金融量化-股债平衡交易策略—面向对象实现 仓位控制
股债平衡交易策略
股债平衡策略最早源于格雷厄姆《聪明的投资者》一书，在这本书里，格雷厄姆提出了著名的股债50%:50%平衡策略，即将总资产的分为两半各50%，一半买股票，一半买债券。
当股票价格上涨导致股票资产的仓位超过目标仓位(即50%)时，卖掉多余股票部分并买入债券，反之，当股票价格下跌导致股票资产的仓位低于目标仓位(即50%)时，卖掉部分债券并买入股票。总之就是通过动态调仓使股债维持50%:50%的目标配比。
当然，股和债的配比不一定要局限于50%:50%，也可以20%:80%或者80%:20%，具体要看投资者的风险偏好，风险偏好低的投资者可以股票少一点，债券多一点，而风险偏好高的投资者可以股票多一点，债券少一点。
股债平衡策略的思想虽然简单，却历久弥新，时至今日仍然有效。市面上有不少基于股债平衡策略的产品业绩表现良好。股债平衡策略的好处是显而易见的，比如：
(1)利用相关性不高(甚至负相关)的股票和债券来构建大类资产投资组合，可在一定程度上减弱总资产的波动，降低资产回撤比例，从而降低投资风险，这样可以提高策略的收益风险比。
(2)股债平衡策略的动态再平衡，是通过“在股票上涨时卖出部分股票，在股票下跌时买入部分股票”这样的方式来实现的，在某种意义上也是实现了高抛低吸。从长期看，这种高抛低吸的操作不一定能提升收益，但一定能降低风险。
(3)因为策略的资产回撤比例较小，所以投资者在投资过程中心理压力较小，更容易坚持，另外通过高抛低吸也能增进投资的愉悦感。基础版的股债平衡策略效果虽然已经不错了，但仍然还有改进的空间，我在这方面做了一些思考和工作，准备和大家分享。(注:我们在这里讨论的股票，均为股票指数基金，不考虑个股，债券资产也一样，不考虑个券，只考虑债券基金。)
股债平衡策略的改进方向有：
(1)考虑股票的估值：估值低时股票仓位高一点，估值高时股票仓位低一点
(2)考虑股票波动率：波动率低时股票仓位高一点，波动率高时股票仓位低一点，以保持股票资产的风险暴露水平不变。
(3)考虑股票市场的趋势强弱：市场趋势强时，股票仓位高一点，反之股票仓位低一点
(4)股票资产内部轮动：在前述策略中，组合中的股票资产都是固定持有一只或多只股票指数，我们可以引入轮动策略，让股票资产动态持有时下最强的指数
(5)引入除股债之外的更多大类资产：如黄金、商品、美股等。、参考链接：https://www.zhihu.com/question/346249881/answer/825258973
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
import seaborn
%matplotlib inline# 定义 account 类，作用是根据每日两种资产的回报率计算账户净值，并记录净值和调仓记录
class Account():"""Account 类定义，模拟账户的各种行为"""def __init__(self, stock=0.5, bond=0.5, rebalance_ratio=0.55):"""类初始化函数，记录初始账户股票和债券的比例以及账户净值初始账户净值为1:param stock: 股票比例:param bond: 债券比例"""self.stock_ratio = stock # 股票资产比例self.bond_ratio = bond # 债券资产比例self.balance_ratio = {'stock': stock, 'bond':bond} # 调仓后的目标比例，此处与初始值相同self.rebalance_threshold = rebalance_ratio # 调仓阈值self.net_value = 1 # 初始账户净值self.rebalance_record = {} # 记录策略调仓记录，检查用途；self.balance = {} # 记录账户策略表现净值def rebalance(self):"""账户再平衡，将股票和债券比例调整回目标比例：return:"""self.stock_ratio = self.balance_ratio['stock']self.bond_ratio = self.balance_ratio['bond']def update_ratio(self, daily_series):"""根据每日收益率数据更新股票和债券持仓比例和策略净值；:param daily_series: 每日两种资产的收益率，pandas series:return:"""# 股票资产的净值stock_net = self.stock_ratio * self.net_value * (1 + daily_series['stock'])# 债券资产的净值bond_net = self.bond_ratio * self.net_value * (1 + daily_series['bond'])# 更新账户总体净值,股票比例，债券比例self.net_value = stock_net + bond_netself.stock_ratio = stock_net / self.net_value #更新股票仓位比例；self.bond_ratio = bond_net / self.net_value #更新债券仓位比例；# 记录收益进来之后的更新后的账户净值self.balance[daily_series.name] = self.net_value # daily_series.name 为日期def check_rebalance(self):"""检查账户是否需要再平衡:return: 任何一种资产超过 rebalance_ratio 返回 True"""return (self.stock_ratio >= self.rebalance_threshold) \or (self.bond_ratio >= self.rebalance_threshold)def data_in(self, daily_series):"""是我们策略的主逻辑；处理每天进来的新数据；根据当日涨跌幅数据计算账户变动此方法设计作为参数传递给pandas.apply()函数:param daily_series: series，单日股票和债券资产收益率，index为['stock','bond']:return: 返回与 daily_series 结构相同的 series，分别是stock 和 bond 比例更新以后的结果"""# 更新股债资产持仓比例和账户净值，记录账户净值self.update_ratio(daily_series)# 检查是否 rebalanceif self.check_rebalance():# 记录调仓日期和调仓前的股票债券比例self.rebalance_record[daily_series.name] = \{'stock': self.stock_ratio, 'bond': self.bond_ratio}# 调仓到目标比例self.rebalance()else:passreturn pd.Series({'stock': self.stock_ratio, 'bond': self.bond_ratio},name=daily_series.name)
# 读取资产收益率，分别用 159922 嘉实中证500ETF 和 511010 国泰上证5年期ETF
change = pd.read_csv('data/fund_change.csv', index_col=0).dropna()
change.columns = ['stock', 'bond']
change.head()
| stock | bond | |
|---|---|---|
| 2013-03-26 | -0.003966 | 0.002424 |
| 2013-03-27 | 0.001138 | -0.000241 |
| 2013-03-28 | -0.028125 | 0.001064 |
| 2013-03-29 | 0.000585 | 0.001023 |
| 2013-04-01 | 0.008472 | 0.001121 |
change.tail()
| stock | bond | |
|---|---|---|
| 2017-07-26 | -0.002390 | 0.000036 |
| 2017-07-27 | 0.007827 | 0.000255 |
| 2017-07-28 | 0.005706 | 0.000036 |
| 2017-07-31 | 0.011820 | 0.000036 |
| 2017-08-01 | -0.001558 | 0.000766 |
# 获取测试起止时间
test_range = [change.index[0], change.index[-1]]
test_range
['2013-03-26', '2017-08-01']
# 创建 Account 对象，使用默认的股债 50% vs 50% 比例，调仓门槛 55%
account = Account()
# 对收益率数据调用 account.data_in() 方法，每日资产比例变化结果存入 portfolio_ratio 变量
portfolio_ratio = change.apply(account.data_in, axis=1)
portfolio_ratio.head()
| bond | stock | |
|---|---|---|
| 2013-03-26 | 0.503198 | 0.496802 |
| 2013-03-27 | 0.502853 | 0.497147 |
| 2013-03-28 | 0.510250 | 0.489750 |
| 2013-03-29 | 0.510359 | 0.489641 |
| 2013-04-01 | 0.508531 | 0.491469 |
# 从 account 中读取调仓记录，可以看到至少有一个是超过55%的比例的；
rebalance_record = pd.DataFrame(account.rebalance_record).T
rebalance_record
| bond | stock | |
|---|---|---|
| 2014-08-11 | 0.449936 | 0.550064 |
| 2014-12-15 | 0.449297 | 0.550703 |
| 2015-03-23 | 0.449570 | 0.550430 |
| 2015-05-13 | 0.448173 | 0.551827 |
| 2015-06-02 | 0.444598 | 0.555402 |
| 2015-06-26 | 0.552955 | 0.447045 |
| 2015-07-03 | 0.551217 | 0.448783 |
| 2015-07-08 | 0.551194 | 0.448806 |
| 2015-07-13 | 0.427568 | 0.572432 |
| 2015-08-25 | 0.566632 | 0.433368 |
| 2015-11-11 | 0.448945 | 0.551055 |
| 2016-01-12 | 0.553977 | 0.446023 |
portfolio_ratio.loc['2014-12-15']
bond 0.5
stock 0.5
Name: 2014-12-15, dtype: float64
# 从 account 中读取账户净值
net_value = pd.Series(account.balance, name='strategy')
net_value.head()
2013-03-26 0.998469
2013-03-27 0.998912
2013-03-28 0.985480
2013-03-29 0.986276
2013-04-01 0.990932
Name: strategy, dtype: float64
## 计算benchmark收益率
# 从 tushare 获取沪深300收盘数据
hs300 = ts.get_k_data('hs300',start ='2013-01-01', end = '2017-08-01').set_index('date')['close']
# 计算日涨跌幅
hs300 = (hs300 - hs300.shift(1))/hs300.shift(1)
# 修改 series.name ，pd.concat时可以直接转为列名称
hs300.name = 'hs300'
# 截取测试对应时间段数据
hs300 = hs300[(hs300.index >= test_range[0]) & (hs300.index <= test_range[1])]
# 计算累计收益
hs300 = (hs300 + 1).cumprod()
hs300.head()
date
2013-03-26 0.985439
2013-03-27 0.988684
2013-03-28 0.956450
2013-03-29 0.954835
2013-04-01 0.954112
Name: hs300, dtype: float64
# 形成净值曲线
returns= pd.concat([net_value, hs300], axis=1)
returns.plot(figsize=(13,9))
plt.show()
金融量化-股债平衡交易策略—面向对象实现 仓位控制相关推荐
- 【基金量化研究系列】大类资产配置研究（一）——股债二八配置策略与股债风险平价策略
文章目录 1. 引言 1.1 资产配置简介 1.2 可投标的说明 1.3 市场基本情况与数据库使用的说明 1.4 本文策略基本假设 2. 资产配置策略一--股债二八策略 2.1 策略简介 2.2 基于 ...
- 股债轮动策略之行业版
股债轮动策略之行业版 雪球上的 宜昌白云飞 的原创专栏里有一个系列文章, 现将其摘录如下: 年化20%七年无亏损的简单策略--股债轮动行业版(一) https://xueqiu.com/1884493 ...
- （10）大类资产配置一升级版股债平衡
稳定获得高收益的秘密 正确答案是B 负相关性资产的组合更能获得稳定的收益. 稳定获得高收益的秘密 市场上的资金量是一定的,股票市场和债券市场通常是此消彼长的状态. 如何才能实现不同比例的资产配置? 5 ...
- 股市学习稳扎稳打（九）交易的核心之仓位控制
文章目录 股市学习稳扎稳打(九)交易的核心之仓位控制 相关阅读 1.关于个股仓位 2.关于持股数量 3.关于做 T 4.关于补仓 股市学习稳扎稳打(九)交易的核心之仓位控制 @ 如果觉得本文对你有帮助 ...
- 【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 ...
- 量化进阶—— 高胜算交易策略（布林线）
阅读原文:京东量化平台-为投资者提供数据支持.策略开发到策略输出的量化生态服务 京东金融官方资讯QQ群:417082141 有什么想咨询的都可以来询问我们哦 金融投机家保持100笔交易成功率达85%以 ...
- 【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 ...
- python量化策略——混合择时策略（动量效应+pe_ttm、pb估值+美林时钟）——股债轮动
将下面三个策略结合判断, 动量策略 估值策略 改进美林时钟 三个策略都判断股票上涨(做多股票,则股:债=0.5:0.5 三个中有两个策略判断做多股票信号 ,则股:债=0.4:0.6 三个中有一个策略判 ...
- 利用Python进行股票交易分析（三）：A股量化交易策略的验证及数据分析。
鉴于近期空闲时间比较少,本篇文章采用不定时更新的方式来写,如大家有更好的思路也可以评论区一起讨论.... 目前进度: 2021-07-13 梳理.修改思路 2021-07-14 步骤1代码完成 背景 ...
最新文章
- java判斷素數,算法改進 | java語言中判斷素數
- C_Free引用链接库
- java list 循环赋值_Java List集合的坑（add方法报空指针，循环赋值时list已保存的值会改变）...
- 例子---PHP与Form表单之三
- ORACLE 日期加减操作
- Oracle ------ SQLDeveloper中SQL语句格式化快捷键
- GIT提交（COMMIT）代码时，不显示新建的文件
- 深入理解viewport及相关属性的关系
- 2021-2-2有道翻译在线翻译爬虫
- python3编码解码
- 软件著作权可以更改名字吗？软著如何更改名字？
- 温控驱动（五）dts参数解析、节点作用
- 中关村e谷为产业搭台：中关村论坛（空天专场）黑科技亮相现场
- 做为一名程序员应该有的的好习惯
- PageAdmin Cms V2.0 getshell 0day
- iOS11缩小界面导航栏与标签栏异常的问题
- 电脑xp传照片显示服务器错误,xp系统显示“服务器错误500”的两种解决方法
- 大数据助力创建数字化智慧城市解决方案
- 今日说“法”：FPGA的三种配置方式
- 报错：Expected comma jsonc(514)