python量化交易策略实例_python量化交易策略入门（一）：MACD的威力

最近刚开始学习量化交易，在聚宽网上看了几篇教程，对操作流程有了大致的了解，接下来打算好好研究一下交易策略。

据大奖章基金的Simons透露，他那个每年收益率20%以上的系统，一点都不费解(complicated)，但是非常复杂(complex)。

我的理解是，一个好的量化交易系统，不一定要用到高深的算法和技术，但是必须包含很多种简单的算法和技术。

换句话说，你得从最基础的算法开始，一个模块一个模块地加上去，选股、择时、风控、资金管理，每个方向都要综合考虑好几种不同的指标，才能打造出一个不费解但很复杂(not complicated but complex)的交易系统。

爱因斯坦说过，上帝只做加法。

也许基于人工智能(AI)的交易系统构造起来不用这么麻烦，这个以后有空再研究。

眼下先从择时技术开始，先看看最简单的MACD，也就是双均线策略。

MACD指标

MACD系列指标由三个指标沟构成，分别是DIF，DEA和HIST。DIF是12日指数移动平均线(EMA12，又称快线)与26日指数移动平均线（EMA26，又称慢线）的背离程度： $$DIF=EMA(12)−EMA(26)$$

DEA是DIF的9日指数移动平均线： $$DEA=EMA(DIF,9)$$

HIST是DIF与DEA的差值乘以2： $$HIST=(DIF−DEA)×2$$

HIST又称MACD柱，是MACD系列指标中最重要的一个，有些人只根据它来决定是否买入卖出，但我查询了一番文献，还进行了一系列的试错，发现还是综合考虑另外两个指标更好。

废话不多说了，上代码。

Python代码

第一步：导入各种库

import numpy as np

import pandas as pd

import talib as ta

# 这个是聚宽网(joinquant)的数据下载API，免费账户每天能下载100万条数据

from jqdatasdk import *

# 登录验证

auth("你的手机号", "你的密码")

import matplotlib.pyplot as plt

%matplotlib inline

第二步：下载数据

# 下载2015-2018年的沪深300指数，频率为每天，只要收盘价

price = get_price("000300.XSHG", start_date="2015-01-01", end_date="2018-12-31", frequency="daily", fields=['close'])['close']

# 用python自带的tseries库中的pct_change()函数计算日收益率

ret = price.pct_change()

# 画图

plt.figure(figsize=(18,8))

ax1 = plt.subplot(2,1,1)

ax1.plot(price)

ax2 = plt.subplot(2,1,2)

ax2.plot(ret)

plt.show()沪深300指数和日收益率

这4年间，沪深300指数的走势还是很典型的：2015年暴涨暴跌，2016-2017两年间温和上涨，2018年快速下跌。

第三步：计算指标

# 用talib库中的相应函数计算MACD指标

dif, dea, hist = ta.MACD(price)

# 计算EMA12和EMA26

ema12 = ta.EMA(price, 12)

ema26 = ta.EMA(price, 26)

第四步：生成交易信号

这里只考虑做多，不考虑做空的情况。

为了方便比较，我尝试了集中不同的策略。

# sig1只考虑HIST指标，HIST转正时开仓买入，转负时清仓

sig1 = (hist>0)

# sig2同时考虑HIST指标和DEA指标，只有当HIST转正，且DEA在0以上时，才开仓买入，任何一个指标变负即清仓。

# 这是文献中建议的方法

sig2 = (hist>0) & (dea>0)

# sig3同时考虑HIST和EMA指标，只有当HIST为正，而且当前价格在慢线（26日指数加权平均价）上方时，才开仓买入，任何一个指标转负即清仓。

# 网上有人建议过这种方法（如果我没有理解错的话）

sig3 = (hist>0) & (price>ema26)

接下来，我们来直观地比较一下这三个交易信号。

plt.figure(figsize=(18,12))

ax1=plt.subplot(4,1,1)

ax1.plot(price)

ax2=plt.subplot(4,1,2)

ax2.bar(x=sig1.index, height=sig1.values)

ax3=plt.subplot(4,1,3)

ax3.bar(x=sig2.index, height=sig2.values)

ax4=plt.subplot(4,1,4)

ax4.bar(x=sig3.index, height=sig3.values)

plt.show()交易信号

看起来策略1最激进，策略2最保守。后者完美地避开了15年和18年的两段暴跌，期间一次买入指令也没有发出过，但在16-17年的缓慢回升中，参与度似有不足。

第五步：模拟交易

简单起见，这里不考虑手续费。

以策略2为例，作图比较该策略和“买入-持有”策略的表现。

# sig2滞后一期、去除空值、转换成整数

sig2_lag = sig2.shift(1).fillna(0).astype(int)

# sig2_lag与股票日收益率相乘，即可得策略日收益率。python能自动对齐时间序列的日期。

sig2_ret = sig2_lag*ret

# 计算策略累计收益

cum_sig2_ret = (1+sig2_ret).cumprod()

# 把股票价格转换成从1开始，方便比较

price_norm = price/price[0]

# 开始作图

plt.figure(figsize=(18,8))

plt.plot(price_norm)

plt.plot(cum_sig2_ret)

plt.legend(["benchmark", "strategy cumulative return"], loc="upper left")

plt.show()累计收益率

由此可见，策略2在股市暴涨暴跌期间表现出色，它几乎完整地抓住了15年上半年的暴涨，却完美地避开了15年下半年和18年的暴跌。但是，在股市温和上涨的16、17年，该策略的表现却落后于大盘。

总而言之，该策略简单归简单，表现却不俗，在大盘下跌近20%的4年中，实现了近60%的收益，目测最大回测不超过10%。

当然，这款策略还有改进的余地，比如说，如果把交易频率调低，也许表现会更好。

接下来，我打算寻找：

1. 一个更加适应温和上涨行情的策略；

2. 一个能有效区分暴涨暴跌行情和温和涨跌行情的指标。

请大家积极发言献策！