python搭建金融_带着Python玩金融（7）：构建交易策略

今天的文章和之前的文章又很大的区别，今天我们聊一聊如何构建交易策略。下面简短的介绍，让你深刻的感受到量化交易的魅力。

常见的交易策略

交易策略在市场上有很多种，在不同的环境针对其属性有不同的交易策略，大概的可分为可做多或做空的市场，即期货，期权市场。再例如A股的策略，而因为A股环境的特殊性只能做多赚钱，那么相应的策略也是更多围绕着可操作性出发的。

一般来说，有两种常见的交易策略：动量策略和回归策略。

第一种是动量策略，也被称为背离或趋势交易。当遵循该策略时，你相信数值会沿着当前的方向继续移动。也就是说你相信股票具有惯性，即有上升或下降的趋势，能被你发现并利用。这一策略的实例包括移动均线交叉策略、双均线交叉策略和海龟交易策略。移动均线交叉是指资产的价格从移动均线的一侧移动到了另一侧。这一交叉代表了动量的改变，可以作为进入或退出市场的决策点。在本教程的后面你会学到量化交易中使用该策略的入门级案例。

双均线交叉发生在短期均线与长期均线交叉处。这一信号被用来识别在短期均线上的变化。买入信号发生在短期均线从下方上升超越长期均线时，而卖出信号则由短期均线从上方下降越过长期均线而触发。

海龟交易是一个众所周知的趋势跟踪策略，最初是由理查德·丹尼斯教授给大家的。它的基本策略是以20天高点买入期货，并在20天低点卖出。

第二种是均值回归策略，也被称为收敛或循环交易。这一策略相信数值的运动最终会逆转。这可能有点抽象，让我们来举个例子。在均值回归策略中，你确信股价会回到它的均值，当它偏离均值时就可以利用这一点来做决策。

听起来已经很实用了，对吧？除了均值回归策略以外，另一个例子是与之相似的配对交易均值回归。均值回归策略的基本思想是股价会回到其均值，而配对交易策略对此进行了扩展，认为如果能识别出两只高度相关的股票，当其中之一偏离了与另一方的相关性，两者价格差的改变就能作为交易的信号。

这意味着如果这两只股票的相关性下降，那么可以做空价格较高的股票。高价格的股票最终会回到其均值，所以它应该被卖出。另一方面，做多低价格的股票，因为随着相关性恢复正常，其价格将会上升。

（A股不能做空，港美股均个做空，这里只是举例讲解配对交易均值回归。该方案在国内更多运用在期货、期权市场。）

除了这两种最常用的策略，还有其他你偶尔可能会碰上的策略，比如预测策略，它试图基于某些历史因素预测股票在随后一段时间内的方向和价值。还有高频交易策略（HFT），它利用了亚毫秒市场的微观结构来做决策。针对不同的市场有不同的策略方案！！

现在让我们聚焦于当下，如何构建交易策略。

一个简单的交易策略

上面我们简单的讲述了常用的几个策略，这里从最简单的移动均线交叉策略开始。

开发的策略很简单：对时间序列创建两个独立的简单移动均值，它们具有不同的回望周期，比如40天和100天。如果短期移动均值超过了长期移动均值，那么就做多；如果长期移动均值超过了短期移动均值，那么就退出。

记住当做多时，你认为股价会上涨，并且将来会以更高的价格卖出（=买入信号）；当卖空时，你卖出你的股票，希望将来以更低的价格买回并实现盈利（=卖出信号）。

让我们一步一步来：

首先，定义两个不同的回望周期：一个短期窗口和一个长期窗口。设置两个变量，并对每一个变量赋值一个整数。一定要让短期窗口的值小于长期窗口的值。

接着，创建一个空的数据框 signals，并确保复制了aapl 数据的索引，以便能开始计算 aapl 数据每日的买卖信号。

在空的 signals 数据框中创建一列名为 signal 的数据，并将其每一行的数值初始化为 0.0。

做好了准备工作后，是时候在各自的时间窗口上创建短期和长期的简单移动均值了。使用 rolling() 函数开始滑动窗口计算：在该函数中，设置 window 、 min_period 和 center 参数。在实际中，窗口大小window 分别设置为 short_window 和 long_window。min_period 设为 1，作为窗口中观测量的最小值。center 的值为 False，这样标签就不会设置在窗口的中心。接着，不要忘了在其后连接 mean() 函数以便能计算滚动均值。

当计算了短期和长期窗口的均值后，你应该在短期移动均线与长期移动均线交叉处创建信号，但这仅针对大于最短移动均值窗口的时期。在Python中，这对应着如下条件不等式：signals['short_mavg'][short_window:] > signals['long_mavg'][short_window:]。注意加上 [short_window:] 是为了遵守条件“仅针对大于最短移动均值窗口的时期”。当上述条件不等式为真时，signal 列中的初值 0.0 将被替换为 1.0。 这样一个“信号”就产生了。如果条件不等式为假，将继续保留原始值0.0，也没有信号产生。使用 NumPy 中的 where() 函数来设置这一条件不等式。就像你刚才读到的那样，将这一结果赋值给变量 signals['signal'][short_window]，因为我们仅想针对大于最短移动均值窗口的时期创建信号。

最后，计算信号的差值，从而生成实际的交易订单。换句话说，在 signals 数据框的 positions 这一列中，你将能区分多头和空头头寸，无论是买入或卖出股票。

尝试下方的代码：

# 导入apple公司股票数据

import pandas_datareader as pdr

import datetime

aapl = pdr.get_data_yahoo('AAPL',

start=datetime.datetime(2006, 10, 1),

end=datetime.datetime(2012, 1, 1))

# 导入pandas,numpy

import pandas as pd

import numpy as np

# 初始化短期和长期窗口

short_window = 40

long_window = 100

# 初始化 `signals` 数据框，增加 `signal` 列

signals = pd.DataFrame(index=aapl.index)

signals['signal'] = 0.0

# 创建短期简单移动均值

signals['short_mavg'] = aapl['Close'].rolling(window=short_window, min_periods=1, center=False).mean()

# 创建长期简单移动均值

signals['long_mavg'] = aapl['Close'].rolling(window=long_window, min_periods=1, center=False).mean()

# 生成信号

signals['signal'][short_window:] = np.where(signals['short_mavg'][short_window:]

> signals['long_mavg'][short_window:], 1.0, 0.0)

# 生成交易命令

signals['positions'] = signals['signal'].diff()

# 输出`signals`

print(signals)

signal short_mavg long_mavg positions

Date

2006-10-02 0.0 10.694285 10.694285 NaN

2006-10-03 0.0 10.638571 10.638571 0.0

2006-10-04 0.0 10.681905 10.681905 0.0

2006-10-05 0.0 10.683928 10.683928 0.0

2006-10-06 0.0 10.667714 10.667714 0.0

2006-10-09 0.0 10.666667 10.666667 0.0

2006-10-10 0.0 10.649184 10.649184 0.0

2006-10-11 0.0 10.625714 10.625714 0.0

2006-10-12 0.0 10.639683 10.639683 0.0

2006-10-13 0.0 10.647429 10.647429 0.0

2006-10-16 0.0 10.658701 10.658701 0.0

2006-10-17 0.0 10.654881 10.654881 0.0

2006-10-18 0.0 10.654286 10.654286 0.0

2006-10-19 0.0 10.699286 10.699286 0.0

2006-10-20 0.0 10.747429 10.747429 0.0

2006-10-23 0.0 10.803036 10.803036 0.0

2006-10-24 0.0 10.848655 10.848655 0.0

2006-10-25 0.0 10.894206 10.894206 0.0

2006-10-26 0.0 10.938797 10.938797 0.0

2006-10-27 0.0 10.966214 10.966214 0.0

2006-10-30 0.0 10.991088 10.991088 0.0

2006-10-31 0.0 11.017987 11.017987 0.0

2006-11-01 0.0 11.030621 11.030621 0.0

2006-11-02 0.0 11.041131 11.041131 0.0

2006-11-03 0.0 11.046857 11.046857 0.0

2006-11-06 0.0 11.059945 11.059945 0.0

2006-11-07 0.0 11.076296 11.076296 0.0

2006-11-08 0.0 11.101378 11.101378 0.0

2006-11-09 0.0 11.129113 11.129113 0.0

2006-11-10 0.0 11.153952 11.153952 0.0

... ... ... ... ...

2011-11-17 1.0 56.485857 54.946829 0.0

2011-11-18 1.0 56.381000 55.005257 0.0

2011-11-21 1.0 56.259000 55.052886 0.0

2011-11-22 1.0 56.177750 55.100386 0.0

2011-11-23 1.0 56.070536 55.125471 0.0

2011-11-25 1.0 55.974107 55.142343 0.0

2011-11-28 1.0 55.955536 55.169371 0.0

2011-11-29 1.0 55.950536 55.188643 0.0

2011-11-30 1.0 55.985179 55.228929 0.0

2011-12-01 1.0 56.019750 55.277757 0.0

2011-12-02 1.0 56.063786 55.323014 0.0

2011-12-05 1.0 56.146679 55.373357 0.0

2011-12-06 1.0 56.154322 55.410543 0.0

2011-12-07 1.0 56.114322 55.432386 0.0

2011-12-08 1.0 56.073143 55.452114 0.0

2011-12-09 1.0 56.020250 55.461714 0.0

2011-12-12 1.0 55.912536 55.468214 0.0

2011-12-13 1.0 55.801179 55.461800 0.0

2011-12-14 1.0 55.651000 55.435643 0.0

2011-12-15 1.0 55.580715 55.400686 0.0

2011-12-16 1.0 55.529679 55.384157 0.0

2011-12-19 1.0 55.491607 55.370429 0.0

2011-12-20 1.0 55.456536 55.378243 0.0

2011-12-21 1.0 55.451822 55.377814 0.0

2011-12-22 1.0 55.444500 55.391586 0.0

2011-12-23 1.0 55.439643 55.406957 0.0

2011-12-27 0.0 55.445286 55.448614 -1.0

2011-12-28 0.0 55.437643 55.490072 0.0

2011-12-29 0.0 55.468393 55.564229 0.0

2011-12-30 0.0 55.495500 55.608500 0.0

[1323 rows x 4 columns]

输出signals数据框并检查其结果。这里重要的是要掌握该数据框中positions和signal这两列的含义。当你继续下去时，会发现这一点变得非常重要。

当你花时间去理解该交易策略的结果时，可以用 Matplotlib 将短期和长期的移动均线，以及买入和卖出的信号，快速绘制在图中。

# 导入`pyplot` 模块

import matplotlib.pyplot as plt

# 初始化图形

fig = plt.figure(figsize=(12,8))

# 增加子图并设置y轴标签

ax1 = fig.add_subplot(111, ylabel='Price in $')

# 绘制收盘价曲线

aapl['Close'].plot(ax=ax1, color='r', lw=2.)

# 绘制短期和长期移动均线

signals[['short_mavg', 'long_mavg']].plot(ax=ax1, lw=2.)

# 绘制买入信号

ax1.plot(signals.loc[signals.positions == 1.0].index,

signals.short_mavg[signals.positions == 1.0],

'^', markersize=10, color='m')

# 绘制卖出信号

ax1.plot(signals.loc[signals.positions == -1.0].index,

signals.short_mavg[signals.positions == -1.0],

'v', markersize=10, color='k')

# 显示做图

plt.show()

看到最后可能很多人也注意到了，里面采用的是美股的数据。所以可以做多和做空！！ 大概的逻辑是这样的。目前在量化交易领域，因为其环境的因素大量的策略在期权和期货中进行交易，其原因是可做多和做空。

因为A股的特殊性，更多的采用的是多因子策略，需要更多的数据加以佐证。一个策略，全套代码8000多行。6个程序猿，3个金融、数学建模师，1个风控专员。需要万次计算机寻优，回测执行，系统风险排查，模拟盘交易测试，累计收益率评测，模型定性，参数设定调优等等的步骤。。 一个看似简单的策略，背后的东西。简约，但并不简单！

对量化交易有兴趣的投资者朋友欢迎关注我，本人9年从业经验；熟悉熟悉一级市场到二级市场的运作方式。现担任“一创·量化家”量化研究员，多因子策略研究。

目前实盘量化交易账户也已在跑！！！欢迎大家关注我学习方法论与量化投资，想进一步反生关系看我个人简历加微信！