右侧追击（二）——券商行业

在上文中用东方财富的历史数据，回测了右侧出击策略的表现。资金占用时间不到一年半，对应40%的收益，表现基本让人满意。不过仅凭一只股票的收益表现，偶然性太高，很难说明策略的可靠度。

本次我们拿证券公司（399975）成分股中的所有证券公司，一共49家来代表券商行业、再选定2012-01-01至今作为时间区间来做数据回测，基本上就能评判出策略在券商行业中的综合实力。

1.股票代码预览

首先需要知道，一共是哪些券商公司，它们的代码分别是多少？写了个小爬虫程序，在某行情网站中抓取到了我们的目标券商公司股票代码，然后保存到本地csv文件（爬虫过程及源码这里不做展示）。

先将所有券商的代码及公司读取出来，如下：

# 导入相关库
import akshare as ak
import pandas as pd
import quan_trade # 交易类
import time

# 从本地读取所有券商股票代码
dealer_df = pd.read_csv('dealer_data/symbols.csv',dtype = {'symbol':str})
# 展示前5条
dealer_df.head()

2. 函数封装

在右侧追击（一）——东方财富中我们对单只股票每次追击情况进行了统计。本次涉及到49支股票，还需要将每只股票的多次追击详情汇总。

定义一个函数，需传入的参数有order——订单记录，symbol——股票代码，begin_date——该股票具备行情数据的起始日期,capital——本金（每次买卖为本金的1/5，默认值为100000）。在函数内部计算出两个DataFrame数据返回，profit_df记录单只股票每次追击的情况，summary_df对该股票多次追击详情进行汇总，代码如下：

def get_profit(order,symbol,begin_date,capital = 100000):
    # 创建profit_df用来存放每次追击的情况, summary_df存放每只股票的追击汇总
    profit_df = pd.DataFrame(
        columns = ['symbol','start_time','end_time', 'capital', 'attack_times', 'profit', 'profit_rate','total_profit_rate'])
    summary_df = pd.DataFrame(columns = [
        '跟踪起始时间','代码','公司','本金','总追击次数','成功次数','追击成功率','单次最大亏损','单次最大盈利','总利润','资金占用时间/天','折合年化'
    ])
    # 订单记录为空，直接返回
    if order.empty:
        print(symbol, ": 订单记录为空")
        return profit_df,summary_df
    # 初始化部分数据
    start_time = None
    attack_times = 0
    profit = 0
    amount = 0 # 记录每次追击累积交易的数量
    # 遍历订单记录，计算每次追击后的数据，存放到profit_df
    for i in range(0,order.shape[0]):
        if order.iloc[i]['trade_type'] == 'B':
            # 记录每次追击开始的时间
            if attack_times == 0:
                start_time = order['date'].iloc[i]
            #计算累计追击次数以及累计买入数量
            attack_times += 1
            amount += capital / 5 / order.iloc[i]['trade_price']
        else :
            # 数据存放
            profit_df = profit_df.append({
                'symbol':symbol,
                'start_time':start_time,
                'end_time':order['date'].iloc[i], 
                'capital':capital,
                'attack_times':attack_times, 
                'profit': order.iloc[i]['trade_price'] * amount - capital / 5 * attack_times, 
                'profit_rate': (order.iloc[i]['trade_price'] * amount /(capital / 5 * attack_times) - 1) * 100,
                'total_profit_rate':(order.iloc[i]['trade_price'] * amount - capital / 5 * attack_times) / capital * 100
            },ignore_index=True)
            # 卖出意味着本次追击结束，清零
            attack_times = amount = 0 
    ### 追击详情汇总
    summary_df = pd.DataFrame({
        '跟踪起始时间':begin_date,
        '代码':symbol,
        '公司': dealer_df[dealer_df['symbol'] == symbol].company,
        '本金': capital,
        '总追击次数' : profit_df['attack_times'].count(),
        '成功次数': profit_df[profit_df['attack_times'] == 5].attack_times.count(),
        '追击成功率':profit_df[profit_df['attack_times'] == 5].attack_times.count() / profit_df['attack_times'].count() * 100,
        '单次最大亏损':profit_df['profit'].min(),
        '单次最大盈利':profit_df['profit'].max(),
        '总利润':profit_df['profit'].sum(),
        '资金占用时间/天':(profit_df['end_time'] - profit_df['start_time']).dt.days.sum() + profit_df.start_time.count(),
        '折合年化':((profit_df['profit'].sum() /capital + 1) ** (365 / ((profit_df['end_time'] - profit_df['start_time']).dt.days.sum() + profit_df.start_time.count())) -1) * 100
    })
    return profit_df, summary_df

函数get_profit的使用，拿东方财富为例：

df = ak.stock_zh_a_hist(symbol='300059', period="daily", start_date="20120101", end_date='20221231', adjust="qfq")
trade = quan_trade.Trade('300059', df, 'right_attack', 100 , 1000000, max_volatility = 10)
trade.main()
profit_df, summary_df = get_profit(trade.account.order, '300059', trade.data.iloc[0].日期)
# 查看每次追击情况
profit_df

# 查看汇总
summary_df

profit_df几乎就是我们在上一篇中所用到的数据，记录了对应股票每次追击情况；summary_df是对profit_df中数据的汇总，里边还计算出了对应股票右侧追击的折合年化回报。

3.计算每只股票的追击汇总

将49支股票的追击详情及汇总分别放到一个DateFrame中，基本上能看出来策略在券商行业中的整体表现了

# 记录程序运行开始时间
start = time.time()
# 定义变量存放所有股票的追击详情以及每只股票的追击汇总
dealer_profit_df = pd.DataFrame()
dealer_total_profit_df = pd.DataFrame()
# 遍历dealer_df取出所有股票代码
for symbol in dealer_df['symbol']:
    # 回测区间范围设定从2012年开始，截止到现在
    df = ak.stock_zh_a_hist(symbol= symbol, period="daily", start_date="20120101", end_date='20221231', adjust="qfq")
    trade = quan_trade.Trade(symbol, df, 'right_attack', 100 , 1000000, max_volatility = 10)
    trade.main()
    profit_df, summary_df = get_profit(trade.account.order, symbol, trade.data.iloc[0].日期)
    # 将每只股票追击详情及汇总分别添加到dealer_profit_df，dealer_total_profit_df
    dealer_profit_df = dealer_profit_df.append(profit_df)
    dealer_total_profit_df = dealer_total_profit_df.append(summary_df)

print("程序运行时间/min: ",(time.time() - start)/60 )

上面的代码涉及到一定数量的运算，会耗费一点时间。一共有6支股票没有订单记录，股票代码打印在了上面。也就是说在它们上面没有找到任何参与机会。经过简单的分析就可以知道，这些股票都是在最近两三年内上市，策略还需要有大半年的缓冲期（需跟踪180个交易日内的最高价），跟踪周期较短，没有参与机会也很正常。

# 查看所有股票的追击详情
dealer_profit_df

# 查看所有股票的追击汇总前5条
dealer_total_profit_df.head()

策略从2012-01-01开始追踪，其后的第一个交易日是2012-01-04，但dealer_total_profit_df中的起始跟踪时间有一些会晚于这个时间，那是因为它们直到这个起始跟踪时间点才上市挂牌交易。

根据追击汇总dealer_total_profit_df计算策略在券商行业中的平均收益

# 对所有股票追击汇总再汇总
avg_profit_df = pd.DataFrame({
    '参与股票数量':dealer_total_profit_df.shape[0],
    '盈利数量':dealer_total_profit_df[dealer_total_profit_df['总利润'] > 0].shape[0],
    '亏损数量':dealer_total_profit_df[dealer_total_profit_df['总利润'] <= 0].shape[0],
    '追击成功率':100 * dealer_total_profit_df['成功次数'].sum() / dealer_total_profit_df['总追击次数'].sum(),
    '单支股票最大利润':dealer_total_profit_df['总利润'].max(),
    '单支股票最大亏损':dealer_total_profit_df['总利润'].min(),
    '平均收益':dealer_total_profit_df['总利润'].mean(),
    '平均年化回报':dealer_total_profit_df['折合年化'].mean()
},index = [0])
avg_profit_df

4.结论分析

收益总览

一共参与了43支股票，追击成功率8.63%，平均收益2.8w，对应平均年化回报49.42%，整体还不错。

其中盈利的有25支，取得最大利润的是光大证券，18.8w。该股票追击了7次，就有2次追击成功。28%的成功率极大的拉高了收益，按171天的资金占用时间来计算，折合年化高达856.62%。

亏损数量为18支，踩坑的概率还是有一些的。创造最大亏损是国投资本，超过了1.8w。8次追击，0次成功。对应10w的本金，摩擦成本高达18%，风险也不容小觑。

利润周期

# 摘取追击成功的追击详情
dealer_profit_df[dealer_profit_df['attack_times'] == 5].sort_values(by='start_time')

看利润分布，绝大部分的收益都是2014第4季度创造的，追击成功的时间区间大部分也集中于此。

翻看证券公司（399975）的周线图，在我们跟踪的十年期间，2014年尾部也是其表现最为疯狂的时期，从10月份600点左右一路飙升，到12月下旬时涨到了第一个高点1500点左右，这一波所有股票加在一起吃到了接近120万的利润，极大的拉高了平均收益。随后在2015年2季度再创新高，同样也吃到了一小部分利润，相较而言其它时间段都没有特别突出的表现。

再往前看，2007年有类似行情，如果策略跟踪到2007年，收益应该还能再创辉煌。这里单纯意淫一下，2007年中到2014下旬花了7年多的时间，2014年底到现在也是7年多，券商行业是否又在酝酿一次大腾飞呢？

亏损分析

# 查看所有亏损股票的追击总览
dealer_total_profit_df[dealer_total_profit_df['总利润'] <= 0]

18支亏损的股票中，它们的追击成功次数全部为0。换句话说，只要有一次追击成功，没有一只股票是亏损的。

不过也并非所有成功次数为0的股票，都会亏损。比如国信、西南、哈投，它们都创造了正收益。其实只要策略在开启追击后，能连续买到第3、4次，就有很大机会创造正收益！

# 追击成功次数为0且利润为正的股票记录
dealer_total_profit_df[dealer_total_profit_df['总利润'] > 0 ][dealer_total_profit_df['成功次数'] == 0]

另外可以看到，所有亏损的股票中，除了国投和国海，其它的上市时间都晚于2014年，错过了券商行业最疯狂的黄金时段。乐观的看，如果未来再有这么一波强势行情，它们中的绝大部分是不是都能收回摩擦成本，并跑出可观的正收益？这个有待时间给我们答案！

# 国海证券的每次追击详情
dealer_profit_df[dealer_profit_df['symbol'] == '000750']

# 国投证券的每次追击详情
dealer_profit_df[dealer_profit_df['symbol'] == '600061']

国海和国投对于策略而言，彻底就是个坑了。即便在2014年底遍地捡黄金的时代，二者也没有完成一次完整的追击。

所以即便是券商这种反身性行业、严格遵守右侧追击制度、在整个行业疯狂上涨的3层buff加持下，追击个股也有踩坑的风险！国海和国投就是血淋淋的教训，把资金丢到它们身上，就等同于从枪林弹雨般的黄金中完美的躲了过去！

总结

1. 平均年化回报达到49.42%，整体表现不错；

2. 追击成功率8.63%，策略有待优化提高成功率；

3. 绝大部分利润都贡献于2014年年底的行情，右侧追击博的就是这种机会；

4. 虽然券商这种行业适合右侧追击，但追击个股依然有踩坑的风险。