不知如何选股？不知哪种指标策略可靠？量化分析比较BBI、MTM、OBV、CCI、PRICEOSC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 BBI、MTM、OBV、CCI、PRICEOSC 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

sma是平滑移动指标的计算函数
_ma是移动平均线的计算函数
_md是标准差的计算函数
_ema是指数移动平均线的计算函数

BBI指标

def bbi(df):
    _bbi = pd.DataFrame()
    _bbi['date'] = df['date']
    _bbi['bbi_2'] = (_ma(df.close, 3) + _ma(df.close, 6) + _ma(df.close, 12) + _ma(df.close, 24)) / 4
    return _bbi

MTM指标

def mtm(df, n=6, m=5):
    _mtm = pd.DataFrame()
    _mtm['date'] = df.date
    _mtm['mtm'] = df.close - df.close.shift(n)
    _mtm['mtmma'] = _ma(_mtm.mtm, m)
    return _mtm

OBV指标

def obv(df):
    _obv = pd.DataFrame()
    _obv["date"] = df['date']
    # tmp = np.true_divide(((df.close - df.low) - (df.high - df.close)), (df.high - df.low))
    # _obv['obvv'] = tmp * df.volume
    # _obv["obv"] = _obv.obvv.expanding(1).sum() / 100
    _m = pd.DataFrame()
    _m['date'] = df.date
    _m['cs'] = df.close - df.close.shift()
    _m['v'] = df.volume
    _m['vv'] = _m.apply(lambda x: x.v if x.cs > 0 else (-x.v if x.cs < 0 else 0), axis=1)
    _obv['obv'] = _m.vv.expanding(1).sum()
    return _obv

CCI指标

def cci(df, n=14):
    _cci = pd.DataFrame()
    _cci["date"] = df['date']
    typ = (df.high + df.low + df.close) / 3
    _cci['cci'] = ((typ - typ.rolling(n).mean()) /
                   (0.015 * typ.rolling(min_periods=1, center=False, window=n).apply(
                    lambda x: np.fabs(x - x.mean()).mean())))
    return _cci

---

PRICEOSC指标

def priceosc(df, n=12, m=26):
    _c = pd.DataFrame()
    _c['date'] = df['date']
    man = _ma(df.close, n)
    _c['osc'] = (man - _ma(df.close, m)) / man * 100
    return _c

---

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！