不知如何选股？不知哪种指标策略可靠？量化分析比较VRSI、BBIBOLL、WR、BIAS、RSI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 VRSI、BBIBOLL、WR、BIAS、RSI 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

VRSI指标

sma是平滑移动指标的计算函数

def vrsi(df, n=6):
    _vrsi = pd.DataFrame()
    _vrsi['date'] = df['date']
    px = df['volume'] - df['volume'].shift(1)
    px[px < 0] = 0
    _vrsi['vrsi'] = sma(px, n) / sma((df['volume'] - df['volume'].shift(1)).abs(), n) * 100
    return _vrsi

BBIBOLL指标

_ma是移动平均线的计算函数，_md是标准差的计算函数

def bbiboll(df, n=10, k=3):
    # pd.set_option('display.max_rows', 1000)
    _bbiboll = pd.DataFrame()
    _bbiboll['date'] = df.date
    _bbiboll['bbi'] = (_ma(df.close, 3) + _ma(df.close, 6) + _ma(df.close, 12) + _ma(df.close, 24)) / 4
    _bbiboll['boll_md'] = _md(_bbiboll.bbi, n)
    _bbiboll['upr'] = _bbiboll.bbi + k * _bbiboll.boll_md
    _bbiboll['dwn'] = _bbiboll.bbi - k * _bbiboll.boll_md
    return _bbiboll

WR指标

_ema是指数移动平均线的计算函数

def wr(df, n=14):
    _wr = pd.DataFrame()
    _wr['date'] = df['date']
    higest = df.high.rolling(n).max()
    _wr['wr'] = (higest - df.close) / (higest - df.low.rolling(n).min()) * 100
    return _wr

BIAS指标

sma是平滑移动指标的计算函数

def bias(df, n=12):
    _bias = pd.DataFrame()
    _bias['date'] = df.date
    _mav = df.close.rolling(n).mean()
    _bias['bias'] = (np.true_divide((df.close - _mav), _mav)) * 100
    return _bias

RSI指标

_md是标准差的计算函数

def rsi(df, n=6):
    _rsi = pd.DataFrame()
    _rsi['date'] = df['date']
    px = df.close - df.close.shift()
    px[px < 0] = 0
    _rsi['rsi'] = sma(px, n) / sma((df['close'] - df['close'].shift()).abs(), n) * 100
    return _rsi

---

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

图表中我们注意到
600031 这支股票采用WR指标策略的收益要高于一直持有策略
并且WR指标策略在 601633 这支上也有优于一直持有策略的表现
000591这支股票采用BIAS指标策略的收益要高于一直持有策略

虽然大部分的情况下按照指标操作的效果并不如长期持有策略，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！