MACD和RSI之外的主要指标之一。众所周知，它波动很大，有时会在很短时间内从超买区域转移到超卖区域。 随机振荡指标一直令我着迷，因为它的简单性和对已知归一化功能的使用。我发现它在技术分析中占据重要的地位，因此在量化交易中也使用了它。但是，我相信我们应该始终对所学知识进行创新，因此，在本文中，我们将优化该指标，令其能够反映价格的波动性。 本文来自《数据黑客》，登录官网可阅读更多精彩资讯和文章。 随机震荡指标 随机震荡指标通过在计算中纳入高点和低点，试图找到超卖和超买区域。计
Python量化交易——投资组合的评价和可视化（上）：计算收益率、波动率、最大回撤、阿尔法alpha、贝塔beta、夏普率Sharp等指标【源码+详解】
Shepherdppz的博客
07-18 6780
量化投资：投资组合的评价和可视化、alpha阿尔法beta贝塔volatility波动率sharp夏普率等常用评价指标的含义、计算公式以及代码详解 alpha阿尔法系数 beta贝塔系数 volatility波动率 sharp夏普率 MaxDrawdown最大回撤 投资结果评价可视化 ..................
python 波动率_如何统计投资品种波动率（python）？
weixin_39668408的博客
11-21 343
目前正在网H股ETF，进行了接近一年了还没出清，虽然已盈利，但相对于50ETF来说现在想它还真不是好品种，不考虑强周期、通胀、流动性等因素，仅就网格的最大影响因素波动性来讲，它就比不上50ETF。以前不会统计，现在学了点Python，自己写了小程序计算了下，先上结果：volatility(510050vs510900).png图中蓝色为50ETF，可以看出，过去三年来它的日波动性明显强于H股ETF...
python 波动率_使用Python+numpy实现简单波动率计算
weixin_39953673的博客
11-21 2405
import osimport sysimport numpy as npimport datetime as dtgs_weekdays = ('MON','TUS','WED','THU','FRI','SAT','SUN')def dmytoweekday(dmy):return dt.datetime.strptime(str(dmy,encoding='utf-8'),'%d-%m-%Y...
python计算股票波动率_构建防御性票组合----利用波动率选股
weixin_39902472的博客
12-06 687
股票波动率 python_如何统计投资品种波动率（python）？
weixin_34363835的博客
02-12 945
目前正在网H股ETF，进行了接近一年了还没出清，虽然已盈利，但相对于50ETF来说现在想它还真不是好品种，不考虑强周期、通胀、流动性等因素，仅就网格的最大影响因素波动性来讲，它就比不上50ETF。以前不会统计，现在学了点Python，自己写了小程序计算了下，先上结果：volatility(510050vs510900).png图中蓝色为50ETF，可以看出，过去三年来它的日波动性明显强于H股ETF...
【量化金融】收益率、对数收益率、年华收益、波动率、夏普比率、索提诺比率、阿尔法和贝塔、最大回撤
BetterBench的博客
03-04 4464
在学术界，建模一般不直接使用资产价格，而是使用资产收益率(Returns)。因为收益率比价格具有更好的统计特性，更便于建模。下经典的收益率算法如下：假设Pt​Rt​Pt−1​Pt​−Pt−1​​其中，分子Pt​−Pt−1​表示资产在持有期内的收人或利润，如果该值为负，则表示亏损。分母Pt−1​，表示持有资产初期的原始投资。
【金融风险管理】python进行动态波动率的计算和时间序列的预测
m0_65157892的博客
03-10 2524
根据前一篇文章算计算出来的股票对数收益率，我们在这一篇文章在前文的基础上，分别用朴素法（平均法）简单移动平均法5日简单移动平均法10日移动平均法15日移动平均法来一次指数平滑法二次指数平滑法三次指数平滑法来预测。并且用RMSEADF检验对数据进行平稳性检验。简单平均法就是用过去所有的值的平均值来作为我们的预测值，也就是所谓的期望均值，简单易计算，但是由于方法简单，限制较少，对数据的敏感度较大，预测效果一般。
期货平均波动率（期货波动性）
v527209157的博客
12-07 706
你得先定义什么是波动率，你问波动率大小你得先给波动率定下量化标准​期货价格波动大致有；小幅波动，中幅波动，大幅（峰谷）波动。怎么计算需要请问“主力庄家”。期货市场，一般需要避开节前后交易日，防止“过山车”行情。那是涨跌幅。 波动率的定义是：日收盘价标准差/日收盘价平均值 后者好算。股指期货的涨跌幅限制为10%;上海期货交易所的大部分合约的涨跌幅限制为8%,夜盘的品种其涨跌幅限制可能有9%;棉花、玉米、豆粕等期货合约的涨跌幅限制为7%。拓展资料商品期货一般的涨跌幅为4%，当出现第一个涨跌停板时第二个交易则
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小李、不姓李

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值