提出离职后怎么定last day_怎么在基金定投上实现收益最大化？

最新推荐文章于 2023-02-15 15:06:25 发布
最新推荐文章于 2023-02-15 15:06:25 发布
阅读量173 收藏 1
点赞数
文章标签： 提出离职后怎么定last day
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/weixin_39909366/article/details/111278594
版权

a4fcd5ba0cead92e8b3028ced51b659c.png

价值前瞻 点击右侧关注，让你成为一个有远见的人！ 48b17110cd44c95c41a2cc343398fa81.png

92ce70b4de05d4f1538a6754d3a9ceba.png

Python数据之道 点击右侧关注，开启数据之道！ 48b17110cd44c95c41a2cc343398fa81.png 作者： Samshare 来源：SAMshare 文章经授权转载

怎么在基金定投上实现收益最大化？

? Index

  • 分析思路阐述

  • 是否存在最合适的定投周期？

  • 设置多少止盈点较为合适？

  • 其他策略

  • 本文总结

? 分析思路阐述

继上一篇文章《Python在基金定投上的验证》，我们今天讨论一下更加深入的Ideas，总结来说主要有两点：

1)? 是否存在最合适的定投周期？

2)? 我们到底要设置多少止盈点较为合适？

什么意思呢？我们展开来说，

☝️对于第一点：是否存在最合适的定投周期？

基金定投作为"懒人理财"的头号玩家，当然得贯彻其"懒人"思维，我们想知道到底定投多久，才能说大概率地获得较为满意的收益。

这里有几个点需要理一下：

  • 入场的随机性：因为涉及到实际操作，每个人的入场时间不尽相同，所以这里探讨最合适的定投周期，要考虑入场时机的随机性。

  • 指数的异质性：我们讨论的是指数基金，但不同的指数之间，也是可能会存在不一样的性质，这里也要考虑。

  • 人性的弱点：因为是定投，实际操作的还是人，所以当定投期结束时，是否会因为当前是所谓的"上涨"or"下跌"行情而纠结？

  • 何为"满意的收益”：如何判断“满意”呢，不同人对满意的态度不同，如何定义一个基准。

针对以上的几点，我在自己思考后给出了下面的验证方式：

在指定的定投周期内(定投周期为0.5年的整数倍)，遍历所有可能的入场点，卖出点取离场点当月的指数均值，如果收益率大于余额宝定存相同周期时间内的收益的，即为之"满意"，同时验证多几个指数。

简单解释一下，我们验证的定投周期，均是0.5年的整数倍，比如定投1年、1.5年、2年等等，买入日期，选择月初，而卖出点，不会是最后的那个月的月初，而是取其当月的指数均值，比如2019年1月1日开始定投，定投1年，那么卖出点就是2020年2月的指数均值，就是为了防止有的人因为当时股价变化而出现的纠结情绪。

当指数基金定投收益率大于余额宝定存收益率的，记为1，为我们的正样本，反之则记为0，为我们的负样本。我们就来统计一下，不同的定投周期，正负样本的比例关系，看下怎么样的定投周期，具备较大概率的"满意"结果！

✌️对于第二点：我们到底要设置多少止盈点较为合适？

关于这点，我们就是为了找出多少的止盈点较为合适。这个结合我们上篇文章的内容，我们知道如果我们定投的周期越长，收益率当然就是越大的，所以，不同定投周期之间的收益率没有可比性。所以我们需要指定一个定投周期(姑且我们用第一点得到的"最优"定投周期N来作为我们的观测周期)。

我们的验证方式：

在指定的定投周期内，遍历所有可能的入场点，卖出点取离场点当月的指数均值，记录此时的收益率情况，统计收益率的大概率集中区间，即为我们的参考止盈点。

接下来，我们就针对以上的2个内容，来用python代码验证一波。(?：show time～)

? 是否存在最合适的定投周期？

1. 导入相关库

 1# -*- coding: UTF-8 -*-
 2import matplotlib as mpl
 3import matplotlib.pyplot as plt
 4import pandas as pd
 5import numpy as np
 6import tushare as ts
 7from datetime import datetime
 8
 9#解决中文显示问题，Mac
10%matplotlib inline
11from matplotlib.font_manager import FontProperties
12
13plt.rcParams['figure.figsize'] = (10.0, 4.0) # 设置figure_size尺寸
14plt.rcParams['image.interpolation'] = 'nearest' # 设置 interpolation style
15plt.rcParams['image.cmap'] = 'gray' # 设置 颜色 style
16plt.rcParams['savefig.dpi'] = 100 #图片像素
17plt.rcParams['figure.dpi'] = 100 #分辨率
18
19# 利用plotly绘图
20import plotly.offline as of
21import plotly.graph_objs as go

2. 数据获取

这里还是适用Tushare的接口来获取数据，具体代码如下：

 1# 设置token
 2ts.set_token('your token')
 3
 4# 初始化接口
 5pro = ts.pro_api()
 6
 7# 获取基本信息
 8sh_basic = pro.index_basic(market='SSE') # 上交所
 9sz_basic = pro.index_basic(market='SZSE') # 深交所
10
11
12# 000001.SH 上证综指
13# 399001.SZ 深证成指
14data_sh = pro.index_daily(ts_code='000001.SH', start_date='19901219', end_date='20190401')
15data_sz = pro.index_daily(ts_code='399001.SZ', start_date='19901219', end_date='20190401')
16data_sh.head()

3. 代码封装

对上面提及的验证方式进行逻辑封装：

 1def Log_of_AIP(data, n, money):
 2    '''
 3    data：测试数据集，即指数历史走势数据
 4    n：定投周期，6个月的整数倍，如n=1代表定投6个月
 5    money：定投金额
 6    '''
 7
 8    data = data.loc[:,['open','trade_date']]
 9    data['trade_month'] = data['trade_date'].apply(lambda x:str(x)[0:6])
10    data['date'] = data['trade_date'].apply(lambda x:datetime.strptime(x,'%Y%m%d'))
11    data = data.set_index('date').sort_index()
12
13    # 假设余额宝的年化收益率为 4%
14    data['余额宝利率'] = (4.0/100+1)**(1.0/250)-1  
15    data['理财收益_净值'] = (data['余额宝利率']+1).cumprod()
16
17    # 选择每个月的第一个交易日进行定投
18    trading_day = data.resample('M', kind='date').first()
19
20    # 确定循环次数，因为得保证满足定投周期
21    try:
22        All_Sales = pd.DataFrame()
23        for i in range(len(trading_day) - (6*n)):
24            # 在定投周期结束后一个月卖出
25            trading_cycle = trading_day.iloc[i:i+6*n+1] 
26
27            # 计算卖出点 下个月的指数均值
28            in_month = data[data['trade_month']==list(trading_cycle['trade_month'][-1:])[0]]
29            sales_point = in_month.pivot_table(values='open', index='trade_month').mean().values[0]
30
31
32            # 定投指数基金
33            AIP = pd.DataFrame(index=trading_cycle.index)
34            AIP['定投金额'] = int(money)
35
36            # 以基金当天的开盘价作为当天买入的价格
37            AIP['基金价格'] = trading_cycle['open']
38            AIP['购买基金份额'] = AIP['定投金额']/AIP['基金价格']
39            AIP['累计基金份额'] = AIP['购买基金份额'].cumsum()
40
41            # 定期购买理财产品
42            AIP['购买理财产品份额'] = AIP['定投金额']/trading_cycle['理财收益_净值']
43            AIP['累计理财产品份额'] = AIP['购买理财产品份额'].cumsum()
44
45            # 累计投入本金
46            AIP['累计定投本金'] = AIP['定投金额'].cumsum()
47
48            # 计算每个交易日的本息(即本金+利息，公式=当天的份额 X 当天的基金价格)
49            result = pd.concat([trading_cycle, AIP], axis=1)
50            result['基金本息'] = (result['open'] * result['累计基金份额']).astype('int')
51            result['理财本息'] = (result['理财收益_净值'] * result['累计理财产品份额']).astype('int')
52
53            # 买入点 result['trade_date'][0]
54            # 定投周期(月) 6*n
55            # 定投投入本金 result['累计定投本金'][-2:-1][0]
56            # 基金卖出后本息 result['累计基金份额'][-2:-1][0] * sales_point
57            # 余额宝卖出后本息 result['理财本息'][-2:-1][0]
58
59
60            Each_Sales = pd.DataFrame([[result['trade_date'][0], 
61                                       6*n, 
62                                       result['累计定投本金'][-2:-1][0],
63                                       result['累计基金份额'][-2:-1][0] * sales_point, 
64                                       result['理财本息'][-2:-1][0]]], 
65                                     columns=['买入点','定投周期(月)', '累计定投本金', '基金卖出后本息', '余额宝卖出后本息'])
66            Each_Sales['基金收益率%'] = 100*(Each_Sales['基金卖出后本息'][0]/Each_Sales['累计定投本金'][0] - 1)
67            Each_Sales['余额宝收益率%'] = 100*(Each_Sales['余额宝卖出后本息'][0]/Each_Sales['累计定投本金'][0] - 1)
68            Each_Sales['LikeOrNot'] = Each_Sales['基金卖出后本息'] > Each_Sales['余额宝卖出后本息'] 
69            All_Sales = All_Sales.append(Each_Sales)
70
71        return All_Sales
72
73    except:
74        print("定投周期大于历史股价走势！请重新设置定投周期。")
75
76
77def Rate_of_Like(data, money):
78    data= data
79    money= money
80
81    Rate_of_like = pd.DataFrame()
82    for i in range(int(len(trading_day)/6)):
83        tt = Log_of_AIP(data_sh, i+1, 2000)
84        rate = pd.DataFrame([[(i+1)*6, (tt['LikeOrNot'].value_counts()/len(tt))[True]]], 
85                            columns=['定投周期(月)','定投基金满意占比'])
86        Rate_of_like = Rate_of_like.append(rate)
87    return Rate_of_like

4. 函数调用&猜想验证

1rate_of_sh = Rate_of_Like(data_sh, 2000)
2rate_of_sh.head()
 1# 绘制定投满意概率图
 2of.offline.init_notebook_mode(connected=True)
 3
 4trace1 = go.Scatter(
 5    x=rate_of_sh['定投周期(月)'],
 6    y=rate_of_sh['定投基金满意占比'],
 7    mode = 'lines+markers',
 8    name = '定投基金满意的次数占比'
 9)
10data = go.Data([trace1])
11
12layout = dict(title = '是否存在最合适的定投周期？',
13              yaxis = dict(showgrid=True,  #网格
14                           zeroline=False,  #是否显示基线,即沿着(0,0)画出x轴和y轴
15                           nticks=20,
16                           showline=True,
17                           title='定投基金满意的次数占比'),
18
19              xaxis = dict(showgrid=True,  #网格
20                           zeroline=False,  #是否显示基线,即沿着(0,0)画出x轴和y轴
21                           nticks=20,
22                           showline=True,
23                           title='定投周期(月)')
24             )
25fig = dict(data=data, layout=layout)
26of.plot(fig, filename='rate_of_like')

d6821d8406c59557735ce9e40a8de35b.png

上面，我只是验证了上证综指，从数据中可以看出，当定投周期超出240个月，即20年，我们获得满意(即定投收益跑赢余额宝定存收益)的基金定投的概率超出80%！

此外，我们看到，好像定投周期在300个月以上，获得满意的概率竟然得到了100%，但是我们知道这不太符合实际，原因是因为这基本是从上证开盘就开始定投，也不太满足我们的实际操作。

综上所述：(针对上证综指)

  • 定投周期在50个月之内的，获得满意的概率是一半一半，定投的威力还没体现出来；

  • 当定投周期在60个月左右的满意概率与定投60～120个月的满意概率差不多；

  • 定投240个月左右的满意概率可以达到80%，定投的威力终于来了！

? 设置多少止盈点较为合适？

1. 函数调用

 1log = Log_of_AIP(data_sh, 40, 2000)
 2log = log.sort_values(['基金收益率%'])
 3
 4# 转化为密度函数，以10%为一个单位
 5log['density'] = log['基金收益率%'].apply(lambda x:int(x/10))
 6log2 = log.pivot_table(values='LikeOrNot', index='density', aggfunc=len).reset_index()
 7log2['density2'] = log2['density'].apply(lambda x:str(10*x) +'%~'+str(10*(x+1)) + '%')
 8
 9# 帕累托图
10log2['density3'] = log2['density'].cumsum()
11log2['density4'] = log2['density3']/(log2.tail(1).reset_index()['density3'][0])
12log2

2. 猜想绘制

这里只是贴了其中一个绘制代码：

 1# 绘制收益分布图
 2of.offline.init_notebook_mode(connected=True)
 3
 4trace1 = go.Scatter(
 5    x = pd.Series(range(len(log))),
 6    y = log['基金收益率%'],
 7    mode = 'markers',
 8    name = '基金 收益率分布图'
 9)
10
11trace2 = go.Scatter(
12    x = pd.Series(range(len(log))),
13    y = log['余额宝收益率%'],
14    mode = 'markers',
15    name = '余额宝 收益率分布图'
16)
17
18data = go.Data([trace1,trace2])
19
20layout = dict(title = '设置多少止盈点较为合适？',
21              yaxis = dict(showgrid=True,  #网格
22                           zeroline=False,  #是否显示基线,即沿着(0,0)画出x轴和y轴
23                           nticks=20,
24                           showline=True,
25                           title='投资收益率%'),
26
27              xaxis = dict(showgrid=True,  #网格
28                           zeroline=False,  #是否显示基线,即沿着(0,0)画出x轴和y轴
29                           nticks=20,
30                           showline=True,
31                           title='迭代次数'
32                           )
33             )
34fig = dict(data=data, layout=layout)
35of.plot(fig,filename='log')

2c8a26708da085cd6518fe110c0dfed3.png

我们按照定投最优的周期(240个月)来进行止盈点的计算，从上图可以看出，余额宝在定投240个月后，收益率大概维持在50%左右，而基金大多数的收益率都是大于余额宝的。

debc93f438c40d5903f2c0f3abac87f7.png

1412da9371fd258749c38a543303d38e.png

根据基金的收益率，我进行了密度转换，可以看出，我们的收益率，大致都是集中在60～70%之间。

综上所述：(针对上证综指)

  • 定投20年基金，大概率(80%)水平上会获得比余额宝要好得多的收益；

  • 定投20年基金，止盈点定在80～90%，发生的可能性为80%；

  • 定投20年基金，止盈点定在130～140%，发生的可能性为50%；

  • 定投20年基金，止盈点定在200～210%，发生的可能性为20%；

? 其他策略

此外，我也从网上看到了其他更佳复杂的投资策略，这里就先不验证，先放出来给大家参考，下次一起验证：

方法一：高抛低吸降成本

熊市中，不要相信某一次上涨行情可能是新一轮牛市的开端，牛市的到来远远比你想象的要遥远。对于部分套牢的基金，建议在反弹10%以上时，逐步卖出，保留一部分底仓。然后遇到下跌，再买回来。这样做，大概率上会降低成本。

要牢牢记住，反弹多了就减仓，就算你很不幸，卖在了牛市的起步阶段，你也可以在牛市行情确立的时候再买回来。

这样高抛低吸的来回交易，对主动管理型基金来说，成本费用太高。建议买入创业板ETF或者中小板ETF，手续费更便宜。

方法二：10%补仓法

不断进行补仓，使亏损比例控制在10%以内，然后一个10%的反弹就解套了。是不是很简单？缺点就是要有足够的资金。

? 本文总结

我们通过上述的验证，大致可以得到下面的结论，当然这个结论是针对上证综指的，按道理我应该看过几个指数，但是授之以鱼不如授之以渔，方法都在代码里，大家不妨自己动手试试？自己得到一些结论不是来得更有feel不?

  • 定投周期在50个月之内的，定投跑赢余额宝的概率是50%；

  • 当定投周期在60个月(5年)左右的满意概率与定投60～120个月的满意概率差不多，大概是65%；

  • 定投240个月(20年)左右的满意概率可以达到80%，大概率水平上会获得比余额宝要好得多的收益！

  • 定投20年基金，止盈点定在80～90%，发生的可能性为80%；

  • 定投20年基金，止盈点定在130～140%，发生的可能性为50%；

  • 定投20年基金，止盈点定在200～210%，发生的可能性为20%；

-------------------End-------------------

d2fcc11391f5bc9583b044d4d03bf24a.png

 公众号后台回复「微信群」，将邀请加入读者交流群。

92a8affd323a7e2f7650d78d95d06761.png

  • 推荐 | 免费获取《Python知识手册》

  • Matplotlib最有价值的50个图表

68e3e72e874623bd93032c2f30ca340e.png

“ 分享 ”和“ 在看 ”是更好的支持！
weixin_39909366
关注
python量化投资实战-分析基金数据
program哲学
04-13 441
数据库设计 CREATE TABLE `fund_base_data` ( `id` INT(11) NOT NULL AUTO_INCREMENT COMMENT '主键', `fundcode` VARCHAR(50) NOT NULL DEFAULT '' COMMENT '基金代码' COLLATE 'utf8_unicode_ci', `name` VARCHAR(200) NOT NULL DEFAULT '' COMMENT '基金名称' COLLATE 'utf8_unicode_ci
python 基金量化分析_写了一个基金投资管理分析的 python 工具箱
weixin_39757893的博客
12-21 617
0赞同来自:发车了？2020-03-15 09:260 条评论0赞同来自:支持下2020-03-15 09:270 条评论0赞同来自:场内etf有么老铁，多谢了2020-03-15 09:401 条评论0赞同来自:关注2020-03-15 09:450 条评论0赞同来自:学习2020-03-15 09:500 条评论0重复- 一个想学习投资的小散赞同来自:mark2020-03-15 09:500...
python量化分析培训
weixin_63757190的博客
12-15 411
1、背景 学校财富管理课程的期末论文是分析中国各种投资标的的收益，笔者分配到的研究的细分类别为：通过大集合转公募基金的方式，成立的公募基金的收益分析。Python在量化投资，尤其是投资的分析、策略回测等方面有着广泛的运用，所以笔者结合在帅帅老师课程中学习的知识，运用Python对基金的收益进行分析。 2、数据来源 “巧妇难为无米之炊”，寻找高质量的数据是分析的第一步。本文的数据来自于Wind客户端。数据分为两个： 链接：https://pan.baidu.com/s/1JzJWxM9CyxTot..
基于Python的指数基金量化投资 - 通过指数估值榜进行指数投资
SocratesNietzsche的博客
04-26 607
前面介绍过针对每一个单独的指数，可以通过市盈率和市净率的计算获得指数的估值百分位，从而进行相应的投资（《基于Python的指数基金量化投资 - 通过市盈率和市净率对指数估值》）。 这里介绍一个可以把所有指数估值信息进行汇总的方式：指数估值榜，这样可以直观的看出所有指数的估值点位，从整体上来进行选择，而不是一个指数一个指数的筛选，更加高效和便捷。 图中标示出了大部分目前的主流指数，纵坐标的单位是0%到100%，然后通过不同的背景颜色对估值高低进行区分，从上到下分为7个颜色区间，从红色过度绿..
基于Python的指数基金量化投资 - 正三角和倒三角投资模型
SocratesNietzsche的博客
05-12 3657
普通投资者的投资方式中，有两种非常常见： 追涨杀跌式：涨了跟着买，跌了赶紧卖。 低买高卖式：跌了就买入，涨了就卖出。 第一种方式长期来看肯定是要亏钱的，长期追高难免不站岗，而第二种方式是比较正确的投资方式，但低买高卖要根据固定的指标来进行量化才能形成有效的模式。 如果把这两种投资方式进行量化，第一种称为倒三角投资模式，第二种称为正三角模式。 下面举两个例子来说明两种模式的差别（下面每一份代表买入1000元）。 倒三角模式就是指数高位的时候买得多，越高买得越多，而低位的时候买得少，越低买得越少，最后份额累积
基于Python的指数基金量化投资-市场联合指标判断投资位置
SocratesNietzsche的博客
04-27 689
判断指数是否具有投资价值，我们会用到估值百分位（《估值百分位》），通过当前市盈率或者市净率的位置，可以获得当前指数估值的高低从而获得指数的便宜程度，从而进行投资。 同时投资者的投资情绪，前面也介绍过，可以通过全市场成交量进行量化（《A股全市场成交量计算》），投资情绪也是一个指导投资很重要的指标，当市场处于大熊市下跌到低点时，成交量往往很小，相反，当市场处于大牛市，市场持续上涨，成交量会越来越大。 那估值百分位和成交量两者之间有没有什么关系，如果有，是否可以用来进行量化投资，下面就来分析下这个过程。 首先来看
基于Python的指数基金量化投资-为什么量化指数基金投资
SocratesNietzsche的博客
04-02 572
进行指数基金投资我们需要清楚几个关键点：该投资哪些指数品种，为什么投资这些品种、这些品种目前处于什么状态、是该买入还是该卖出和整体市场的情况。 这些关键点会在很大程度上决定投资者的投资成果，举个简单例子：如果投资者在市场处于高估甚至极度高估的情况下买入的话，接下来投资面临的可能是大幅度的亏损。 很多投资者明明知道市场和投资的指数估值都很高，为什么还要买入？因为市场处于牛市，整个市场非常的火爆，赚钱效应很高。在这种情况下如果没有估值来进行锚定，是很难控制住情绪不进行交易的。 所以指数
基于Python的指数基金量化投资 - 指数投资技巧（一）定期定额
SocratesNietzsche的博客
05-24 457
指数投资方式中有四种基本的方法，分别是定期定额、定期不定额、不定期定额和不定期不定额，这四种方式投资效果不同，对投资者的要求也不同，定期定额最简单，但收益不算高，不定期不定额最复杂，对投资者的要求最高，特别是对情绪的要求非常高，同时收益也是最好的。 这里先介绍第一种定期定额的情况，下面会通过量化的过程来反应投资的整体过程。 定期定额就是按日、按周或者按月进行投资，每次投资的资金是一样的，比如每周买入1000块的沪深300基金，这种方式是不管指数涨跌，到点就买； 假设每次投入的资金是1000块，按周定投，下面
基于Python的指数基金量化投资——指数基金间相关度计算
SocratesNietzsche的博客
01-06 915
每一种指数基金都是由一篮子股票组成的，少的有几十个成分股，多的有几百上千个成分股，而整个A股目前有四千多家上市公司，每种指数基金都从A股这个大篮子里面选取成分股，那就会有个问题，不同的指数基金选择的成分股会有重叠，重叠度是多少，这是一个很重要的指标。 从投资的角度来看，一定程度的分散覆盖度更好，同时抗非系统风险能力也会更强，但如果太分散也不好，过度分散和买下整个A股没有什么区别，投资收益也会变低。 举个例子，如果指数A包含100个成分股，指数B也包含100个成分股，但他们有50个成分股是相同的，不考虑权重影
基金经理学量化（Python+AI）
执子
06-16 1587
基金经理学量化（Python+AI）投资者为什么要学量化量化投资学习路径图Python部分量化+金融部分人工智能 投资者为什么要学量化 本人是理科背景，后来入行金融。近些年来中国的金融业发生了巨大的变化，对外开放的程度越来越高。国内的金融业越来越向海外看齐，搞量化有些要井喷了。近来，海外市场有两点非常吸引眼球。一是大奖章基金在这次疫情行情中不但没有亏损，还大赚了一笔，要知道大奖章基金是基于量化的对冲基金，其创始人是文艺复兴基金的基金经理西蒙斯。第二件事是近期人工智能异常火爆，尤其是AlphaGo打败柯洁之后
python实现基金定投并可视化结果（及时止损）
01-20
1.什么是指数基金 2.什么是基金定投 3.本次数据来源 4.作出假设 每周定投一次，每次定投500，计算2019年对沪深300指数基金进行定投的收益率 每周定投一次，每次定投500，分别计算从2002年开始到2019年，每年定投沪深300指数基金的收益率 5.改变定投策略，获得更好的收益(以2018和2019的平均收益率分析) 改变定投周期(三月一次定投) 改变定投金额(设置投入资金固定比例) 及时止损(资金最大时收盘) 1.什么是指数基金 股票指数是指按照一定的规则所选择的股票的平均值。比如： 上证50指数：就是把上海证券交易所规模最大、流动性最好的50家公司的股票统计起来的股票平均值。
Python数据分析——基金定投收益率分析，以及支付宝“慧定投”智能定投实现
Demonslzh的博客
06-17 5392
文章目录一、关于基金定投数据来源接口规范常见指数基金/股票代码二、分析目标三、代码实现1、定义获取数据、清洗数据的函数2、定义定投策略函数3、计算2019年对**沪深300指数**基金进行定投的收益率4、假设定投的金额是500元，每周定投一次，据此**分别**计算从2002年开始到2019年，每年定投**沪深300指数基金**的收益率并将结果可视化5、实现"慧定投"(支付宝中的智能定投策略)定义定投策略(对于每个交易日前一日的收盘价)四、可视化普通定投与智能定投策略收益率五、文末福利（完整代码） 基于Pyt
python基金筛选_Python基金量化优选组合方法
weixin_28339967的博客
02-20 1231
昨天在看一个小市值策略说起来很牛，不过用的人多了，在最近2年失效了。有些策略那么牛，为啥基金经理不用，难度他们不会？易方达中小盘混合(110011)这个策略从64跌到25，后面涨到了83。从收益看其中3年收益83还是不错了，不过回撤太大，达到了29%。市场上有一万多只基金，如何选择表现最好的做分散投入？说下我的策略，从18年至今的所有基金，计算收益和回撤，做散点图，最终选择最优基金做分散投...
Python 自动交易程序部分核心代码
最新发布
KSPprince的博客
02-15 2416
python 量化交易 自动交易 QQ747554421
做空恐慌指数Python回测
易水寒
08-12 2897
1.VIX历史走势 import pandas as pd import numpy as np vixy_df = pd.read_csv('stock/VIXY.csv') vix_df = pd.read_csv('stock/VIX.csv') vix_df = vix_df.set_index('Date',False) vix_df= vix_df[1:] vix_df impo...
【邢不行|量化小讲堂系列14-Python量化入门】数据告诉你：惊人的指数定投策略
xingbuxing_py的博客
11-14 3510
引言: 邢不行的系列帖子“量化小讲堂”，通过实际案例教初学者使用python进行量化投资，了解行业研究方向，希望能对大家有帮助。 【历史文章汇总】请点击此处 【必读文章】EOS期现套利，一周时间，15%无风险收益 10年400倍策略分享（附视频逐行代码讲解） 个人微信：xingbx007，有问题欢迎交流。 文中用到的A股数据可在www.yuce...
python量化交易第三章
weixin_43853077的博客
02-05 1058
一.股票交易快速入门 股票交易规则 开户->炒股平台，券商（交易费） 交易版面->K线，盘口，交易价格，数量（100股） 交易费->佣金<3%,过户费1元每千股，印花税1% A股特点—>±10%(主/中小板) ±20%(创业/科创板) ...
python基金量化 分析 小程序
多凡的博客
02-27 3334
import re import time import matplotlib.pyplot as plt import requests import demjson html=requests.get("http://fund.eastmoney.com/pingzhongdata/000522.js?v=20160518155842").text dataPattern= re.comp...
【Python 量化投资系列】python3 获取基金及历史净值数据
热门推荐
yuzhucu的专栏
02-16 2万+
最近开始想搭建一个个人投资研究的数据库，想从网上获取一些股票、基金类的数据，以便做进一步的数据分析。 对比后发现天天基金网（东方财富）上基金数据相对还比较完整，特写了个脚本，实现自动爬取基金基本信息、基金历史净值等数据库保存到MySQL数据库，后续再把基金经理、基金财报、基金资产配置等数据一并收入。 代码如下： # -*- coding:utf-8 -*- ##################
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