不知如何选股？不知哪种指标策略可靠？量化分析比较DMA、DMI、MACD、KDJ、BOLL指标策略收益情况

前言

从股票市场开始到现在，已经研究出了众多的指标，但是在使用的时候会发现，由于第二天股价的未知波动，指标显示的情况并不一定每次都准确，总是会存在误判的情况。对于这种不可避免的情况而言，我们只能想办法将其量化、计算根据策略操作后的收益率、估计误判的概率等

本文先选择了 DMA、DMI、MACD、KDJ、BOLL 五种指标来量化（一共会考虑了三十多种指标，由于篇幅问题一次讨论五种），然后用十支股票来测试这五种策略的效果（实际情况是用了 3600+ 股票来统计策略效果，目前不方便展示结果）

免责声明

此构想和分析中的任何内容均不应解释为投资建议，过去的表现并不一定表示未来的结果。

---

数据准备

选择了 600519 贵州茅台、600031 三一重工、002594 比亚迪、601633 长城汽车、002074 国轩高科、300750 宁德时代、300014 亿纬锂能、000591 太阳能、002475 立讯精密、600862 中航高科 这十支股票 2020年1月1日 ~ 2021年1月15日 的数据来测试

部分代码片段

import pandas_datareader.data as web
import datetime

start = datetime.datetime(2020, 1, 1)
end = datetime.datetime(2021, 1, 15)
df = web.DataReader(ticker, "yahoo", start, end)

---

指标介绍

DMA指标

_ma是移动平均线的计算函数

def dma(df, n=10, m=50, k=10):
    _dma = pd.DataFrame()
    _dma['date'] = df['date']
    _dma['ddd'] = _ma(df.close, n) - _ma(df.close, m)
    _dma['ama'] = _ma(_dma.ddd, k)
    return _dma

DMI指标

def dmi(df, n=14, m=6):
    tr = pd.Series(np.vstack([df.high - df.low, (df.high - df.close.shift()).abs(),
                              (df.low - df.close.shift()).abs()]).max(axis=0), index=df.index)
    trz = tr.rolling(n).sum()
    _m = pd.DataFrame()
    _m['hd'] = df.high - df.high.shift()
    _m['ld'] = df.low.shift() - df.low
    _m['mp'] = _m.apply(lambda x: x.hd if x.hd > 0 and x.hd > x.ld else 0, axis=1)
    _m['mm'] = _m.apply(lambda x: x.ld if x.ld > 0 and x.hd < x.ld else 0, axis=1)
    _m['dmp'] = _m.mp.rolling(n).sum()
    _m['dmm'] = _m.mm.rolling(n).sum()
    _dmi = pd.DataFrame()
    _dmi['date'] = df.date
    _dmi['pdi'] = 100 * _m.dmp.div(trz)
    _dmi['mdi'] = 100 * _m.dmm.div(trz)
    _dmi['adx'] = _ma((_dmi.mdi - _dmi.pdi).abs() / (_dmi.mdi + _dmi.pdi) * 100, m)
    _dmi['adxr'] = (_dmi.adx + _dmi.adx.shift(m)) / 2
    _dmi.set_index(df.index)
    return _dmi

MACD指标

_ema是指数移动平均线的计算函数

def macd(df, n=12, m=26, k=9):
    _macd = pd.DataFrame()
    _macd['date'] = df['date']
    _macd['diff'] = _ema(df.close, n) - _ema(df.close, m)
    _macd['dea'] = _ema(_macd['diff'], k)
    _macd['macd'] = _macd['diff'] - _macd['dea']
    return _macd

KDJ指标

sma是平滑移动指标的计算函数

def kdj(df, n=9):
    _kdj = pd.DataFrame()
    _kdj['date'] = df['date']
    rsv = (df.close - df.low.rolling(n).min()) / (df.high.rolling(n).max() - df.low.rolling(n).min()) * 100
    _kdj['k'] = sma(rsv, 3)
    _kdj['d'] = sma(_kdj.k, 3)
    _kdj['j'] = 3 * _kdj.k - 2 * _kdj.d
    return _kdj

BOLL指标

_md是标准差的计算函数

def boll(df, n=26, k=2):
    _boll = pd.DataFrame()
    _boll['date'] = df.date
    _boll['mid'] = _ma(df.close, n)
    _mdd = _md(df.close, n)
    _boll['up_line'] = _boll.mid + k * _mdd
    _boll['low_line'] = _boll.mid - k * _mdd
    return _boll

---

最后的量化结果

由于篇幅和展示不便，不在文章中展示可视化的买入卖出点位以及资金变动曲线

为了最简洁的了解策略效果，初始资金设置为10000元，并且为了简便不考虑必须整手买入的限制，每次都10000元全部买入，测试五种指标策略效果的同时测试2020.1.1买入并持有到2021.1.15的策略，比较最后资金多少来衡量策略效果

HOLD行是表示2020.1.1买入并持有到2021.1.15的策略最后的资金

数据可视化在这里不作展示，有数据后可以按照自己的习惯绘图制表；更多的评估数据也不作展示

结果中很多策略最后的收益都不如一直持有的收益高，但是策略没有持股的时候作为交易员当然会寻找新的机会，创造收益！