用Python做一个Mean Rerversion策略

为什么连胜会终止？

为什么明星基金终归于平凡？

几乎所有事物都逃不过均值回归。股价也一样，无论高于还是低于均值，都将大概率回归到均值。

这就是Mean-Reversion均值回归策略的底层逻辑，当股价高于均值时，做空；低于均值时，做多，这是一个震荡市的策略。

我们从一个最基本的均值回归模型入手：以SMA(简单移动平均线)作为交易信号。

SMA的计算方法是将某一段时间的收盘价之和除以该周期，可以看成均值。

那偏离均值多少开仓呢？我们再设定一个阈值，当价格偏离均值的程度大于这个阈值时，执行交易。

也就是说当股价高于SMA，并且高出的部分大于这个阈值，就做空股票；反之当股价低于SMA，低出的部分大于这个阈值，就做多股票。当价格回归到SMA附近1%的范围内，平仓。

第一步，导入要用到的库：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import yfinance as yf

第二步：策略的实现

def SMAMeanReversion(ticker, sma, threshold, shorts=False,
    start_date='2000-01-01', end_date='2020-12-31'):
    yfObj = yf.Ticker(ticker)
    data = yfObj.history(start=start_date, end=end_date)
    data['SMA'] = data['Close'].rolling(sma).mean()
    data['extension'] = (data['Close'] - data['SMA']) / data['SMA']
    
    data['position'] = np.nan
    data['position'] = np.where(data['extension']<-threshold,
        1, data['position'])
    if shorts:
        data['position'] = np.where(
            data['extension']>threshold, -1, data['position'])
        
    data['position'] = np.where(np.abs(data['extension'])<0.01,
        0, data['position'])
    data['position'] = data['position'].ffill().fillna(0)
    
    # Calculate returns and statistics
    data['returns'] = data['Close'] / data['Close'].shift(1)
    data['log_returns'] = np.log(data['returns'])
    data['strat_returns'] = data['position'].shift(1) * \
        data['returns']
    data['strat_log_returns'] = data['position'].shift(1) * \
        data['log_returns']
    data['cum_returns'] = np.exp(data['log_returns'].cumsum())
    data['strat_cum_returns']  =   
        np.exp(data['strat_log_returns'].cumsum())
    data['peak'] = data['cum_returns'].cummax()
    data['strat_peak'] = data['strat_cum_returns'].cummax()
    return data.dropna()

以美国航空为标的，SMA周期设置为50天，阈值定为10%。回测的结果buy&hold和均值回归比较如下图：

可以看到，大部分时间均值回归策略的表现逊色于一直持有股票，涨的少，跌的都差不多。

原因之一是有些极端情况下，太强的趋势改变了均值回归的性质，震荡市已经切换到了单边行情，策略机械地执行越跌越买，最后成本被摊地很高。

为了降低这种风险，我们再在代码里加入一个保护变量，也就是一个上限阈值。

比方说阈值定为10%，上限阈值定为15%，当价格和SMA的偏离在10%和15%之间时，策略照常执行。但是一旦这个偏离高于了15%，就不再下单，从而降低了单边行情中越做越错的风险。

来瞅瞅加了保护变量后的策略表现：

加了保护变量后，不仅总收益率提高了，而且年化波动降低了，夏普比率也由此提高。

加入保护变量后，成功躲过2020年初的疫情大跌，而没加保护的策略会在下跌趋势中不断开多仓，导致很大的回撤：

总结：

这是一个以SMA简单移动平均线作为指标的均值回归策略，你也可以用其他的indicator作为均值指标，比如布林带、股票平均回报率、RSI等等。

策略也有一些小瑕疵，一是没有把股息和交易费用考虑进来，二是参数的选择（SMA=50，阈值设为10%）比较随意，没有优化过程。

虽然是一个最简单和基础的均值回归策略，但揭示了此类策略的最主要逻辑。其中的参数可以进一步优化，从而提升策略的表现。