[复现]比较6种股市趋势识别方

最新推荐文章于 2025-03-25 09:00:00 发布
最新推荐文章于 2025-03-25 09:00:00 发布
阅读量978 收藏 20
点赞数 17
分类专栏： # 研报复现 文章标签： python 数据分析
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/vipsh2011/article/details/143105254
版权

作者: Filippos Tzimopoulos

翻译整理：进击的小学生

文章名称: I compared 6 methods to identify the trend of the stock market. These are the results!

code 与 datas ，请转至获取！

背景说明

通过识别市场方向，交易者可以就进入和退出点做出明智的决策，改进整体策略并避免在波动条件下出现代价高昂的错误。

在本文中，您可以期待以下内容：

  • 描述最常用的技术分析方法，使用指标来识别趋势;主要指标有：MA（快速、慢速移动平均值）、MACD、RSI、布林带、ADX、Ichimoku Cloud。
  • 对于每种方法，使用趋势作为信号，并计算相关绩效指标，主要有：总收益、最大回撤、Sharp、权益曲线；
  • 比较不同方法的各种统计数据；
  • 根据回测数据绘制趋势图；

在原文基础上为更好理解，做以下调整：

  • 作者使用SPY作为标的，考虑更加贴近自身环境，便于理解和对比，标的该为ETF 516510.SH。
  • 向上趋势：green 改为 red；向下趋势：red 改为 green

运行环境

Author: lleasy

Python implementation: CPython
Python version       : 3.10.9
IPython version      : 8.10.0

numpy     : 1.26.4
pandas    : 2.2.1
matplotlib: 3.8.4
pandas_ta : 0.3.14b0

Compiler    : Clang 14.0.6 
OS          : Darwin
Release     : 22.6.0
Machine     : x86_64
Processor   : i386
CPU cores   : 16
Architecture: 64bit

指标介绍

权益曲线（Equity Curve）和净值曲线（Net Value Curve）

权益曲线（Equity Curve）和净值曲线（Net Value Curve）通常用于描述投资组合或基金的价值随时间的变化，但它们在计算和表示上有一些区别：

  1. 权益曲线（Equity Curve）：

    • 权益曲线通常从100开始（或者从投资的初始资金开始）。
    • 它反映了投资组合的累积价值，考虑到了所有的收益和损失。
    • 权益曲线的每个点是通过将起始价值乘以（1加上累积的回报率）来计算的。
    • 它通常用于展示交易策略的表现，特别是在量化交易和对冲基金中。

  2. 净值曲线（Net Value Curve）：

    • 净值曲线通常从1开始（或者从投资的初始资金除以初始资金额来归一化）。
    • 它也反映了投资组合的累积价值，但通常用于基金净值的计算。
    • 净值曲线的每个点是通过将起始价值乘以（1加上累积的回报率）并考虑了资金的流入和流出（如投资者的申购和赎回）来计算的。
    • 它常用于衡量共同基金或投资基金的表现。
计算方法的区别

  • 权益曲线的计算方法通常是：
    Equity t = Equity t − 1 × ( 1 + R t ) \text{Equity}_{t} = \text{Equity}_{t-1} \times (1 + R_t) Equityt​=Equityt−1​×(1+Rt​)
    其中， E q u i t y t {Equity}_{t} Equityt​ 是第 $ t $ 天的权益，$ R_t $ 是第 $ t $ 天的回报率。

  • 净值曲线的计算方法通常是：
    Net Value t = Net Value t − 1 × ( 1 + R t ) × ( 1 + Cash Flow t ) \text{Net Value}_{t} = \text{Net Value}_{t-1} \times (1 + R_t) \times (1 + \text{Cash Flow}_{t}) Net Valuet​=Net Valuet−1​×(1+Rt​)×(1+Cash Flowt​)
    其中， Net Value t \text{Net Value}_{t} Net Valuet​ 是第 t t t 天的净值， Cash Flow t \text{Cash Flow}_{t} Cash Flowt​ 是第 t t t 天的资金流入流出比例。

应用场景的区别
  • 权益曲线更多地用于个人投资者或交易者，以及那些关注交易策略表现的场景。
  • 净值曲线则更多地用于基金经理和基金公司，以及那些需要向投资者报告基金表现的场景。

总的来说，两者都是衡量投资表现的工具，但权益曲线更侧重于策略的累积表现，而净值曲线则更侧重于基金的整体表现，包括了资金的流入流出。

一目均衡图(Ichimoku Cloud)

一目均衡图又称云图指标、日平均图(Ichimoku Cloud)是一种技术分析方法，它将多个指标组合在一张图表中。它在烛台图表上作为一种交易工具，为交易者提供有关潜在支撑位和阻力位区域的参考。它也被用作预测工具，帮助交易者确定未来趋势和市场动力。

Ichimoku Cloud系统根据高低价格指标显示数据，图表由五组参数组成：

  1. 转换线（Tenkan-sen）：以9日为移动平均线。
  2. 基线（Kijun-sen）：以26日为移动平均线。
  3. 先行带A（Senkou Span A）：通过转换线和基线的移动平均值预计未来26日内趋势
  4. 先行带B（Senkou Span B）：通过52日移动平均值预计未来26日内趋势。
  5. 迟行带（Chikou Span）：今日收盘价与过去26日中线的差值。

Ichimoku Cloud

先行带A（3）和先行带B（4）之间的空间称为云带（Kumo），该参数是Ichimoku系统中最值得注意的元素。两条先行带能够预计26日内的市场趋势，因此被视为先行指标。另一方面，迟行带（5）是一个滞后指标，体现了过去26日的趋势。

默认情况下，为方便阅读云带以绿色或红色显示。当先行带A（绿色云线）高于先行带B（红色云线）时，会产生绿色云带。同理，完全相反的情况下会产生红色云带。

一目均衡图(Ichimoku Cloud)详解

# Download the stock data
ticker = '516510.SH' 
#df = yf.download(ticker, start='2023-01-01', end='2024-06-01')
df = pd.read_csv('./datas/516510.SH.csv',parse_dates=['datetime'])
df = df[['ts_code','datetime','open','high','low','close','vol']]
df = df.set_index('datetime')
df = df.query('datetime<=20230101').copy()

def calculate_returns(df_for_returns, col_for_returns = 'close', col_for_signal = 'Trend'):

    stats = {}

    # Calculate daily returns
    df_for_returns['Daily_Returns'] = df[col_for_returns].pct_change()
    df_for_returns['Returns'] = df_for_returns['Daily_Returns'] * df_for_returns[col_for_signal].shift(1)
    df_for_returns['Returns'] = df_for_returns['Returns'].fillna(0)
    # 股票或投资组合的权益曲线（Equity Curve）是投资领域中用来展示投资组合价值随时间变化的图表，通常用来评估投资策略的表现。
    df_for_returns['Equity Curve'] = 100 * (1 + df_for_returns['Returns']).cumprod()

    equity_curve = df_for_returns['Equity Curve']
    # Calculate the running maximum of the equity curve
    cumulative_max = equity_curve.cummax()
    drawdown = (equity_curve - cumulative_max) / cumulative_max
    stats['max_drawdown'] = drawdown.min()

    # calculate the sharpe ratio
    stats['sharpe_ratio'] = (df_for_returns['Returns'].mean() / df_for_returns['Returns'].std()) * np.sqrt(252)

    # calculate the total return
    stats['total_return'] = (equity_curve.iloc[-1] / equity_curve.iloc[0]) - 1

    # calculate the number of long signals
    stats['number_of_long_signals'] = len(df_for_returns[df_for_returns[col_for_signal] == 1])

    # calculate the number of short signals
    stats['number_of_short_signals'] = len(df_for_returns[df_for_returns[col_for_signal] == -1])

    return df_for_returns['Equity Curve'], stats

策略回测

快速 + 慢速 移动平均线MA

2 个移动平均线。当快速值高于慢值时，表明呈上升趋势。

def calculate_trend_2_ma(df_ohlc, period_slow=21, period_fast=9):
    # Calculate Moving Averages (fast and slow) using pandas_ta
    df_ohlc['MA_Fast'] = df_ohlc.ta.sma(close='Close', length=period_fast)
    df_ohlc['MA_Slow'] = df_ohlc.ta.sma(close='Close', length=period_slow)

    # Determine the trend based on Moving Averages
    def identify_trend(row):
        if row['MA_Fast'] > row['MA_Slow']:
            return 1
        elif row['MA_Fast'] < row['MA_Slow']:
            return -1
        else:
            return 0
        
    df_ohlc = df_ohlc.assign(Trend=df_ohlc.apply(identify_trend, axis=1))
    df_ohlc['Trend'] =  df_ohlc['Trend'].fillna('0')

    return df_ohlc['Trend']

df['Trend'] = calculate_trend_2_ma(df, period_slow=21, period_fast=9)
df['Equity Curve'], stats = calculate_returns(df, col_for_returns = 'close', col_for_signal = 'Trend')

# Plotting with adjusted subplot heights
fig, ax1 = plt.subplots(1, 1, figsize=(14, 7), sharex=True)

# Plotting the close price with the color corresponding to the trend
# 当快速值高于慢值时，表明呈上升趋势。
for i in range(1, len(df)):
    ax1.plot(df.index[i-1:i+1]
            , df['close'].iloc[i-1:i+1]
            #, color='red' if df['Trend'].iloc[i] == 1 else ('green' if df['Trend'].iloc[i] == -1 else 'darkgrey')
            , color='green' if df['Trend'].iloc[i] == 1 else ('red' if df['Trend'].iloc[i] == -1 else 'darkgrey')
            , linewidth=2)

# Plot the Moving Averages
ax1.plot(df['MA_Fast'], label='9-day MA (Fast)', color='blue')
ax1.plot(df['MA_Slow'], label='21-day MA (Slow)', color='orange')
ax1.set_title(f'{ticker} - Price and Moving Averages')
ax1.text(0.5, 0.9, f"Total Return: {stats['total_return']:.2%}", transform=ax1.transAxes, ha='center', va='top', fontsize=14)
ax1.legend(loc='best')

plt.show()

png

MA + MACD

上升趋势，收盘价应高于移动平均线，MACD 线应高于 MACD 信号。

def calculate_trend_macd_ma(df_ohlc, ma_period=50, macd_fast=12, macd_slow=26, macd_signal=9):
    # Calculate MACD using pandas_ta
    df_ohlc.ta.macd(close='close', fast=macd_fast, slow=macd_slow, signal=macd_signal, append=True)

    # Calculate Moving Average
    df_ohlc['MA'] = df_ohlc.ta.sma(close='close', length=ma_period)

    # Determine the trend based on MA and MACD
    def identify_trend(row):
        macd_name = f'{macd_fast}_{macd_slow}_{macd_signal}'
        # 收盘价应高于移动平均线，MACD 线应高于 MACD 信号。
        if row['close'] > row['MA'] and row[f'MACD_{macd_name}'] > row[f'MACDs_{macd_name}']:
            return 1
        elif row['close'] < row['MA'] and row[f'MACD_{macd_name}'] < row[f'MACDs_{macd_name}']:
            return -1
        else:
            return 0

    df_ohlc['Trend'] = df_ohlc.apply(identify_trend, axis=1)
    return df_ohlc['Trend']

df['Trend'] = calculate_trend_macd_ma(df, ma_period=50, macd_fast=12, macd_slow=26, macd_signal=9)
df['Equity Curve'], stats = calculate_returns(df, col_for_returns = 'close', col_for_signal = 'Trend')

# Plotting with adjusted subplot heights
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True, 
                            gridspec_kw={'height_ratios': [3, 1]})

# Plotting the close price with the color corresponding to the trend
for i in range(1, len(df)):
    ax1.plot(df.index[i-1:i+1]
            , df['close'].iloc[i-1:i+1]
            , color='red' if df['Trend'].iloc[i] == 1 else ('green' if df['Trend'].iloc[i] == -1 else 'darkgrey')
            , linewidth=2)

# Plot the Moving Average
ax1.plot(df['MA'], label=f'50-day MA', color='orange')
ax1.set_title(f'{ticker} - Price and Moving Average')
ax1.text(0.5, 0.9, f"Total Return: {stats['total_return']:.2%}", transform=ax1.transAxes, ha='center', va='top', fontsize=14)
ax1.legend(loc='best')

# Plot MACD and Signal Line on the second subplot (smaller height)
ax2.plot(df.index, df['MACD_12_26_9'], label='MACD', color='blue')
ax2.plot(df.index, df['MACDs_12_26_9'], label='Signal Line', color='red')
ax2.set_title(f'{ticker} - MACD')
ax2.legend(loc='best')

plt.show()

png

RSI + 快速和慢速移动平均线

快速 MA 应高于慢速 MA，RSI > 50 以确定上升趋势和下降趋势的相反趋势。

def calculate_trend_rsi_ma(df_ohlc, rsi_period=14, ma_fast=9, ma_slow=21):

    # Calculate RSI using pandas_ta
    df_ohlc['RSI'] = df.ta.rsi(close='close', length=rsi_period)

    # Calculate Moving Averages (14-day and 50-day) using pandas_ta
    df_ohlc[f'MA_{ma_fast}'] = df_ohlc.ta.sma(close='close', length=14)
    df_ohlc[f'MA_{ma_slow}'] = df_ohlc.ta.sma(close='close', length=50)

    # Determine the trend based on RSI and Moving Averages
    # 快速 MA 应高于慢速 MA，RSI > 50 以确定上升趋势
    def identify_trend(row):
        if row['RSI'] > 50 and row[f'MA_{ma_fast}'] > row[f'MA_{ma_slow}']:
            return 1
        elif row['RSI'] < 50 and row[f'MA_{ma_fast}'] < row[f'MA_{ma_slow}']:
            return -1
        else:
            return 0

    df_ohlc['Trend'] = df_ohlc.apply(identify_trend, axis=1)
    return df_ohlc['Trend']

df['Trend'] = calculate_trend_rsi_ma(df, rsi_period=14, ma_fast=14, ma_slow=50)
df['Equity Curve'], stats = calculate_returns(df, col_for_returns = 'close', col_for_signal = 'Trend')

# Plotting with adjusted subplot heights
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True, 
                            gridspec_kw={'height_ratios': [3, 1]})

# Plotting the close price with the color corresponding to the trend
for i in range(1, len(df)):
    ax1.plot(df.index[i-1:i+1]
            , df['close'].iloc[i-1:i+1]
            , color='red' if df['Trend'].iloc[i] == 1 else ('green' if df['Trend'].iloc[i] == -1 else 'darkgrey')
            , linewidth=2)

# Plot the Moving Averages
ax1.plot(df['MA_14'], label='14-day MA', color='blue')
ax1.plot(df['MA_50'], label='50-day MA', color='orange')
ax1.text(0.5, 0.9, f"Total Return: {stats['total_return']:.2%}", transform=ax1.transAxes, ha='center', va='top', fontsize=14)
ax1.set_title(f'{ticker} - Price, RSI and Fast and Slow Moving Average')
ax1.legend(loc='best')

# Plot RSI on the second subplot (smaller height)
ax2.plot(df.index, df['RSI'], label='RSI', color='purple')
ax2.axhline(50, color='black', linestyle='--', linewidth=1)  # Add a horizontal line at RSI=50
ax2.set_title(f'{ticker} - RSI')
ax2.legend(loc='best')

plt.show()

png

RSI + 布林带

当价格高于中间布林带且 RSI 高于 50 时，我们有一个上升趋势。

def calculate_trend_bbands_rsi(df_ohlc, bbands_period=5, bbands_std=2, rsi_period=14):

    # Calculate RSI using pandas_ta
    df_ohlc['RSI'] = df_ohlc.ta.rsi(close='close', length=rsi_period)

    # Calculate Bollinger Bands using pandas_ta
    bbands = df.ta.bbands(close='close', length=bbands_period, std=bbands_std)
    df_ohlc['BB_upper'] = bbands[f'BBU_{bbands_period}_{bbands_std}.0']
    df_ohlc['BB_middle'] = bbands[f'BBM_{bbands_period}_{bbands_std}.0']
    df_ohlc['BB_lower'] = bbands[f'BBL_{bbands_period}_{bbands_std}.0']

    # Determine the trend based on Bollinger Bands and RSI
    # 当价格高于中间布林带且 RSI 高于 50 时，上升趋势。
    def identify_trend(row):
        if row['close'] > row['BB_middle'] and row['RSI'] > 50:
            return 1
        elif row['close'] < row['BB_middle'] and row['RSI'] < 50:
            return -1
        else:
            return 0

    df_ohlc['Trend'] = df_ohlc.apply(identify_trend, axis=1)
    return df_ohlc['Trend']

df['Trend'] = calculate_trend_bbands_rsi(df, bbands_period=20, bbands_std=2, rsi_period=14)
df['Equity Curve'], stats = calculate_returns(df, col_for_returns = 'close', col_for_signal = 'Trend')

# Plotting with adjusted subplot heights
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True, 
                            gridspec_kw={'height_ratios': [3, 1]})

# Plotting the close price with the color corresponding to the trend
for i in range(1, len(df)):
    ax1.plot(df.index[i-1:i+1]
            , df['close'].iloc[i-1:i+1]
            , color='red' if df['Trend'].iloc[i] == 1 else ('green' if df['Trend'].iloc[i] == -1 else 'darkgrey')
            , linewidth=2)

# Plot Bollinger Bands
ax1.plot(df['BB_upper'], label='Upper Band', color='blue', linestyle='--')
ax1.plot(df['BB_middle'], label='Middle Band', color='orange')
ax1.plot(df['BB_lower'], label='Lower Band', color='blue', linestyle='--')
ax1.text(0.5, 0.9, f"Total Return: {stats['total_return']:.2%}", transform=ax1.transAxes, ha='center', va='top', fontsize=14)
ax1.set_title(f'{ticker} - Price, RSI and Bollinger Bands')
ax1.legend(loc='best')

# Plot RSI on the second subplot (smaller height)
ax2.plot(df.index, df['RSI'], label='RSI', color='purple')
ax2.axhline(50, color='black', linestyle='--', linewidth=1)  # Add a horizontal line at RSI=50
ax2.set_title(f'{ticker} - RSI')
ax2.legend(loc='best')

plt.show()

​
png
​

ADX + 慢速和快速移动平均线

通过结合 ADX 和移动平均线，当 ADX 高于 25（表明强劲趋势）且快速 MA 高于慢速 MA 时，我们将确定上升趋势。

def calculate_trend_adx_ma(df_ohlc, adx_period=14, fast_ma_period=14, slow_ma_period=50):
    # Calculate ADX using pandas_ta
    df_ohlc['ADX'] = df_ohlc.ta.adx(length=adx_period)[f'ADX_{adx_period}']

    # Calculate Moving Averages (14-day and 50-day) using pandas_ta
    df_ohlc['MA_fast'] = df_ohlc.ta.sma(close='close', length=fast_ma_period)
    df_ohlc['MA_slow'] = df_ohlc.ta.sma(close='close', length=slow_ma_period)

    # Determine the trend based on ADX and Moving Averages
    # 当 ADX 高于 25（表明强劲趋势）且快速 MA 高于慢速 MA 时，上升趋势
    def identify_trend(row):
        if row['ADX'] > 25 and row['MA_fast'] > row['MA_slow']:
            return 1
        elif row['ADX'] > 25 and row['MA_fast'] < row['MA_slow']:
            return -1
        else:
            return 0

    df_ohlc['Trend'] = df_ohlc.apply(identify_trend, axis=1)
    return df_ohlc['Trend']

df['Trend'] = calculate_trend_adx_ma(df, adx_period=14, fast_ma_period=14, slow_ma_period=50)
df['Equity Curve'], stats = calculate_returns(df, col_for_returns = 'close', col_for_signal = 'Trend')

# Plotting with adjusted subplot heights
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True, 
                            gridspec_kw={'height_ratios': [3, 1]})

# Plotting the close price with the color corresponding to the trend
for i in range(1, len(df)):
    ax1.plot(df.index[i-1:i+1]
            , df['close'].iloc[i-1:i+1]
            , color='red' if df['Trend'].iloc[i] == 1 else ('green' if df['Trend'].iloc[i] == -1 else 'darkgrey')
            , linewidth=2)

# Plot the Moving Averages
ax1.plot(df['MA_fast'], label='Fast MA', color='blue')
ax1.plot(df['MA_slow'], label='Slow MA', color='orange')
ax1.text(0.5, 0.9, f"Total Return: {stats['total_return']:.2%}", transform=ax1.transAxes, ha='center', va='top', fontsize=14)
ax1.set_title(f'{ticker} - Price, ADX and Moving Averages')
ax1.legend(loc='best')

# Plot ADX on the second subplot (smaller height)
ax2.plot(df.index, df['ADX'], label='ADX', color='purple')
ax2.axhline(25, color='black', linestyle='--', linewidth=1)  # Add a horizontal line at ADX=25
ax2.set_title(f'{ticker} - ADX')
ax2.legend(loc='best')

plt.show()

​
png
​

Ichimoku Cloud + MACD

当价格高于 Ichimoku Cloud 且 MACD 高于信号线时，我们确定上升趋势。

def calculate_trend_ichimoku_macd(df_ohlc, macd_fast=12, macd_slow=26, macd_signal=9, tenkan=9, kijun=26, senkou=52):

    # Calculate Ichimoku Cloud components using pandas_ta
    df_ichimoku = df_ohlc.ta.ichimoku(tenkan, kijun, senkou)[0]

    # Extract Ichimoku Cloud components
    df_ohlc['Ichimoku_Conversion'] = df_ichimoku[f'ITS_{tenkan}']  # Tenkan-sen (Conversion Line)
    df_ohlc['Ichimoku_Base'] = df_ichimoku[f'IKS_{kijun}']       # Kijun-sen (Base Line)
    df_ohlc['Ichimoku_Span_A'] = df_ichimoku[f'ITS_{tenkan}']         # Senkou Span A
    df_ohlc['Ichimoku_Span_B'] = df_ichimoku[f'ISB_{kijun}']        # Senkou Span B

    # Calculate MACD using pandas_ta
    df_ohlc.ta.macd(close='close', fast=macd_fast, slow=macd_slow, signal=macd_signal, append=True)

    # Determine the trend based on Ichimoku Cloud and MACD
    # 当价格高于 Ichimoku Cloud 且 MACD 高于信号线时，我们确定上升趋势。
    def identify_trend(row):
        if row['close'] > max(row['Ichimoku_Span_A'], row['Ichimoku_Span_B']) and row['MACD_12_26_9'] > row['MACDs_12_26_9']:
            return 1
        elif row['close'] < min(row['Ichimoku_Span_A'], row['Ichimoku_Span_B']) and row['MACD_12_26_9'] < row['MACDs_12_26_9']:
            return -1
        else:
            return 0

    df_ohlc['Trend'] = df_ohlc.apply(identify_trend, axis=1)
    return df_ohlc['Trend']

df['Trend'] = calculate_trend_ichimoku_macd(df, macd_fast=12, macd_slow=26, macd_signal=9)
df['Equity Curve'], stats = calculate_returns(df, col_for_returns = 'close', col_for_signal = 'Trend')

# Plotting with adjusted subplot heights
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True, 
                            gridspec_kw={'height_ratios': [3, 1]})

# Plotting the close price with the color corresponding to the trend
for i in range(1, len(df)):
    ax1.plot(df.index[i-1:i+1]
            , df['close'].iloc[i-1:i+1]
            , color='red' if df['Trend'].iloc[i] == 1 else ('green' if df['Trend'].iloc[i] == -1 else 'darkgrey')
            , linewidth=2)

# Plot Ichimoku Cloud
ax1.fill_between(df.index, df['Ichimoku_Span_A'], df['Ichimoku_Span_B'], 
                where=(df['Ichimoku_Span_A'] >= df['Ichimoku_Span_B']), color='lightgreen', alpha=0.5)
ax1.fill_between(df.index, df['Ichimoku_Span_A'], df['Ichimoku_Span_B'], 
                where=(df['Ichimoku_Span_A'] < df['Ichimoku_Span_B']), color='lightcoral', alpha=0.5)

ax1.plot(df['Ichimoku_Conversion'], label='Conversion Line (Tenkan-sen)', color='blue')
ax1.plot(df['Ichimoku_Base'], label='Base Line (Kijun-sen)', color='orange')
ax1.text(0.5, 0.9, f"Total Return: {stats['total_return']:.2%}", transform=ax1.transAxes, ha='center', va='top', fontsize=14)
ax1.set_title(f'{ticker} - Price and Ichimoku Cloud')
ax1.legend(loc='best')

# Plot MACD and Signal Line on the second subplot (smaller height)
ax2.plot(df.index, df['MACD_12_26_9'], label='MACD', color='blue')
ax2.plot(df.index, df['MACDs_12_26_9'], label='Signal Line', color='red')
ax2.set_title(f'{ticker} - MACD')
ax2.legend(loc='best')

plt.show()

png

结果总结

最后，对以上两两组合指标回测结果进行汇总比较：

# Download the stock data
#ticker = 'SPY'  # You can replace 'AAPL' with any other stock ticker or currency pair
#df = yf.download(ticker, start='2023-01-01', end='2024-06-01')

trend_identification_methods = ['2_ma', 'macd_ma', 'rsi_ma', 'bbands_rsi', 'adx_ma',  'ichimoku_macd']
trend_identification_results = []

def calculate_trend(df, method):
    if method == '2_ma':
        return calculate_trend_2_ma(df, period_slow=21, period_fast=9)
    elif method == 'macd_ma':
        return calculate_trend_macd_ma(df, ma_period=50, macd_fast=12, macd_slow=26, macd_signal=9)
    elif method == 'rsi_ma':
        return calculate_trend_rsi_ma(df, rsi_period=14, ma_fast=9, ma_slow=21)
    elif method == 'bbands_rsi':
        return calculate_trend_bbands_rsi(df, bbands_period=5, bbands_std=2, rsi_period=14)
    elif method == 'adx_ma':
        return calculate_trend_adx_ma(df, adx_period=14, fast_ma_period=14, slow_ma_period=50)
    elif method == 'ichimoku_macd':
        return calculate_trend_ichimoku_macd(df, macd_fast=12, macd_slow=26, macd_signal=9, tenkan=9, kijun=26, senkou=52)

for method in trend_identification_methods:

    # Calculate results of returns for each method and append to the list
    df_copy = df.copy()
    d = {}
    d['Method'] = method
    df_copy['Trend'] = calculate_trend(df_copy, method)
    df_copy['Equity Curve'], stats = calculate_returns(df_copy, col_for_returns = 'close', col_for_signal = 'Trend')
    d.update(stats)
    trend_identification_results.append(d)

    # Add trend line and equity curve to the df
    df[f'Trend_{method}'] = df_copy['Trend']
    df[f'Equity Curve_{method}'] = df_copy['Equity Curve']


trend_identification_results_df = pd.DataFrame(trend_identification_results)

trend_identification_results_df
Methodmax_drawdownsharpe_ratiototal_returnnumber_of_long_signalsnumber_of_short_signals
02_ma-0.2205140.2791250.067435217187
1macd_ma-0.1977660.2585730.054929100121
2rsi_ma-0.2656110.049457-0.023366141129
3bbands_rsi-0.3021480.2803530.065393169128
4adx_ma-0.1302350.5310430.1284816738
5ichimoku_macd-0.2307520.1365600.01265510382

在该标的下，ADX 和 快速和慢速移动平均线的组合下 sharpe 最大 、 max_drawdown 最小，收益率也高于其他组合。

多股票回测

tickers = ['AAPL', 'AMZN', 'GOOG', 'TSLA', 'SPY']
results = []

for ticker in tickers:
    df = yf.download(ticker, start='2023-01-01', end='2024-06-01')

    trend_identification_methods = ['2_ma', 'macd_ma', 'rsi_ma', 'bbands_rsi', 'adx_ma',  'ichimoku_macd']
    trend_identification_results = []

    def calculate_trend(df, method):
        if method == '2_ma':
            return calculate_trend_2_ma(df, period_slow=21, period_fast=9)
        elif method == 'macd_ma':
            return calculate_trend_macd_ma(df, ma_period=50, macd_fast=12, macd_slow=26, macd_signal=9)
        elif method == 'rsi_ma':
            return calculate_trend_rsi_ma(df, rsi_period=14, ma_fast=9, ma_slow=21)
        elif method == 'bbands_rsi':
            return calculate_trend_bbands_rsi(df, bbands_period=5, bbands_std=2, rsi_period=14)
        elif method == 'adx_ma':
            return calculate_trend_adx_ma(df, adx_period=14, fast_ma_period=14, slow_ma_period=50)
        elif method == 'ichimoku_macd':
            return calculate_trend_ichimoku_macd(df, macd_fast=12, macd_slow=26, macd_signal=9, tenkan=9, kijun=26, senkou=52)


    for method in trend_identification_methods:

        # Calculate results of returns for each method and append to the list
        df_copy = df.copy()
        d = {}
        d['Method'] = method
        df_copy['Trend'] = calculate_trend(df_copy, method)
        df_copy['Equity Curve'], stats = calculate_returns(df_copy, col_for_returns = 'Close', col_for_signal = 'Trend')
        results.append({'ticker':ticker, 'method':method, 'total_return':stats['total_return']})

test_df = pd.DataFrame(results)

# Pivot the DataFrame to prepare for plotting
pivot_df = test_df.pivot(index='ticker', columns='method', values='total_return')

# Plotting
pivot_df.plot(kind='bar', figsize=(12, 8))

plt.title('Comparison of total returns per trend method')
plt.ylabel('Value')
plt.xlabel('Stock')
plt.legend(title='Indicators', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.xticks(rotation=45)

plt.tight_layout()
plt.show()
精通AI领域技术实战千例专栏—学习人工智能的指南宝典
一键难忘的博客
11-12 2万+
精通AI领域技术实战千例专栏—学习人工智能的指南宝典 “人工智能是一个非常大的交叉学科，本身就有一个庞大的体系。” 通班的领衔创立者，北大人工智能研究院院长、讲席教授朱松纯介绍说。因此，仅仅把人工智能视为应用领域，课程只集中在某个研究热点上，完全无法满足培养人工智能复合型领军人才的需要： “一个人只有把人工智能六个领域都搞懂了、融会贯通了，你才能说你是人工智能领域的人才或者专家。”
在 TradingView 上使用超级趋势指标, 让投资收益飙升
weixin_70955880的博客
11-12 2897
本文介绍了如何在 TradingView 上使用超级趋势（Supertrend）指标结合价格行动（Price Action）模式，以提高在股市趋势市场中交易的成功率和利润潜力，同时还展示了和其他指标（如：Demark 9）结合的应用效果。
SF14 | Supertrend“超级趋势线”指标魔改升级(源码)
松鼠宽客的博客
02-28 3783
致力于分享量化策略，培训视频，Python，算法研究等相关内容。
从新手到高手：这个指标让我无往不利！
最新发布
weixin_70955880的博客
03-25 947
经常有读者问我：“有没有适合期权短线交易的好策略？”今天我要推荐的是 Option Scalping V2。这个一体化指标融合了VWAP、VWMA、Parabolic SAR和SuperTrend等多种工具，能帮我更精准地捕捉市场趋势。它实时跟踪关键股票和市场动态，不仅简化了决策流程，还显著提高了盈利效率。如果你也想在短线高频交易中脱颖而出，这个策略绝对值得一试！
使用Python实现超级趋势指标（Super Trend Indicator）
jessendsc的博客
05-29 9805
使用Python实现超级趋势指标（Super Trend Indicator） 超级趋势指标是一种显示当前趋势方向的指标，很像移动平均线。和其他的趋势指标相似，可以在趋势市场中运行良好，但震荡市场中，可能会给出过多错误信号。 1、超级趋势指标（Super Trend Indicator）计算公式： 2、Python实现 import numpy as np import pandas as pd def super_trend(df, atr_period, multiplier): high =
在Elasticsearch中回测超级趋势线(Supertrend)交叉交易策略
王博分享的博客
09-19 3844
我们已经讨论了好几个单一指标交易策略，其中简单的相对强弱指数（RSI）交易策略取得的利润最高。 在本文中，我们将使用 Elasticsearch 实现超级趋势线（Supertrend）交叉交易策略，并比较其性能是否优于相对强弱指数指标。 超级趋势线指标是由 Olivier Seban 创建，但在网上却难以找到它是什么时候宣布的。该指标是一种趋势跟踪指标，提供信号以显示价格趋势，所以它有滞后现象。 基本上，它适用于日内交易。 与布林带 (Bollinger Band) 类似，...
股票策略02 | 技术择时+行业因子+市值轮动
松鼠宽客的博客
08-01 894
超级趋势指标SuperTrendIndicator是一个在外汇交易中常用指标，它的设计者是JasonRobinson。它的主要用途是确定价格趋势，和进行趋势追踪。
精品量化公式——“大资金雷达”，量价信号组合，精准探底！不漂移！
weixin_44406393的博客
01-18 2427
MACD（Moving Average Convergence Divergence）：这是一个趋势追踪指标，由快速EMA（12日）和慢速EMA（26日）的差异与其9日EMA的差异之差计算而来。VA（Volume Accumulation）：这个公式计算了成交量的累积，如果当前收盘价高于前一天的收盘价，则累积成交量为正值，否则为负值。MA6、MA5、V05、V35和VL135：分别是6日、5日、5日成交量均线、35日成交量均线和135日成交量均线。H1：根据HJZ3的条件，生成5日的红色柱状图。
MATLAB用于股市数据分析与趋势预测
通过分析这些数据，投资者可以了解股票或指数在特定时间内的价格波动情况，进而进行趋势分析、形态识别等操作。 #### 形态追踪与未来走势预测 形态分析是技术分析中的一种重要手段，通过识别K线图中的特定形态来...
《机器学习实战》Python代码复现解析
本书旨在引导读者通过复现书中的Python代码，深入理解机器学习的基础理论、算法原理及其在实际问题中的应用。以下将详细介绍机器学习的关键知识点以及相关领域应用。 机器学习基础知识点： 1. 机器学习定义：机器...
集成学习方法：掌握这6种策略，构建无敌模型
[集成学习方法：掌握这6种策略，构建无敌模型](https://www.maartengrootendorst.com/assets/images/posts/2019-12-10-stacking/stacking.png) # 1. 集成学习方法概述 集成学习是一种通过构建并结合多个学习器来...
超级趋势指标博易大师指标公式源码信管家指标博易大师期货软件指标.doc
07-30
超级趋势指标博易大师指标公式源码信管家指标博易大师期货软件指标.doc
超级趋势 - 扩展 - MetaTrader 5脚本.zip
09-12
超级趋势指标通过其它显示类型进行扩展。
超级趋势指标使用说明20210915.pdf
09-18
超级趋势指标使用说明20210915.pdf
python 股票指标库talib_【手把手教你】股市技术分析利器之TA-Lib（一）
weixin_39962394的博客
12-15 3524
市场有自己的时间观念。股票投资就如同任何人类互动一样，耐心是一项美德。——罗伯特·D·爱德华《股市趋势技术分析》引言TA-Lib，全称“Technical Analysis Library”, 即技术分析库，是Python金融量化的高级库，涵盖了150多种股票、期货交易软件中常用的技术分析指标，如MACD、RSI、KDJ、动量指标、布林带等等。TA-Lib可分为10个子板块：Overlap Stu...
MetaTrader 5 SuperTrend趋势追踪指标脚本
weixin_42593549的博客
09-06 1948
本文还有配套的精品资源，点击获取 简介：MetaTrader 5是一个流行的外汇交易和分析平台，提供多种工具和指标。SuperTrend指标是一种趋势跟随工具，帮助交易者识别市场趋势并确定交易时机。该脚本通过计算平均真实范围（ATR）和基于价格穿越SuperTrend线来判断趋势变化，适用于中长期趋势交易。用户可以下载并导入“supertrend.mq5”脚本到MetaTr...
Ichimoku日本云(一目平衡表)使用方法详细介绍
章志强的专栏
08-22 8313
Ichimoku日本云(一目平衡表)使用方法详细介绍 This indicator is based on the 4 time intervals and because of that we may see the 5 different line: - Tenkan-sen is the average value of the price for the first time
python金融分析小知识(21)——如何计算股票、基金的收益净值曲线并通过python绘制
qq_41281698的博客
05-22 8004
Hello 大家好，我是一名新来的金融领域打工人，日常分享一些python知识，都是自己在学习生活中遇到的一些问题，分享给大家，希望对大家有一定的帮助！ 今天给大家讲讲如何计算股票或者基金的净值曲线，什么是净值曲线呢？净值曲线是一组时间序列的曲线，其含义表示为股票或基金在不同时间的价值相对于期初的价值的倍数。可以这么理解：比如说期初的1元钱，那么如果你在某个时间点手里的净值是1.4元钱，那么就意味着你如今手里的钱是期初的1.4倍。 大家可以看看常见的券商报告中的净值曲线： 如上图所示，一般净值曲线
评论
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