量化策略系列——【海龟法则】理解与实现（一）

海龟法则本质上是一种趋势性研究，主要依赖于唐奇安通道，利用唐奇安通道的突破点作为买卖信号指导交易。唐奇安通道主要是一个突破型趋势跟踪指标，可以提供两种不同的突破信号。

唐奇安通道指标计算：

唐奇安上阻力线 = 过去N天的当日最高价的最大值。

唐奇安下支撑线 = 过去N天的当日最低价的最小值。

中心线 = （上线 + 下线）/ 2

唐奇安通道所提供的两种突破信号分别为：上阻力线或下支撑线，突破信号是中心线交叉。中心线有几个用途。首先，它可以用作突破信号以进入新的位置。当价格越过中心线向上时，可以买入；当价格越过中心线向下时，可以卖出。激进的交易者从中心线进入，开始下单，而不是等待支撑/阻力线突破。

我们通常认为越好的越好，越差的越差，这在趋势比较明显的行情表现不错，但是在震荡的行情中效果不佳，当然这是所有趋势型策略的通病。举一个简单的例子来讲就是，当一只股票的收盘价持续10天在涨的时候或出于涨的状态我们就进行买入操作，当它的收盘价持续10天在跌的时候就进行卖出操作。（这里我感觉可以应用到换手率或者涨跌幅的问题上）

实现过程：我用的是python3.7，win10

import pandas as pd
import numpy as np
import talib as ta
from datetime import datetime,timedelta
import matplotlib.pyplot as plt
#正常显示画图时出现的中文和负号
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
#使用tushare获取交易数据
#设置token
import tushare as ts
from pyecharts import Kline,Grid,Bar,Line,EffectScatter,Overlap

这个轮子的问题折腾了半天，在这里罗列出来我出现的问题，防止出错

一、第三行的 import talib as ta这个需要安装的是TA-Lib库，直接用pip install 安装因为墙的原因不好安装，建议采用镜像

pip  install  -i  https://pypi.doubanio.com/simple/  --trusted-host pypi.doubanio.com  TA-Lib

二、tushare这个是我之前安装过的包一个很好的连接数据的包https://blog.csdn.net/holal/article/details/107243306具体安装使用可以参考这个帖子。

三、pyecharts也是我耗时最长的一个包，他直接安装的话pip以后是1.0的版本，但是目前网上能搜到的代码，貌似都是0.5的版本

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyecharts==0.5.10

可以利用上面这个来装就可以了。

token='输入你的token获取方式参考tushare那里'
pro=ts.pro_api(token)
index={'上证综指': '000001.SH','深证成指': '399001.SZ','沪深300': '000300.SH','创业板指': '399006.SZ','上证50': '000016.SH','中证500': '000905.SH','中小板指': '399005.SZ','上证180': '000010.SH'}
#获取当前交易的股票代码和名称
def get_code():df = pro.stock_basic(exchange='', list_status='L')codes=df.ts_code.valuesnames=df.name.valuesstock=dict(zip(names,codes))#合并指数和个股成一个字典stocks=dict(stock,**index)return stocks
#获取行情数据
def get_daily_data(stock,start,end):#如果代码在字典index里，则取的是指数数据code=get_code()[stock]if code in index.values():df=pro.index_daily(ts_code=code,start_date=start, end_date=end)#否则取的是个股数据else:df=pro.daily(ts_code=code, adj='qfq',start_date=start, end_date=end)#将交易日期设置为索引值df.index=pd.to_datetime(df.trade_date)df=df.sort_index()#计算收益率df['ret']=df.close/df.close.shift(1)-1return dfhs=get_daily_data('沪深300','20180101','')[['close','open','high','low','vol']]
#最近N1个交易日最高价
hs['up']=ta.MAX(hs.high,timeperiod=20).shift(1)
#最近N2个交易日最低价
hs['down']=ta.MIN(hs.low,timeperiod=10).shift(1)
#每日真实波动幅度
hs['ATR']=ta.ATR(hs.high,hs.low,hs.close,timeperiod=20)
print(hs.tail())

                close       open       high  ...         up       down        ATR
trade_date                                   ...
2020-07-17  4544.7007  4524.7717  4601.3733  ...  4878.0773  4348.4535  92.796266
2020-07-20  4680.3046  4597.2038  4681.9431  ...  4878.0773  4465.8081  95.542083
2020-07-21  4691.0425  4697.5026  4714.2925  ...  4878.0773  4485.8214  93.407404
2020-07-22  4714.4454  4682.6575  4790.4491  ...  4878.0773  4485.8214  94.492049
2020-07-23  4712.4357  4668.7401  4731.4004  ...  4878.0773  4485.8214  95.954541[5 rows x 8 columns]

'''
（1）当今天的收盘价，大于过去20个交易日中的最高价时，以收盘价买入；
（2）买入后，当收盘价小于过去10个交易日中的最低价时，以收盘价卖出。
'''def my_strategy(data):x1=data.close>data.upx2=data.close.shift(1)<data.up.shift(1)x=x1&x2y1=data.close<data.downy2=data.close.shift(1)>data.down.shift(1)y=y1&y2data.loc[x,'signal']='buy'data.loc[y,'signal']='sell'buy_date=(data[data.signal=='buy'].index).strftime('%Y%m%d')sell_date=(data[data.signal=='sell'].index).strftime('%Y%m%d')buy_close=data[data.signal=='buy'].close.round(2).tolist()sell_close=data[data.signal=='sell'].close.round(2).tolist()return (buy_date,buy_close,sell_date,sell_close)
#对K线图和唐奇安通道进行可视化
import pyecharts
# from pyecharts import *
from pyecharts import Kline,Grid,Bar,Line,EffectScatter,Overlap
grid = Grid()
attr=[str(t) for t in hs.index.strftime('%Y%m%d')]
v1=np.array(hs.loc[:,['open','close','low','high']])
v2=np.array(hs.up)
v3=np.array(hs.down)
kline = Kline("沪深300唐奇安通道",title_text_size=15)
kline.add("K线图", attr, v1.round(1),is_datazoom_show=True,)
# 成交量
bar = Bar()
bar.add("成交量", attr, hs['vol'],tooltip_tragger="axis", is_legend_show=False,is_yaxis_show=False, yaxis_max=5*max(hs["vol"]))
line = Line()
line.add("上轨线", attr, v2.round(1),is_datazoom_show=True,is_smooth=True,is_symbol_show=False,line_width=1.5)
line.add("下轨线", attr, v3.round(1),is_datazoom_show=True,is_smooth=True,is_symbol_show=False,line_width=1.5)
#添加买卖信号
bd,bc,sd,sc=my_strategy(hs)
es = EffectScatter("buy")
es.add( "sell", sd, sc, )
es.add("buy", bd, bc,symbol="triangle",)
overlap = Overlap(width=2000, height=600)
overlap.add(kline)
overlap.add(line)
overlap.add(bar,yaxis_index=1, is_add_yaxis=True)
overlap.add(es)
grid.add(overlap, grid_right="10%")
grid.render()

进行该操作后可生产一个采取海龟法则的html文件

grid = Grid()
attr=[str(t) for t in hs.index.strftime('%Y%m%d')]
v1=np.array(hs.loc[:,['open','close','low','high']])
v2=np.array(hs.up)
v3=np.array(hs.down)
kline = Kline("沪深300唐奇安通道",title_text_size=15)
kline.add("K线图", attr, v1.round(1),is_datazoom_show=True,)
# 成交量
bar = Bar()
bar.add("成交量", attr, hs['vol'],tooltip_tragger="axis", is_legend_show=False,is_yaxis_show=False, yaxis_max=5*max(hs["vol"]))
line = Line()
line.add("上轨线", attr, v2.round(1),is_datazoom_show=True,is_smooth=True,is_symbol_show=False,line_width=1.5)
line.add("下轨线", attr, v3.round(1),is_datazoom_show=True,is_smooth=True,is_symbol_show=False,line_width=1.5)
#添加买卖信号
bd,bc,sd,sc=my_strategy(hs)
es = EffectScatter("buy")
es.add( "sell", sd, sc, )
es.add("buy", bd, bc,symbol="triangle",)
overlap = Overlap(width=2000, height=600)
overlap.add(kline)
overlap.add(line)
overlap.add(bar,yaxis_index=1, is_add_yaxis=True)
overlap.add(es)
grid.add(overlap, grid_right="10%")
# grid.render()#关掉pandas的warnings
pd.options.mode.chained_assignment = None
def strategy(stock,start,end,N1=20,N2=10):df=get_daily_data(stock,start,end)#最近N1个交易日最高价df['H_N1']=ta.MAX(df.high,timeperiod=N1)#最近N2个交易日最低价df['L_N2']=ta.MIN(df.low,timeperiod=N2)#当日收盘价>昨天最近N1个交易日最高点时发出信号设置为1buy_index=df[df.close>df['H_N1'].shift(1)].indexdf.loc[buy_index,'收盘信号']=1#将当日收盘价<昨天最近N2个交易日的最低点时收盘信号设置为0sell_index=df[df.close<df['L_N2'].shift(1)].indexdf.loc[sell_index,'收盘信号']=0df['当天仓位']=df['收盘信号'].shift(1)df['当天仓位'].fillna(method='ffill',inplace=True)d=df[df['当天仓位']==1].index[0]-timedelta(days=1)df1=df.loc[d:].copy()df1['ret'][0]=0df1['当天仓位'][0]=0#当仓位为1时，买入持仓，当仓位为0时，空仓，计算资金净值df1['策略净值']=(df1.ret.values*df1['当天仓位'].values+1.0).cumprod()df1['指数净值']=(df1.ret.values+1.0).cumprod()df1['策略收益率']=df1['策略净值']/df1['策略净值'].shift(1)-1df1['指数收益率']=df1.rettotal_ret=df1[['策略净值','指数净值']].iloc[-1]-1annual_ret=pow(1+total_ret,250/len(df1))-1dd=(df1[['策略净值','指数净值']].cummax()-df1[['策略净值','指数净值']])/df1[['策略净值','指数净值']].cummax()d=dd.max()beta=df1[['策略收益率','指数收益率']].cov().iat[0,1]/df1['指数收益率'].var()alpha=(annual_ret['策略净值']-annual_ret['指数净值']*beta)exReturn=df1['策略收益率']-0.03/250sharper_atio=np.sqrt(len(exReturn))*exReturn.mean()/exReturn.std()TA1=round(total_ret['策略净值']*100,2)TA2=round(total_ret['指数净值']*100,2)AR1=round(annual_ret['策略净值']*100,2)AR2=round(annual_ret['指数净值']*100,2)MD1=round(d['策略净值']*100,2)MD2=round(d['指数净值']*100,2)S=round(sharper_atio,2)df1[['策略净值','指数净值']].plot(figsize=(15,7))plt.title('海龟交易策略简单回测',size=15)bbox = dict(boxstyle="round", fc="w", ec="0.5", alpha=0.9)plt.text(df1.index[int(len(df1)/5)], df1['指数净值'].max()/1.5, f'累计收益率：\
策略{TA1}%，指数{TA2}%;\n年化收益率：策略{AR1}%，指数{AR2}%；\n最大回撤：  策略{MD1}%，指数{MD2}%;\n\
策略alpha: {round(alpha,2)}，策略beta：{round(beta,2)}; \n夏普比率：  {S}',size=13,bbox=bbox)plt.xlabel('')ax=plt.gca()ax.spines['right'].set_color('none')ax.spines['top'].set_color('none')plt.show()#return df1.loc[:,['close','ret','H_N1','L_N2','当天仓位','策略净值','指数净值']]strategy('上证综指','20050101','')

量化策略系列——【海龟法则】理解与实现（一）相关推荐

【量化策略系列】股票均值回归策略之一——配对交易策略（Pairs Trading）
本文持续更新中.最后更新时间:11/11/2019 文章目录 1. 往期文章回顾 2. 均值回归策略简介 3. 配对交易策略简介 4. 配对交易策略构建流程 5. 代码实现与回测结果 Python 代 ...
【量化策略系列基本篇之一】股票动量策略（汇总篇）
本文持续更新中.最后更新时间:11/3/2019 更新日志(11/3/2019): (1)优化部分表述和排版,修改错误 (2)添加移动平均动量部分内容 (3)修改部分2.1中部分代码错误 (4)增加免 ...
python alpha策略_量化策略系列教程：04阿尔法策略
Alpha.Alpha,天天就知道Alpha,今天就给你们上阿尔法喽~ 此处,添加一个掘金的论坛证经社量化社区 - 证经社地址,貌似更新的还蛮快的~ 1. 策略原理: 阿尔法策略:投资者在市场交易中面 ...
天勤python_天勤量化策略库：海龟交易法则（难度：中级）
什么是海龟交易法则海龟交易法是著名的公开交易系统,其法则覆盖了交易的各个方面,并且不给交易员留下一点主观想象决策的余地.它是一套非常完整的趋势跟随型的自动化交易策略,具备一个完整的交易系统的所有成分 ...
【手把手教你】用backtrader量化回测海龟交易策略
01 引言海龟交易策略是比较经典的趋势交易系统之一,涵盖了从入场交易(品种选择).仓位管理(基于ATR加减仓).离场(触发条件)的整个过程.机械套用海龟交易法则在A股上进行交易可能效果不佳,但其交易 ...
【新一配】量化大师系列之价值投资选股策略
[新一配]量化大师系列之价值投资选股策略国外证券市场比较悠久,曾出现过本杰明·格雷厄姆.彼得·林奇.詹姆斯·奥肖内西.查尔斯·布兰德斯等多位投资大师,这些投资大师有一个共同点,他们在证券市场上保持了 ...
【数量技术宅|量化投资策略系列分享】基于指数移动平均的股指期货交易策略
数量技术宅团队在CSDN学院推出了量化投资系列课程欢迎有兴趣系统学习量化投资的同学,点击下方链接报名: 量化投资速成营(入门课程) Python股票量化投资 Python期货量化投资 Python数 ...
【数量技术宅|量化投资策略系列分享】股指期货IF分钟波动率统计策略
数量技术宅团队在CSDN学院推出了量化投资系列课程欢迎有兴趣系统学习量化投资的同学,点击下方链接报名: 量化投资速成营(入门课程) Python股票量化投资 Python期货量化投资 Python数 ...
【基金量化研究系列】大类资产配置研究（二）——股债二八轮动策略
文章目录 1. 引言 2. 股债二八轮动策略 3. 动态再平衡股债二八轮动策略 4. 基于python的策略实现 4.1 策略代码 4.2. 运行结果实证分析 5. 总结写在最后 1. 引言在上一 ...

量化策略系列——【海龟法则】理解与实现（一）

量化策略系列——【海龟法则】理解与实现（一）相关推荐

最新文章

热门文章