费雪变换+价量趋势：优化量化交易的最新策略（内含源代码）

最新推荐文章于 2025-05-16 14:05:46 发布

老余捞鱼

最新推荐文章于 2025-05-16 14:05:46 发布

阅读量1.3k

点赞数 24

分类专栏： AI顾投高级策略文章标签：人工智能大数据 python 金融

本文链接：https://blog.csdn.net/weixin_70955880/article/details/145545041

版权

AI顾投高级策略专栏收录该内容

211 篇文章

订阅专栏

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：最近我们团队研发了一种基于费雪变换和量价趋势（PVT）优化量化交易的策略，而这套方法能带来显著的超额收益。经过参数调整和历史数据回测，这套策略在特斯拉股票上实现了五年近19倍的回报，远超单纯持有特斯拉股票的13倍收益。这让我更加坚信，通过科学的分析和技术指标，我们完全可以在市场中发现隐藏的机会并从中获利。想知道具体怎么操作吗？继续往下看吧！

一、策略解读

费雪变换+量价趋势（PVT）的核心思想是利用先进的算法指标捕捉市场动量和交易量，从而帮助量化交易做出更好的决策。

1.1 什么是费雪变换？

费雪变换（Fisher Transform）是一种用于技术分析的数学工具，旨在将价格数据转换为更易于分析的形式。它通过将价格的相对变化映射到一个标准化的范围内，使得交易者能够更好地识别超买或超卖的市场状态。费雪变换常用于股票、外汇和其他金融市场的交易策略中。其公式如下：

费雪变换在股市的主要应用：

超买和超卖信号：通过分析费雪变换的值，交易者可以识别市场的超买或超卖状态。当费雪变换的值达到某个阈值时，可能表明市场已经过度反应，交易者可以考虑反向操作。
趋势识别：费雪变换可以帮助交易者识别价格趋势的变化。当费雪变换的值发生显著变化时，可能预示着趋势的反转或持续。
信号过滤：结合其他技术指标，费雪变换可以作为信号过滤器，帮助交易者提高交易决策的准确性。

费雪变换是一种强大的工具，能够帮助交易者更好地理解市场动态。通过将价格数据转换为标准化的形式，交易者可以更容易地识别潜在的交易机会。费雪变换并不是完美的，它需要接下来讲解的量价趋势进一步完善整体策略。

1.2 什么是量价趋势（PVT）？

量价趋势（Price Volume Trend，简称PVT）是一种技术分析指标，旨在通过结合价格和交易量的变化来帮助投资者判断市场趋势。PVT指标通过将价格变动与交易量相结合，提供了一种更为全面的市场动态视角，帮助投资者识别潜在的买入或卖出信号。

PVT的计算方法为：

当天PVT = 前一天PVT + 当天交易量 × (当天收盘价 - 前一天收盘价) / 前一天收盘价

PVT的计算过程为：

确定基准值：通常以第一天的收盘价为基准。
计算每日PVT变化：
- 如果当天的收盘价高于前一天的收盘价，PVT增加当天的交易量。
- 如果当天的收盘价低于前一天的收盘价，PVT减少当天的交易量。
- 如果收盘价没有变化，则PVT保持不变。
累加PVT值：将每日的PVT变化累加，得到当前的PVT值。

PVT的主要应用：

趋势确认：当PVT与价格走势一致时，表明当前趋势可能会持续。例如，价格上涨且PVT也上涨，说明买盘强劲，趋势有可能继续。
趋势反转信号：当PVT与价格走势出现背离时，可能预示着趋势反转的信号。例如，价格上涨但PVT下降，可能表明买盘力量减弱，趋势可能会反转。
交易决策：投资者可以根据PVT的变化来制定买入或卖出的策略，尤其是在关键支撑和阻力位附近。

量价趋势（PVT）是一种有效的技术分析工具，能够帮助投资者更好地理解市场动态。通过结合费雪变换处理过的价格和交易量的变化，PVT不仅可以确认当前趋势，还可以提供潜在的反转信号。

二、策略开发

接下来我们将通过代码开发实现上面的策略。主要功能是：通过优化PVT和Fisher变换的参数，找到一个最佳的股票交易策略，并使用历史数据进行回测和可视化。

这段代码主要用于股票数据的分析和策略优化，结合了技术指标计算、参数优化、回测和可视化。以下是对代码的详细解析：

1. 导入库

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import yfinance as yf
import vectorbt as vbt
from sklearn.model_selection import ParameterGrid

numpy 和 pandas：用于数值计算和数据处理。
seaborn 和 matplotlib：用于数据可视化。
yfinance：用于从Yahoo Finance下载股票数据。
vectorbt：用于回测和策略分析。
ParameterGrid：用于生成参数网格，进行参数优化。

2. 定义技术指标计算函数

2.1 计算价格成交量趋势（PVT）

def calculate_pvt(df):
    pvt = [0]  # Initial PVT value
    for i in range(1, len(df)):
        pvt_value = pvt[-1] + ((df['Close'][i] - df['Close'][i-1]) / df['Close'][i-1]) * df['Volume'][i]
        pvt.append(pvt_value)
    return pd.Series(pvt, index=df.index)

PVT（Price Volume Trend）是一种结合价格和成交量的技术指标，用于衡量价格趋势的强度。
该函数通过遍历数据框中的每一行，计算PVT值，并返回一个Pandas Series。

2.2 计算Fisher变换及其信号线

def calculate_fisher_transform(df, period=10):
    high_rolling = df['High'].rolling(window=period).max()
    low_rolling = df['Low'].rolling(window=period).min()

# 。。。。。。

    return fisher, fisher_signal

Fisher变换是一种将价格数据转换为正态分布的技术指标，常用于识别价格反转点。
该函数计算Fisher变换及其信号线（通过指数加权移动平均计算），并返回两个Pandas Series。

3. 下载股票数据

symbol = 'TSLA'
start_date = '2019-01-01'
end_date = '2025-01-01'
# 。。。。。。

使用yfinance下载特斯拉（TSLA）从2019年到2025年的股票数据。
数据包括开盘价、最高价、最低价、收盘价和成交量。
ffill用于向前填充缺失值。

4. 参数优化

shift_values = range(1, 31)  # PVT shift from 1 to 30
fisher_period_values = range(5, 31)  # Fisher period from 5 to 30
# 。。。。。。

定义PVT的shift值和Fisher变换的period值的范围。
使用ParameterGrid生成所有可能的参数组合。

5. 回测和优化

results = []

for params in grid:
    shift_value = params['shift']
    fisher_period = params['fisher_period']

    df['PVT'] = calculate_pvt(df)
    df['Fisher'], df['Fisher_Signal'] = calculate_fisher_transform(df, period=fisher_period)

# 。。。。。。

    results.append({
        'shift': shift_value,
        'fisher_period': fisher_period,
        'performance': portfolio.stats()['Total Return [%]']
    })

遍历所有参数组合，计算PVT和Fisher变换，并生成交易信号（Entry和Exit）。
使用vectorbt进行回测，计算每个参数组合的总回报率。
将结果存储在results列表中。

6. 结果可视化（热图）

results_df = pd.DataFrame(results)
heatmap_data = results_df.pivot(index='fisher_period', columns='shift', values='performance')

plt.figure(figsize=(12, 8))
sns.heatmap(heatmap_data, annot=False, fmt=".1f", cmap="coolwarm", cbar_kws={'label': 'Total Return [%]'})
plt.title("Heatmap of Total Return by Shift and Fisher Period")
plt.xlabel("Shift")
plt.ylabel("Fisher Period")
plt.show()

将结果转换为DataFrame，并生成热图，展示不同参数组合下的总回报率。

7. 最佳参数选择

best_params = results_df.loc[results_df['performance'].idxmax()]
print("Best parameters:")
print(f"Shift: {best_params['shift']}")
print(f"Fisher Period: {best_params['fisher_period']}")
print(f"Total Return: {best_params['performance']}")

找到总回报率最高的参数组合，并打印最佳参数。

输出结果如下：

Best parameters:
Shift: 18.0
Fisher Period: 26.0
Total Return: 6144.9238142958

Shift: 18.0
这是PVT（价格成交量趋势）的偏移值，表示在生成交易信号时，PVT值需要与18天前的PVT值进行比较。
Fisher Period: 26.0
这是Fisher变换的计算周期，表示在计算Fisher变换时，使用了26天的最高价和最低价。
Total Return: 6144.9238142958
这是在该参数组合下，策略的总回报率（百分比）。6144.92%表示策略在测试期间（2020-2025）的累计收益为初始资金的61.45倍。

8. 使用最佳参数进行回测

df['PVT'] = calculate_pvt(df)
df['Fisher'], df['Fisher_Signal'] = calculate_fisher_transform(df, period=30)
df['Entry'] = (df['PVT'] > df['PVT'].shift(26)) & (df['Fisher'] > df['Fisher_Signal'])
df['Exit'] = (df['PVT'] < df['PVT'].shift(26)) & (df['Fisher'] < df['Fisher_Signal'])

df = df[(df.index.year >= 2020) & (df.index.year <= 2025)]

portfolio = vbt.Portfolio.from_signals(
    close=df['Close'],
    entries=df['Entry'],
    exits=df['Exit'],
    init_cash=100_000,
    fees=0.001
)

print(portfolio.stats())
portfolio.plot().show()

使用最佳参数重新计算PVT和Fisher变换，生成交易信号，并进行回测。
打印回测结果，并绘制资金曲线。

以上代码结合了技术指标计算、参数优化、回测和可视化，展示了如何通过系统化的方法进行策略开发和优化。

9. 回测性能指标分析

回测输出结果如下：

Start                         2020-01-02 00:00:00
End                           2024-12-31 00:00:00
Period                                       1258
Start Value                              100000.0
End Value                          1994740.623761
Total Return [%]                      1894.740624
Benchmark Return [%]                  1307.892888
Max Gross Exposure [%]                      100.0
Total Fees Paid                      42888.457775
Max Drawdown [%]                        38.771981
Max Drawdown Duration                       664.0
Total Trades                                   26
Total Closed Trades                            25
Total Open Trades                               1
Open Trade PnL                      706830.425741
Win Rate [%]                                 56.0
Best Trade [%]                         118.168326
Worst Trade [%]                        -18.001128
Avg Winning Trade [%]                   29.905057
Avg Losing Trade [%]                    -5.907255
Avg Winning Trade Duration              42.214286
Avg Losing Trade Duration               11.272727
Profit Factor                            2.945644
Expectancy                           47516.407921

以下是对回测结果的详细说明：