策略1：价格动量

最新推荐文章于 2023-09-16 16:19:28 发布

Coding的叶子

最新推荐文章于 2023-09-16 16:19:28 发布

阅读量3.6k

点赞数

分类专栏：量化分析 Python量化程序片段文章标签：量化分析

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.csdn.net/suiyingy/article/details/115900033

版权

量化分析同时被 2 个专栏收录

22 篇文章 54 订阅

订阅专栏

Python量化程序片段

9 篇文章 6 订阅

订阅专栏

策略1：价格动量

框架：Backtrader

数据：Tushare

来源：151个交易策略《151 Trading Strategies》 3.1 Strategy: Price-momentum

关键参数

(1) 收益率

$R(t) = P(t)/P(t+1) - 1$

(2) T周期内累计收益

$R^{cum}=P(t)/P(t+T) - 1$

(3) T周期内平均收益

$R^{mean}=\frac{1}{T}\sum_{1}^{T}R(t)$

(4) 风险调整收益

$R^{risk.adj}=\frac{R^{mean}}{\sigma }$

(5) 收益波动方差

$\sigma^{2}=\frac{1}{T-1}\sum_{1}^{T}(R(t)-R^{mean})^{2}$

本策略主要用于趋势跟踪，适用于成长类股票。策略通常对月K线进行操作，周期T通常为12个月。该策略可以用来辅助筛选股票，重点依据累计收益和风险调整收益，前者主要是衡量T周期内总体走势，后者衡量收益的风险和稳定性（取值越大越好）。据体策略描述请参考《151 Trading Strategies》。

主要指标代码如下：

#时间序列需由最近到最远list
class sty_price_momentum():
    def __init__(self, prices, T=12):
        self.strategy_name = 'price momentum'
        self.T = T
        self.prices = np.array(prices)
        self.month_return  = None
        self.cumulative_return = None
        self.mean_return = None
        self.sigma_2_return = None
        self.risk_adj_return = None
        self.calculate_month_return()
        self.calculate_risk_adj_return()
        
    def calculate_month_return(self):
        tmp = list(self.prices[1:])
        tmp.append(self.prices[-1])
        tmp = np.array(tmp)
        self.month_return = self.prices/tmp - 1
        
    def calculate_cumulative_return(self):
        assert self.prices.shape[0] > self.T, '价格序列长度需大于形成期长度'
        tmp = list(self.prices[self.T:])
        tmp.extend(list(self.prices[(self.prices.shape[0]-self.T):]))
        tmp = np.array(tmp)
        self.cumulative_return = self.prices/tmp - 1
       
    def calculate_mean_return(self):
        self.mean_return = []
        self.calculate_month_return()
        shape_0 = self.month_return.shape[0]
        for i in range(shape_0):
            if i < shape_0 - self.T + 1:
                tmp = np.mean(self.month_return[i:(i+self.T)])
            else:
                tmp = np.mean(self.month_return[i:])
            self.mean_return.append(tmp)
        self.mean_return = np.array(self.mean_return)
    
    def calculate_sigma_2_return(self):
        assert self.T > 1, '周期需大于1'
        self.sigma_2_return = []
        self.calculate_mean_return()
        shape_0 = self.prices.shape[0]
        for i in range(shape_0):
            tmp = []
            if i < shape_0 - self.T + 1:
                tmp = self.month_return[i:(i+self.T)] - self.mean_return[i]
                tmp = (sum(tmp**2))/(self.T - 1)
            else:
                tmp = self.month_return[i:shape_0] - self.mean_return[i]
                tmp = np.mean(sum(tmp**2))/(shape_0 - i - 1 + 1e-6)
            self.sigma_2_return.append(tmp)
        self.sigma_2_return[-1] = 1e-6
        self.sigma_2_return = np.array(self.sigma_2_return)
    
    def calculate_risk_adj_return(self):
        self.calculate_sigma_2_return()
        self.risk_adj_return = self.mean_return / np.sqrt(self.sigma_2_return)