快牛策略的均值回归进阶策略，股票价格抓反弹的时候666的很啊！代码均为Python

我们经常在抓反弹时感觉像在抓一只刺猬，不知道该怎么下手。左侧交易会不会买在半山腰？右侧交易会不会进场太晚？什么时候买入真是让人头疼。切莫苦恼，你完全可以通过历史数据统计判断反弹的时机。今天公众号给大家介绍一种简单的统计方法，它不能保证抓反弹次次成功，但可以让你对多错少，累积起来就是真实的收益！

动机
股票的价格会以它的均线为中心进行波动。也就是说，当标的价格由于波动而偏离移动均线时，它将调整并重新归于均线。那么如果我们如果能捕捉偏离股价的回归，就可以从此获利。本篇要讲的是，统计历史数据中价格偏离所对应的反弹幅度，选择胜率最高的偏离度作为入场信号。

波动大小的相对性

举实例来说。下图是某支股票的 60 分钟线，中间紫色曲线为股价的 5 日均线。可以看出在蓝色线段标明的时间里，股价波动平缓。在两个粉色箭头处，股价比均线分别高 4.1% 和低 5.9%。这些波动较前段时间更为剧烈，可以告诉我们股价发生了偏离。

再看下图，这是同一支股票在另一段时间的 60 分钟线。这段时间里价格波动幅度大，在粉色箭头的位置，价格和均线的差距分别为5.3% 和 5.1%，但我们不将其视为显著的价格偏离。

标准差
标准差（standard deviation），通常用小写希腊字母 σ（sigma，读“西格玛”）表示。通俗地讲，一组数据的标准差就是这组数据离均值的普遍差距。标准差的计算公式为

如果这组数据的波动较大，那么 σ 相应也会较大；相反的，如果这组数据波动小，那么 σ 会更接近零。

举例来说，假设我们有一组数据 A=(1,0,0,0,0−1,0,0,0,0)，如下

它的平均值是 0，标准差是

‍‍这时如果下一项出现的数据是x11=1，可以算出它和均值的差是2.23倍标准差，可以被视为是一个较大的波动。
在另一种情况里，假设我们的数据是 B=(1,−1,1,−1,1,−1,1,−1,1,−1)如下图

可以直观地看出波动较大。这组数据同样是均值等于0，它的标准差是

‍‍‍‍‍明显比数据 ‍‍‍‍A的标准差更大。这时如果出现新的数据 x11，由于它和均值的差距等同于标准，我们不认为它是一个很大的波动。

有了这个概念，我们可以构造一种利用标准差来测量当日股价波动幅度的方法。取过去N天收盘价，并取其标准差 σ，设今日股价为P并且N日日均线值为MAN

这个值得含义是，相较过去N天的价格，今日股价与均值的偏差为 ρ倍的标准差。如果绝对值ρ比较大，我们判定今日价格波动比历史波动更为突出；反之绝对值ρ比较小，我们判定今日的波动很普通，就叫它“N日偏离倍数”。

偏离倍数和赢输的统计

我们没法凭空预测偏离倍数在多大的情况下价格会反弹，也不能盲目地认为偏离倍数越高越好。我们干脆穷举，对历史上所有的偏离倍数（范围），统计其后后股价的走势，然后将胜率最高的偏离倍数视为入场信号，在其出现时买入。

‍‍
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。

指标和结果的统计

数据统计

一、提取历史所有交易日的股票数据，并去掉停牌日的信息；
二、记录每一天的指标和输赢结果。对于每一个不停牌的交易日T，做：
a. 计算当日的指标Ind(T)，方便统计需要，四舍五入到合适的小数点位；
b. 计算从T日起观测的输赢结果；
c. 记录事件组(Ind(T),赢或平或输)。
三、统计指标的某个值出现后赢和平和输分别发生过多少次。

举例个简单的例子。假设我们认为过去5天涨得越多则未来五天越可能跌。那么把五日收益率设为指标；未来第五天收盘价小于今日收盘价则记为赢，大于记输，等于则记平。

首先收集数据，注意要把停牌时的数据去掉，这里是从06年2月2日到16年2月2日。

prices = get_price('002200.XSHE', start_date="2006-02-02",
end_date="2016-02-02", frequency='daily', fields=['close'],
skip_paused=True)['close']
import pandas as pddef get_stats(prices):# 设置一个计数器i = 5# 设置一个空listdata = []    # 从第一个到倒数第二个价格while i < len(prices)-4:        # 计算五日收益率，留小数点后2位ratio = 0.01 * ((prices[i]/prices[i-5]) //0.01)        # 如果第五天收盘价更低if prices[i+4] < prices[i]:            # 那结果记赢result = 'win'# 如果第五天收盘价更高if prices[i+4] > prices[i]:            # 结果记输result = 'lose'# 收盘价不变的话if prices[i] == prices[i+4]:            # 记平result = 'even'# 看看该比例有无记载过ratio_recorded = False# 翻看datafor data_dict in data:            # 如果比例被记载过if data_dict['value'] == ratio:                # 那就好，更新输赢data_dict[result] += 1# 记载过为是ratio_recorded = True# 如果翻完了发现没记载过，if ratio_recorded == False:            # 那么就记载下来data_dict = {'value':ratio, 'win':0, 'lose':0, 'even':0}data_dict[result] += 1data.append(data_dict)        # 别忘更新ii += 1# 转换成DataFramedf = pd.DataFrame(data,  columns=['value', 'win','even', 'lose'])    # 按照value列从小到大排序df = df.sort(['value'], ascending = True)return(df)

制图

把统计好的数据画出来就可以看出效果了。基于以上数据的特性，我们要画一个叠加条状图。该图的x坐标轴是指标的值，y轴则是该指标值出现的次数，并按颜色划分成“赢平输”叠加的条状图。代码如下：

Import matplotlib.pyplot as plt# 设置图的大小fig_size = plt.rcParams["figure.figsize"]
fig_size[0] = 15
fig_size[1] = 10# 把统计的DataFrame中竖列抽出来values = stats['value']
wins = stats['win']
evens = stats['even']
loses = stats['lose']# 画输的数目，颜色为红p1 = plt.bar(values, loses, width = 0.008, color='r')# 画平的数目，颜色为黄，底部在输之上
p2 = plt.bar(values, evens, width= 0.008,  bottom = loses, color='y')# 画赢的数目，颜色为绿，底部在输+平之上
p3 = plt.bar(values, wins, width=0.008, bottom = evens+loses, color='g')# 标注坐标轴和注释plt.ylabel('输赢结果',size = 15)
plt.xlabel('收盘价除以22',size = 15)
plt.legend((p1[0], p2[0],p3[0]), ('输', '平','赢'))

这样就可以清晰地看到一些规律。

合理地使用统计结果
我们单单把图画了出来，那是不是就可以在策略中用了？当然不是。拿之前的统计举例，可以看见两个比较明显的问题

先看紫色标注的位置，那里统计的胜率很高。如果们选择在5日收益率1.17时买入，会怎么样？首先5日收益率正好为1.17的概率很小，可能若干年都不出现信号。其次，可以看见它右边的1.18的胜率并不高，那么实际上当指标计算出为1.175时就无法合理判断。

再看棕色框起的区域，这里只有赢没有输，但是这个区域中样本量太小了，完全无法保证统计结果的准确性。

选择胜率最高的区间

一个可行的解决办法，是设定一个指标区间的宽度w，并且设定最低数据比θ。如果一个宽度为w的x轴区间里的数据量占总数据量的θ以上，我们就计算并记录该区间里的输赢比；如果区间内数据比例少于θ，我们则抛弃该区间。最后选出输赢比最高的区间作为产生信号的指标值。

比如我们设w=4，那么在1.08到1.11的区间里，赢输比为66:58。

我们要选的是依照该计算方法得到的赢输比最高的区间。

下面函数的4个输入分别为：
statistics – 之前算出的DataFrame统计数据
tick_width – 指标值的最小间隔（跳动值，比如上面的示例里就是0.01）
least_percentage – 要求区间数据量至少有总数据量的多少
band_width – 区间的宽度，整数，可理解为进行多少次tick_width的跳动。

代码如下

#返回一Series，内容 low=区间低点，high=区间高点，ratio=区间赢输比def find_best_region(statistics, tick_width, least_percentage, band_width):# 取出统计df的列values = statistics['value']loses = statistics['lose']wins = statistics['win']evens = statistics['even']    # 算总数据量num_data = sum(wins) + sum(loses) + sum(evens)    # 起始一listmydata = []    # 计算指标统计出的最低值除以间距，取整数，方便后面移动计算。low_bound = int(statistics['value'].iloc[0]/tick_width)    # 计算指标统计出的最高值除以间距，减去区间宽度high_bound = int(statistics['value'].iloc[-1]/tick_width - band_width + 1)    # 对于上限和下限之间的所有整数for n in range(low_bound, high_bound ):        # 选取统计中所对应的区间statistics1 = statistics[values >= float(n)*tick_width]stat_in_range  = statistics1[values <= float(n + band_width - 1) * tick_width]        # 计算区间中的赢输比。输数加一，避免除以零。ratio = float(sum(stat_in_range['win'])) / float(sum(stat_in_range['lose'])+1)        # 计算区间中数据量range_data = float(sum(stat_in_range['win']) + sum(stat_in_range['lose']) + sum(stat_in_range['even']))        # 如果区间数据量除以总数据量大于最低数据比if range_data / num_data >= least_percentage:            # 记录区间的最低值，最高值，和区间内的赢输比mydata.append({'low': float(n) * tick_width, 'high': float(n+band_width) * tick_width, 'ratio': ratio})    # 制作DataFramedata_table = pd.DataFrame(mydata)    # 按照赢输比排序sorted_table = data_table.sort('ratio', ascending = False)    # 返回第一行return(sorted_table.iloc[0])

对于上面的例子，tick_width = 0.01，再设 least_percentage = 0.03，以及 band_width = 4，计算

find_best_region(stats,0.01, 0.03, 4)

得到区间[1.12,1.16]，区间内输赢比1.43。

把所有的宽度都计算一遍。做法就是，先固定一个最短的宽度w_0，对于所有宽度为w_0的区间进行上面的计算，然后将宽度换为w_0+1再重复一遍，然后是w_0+2，以此类推，直到达到了设定的最大宽度。最后取这个过程中算出的最大的输赢比，并取相应的区间。

具体的计算已经由上面的函数完成，现在只要再包装一个函数来迭代地以不同的宽度呼出上面的函数，得到每个长度的最佳区间，再从这里面选出胜率最好的。
这里输入的statistics，tick_width，least_percentage和之前相同，另外的两个输入是
least_width – 最短的区间宽度
most_width – 最大的区间宽度

代码

#返回一Series，内容 low=区间低点，high=区间高点，ratio=区间赢输比def find_absolute_best_region(statistics, tick_width, least_percentage, least_width, most_width):# 创建标注列的空DFcolumns = ['low', 'high', 'ratio']df = pd.DataFrame(columns = columns)    # 对于所有在最短和最长标准之间的宽度for band_width in range(least_width, most_width + 1):        # 运行上面函数，得到该宽度的最佳区间best_width_region = find_best_region(statistics, tick_width, least_percentage, band_width)        # 将结果加入DFdf = df.append(best_width_region, ignore_index = True)    # 将赢输比从大到小排列sorted_table = df.sort('ratio', ascending = False)    # 返回第一行return(sorted_table.iloc[0])

还是同样的例子，这次least_percentage选0.05，最小宽度least_width=2，最大宽度most_width=30。然后

find_absolute_best_region(stats, 0.01, 0.05, 2, 30)

得到宽度为19的区间[1.12,1.31]，这之间的赢输比为1.72，这也是使用该指标时保证5%数据量的情况下的最大赢输比！

偏离倍数和赢输的统计

按照文中的思路，我们要计量的指标是上一节中介绍的 N 日偏离倍数 ρ。另外，我们只记录 ρ小于-1和大于等于-1，那说明价格偏离不大，则不构成回归信号。

以某股票从 2006 年到 2016 年的数据为例，统计结果如下：

我们设置参数：区间宽度最小数据比w=5，C塔=0.05，通过计算，得到区间为[-2.6,3.1]，区间数据如下：

也就是说，根据历史统计，如果当偏离倍数在-3.1和-2.6之间时买入该股票，输赢的预期是27:12，还有2次平局。

回测

其实策略的主要部分已经完成，只要加上对资金和仓位的管理，就可以构成一个可运行的策略。这里我们就构建一个很简单的方案。

设定如上一节所述每的参数：均线天数N，统计输赢天数T，止盈倍数u，止损倍数d，区间宽度w，和最小数据比Cta。每交易日执行以下操作：

一、全仓卖出应当止盈或止损的股票，或持有超过 T天的股票；

二、执行上一节的统计方法来更新每一支股票的最佳偏离倍数区间；

三、如果空仓，选定任意一支偏离倍数在最佳区间内的股票并全仓买入，如果所有股票都不符合则空仓。买入时记录止盈线u倍和止损d倍，并且设如果T日内未触碰止盈或止损线，也全部卖出。

来看一看回测结果。以下回测使用的股票池只包含 1 或 2 支标的股，这样便于看出策略对于个股发出的信号。文章最后的策略代码只适用于小规模的股票池；对于更大的股票池，信号会更加密集，因此需要调整每支股票的持仓量并且分别止盈止损，读者可以自行进行修改，或等待量化课堂未来的文章。另外，我们的回测从 2011 年开始，这样保证回测开始时就有一定的历史数据储备。

结语

首先是均值回归核心思路：

价格偏离均线太多就会弹回来

然后是，我们怎么判断偏离多少呢？

价格减去均线除以历史波动的标准差可以丈量偏离的程度

判断入场的话…

利用历史统计的偏离倍数对应的输赢率判断入场时机

最后还要指出，本篇文章旨为抛砖引玉，展示一种思路。文中的统计方法比较粗糙，策略也比较简单。想要在实战中应用的话，还需要进一步拓展、打磨并结合其他的方法，才能构造出一套成熟的交易策略。

部分核心代码

 mydata = []        # 在所有位置不会溢出的位置for n in range(min(values), max(values) - (g.band_width-1)):            # 取在n和（n+宽度）之间的DF行stat_in_range = statistics[(values >= n) & (values <= n+g.band_width-1)]            # 赢除输（这里输+1，因为可能输=0）ratio = float(sum(stat_in_range['win'])) / float((sum(stat_in_range['lose']) + 1))            # 这区间数据总量range_data = float(sum(stat_in_range['win']) + sum(stat_in_range['lose']) + sum(stat_in_range['even']))            # 如果数据量超过预设的临界值if range_data / num_data >= g.least_percentage:                # 记录区间的输赢比mydata.append({'low': n, 'high': n+g.band_width, 'ratio': ratio})        # 区间统计转换成DFdata_table = pd.DataFrame(mydata)        # 按输赢比排序sorted_table = data_table.sort('ratio', ascending = False)        # 取第一行stock_best_range = sorted_table.iloc[0]stock_best_ranges[security] = stock_best_range    # 输出结果return(stock_best_ranges)# --代码块11.# 获取买入信号# 输出一list该买入的股票def buy_signals(stock_best_ranges, context):to_buy = [] for security in g.security:stock_best_range = stock_best_ranges[security]        # 看现价current_price = attribute_history(security,1, '1d', 'close').iloc[0,0]        # 取倍数区间低点low = float(stock_best_range['low'])        # 取倍数区间高点high = float(stock_best_range['high'])        # 取赢率ratio = float(stock_best_range['ratio'])        # 获取历史收盘价h = attribute_history(security, g.ma_length, '1d', ['close'], skip_paused=True)['close']        # 计算均线ma = mean(h)        # 计算标准差sigma  = std(h)        # 算现价的偏离倍数times_sigma = (current_price - ma) / sigma        # 如果在该买的区间里if low <= 10 * times_sigma and 10 *times_sigma <= high:            # 加入买入列表to_buy.append(security)    return(to_buy)# --代码块12.# 获取卖出信号# 输出一list该卖出的股票def sell_signals(context): to_sell = []    # 对于仓内所有股票for security in context.portfolio.positions:        # 取现价current_price = history(1, '1m', 'close', security).iloc[0,0]        # 查卖出条件conditions = g.sell_conditions[security]        # 看看是不是该卖了if current_price >= conditions['high'] or current_price <= conditions['low'] or conditions['days'] <= 0:            # 加入卖出信号，确保没有重复to_sell.append(security)        # 如果不需要卖else:            # 日数减1g.sell_conditions[security]['days'] -= 1return(to_sell)# ---代码块13.# 卖出函数def sell_stocks(to_sell, to_buy, context):for security in to_sell:        # 如果也在买入名单里if security in to_buy:            # 从卖出信号中删掉pass# 不该买的话else:            # 全卖掉order_target(security, 0)            # 如果没有卖干净呢if security in context.portfolio.positions:                # 把天数清零g.sell_conditions[security]['days'] = 0# ---代码块14.# 买入函数def buy_stocks(to_buy, context):# 有多少钱cash_per_stock = context.portfolio.portfolio_value    if len(context.portfolio.positions) == 0:        # 对于所有买单里的股票for security in to_buy:order_value(security, cash_per_stock)            if security in context.portfolio.positions:                # 看现价current_price = attribute_history(security,1, '1d', 'close').iloc[0,0]                # 获取历史收盘价h = attribute_history(security, g.ma_length, '1d', ['close'], skip_paused=True)['close']                # 计算均线ma = mean(h)                # 计算标准差sigma  = std(h)                # 止损线low = current_price - g.loss_times_sigma * sigma                # 止盈线high = current_price + g.profit_times_sigma * sigma                # 在全局变量中记录卖出条件g.sell_conditions[security] = {'high': high, 'lo

快牛策略的均值回归进阶策略，股票价格抓反弹的时候666的很啊！代码均为Python相关推荐

USDCNY即期均值顺势信号——基于Python的均值回归进阶策略
在聚宽注册了之后,发现这个宝藏网站提供了大量的入门策略的教学文章:动态情景多因子Alpha模型.双均线策略.多因子策略入门等等.这个网站主要是为股票的量化投资提供一个策略撰写.回测的平台.站内的量化课 ...
python数据分析及可视化（十七）聚宽（双均线分析、因子选股策略、多因子选股策略、均值回归理论、布林带策略、PEG策略、权重收益策略）
聚宽聚宽是一个做金融量化的网站,https://www.joinquant.com,登录注册,如果你写的文章.策略被别人采纳,增加积分,积分用于免费的回测时长.在我的策略,进入策略列表,里面有做好的 ...
【量化策略三】布林线进行均值回归交易策略
目录策略逻辑增量代码回测结果结果分析上一篇用多因子策略回测后,止损效果不明显,这次用布林带突破. 策略逻辑当价格触及布林线上轨的时候进行卖出,当触及下轨的时候,进行买入. 增量代码 # c ...
这个布林带的均值回归交易策略，回测收益率把我给吓傻了
BOLL指标是美国股市分析家约翰·布林根据统计学中的标准差原理设计出来的一种非常简单实用的技术分析指标.一般而言,股价的运动总是围绕某一价值中枢(如均线.成本线等)在一定的范围内变动,布林线指标正是在 ...
【Python】均值回归策略回测（日内高频数据）
文章采用均值为SMA(close, time_period = 3日),利用(收盘价 - 三日均线)计算偏离程度. 如果大于阈值(首个收盘价的2%)则开仓买入(卖出) 如果收盘价穿过均线说明均值偏离情 ...
手把手教你用Python搭建自己的量化回测框架【均值回归策略】
1 引言大部分量化策略都可以归类为均值回归与动量策略.事实上,只有当股票价格是均值回归或趋势的,交易策略才能盈利.否则,价格是随机游走的,交易将无利可图.均值回归是金融学的一个重要概念,指股票价格无 ...
均值回归，逆市中的投资机会
用IT技术玩金融系列文章,将介绍如何使用IT技术,处理金融大数据.在互联网混迹多年,已经熟练掌握一些IT技术.单纯地在互联网做开发,总觉得使劲的方式不对.要想靠技术养活自己,就要把技术变现.通过&qu ...
趋势交易和均值回归交易——哪个更好?
目录市场的"趋势"和"回归"意味着什么? 如何交易趋势和均值回归的市场趋势交易和均值回归交易的结合? 趋势交易和均值回归交易是两种看似站在对立面的交易模式, ...
量化金融分析AQF（10）：均值回归 - Mean Reverting Strategy
目录 0.策略思想 1. 数据准备 & 回测准备 2. 策略开发思路 3. 计算策略年化收益并可视化 0.策略思想均值回归策略应用了股市投资中经典的高抛低吸思想,该类型策略一般在震荡市中表现 ...

快牛策略的均值回归进阶策略，股票价格抓反弹的时候666的很啊！代码均为Python

快牛策略的均值回归进阶策略，股票价格抓反弹的时候666的很啊！代码均为Python相关推荐

最新文章

热门文章