量化分析小函数——上穿函数

量化分析小函数——上穿函数

        上穿函数用于判断上穿信号的有无。输入为两条信号,obj和ref,两者数据类型为python列表。主要判断obj是否上穿ref。

1 参考代码

import talib as tl
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

#上穿信号
#obj上穿ref,返回上穿位置索引
def upcross(obj, ref):
    print(ref[0] < 1)
    assert len(obj) == len(ref), '上穿信号输入维度不相等'
    assert len(obj) > 1, '上穿信号长度至少为2'
    res =[]
    for i in range(1, len(obj)):
        
        if obj[i-1] < ref[i-1] and obj[i] > ref[i]:
            res.append(i)
    #print(res)
    return res


if __name__ == '__main__':
    df = pd.read_csv('600029.SH.csv')
    close = df.close.values 
    close_avg = tl.MA(close, 20)
    res = upcross(close, close_avg)
    print(res)
    
    plt.plot(range(len(close)), close)
    plt.plot(range(len(close_avg)), close_avg)
    for r in res:
        plt.axvline(r, ls="-.",c="r")
    plt.legend(['close', 'close_avg'])
    plt.show()

2 测试结果

公众号实时查询股票涨幅,无需打开交易软件,方便查看;量化知识和策略分享。请关注“量化之窗”公众号,如有疑问,请在文章下方留言,欢迎使用!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
在信息丰富的金融市场中,主要挑战之一是如何有效地从大量可用信息中推导出最佳投资解决方案。 通过评估数百万种可能性,可以找到最有效的因素或信息信号组合,这是一项远远超出手动工作范围的任务。 鉴于手动方法的局限性,因子组合通常是线性的。 然而,因素的线性组合可能过于简单,无法反映市场的复杂性,从而完全捕捉到因素的预测能力。 遗传编程过程可以轻松探索线性和非线性公式。 此外,评估的简易性有助于为股票选择模型考虑更广泛的候选因素。 基于道富环球顾问 (SSgA) 之前关于使用遗传编程技术开发量化投资策略的研究,我们扩展了我们的应用程序,以在大型可投资股票领域(标准普尔 500 指数)中开发选股模型。 设计了两种不同的适应度函数来推导出适应不同投资目标的 GP 模型。 首先,我们证明 GP 过程可以为低主动风险投资风格生成选股模型。 与传统模型相比,GP模型显着增强了未来股票收益排序能力。 其次,为了适应积极的投资风格,我们还使用 GP 过程生成了一个模型,该模型可识别未来收益位于收益分布肥尾的股票。 与指数跟随投资组合相比,基于该模型构建的投资组合旨在积极产生可能的最高回报。 我们的测试表明,GP 模型的选股能力在统计上是显着的。 历史模拟结果表明,基于GP模型的投资组合优于基准和基于传统模型的投资组合。 此外,我们证明 GP 模型在适应各种市场制度方面更稳健,并且比传统模型具有更一致的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

Coding的叶子

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
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