别再乱卖股票了！这套量化止盈策略请查收

最新推荐文章于 2025-04-29 15:28:57 发布

老余捞鱼

最新推荐文章于 2025-04-29 15:28:57 发布

阅读量581

点赞数 27

分类专栏： AI顾投高级策略文章标签： python 人工智能算法金融

本文链接：https://blog.csdn.net/weixin_70955880/article/details/146329480

版权

AI顾投高级策略专栏收录该内容

205 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：这是一套比较成熟的量化投资止盈方法，用预期上行潜力（EUP）和异质自回归（HAR）模型，能精准找到止盈点。通过代码实操，构建投资组合，分析数据就能确定卖出信号。快来和我一起学，能让你的投资收益更上一层楼！

在量化金融领域，风险管理和波动预测对制定止盈操作的交易策略那可是非常关键的。今天给大家分享的方法，它结合了条件风险价值（咱们国内一般叫预期上行潜力，也就是 EUP）和异质自回归模型（HAR 模型），能帮大家更科学地做出止盈决策。

我们以美股“七巨头” 股票的等权重投资组合为例来分析。

一、数据与投资组合构建

我们从雅虎财经获取这七只股票在 2020 年 1 月 1 日到 2025 年 3 月 15 日的历史调整收盘价，然后用 Python 计算出它们的每日收益率。代码如下：

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

plt.close('all')

tickers = ["AAPL", "MSFT", "NVDA", "AMZN", "TSLA", "META", "GOOGL"]
data = yf.download(tickers, start="2020-01-01", end="2025-03-15", auto_adjust=False)["Close"]
returns = data.pct_change().dropna()

# 等权重投资组合
weights = np.ones(len(tickers)) / len(tickers)
portfolio_returns = returns.dot(weights)
portfolio_prices = (1 + portfolio_returns).cumprod() * 100  # 初始值设为100

这段代码里，先是导入了一些必要的库，像numpy、pandas这些都是处理数据常用的。然后用yfinance库获取股票数据，计算出收益率。

然后构建等权重投资组合，还能算出投资组合的价格。

计算每只股票的日收益率（pct_change）。
构建等权重投资组合，每只股票的权重相同。
计算投资组合的日收益率和累计价格（以 100 为基准）。

二、计算风险价值和预期上行潜力

为了衡量风险和潜在收益，我们要计算两个重要指标：

风险价值（VaR 95%）：就是过去 60 天收益率的第 95 百分位数。这表示在 95% 的情况下，我们的损失不会超过这个数值。
预期上行潜力（EUP）：也就是超过第 95 百分位数的那些收益率的平均值。这能让我们知道潜在的盈利空间有多大。

具体计算代码如下：

window_eup = 60
rolling_var = portfolio_returns.rolling(window=window_eup).quantile(0.95)
def eup_cvar(x, alpha=95):
    threshold = np.percentile(x, alpha)
    tail = x[x >= threshold]
    return tail.mean() if len(tail) > 0 else np.nan
eup_series = portfolio_returns.rolling(window=window_eup).apply(lambda x: eup_cvar(x, alpha=95), raw=True)
signal = portfolio_returns > rolling_var  # 止盈触发信号

这里通过rolling函数计算滚动数据，然后定义了一个函数eup_cvar来计算 EUP。

得出止盈触发信号，当投资组合收益率大于滚动风险价值时，就可能触发止盈。

三、用 HAR 模型预测波动率

HAR 模型可以根据日、周、月不同周期的波动率来预测每日波动率。具体是基于以下几个窗口的波动率：

日波动率（2 天窗口）
周波动率（5 天窗口）
月波动率（22 天窗口）

代码片段如下：

vol_daily   = portfolio_returns.rolling(window=2).std()
vol_weekly  = portfolio_returns.rolling(window=5).std()
vol_monthly = portfolio_returns.rolling(window=22).std()

# 篇幅所限，非完整代码

else:
    vol_data['vol_forecast'] = np.nan

这段代码先计算不同周期的波动率，然后构建数据框。接着用线性回归的方法构建 HAR 模型，进行波动率预测。

波动率预测结果如上图。

四、计算卖出比例和百分比

有了前面的数据，我们就能计算卖出比例了。

公式是：卖出比例 = 预期上行潜力（EUP） / 预测波动率。

然后根据预设的阈值，把卖出比例映射成 0% - 100% 的卖出百分比：

卖出比例 ≤ 1.0 → 0% 卖出
卖出比例 ≥ 3.0 → 100% 卖出
1.0 到 3.0 之间 → 按比例插值计算

部分代码如下：

common_index = portfolio_returns.index.intersection(vol_data['vol_forecast'].dropna().index)

# 篇幅所限，非完整代码

    else:
        return (r - threshold_min) / (threshold_max - threshold_min)
sales_percentage = ratio.dropna().apply(sale_percentage)

这段代码先找到相关数据的共同索引，然后计算卖出比例，最后通过函数把卖出比例转化为卖出百分比。

卖出比例和卖出百分比计算结果展示数据如上图。

五、打印可视化卖出信号

最后，把卖出信号打印出来，还可以用图表展示。示例代码如下：

print("最后10个卖出比例（EUP / 波动率预测）:")
print(ratio.dropna().tail(10))
print("\n最后10个卖出百分比:")
print(sales_percentage.tail(10))
fig, ax = plt.subplots(figsize=(12, 6))
ax.plot(portfolio_prices.index, portfolio_prices, label="投资组合价格", color="blue")
sales_dates = sales_percentage.index
if not sales_dates.empty:
    ax.scatter(sales_dates, portfolio_prices.loc[sales_dates],
               color="red", marker="v", s=100, label="卖出信号")
    for date in sales_dates:
        perc = sales_percentage.loc[date] * 100
        ax.annotate(f"{perc:.0f}%", (date, portfolio_prices.loc[date]),
                    textcoords="offset points", xytext=(0,10), ha="center", color="red")
ax.set_title("基于EUP（右尾CVaR）和HAR波动率模型的卖出信号")
ax.set_xlabel("日期")
ax.set_ylabel("投资组合价格（初始值100）")
ax.legend()
ax.grid(True)
plt.show()

运行这段代码，我们就能在控制台看到最后 10 个卖出比例和卖出百分比，还能生成一个图表。如下图所示，蓝色线是投资组合价格走势，红色三角就是卖出信号，旁边还标着卖出百分比。