使用 Python 搭建量化交易策略指南

这里有微软过去 9 年的 EOD 股票定价数据，我们所要做的就是从 Quandl 包中调用 get 方法，并提供股票代码 MSFT 和所需数据的时间范围。

股票定价数据的探索性数据分析

掌握了数据之后，我们要做的第一件事就是了解数据代表什么以及封装什么样的信息。打印 DataFrame 的信息，我们可以看到其中包含的所有内容。

如上面的屏幕快照所示，DataFrame 包含 DatetimeIndex，这意味着我们正在处理时间序列数据。索引可以被视为帮助我们修改或引用数据的数据结构。时间序列数据是在连续的、等间隔的时间间隔拍摄的价格快照的序列。在交易中，EOD 股票价格数据捕获指定时间段内有关股票的某些参数（例如股票价格）的运动，并定期记录数据点。

重要术语

查看其他列，让我们尝试了解每个列所代表的含义：

• 开盘/收盘：捕获股票的开盘价/收盘价
• Adj_Open / Adj_Close：调整后的开盘/收盘价是指股票在任何给定交易日的价格，该价格已被修改为包括在第二天开盘前任何时间发生的任何股息分配、股票拆分和其他公司行为。
• 交易量：它记录在任何给定交易日交易的股票数量。
• 高/低：跟踪特定交易日中股票的最高和最低价格。

这些是我们此时将重点关注的重要列。我们可以了解数据的摘要统计信息，该统计信息显示了行数、均值、最大值、标准差等。尝试在 Ipython 单元格中运行以下代码行：

msft_data.describe()

Resample 方法

Pandas 的 resample() 方法用于简化时间序列数据的频率转换的控制和灵活性。我们可以指定时间间隔以将数据重新采样到每月、每季度或每年，并对其执行所需的操作。

msft_data.resample('M').mean()

这是一种分析不同时间范围内股票表现的有趣方式。

如何计算收益

财务收益仅仅是投资产生或损失的钱。投资回报可以名义上表示为投资金额随时间的变化。可以将其计算为从利润与投资之比得出的百分比。为此，我们可以使用 pct_change()。这是计算收益的方法：

# 导入 numpy 包
import numpy as np

# 将 'Adj Close' 分配给 'daily_close'
daily_close = msft_data[['Adj_Close']]

# 作为分数变化返回
daily_return = daily_close.pct_change()

# 将 NA 值替换为 0
daily_return.fillna(0, inplace=True)
print(daily_return)

这将打印股票每天产生的收益。将数字乘以 100 即可得出百分比变化。pct_change() 中使用的公式为：返回值 = {(t 的价格) - (t-1 的价格)} / {t-1 的价格}。

现在，要计算月度回报，您需要做的是：

mdata = msft_data.resample('M').apply(lambda x: x[-1])
month_return = mdata.pct_change()

将数据重新采样到几个月（一个工作日）后，我们可以使用 apply() 函数获得当月的最后交易日。apply() 接受一个函数并将其应用于 Pandas 系列的每一行。lambda 函数是 Python 中的匿名函数，可以不使用名称进行定义，并且仅采用以下格式的表达式：Lambda：表达式。例如，lambda x: x * 2 是 lambda 函数。在此，x 是自变量，x * 2 是要求值并返回的表达式。

交易中的移动平均线

移动平均线的概念将为基于动量的交易策略奠定基础。在金融领域，分析师通常不得不在滑动的时间范围内不断评估统计指标，这被称为移动窗口计算。让我们看看如何计算 50 天的滚动平均值，然后将其滑动 1 天。

Rolling 方法

Rolling() 是神奇的功能，可以为我们提供窍门：

# 将调整后的收盘价分配给 adj_prices
adj_price = msft_data['Adj_Close']

# 计算移动平均线
mav = adj_price.rolling(window=50).mean()

# 打印结果
print(mav[-10:])

我们将在 50 天（约 2 个月）的时间范围内看到滚动平均值，移动平均值有助于消除数据中的任何波动或尖峰，并为策略的业绩提供更平滑的曲线。

我们可以绘图并看到差异：

# 导入 matplotlib 包以查看图
import matplotlib.pyplot as plt

adj_price.plot()

现在我们可以绘制滚动的 mean()：

mav.plot()

读者可以自己了解差异，如何调取数据中的峰值以大致了解股票的表现。

制定交易策略

这是最后也是最有趣的部分：设计和制定交易策略。这将是开发基于动量的简单移动平均交叉（SMAC）策略的分步指南。基于动量的策略基于利用市场趋势持续性的技术指标。我们购买呈现上升趋势的证券，并卖出呈现下降趋势的卖空证券。

SMAC 策略是众所周知的示意动量策略。这是一个长期策略。动量是股票的总回报，包括过去 n 个月的股息。这 n 个月的时间称为回溯期。回溯期主要有 3 种类型：短期、中期和长期。我们需要定义特定时间序列的 2 个不同的回溯期。当较短的回溯滚动平均值（或移动平均值）超过较长的回溯移动平均值时，会生成购买信号。当较短的回溯移动平均线跌落至较长的移动平均线以下时，就会出现卖出信号。

现在，让我们看看该策略的代码如何：

# step1：初始化短期和长期回溯期
short_lb = 50
long_lb = 120

# step2：使用 signal 列初始化一个名为 signal_df 的新数据框
signal_df = pd.DataFrame(index=msft_data.index)
signal_df['signal'] = 0.0

# step3：在较短的回溯期内创建一个简短的简单移动平均线
signal_df['short_mav'] = msft_data['Adj_Close'].rolling(window=short_lb, min_periods=1, center=False).mean()

# step4：在较长的回溯期内创建较长的简单移动平均线
signal_df['long_mav'] = msft_data['Adj_Close'].rolling(window=long_lb, min_periods=1, center=False).mean()

# step5：根据条件语句生成信号
signal_df['signal'][short_lb:] = np.where(signal_df['short_mav'][short_lb:] > signal_df['long_mav'][short_lb:], 1.0, 0.0)

# step6：根据 positions 栏创建交易订单
signal_df['positions'] = signal_df['signal'].diff()

让我们看看这里发生了什么。我们创建了 2 个回溯期。短期回溯期 short_lb 为 50 天，而长期移动平均线的较长回溯期定义为 120 天的 long_lb。我们创建了一个新的 DataFrame，用于捕获信号。只要使用 np.where 短移动平均线与长移动平均线交叉，就会生成这些信号。如果条件为假，它将为 true 分配 1.0 和 0.0。DataFrame 中的头寸列会告诉我们是否存在买入信号或卖出信号，或保持原样。我们基本上是使用 diff 计算与前一行的信号栏中的差异。在那里，我们使用 Pandas 仅用 6 个步骤即可实施我们的策略。

现在，让我们尝试使用 Matplotlib 形象化它。我们需要做的是初始化一个绘图，将调整后的收盘价、空头和多头移动平均线添加到绘图中，然后使用上方 signal_df 中的 positions 列绘制买入和卖出信号：

# 使用 plt 初始化图
fig = plt.figure()

# 为 y 轴添加子图和标签
plt1 = fig.add_subplot(111, ylabel='价格为$')
msft_data['Adj_Close'].plot(ax=plt1, color='r', lw=2.)

# 绘制短期和长期回溯移动平均线
signal_df[['short_mav', 'long_mav']].plot(ax=plt1, lw=2., figsize=(12,8))

# 绘制卖出信号
plt1.plot(signal_df.loc[signal_df.positions == -1.0].index, signal_df.short_mav[signal_df.positions == -1.0], 'v', markersize=10, color='k')

# 绘制购买信号
plt1.plot(signal_df.loc[signal_df.positions == 1.0].index, signal_df.short_mav[signal_df.positions == 1.0], '^', markersize=10, color='m')

# 显示 plot
plt.show()

在 Jupyter 笔记本中运行上面的单元格将产生类似下面的图。现在，我们可以清楚地看到，每当蓝线（短期均线）上升并超过橙线（长期均线）时，都有一个粉红色的向上标记指示买入信号。卖出信号由一个黑色的向下标记表示，其中 short_mav 下降到 long_mav 以下。

可视化全地形战略的绩效

Quantopian 是 Zipline 支持的平台，具有多种用例。您可以编写自己的算法，访问免费数据，对策略进行回测，为社区做出贡献，并在需要资金时与 Quantopian 合作。我们编写了一种算法来对 SMA 策略进行回测，结果如下：

以下是上述指标的说明：

1. 总回报 (Total Return)：从回测的开始到结束，投资组合的总回报百分比。
2. 特定收益 (Specific Return)：投资组合的总收益和普通收益之差。
3. 共同收益 (Common Return)：归因于共同风险因素的收益。这些回报构成了 11 个行业和 5 种风格风险因素。风险部分中的行业暴露和风格暴露图表提供了有关这些因素的更多详细信息。
4. 夏普 (Sharpe)：6 个月滚动夏普比率。它是风险调整投资的一种度量。通过将投资组合的超出无风险利率的超额收益除以投资组合的标准偏差来计算。
5. 最大跌幅：投资组合历史上所有峰谷波动的最大跌幅。
6. 波动率：投资组合收益的标准差