鳄鱼法则

最新推荐文章于 2022-04-22 10:46:01 发布
最新推荐文章于 2022-04-22 10:46:01 发布
阅读量735 收藏 1
点赞数
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/qq_42519695/article/details/103320435
版权 
import numpy as np
def initialize(context):
    g.up_price = {} #向上碎形最高价
    g.low_price = {} #向下碎形最低价
    g.up_fractal_exists = {} #判断有效向上碎形
    g.down_fractal_exists = {} #判断有效向下碎形
    g.AO_index = {} #存放连续的AO指标数据
    g.cal_AC_index = {} #计算AC指标中转存储
    g.AC_index = {} #存放连续的AC指标数据
    g.amount = {} #满仓仓位
    g.stock = get_index_stocks('000300.XSHG')
    g.buy_stock = []
    set_benchmark('000300.XSHG')
    g.month = context.current_dt.month
    run_monthly(select_universe,1,'open')

#重置全局变量
def reset_global():
    g.up_price = {} #向上碎形最高价
    g.low_price = {} #向下碎形最低价
    g.up_fractal_exists = {} #判断有效向上碎形
    g.down_fractal_exists = {} #判断有效向下碎形
    g.AO_index = {} #存放连续的AO指标数据
    g.cal_AC_index = {} #计算AC指标中转存储
    g.AC_index = {} #存放连续的AC指标数据
    g.amount = {} #满仓仓位
    g.buy_stock = []

def initial_stock_global(stock):
    g.up_price[stock] = 0
    g.low_price[stock] = 0
    g.up_fractal_exists[stock] = False
    g.down_fractal_exists[stock] = False #判断有效向下碎形
    g.AO_index[stock] = [0] #存放连续的AO指标数据
    g.cal_AC_index[stock] = [0]  #计算AC指标中转存储
    g.AC_index[stock] = [0] #存放连续的AC指标数据
    g.amount[stock] = 0 #满仓仓位

#轮换选股后清空持仓
def reset_position(context):
    for stock in g.buy_stock:
        order_target(stock,0)
        log.info("sell %s for reset position"%stock)
#选股
def select_universe(context):
    #每三个月操作一次
    month = context.current_dt.month
    if month%6 != g.month%6:
        return
    #清空全局变量
    reset_position(context)
    reset_global()
    hist = history(30,'1d','close',g.stock,df = False)
    for stock in g.stock:
        if is_sleeping_alligator(stock,hist,20):
            g.buy_stock.append(stock)
            #初始化该股票全局变量
            initial_stock_global(stock)
    print g.buy_stock
    return None

#睡着的鳄鱼
def is_sleeping_alligator(stock,hist,nday):
    for i in range(nday):
        if is_struggle(stock,hist,i) == False:
            return False
    return True

#均线纠缠，BRG三线非常接近
def is_struggle(stock,hist,delta):
    blue_line = hist[stock][-21-delta:-8-delta].mean()
    red_line = hist[stock][-13-delta:-5-delta].mean()
    green_line = hist[stock][-8-delta:-3-delta].mean()
    if abs(blue_line/red_line-1)<0.02 and abs(red_line/green_line-1)<0.02:
        return True
    else:
        return False

#判断 向上 或 向下 碎形
def is_fractal(stock,direction):
    hist = history(5,'1d',direction,[stock],df = False)
    if direction == 'high'\
    and hist[stock][2] > hist[stock][0]\
    and hist[stock][2] > hist[stock][1]\
    and hist[stock][2] > hist[stock][3]\
    and hist[stock][2] > hist[stock][4]:
        g.up_price[stock] = hist[stock][2]
        return True
    elif direction == 'low'\
    and hist[stock][2] < hist[stock][0]\
    and hist[stock][2] < hist[stock][1]\
    and hist[stock][2] < hist[stock][3]\
    and hist[stock][2] < hist[stock][4]:
        g.low_price[stock] = hist[stock][2]
        return True
    return False

#通过比较碎形与红线位置，判断碎形是否有效
def is_effective_fractal(stock, direction):
    if is_fractal(stock,direction):
        hist = history(13,'1d','close',[stock],df = False)
        red_line = hist[stock][:-5].mean()
        close_price = hist[stock][-1]
        if direction == 'high':
            if close_price > red_line:
                g.up_fractal_exists[stock] = True
            else:
                g.up_fractal_exists[stock] = False
        elif direction == 'low':
            if close_price < red_line:
                g.down_fractal_exists[stock] = True
            else:
                g.down_fractal_exists[stock] = False

#N日内最高价格的N日线
def nday_high_point(stock,n):
    hist = history(2*n,'1d','high',[stock],df = False)[stock]
    high_point = []
    for i in range(n):
        high_point.append(max(hist[-5-i:-1-i]))
    return np.array(high_point).mean()

#N日内最低价格的N日线
def nday_low_point(stock,n):
    hist = history(2*n,'1d','low',[stock],df = False)[stock]
    low_point = []
    for i in range(n):
        low_point.append(max(hist[-5-i:-1-i]))
    return np.array(low_point).mean()

#AO=5日内（最高-最低）/2的5日移动平均-34日内（最高-最低）/2的34日移动平均
def AO_index(stock):
    g.AO_index[stock].append(nday_high_point(stock,5)/2 + nday_low_point(stock,5)/2\
                      - nday_high_point(stock,34)/2 - nday_low_point(stock,34)/2)
    return None

#AO-AO的5日平均值的5日平均
def AC_index(stock):
    AO_index(stock)
    if len(g.AO_index[stock]) >= 5:
        g.cal_AC_index[stock].append(g.AO_index[stock][-1] - np.array(g.AO_index[stock][-5:]).mean())
        if len(g.cal_AC_index[stock]) >=5:
            g.AC_index[stock].append(np.array(g.cal_AC_index[stock][-5:]).mean())

#判断序列n日上行
def is_up_going(alist,n):
    if len(alist) < n:
        return False
    for i in range(n-1):
        if alist[-(1+i)] <= alist[-(2+i)]:
            return False
    return True

#判断序列n日下行
def is_down_going(alist,n):
    if len(alist) < n:
        return False
    for i in range(n-1):
        if alist[-(1+i)] >= alist[-(2+i)]:
            return False
    return True

#碎形被突破
def active_fractal(stock,direction):
    close_price = history(1,'1d','close',[stock],df=False)[stock][0]
    if direction == 'up' and close_price > g.up_price[stock]:
        return True
    elif direction == 'down' and close_price < g.low_price[stock]:
        return True
    return False

#进场，初始仓位
def set_initial_position(stock,context):
    close_price = history(1,'1d','close',[stock],df=False)[stock][0]
    g.amount[stock] = context.portfolio.cash/close_price/len(g.buy_stock)*3
    order(stock, g.amount[stock])
    log.info("buying %s 股数为 %s"%(stock,g.amount[stock]))
    g.down_fractal_exists[stock] = False

#卖出
def sell_all_stock(stock,context):
    order_target(stock,0)
    log.info("selling %s"%stock)
    g.up_fractal_exists[stock] = False

#加仓
def adjust_position(stock,context,position):
    order(stock,g.amount[stock]*position)
    log.info("adjust position buying %s 股数为 %s"%(stock,g.amount[stock]*position))

# 计算股票前n日收益率
def security_return(days,security_code):
    hist1 = attribute_history(security_code, days + 1, '1d', 'close',df=False)
    security_returns = (hist1['close'][-1]-hist1['close'][0])/hist1['close'][0]
    return security_returns

# 止损，根据前n日收益率
def conduct_nday_stoploss(context,security_code,days,bench):
    if  security_return(days,security_code)<= bench:
        for stock in g.buy_stock:
            order_target_value(stock,0)
            log.info("Sell %s for stoploss" %stock)
        return True
    else:
        return False

# 计算股票累计收益率（从建仓至今）
def security_accumulate_return(context,data,stock):
    current_price = data[stock].price
    cost = context.portfolio.positions[stock].avg_cost
    if cost != 0:
        return (current_price-cost)/cost
    else:
        return None

# 个股止损，根据累计收益
def conduct_accumulate_stoploss(context,data,stock,bench):
    if security_accumulate_return(context,data,stock) != None\
    and security_accumulate_return(context,data,stock) < bench:
        order_target_value(stock,0)
        log.info("Sell %s for stoploss" %stock)
        return True
    else:
        return False

# 个股止盈，根据累计收益
def conduct_accumulate_stopwin(context,data,stock,bench):
    if security_accumulate_return(context,data,stock) != None\
    and security_accumulate_return(context,data,stock) > bench:
        order_target_value(stock,0)
        log.info("Sell %s for stopwin" %stock)
        return True
    else:
        return False

def handle_data(context,data):
    #大盘止损
    if conduct_nday_stoploss(context,'000300.XSHG',3,-0.03):
        return
    for stock in g.buy_stock:
        #个股止损
        if conduct_accumulate_stopwin(context,data,stock,0.3)\
        or conduct_accumulate_stoploss(context,data,stock,-0.1):
            return
        #计算AO，AC指标
        AC_index(stock)
        #空仓时，寻找机会入场
        if context.portfolio.positions[stock].amount == 0:
            #计算向上碎形
            is_effective_fractal(stock,'high')
            #有效向上碎形存在，并被突破，买入
            if g.up_fractal_exists and active_fractal(stock,'up'):
                close_price = history(5, '1d', 'close', [stock],df = False)
                if is_up_going(g.AO_index[stock],5)\
                and is_up_going(g.AC_index[stock],3)\
                and is_up_going(close_price[stock],2):
                    set_initial_position(stock,context)
        #有持仓时，加仓或离场
        else:
            #计算向下碎形
            is_effective_fractal(stock,'low')
            #出场条件1：有效向下碎形存在，并被突破，卖出
            if g.down_fractal_exists and active_fractal(stock,'down'):
                sell_all_stock(stock,context)
                return
            #出场条件2：
            #加仓10%：AO，AC同时5日上行，且收盘价走高
            # if is_up_going(g.AO_index[stock],5)\
            # and is_up_going(g.AC_index[stock],3)\
            # and is_up_going(close_price[stock],2):
            #     adjust_position(stock,context,0.1)
            # #减仓10%：AO，AC同时3日下行，且收盘价走低
            # if is_down_going(g.AO_index[stock],5)\
            # and is_down_going(g.AC_index[stock],3)\
            # and is_down_going(close_price[stock],2):
            #     adjust_position(stock,context,-0.1)

　　

简要介绍

1.选股

  • 选择沪深300指数成分股
  • 沉睡的鳄鱼，RBG三线纠缠。（选择连续20交易日处于沉睡状态的股票，建立buy_stock池）
  • 每6个月更新股票池
  • benchmark沪深300指数

2.入场

  • 存在有效碎形
  • 有效碎形被突破
  • AO指标连续5日上行
  • AC指标连续3日上行
  • 收盘价高于前一日收盘价
  • 按g.amount=总资金/股票池股数×乘数因子3买入。

3.止损&止盈

  • 大盘3日累计收益率下跌3%，全部股票清仓
  • 个股累计收益率（以成本价为基准）超过30%，全部卖出
  • 个股累计收益率下跌10%，全部卖出

4.加仓&减仓（感觉用处不大，暂没有使用，源代码保留在注释里）

  • AO连续5日上行，AC连续3日上行加仓10%
  • AO连续5日下跌，AC连续3日下跌减仓10%

5.退出

  • 存在有效向下碎形
  • 向下碎形被突破
  • 全部卖出

 

 

小结一下

关于组合仓位控制
股票池组合操作对于仓位控制的要求比较严格。目前这方面还没有太多系统的想法，包括建仓比例，调仓以及不同股票的仓位配置，资金利用效率等等。
举例：g.amount在赋值时，简单的认为根据（总资金/buy_stock股数）×乘数因子 对资金配比。乘数因子是避免不符合条件的股票太多导致仓位较低，影响资金利用效率。
个人感觉，可以根据市值、pe或则其他体现每只持仓股票差异的因素来进行仓位管理，这方面有好的建议的朋友可以留言一起探讨。

止损条件
止损和止盈条件纯属个人风格吧。也是每一个策略里必然会加上的。15年至今的回测结果来看，回撤控制的比较好。当然也就牺牲了一些较大获利的可能性。

性感奎爷在线写代码
关注
奇妙的定律、理论、原则、效应、...（Amazing Laws，Theories，Principles，Effects，...）
Chill Lyn
02-19 1万+
勒纳德效应（Lenard Effect） 当水变成雾状（例如水滴的碰撞）时，就会分割出正负电荷。 这是人在瀑布和喷泉边，甚至在雨后所感受到的清新的、使人振奋的感觉的原因。 马太效应(Matthew Effect) 好的愈好，坏的愈坏，多的愈多，少的愈少 皮格马利翁效应（Pygmalion Effect) 说你行，你就行，不行也行；说你不行，你就不行，行也不行。 标签效应（Label E...
【鳄鱼法则】
linuxstuding
10-29 167
鳄鱼法则：其原意是假定一只鳄鱼咬住你的脚，如果你用手去试图挣脱你的脚，鳄鱼便会同时咬住你的脚与手。你愈挣扎，就被咬住得越多。所以，万一鳄鱼咬住你的脚，你唯一的办法就是牺牲一只脚。 譬如在股市中，鳄鱼法则就是：当你发现自己的交易背离了市场的方向，必须立即止损，不得有任何延误，不得存有任何侥幸。...
程序有时能运行有时不能_“鳄鱼法则”教会女人：有时候认命，能让我们活得更自由...
weixin_39948210的博客
11-21 88
小潘丨情感美文系列小潘谈情说爱 签约作者原创01“鳄鱼法则”也是“鳄鱼效应”，是经济学交易技术法则之一。它的意思是：假如一只鳄鱼咬住你的脚，如果你用手去试图挣脱你的脚，鳄鱼便会同时咬住你的脚与手。你越挣扎，被咬住得就越多。因此，遇到万一鳄鱼咬住你的脚的这种情况，我们唯一的办法就是牺牲一只脚，有点类似虎怒决蹯。在股市中，有理智的股民，在发现交易背离市场方向时，会果断采取行动，以免造成更严重的后果。在...
管理学定律二：鳄鱼法则与鲇鱼效应
郎涯技术
02-05 2671
1、鳄鱼法则 1.1 来源 其原意是假定一只鳄鱼咬住你的脚，如果你用手去试图挣脱你的脚，鳄鱼便会同时咬住你的脚与手。你愈挣扎，就被咬住得越多。所以，万一鳄鱼咬住你的脚，你唯一的办法就是牺牲一只脚。　 例如假定眼镜蛇咬了你的脚，你没有及时寻找到合适的血清解毒，你唯一的方法就是舍弃这只脚，否则中毒身亡。　 1.2 启示 由于人性天生的弱点，时时不自觉地影响我们的操作，一次大亏，足以输掉前面9
鳄鱼法则交易系统的设计.pdf
09-30
鳄鱼法则交易系统的设计.pdf
比尔·威廉姆的鳄鱼法则交易系统解析与应用
"鳄鱼法则交易系统的设计研究报告，由陈政研究员编写，主要探讨了将鳄鱼法则应用于量化交易中的策略。报告强调了选择高潜力交易的重要性，并介绍了比尔·威廉姆斯基于混沌科学的交易理念，特别是他设计的鳄鱼组线...
管理学定律法则大全.doc
10-11
鳄鱼法则是经济学交易技术法之一，意思是假定一只鳄鱼咬住你的脚，如果你用手去试图挣脱你的脚，鳄鱼便会同时咬住你的脚与手。你愈挣扎，就被咬住得越多。所以，万一鳄鱼咬住你的脚，你唯一的方法就是牺牲一只脚。 ...
三大强者效应：鲶鱼效应，鳄鱼效应，鲦鱼效应
berer8的博客
04-22 794
足球巨星梅西曾经说过：“这个世界没有谁，生来就是强者。”每个人都渴望成功，可人生之路曲折坎坷，大部分人追逐一生都求而不得。其实，让自己变强大并没有想象那么难。鸟有鸟迹，鱼有鱼道，强者也自有其法则。 1、鲶鱼效应 在管理学中，有一个“鲶鱼效应”：北欧渔民们每次出海归来时，捕获的大部分沙丁鱼都因窒息而死，无法卖上好价钱。为了提升沙丁鱼存活率，渔民们绞尽脑汁，最终想到了一个办法：在装满沙丁鱼的鱼槽里，同时放进几条鲶鱼。当鲶鱼横冲直撞时，原本死气沉沉的沙丁鱼会为了保命而加速游动，从而保持了旺盛的生命力。 “鲶
蝴蝶效应，青蛙现象，鳄鱼法则，鲇鱼效应，羊群效应，刺猬法则，手表定律，破窗理论，二八定律，木桶理论，马太效应，这些你都明白吗？...
老罗传奇
06-11 212
蝴蝶效应，青蛙现象，鳄鱼法则，鲇鱼效应，羊群效应，刺猬法则，手表定律，破窗理论，二八定律，木桶理论，马太效应，这些你都明白吗？1、蝴蝶效应:上个世纪70年代，美国一个名叫洛伦兹的气象学家在解释空气系统理论时说，亚马逊雨林一只蝴蝶翅膀偶尔振动，也许两周后就会引起美国得克萨斯州的一场龙卷风。蝴蝶效应是说，初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。有些小事可以糊涂，...
day33 Python与金融量化分析(三)
weixin_30674525的博客
09-11 186
第三部分 实现简单的量化框架 框架内容： 开始时间、结束时间、现金、持仓数据 获取历史数据 交易函数 计算并绘制收益曲线 回测主体框架 计算各项指标 用户待写代码：初始化、每日处理函数 第四部分 在线平台与量化投资 本节内容： 第一个简单的策略（了解平台） 双均线策略 因子选股策略 多因子选股策略 小市值策略 海龟交易法则 均值回归策略...
响应式电子商城超强实战技术
04-28
响应式的页面设计是新型互联网发展的方向.它可以根据不同的设备显示效果不同的页面.电子商城一直以来都是互联网的宠儿.电子商城能否承载足够的压力,成为越来越多的电商需要考虑的事.那么在这里你可以搞定一切。
混沌交易策略（鳄鱼线）
mozhuinsking的博客
02-17 5227
来源：mc官网 混沌交易策略 （策略：Alex） 我想做交易的投资者都有体会，金融市场的价格波动稳定是一时的，大部分情况还是不稳定的，这是获取利益的机会，也是做交易刺激的地方。 但是不稳定不代表不可预测，还是可以寻找出某种确定性的，充满着一种可念不可说的神秘力量，其实简单来说，这就是一种“混沌”的状态。 顾名思义，如何在混乱复杂的市场里让收益变得更稳定，是每位交易者的课题。今天小编就来抛砖引玉，介...
鳄鱼法则（特转此贴，给不会止损的朋友们）
JASOVA - #时光机#
01-17 968
<br />    关于止损的重要性，专业人士常用鳄鱼法则来说明。鳄鱼法则的原意是：假定一只鳄鱼咬住你的脚，如果你用手去试图挣脱你的脚，鳄鱼便会同时咬住你的脚与手。你愈挣扎，就被咬住得越多。所以，万一鳄鱼咬住你的脚，你惟一的机会就是牺牲一只脚。在股市里，鳄鱼法则就是：当你发现自己的交易背离了市场的方向，必须立即止损，不得有任何延误，不得存有任何侥幸。鳄鱼吃人听起来太残酷，但股市其实就是一个残酷的地方，每天都有人被它吞没或黯然消失。再请看一组简单的数字：当你的资金从10万亏成了9万，亏损率是1÷10＝10%，
读取context中的数据与条件判断
IAlexanderI的专栏
07-22 2560
JoinQuant-TWist 摘要 context的含义 context的结构 context的读取方法 条件判断语句 止损的含义及其实现方法 通过前文的讲解，我们已经能理解最开始的那个简单的策略例子，如下： def initialize(context): run_daily(period,time='every_bar') g.securit...
量化交易入门笔记-策略定时函数
东南有大树的博客
10-04 1994
经典管理学定律3 - 鳄鱼法则
weixin_34127717的博客
07-13 293
鳄鱼法则 (Alligator Principle) 经济学交易技术法则之一，也叫“鳄鱼效应”，他的意思是：假定一只鳄鱼咬住你的脚，如果你用手试图挣脱你的脚，鳄鱼便会同时咬住你的脚和手，你愈挣扎，就被咬住得越多。 人性天生的弱点，会影响我们的操作，一次大亏，足以输掉前面99次利润，所以严格遵守止损定律便成为确保投资者在风险市场中生存的唯一法则。所以，万一鳄鱼咬住你的脚，务必记住：你唯一...
在聚宽平台上编写鳄鱼交易法则
a274521712的博客
08-24 304
# 导入函数库import jqdataimport numpy as np # 初始化函数，设定基准等等def initialize(context): set_option('use_real_price', True) set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_com...
评论 1
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
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