金融量化指标效果的统计分析——聚宽平台

我们经常会在交易中使用一些技术指标，但很多时候只是知道这个指标的核心思路，并不太确定它们的实际效果。可能它们的效果和我们的想法有偏差。可能它们的效果是因股票而异的。也可能我们连一个具体的思路都不清楚，只是天马行空地想到，“咦？这个也许能行？”

我们把这些指标写到策略里，有时候回测看着像这么回事，可有时候又不像那么回事，懵懵懂懂的我们也不知道是怎么回事了。

“那…如果，”你说，“嗯，不对，让我再想想…”

时过半晌，“如果，”你又打断了沉默，“有一个系统性的统计方法，能让我们直观地看到这个指标的效果，那就好了。”

诶哟你说得太对了，我就是来找你谈这个的。

统计的对象
现代金融理论认为，证券价格的时间序列在大部分时间服从随机游走，但是在一些特定的时刻（比如基本面发生变化，或者供需关系发生变化），价格序列会偏离随机游走，并且选择向上或者向下的方向。当价格在脱离随机游走时，通常都会产生一些现象或征兆，就是我们常说的“信号”，如果我们捕捉到这些信号，就可以赚取收益。

我们使用利用股票的历史数据计算各种各样的指标（比如MACD，RSI），就是为了通过指标的数值来判断是否出现信号。但很多时候指标的使用是粗糙并且模糊的，比如“当RSI低于20时买入”是一个发出信号的标准，但为什么是20呢？18或者22会不会效果更好？我们想通过历史统计来分析这个问题，那么进行统计的对象就有两个：指标出现的数值，以及出现该数值之后的涨跌结果。

指标

一般而言，一支股票的指标是一个函数Ind(T)，它输入的是时间T（确切地说还有时间T之前的所有股票数据），返回的是在那个时间点的指标数值。比如说，我们要考量的指标是过去5天的收益率，那么指标的输出就是今日收盘价除以五天前收盘价的商再减1。

结果

结果指的就是，我们认为指标所预测的事件到底有没有发生，由此把结果分为“赢”、“平”和“输”。举例来说，假设我们认为过去5天的收益率越高，未来两天的收益率就越大；那我们要观测的结果就是未来两天交易量的情况，如果未来两天的平均交易量大于今天的110%，就记作“赢”，小于今天的100%就记作“输”，其余情况记作“平”。这里“赢平输”的计算标准有一定拍脑袋的成分，这么做的缺点就是统计的数据不全面，优点是结果更直观更方便应用，并且如果统计结果不理想，我们可以更改输赢的决定方法再重新来过。

from jqdata import *
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import talib

def select_strategy():
    global cs_enabled,cs_memo,cs_class_name,cs_param
    cs_enabled,cs_memo,cs_class_name,cs_param = range(4)
    
    '''=====获取需要的数据和时间周期====='''
    global get_data_config
    get_data_config=[
        [True,'获得数据',Get_data,
         {
   
          "security":'002230.XSHE'
          ,"start_date":"2006-02-02"
          ,"end_date":"2016-02-02"
          ,"fields":["close"]
         }
        ]
    ]
    
    '''=====统计不同指标阈值下的胜负结果====='''
    global statistical_index_result_config
    statistical_index_result_config=[
        [False,'前N天收益率为正时，后5天的收益率超过10%',Get_stats,
         {
   }
        ],
        [True,'双均线',Double_ma,
         {
   "ma_start":0,"ma_end":50,"ma_interval":5,"Nday":10,"win_return":0.1,"lose_return":-0.1}
        ]
    ]
    
    
  
    
    '''=====按照胜负平的情况画出普通柱形图和胜负差柱形图====='''
    global plt_config
    plt_config=[
        [True,'结果图',Result_plt,
         {
   }
        ],
        [True,'胜负图',Win_lose_plt,
         {
   }
        ]
    ]
    
    
    '''=====按照设置的跨度区间选择指标的最好的范围====='''
    global get_region_config
    get_region_config=[
        [True,'获得最好的数值区间',Find_best_region,
         {
   }
        ]
    ]
    

    
'''======================================获取数据的类=================================='''
class Get_data:
    def __init__(self,params):
        self.security=params.get("security","000001.XSHG")
        self.start_date=params.get("start_date","2006-02-02")
        self.end_date=params.get("end_date","2016-02-02")
        self.fields=params.get("fields",["close"])
    def todo(self):
        return get_price(self.security, start_date=self.start_date, end_date=self.end_date, frequency='daily', fields=self.fields, skip_paused=False, fq='pre')
        
        
'''========================================判断胜负的类================================''' 

'''---------------------------判断胜负的基类------------------------------------''' 

class Win_lose_class:
    def __init__(self,params):
        
        self.result_df=pd.DataFrame(columns=('win','even','lose',"value"))
    def todo(self,df):
        pass
    
    def set_result_df(self,key,result):
        if  key in self.result_df.index:
            if result=="win":
                self