量化投资Word格式文档下载.docx
《量化投资Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《量化投资Word格式文档下载.docx（11页珍藏版）》请在冰豆网上搜索。
特点是买入网格小于卖出网格。
这种不对称编织网格的道理在于网格的目的是网获利润，将利润建立在趋势的必然性中，而不仅仅是靠震荡的偶然性。
先讲特点和局限吧
首先，定理&
公理：
没有万能的策略。
∙1.趋势决定策略的成败。
在长期的上涨趋势中策略才能获得满意回报。
∙2.选股集中在波动大、成长性好的中小市值股票。
不断盘整的周期股、大盘股和业绩不佳的垃圾股踩中就麻烦了。
∙3.底仓价格设定在安全边际内。
在估值顶部设立底仓价格风险极大，会造成很大的损失。
∙4.牛市表现不佳。
分散的仓位策略，没有依据价格形态来修改网格，都可能在牛市中跑输大盘。
降低贝塔的代价就是阿尔法也较低。
∙5.买卖规则不灵活，可能使一些重要的突破支持或阻力位置的买卖点被忽略在网格之外。
来看看策略步骤
1.选股
∙重点行业：
I64互联网和相关服务，I65软件和信息技术服务业
∙低估值PE小：
PE<
50
∙小市值：
分行业按市值排列选市值小的30只
∙高波动：
分行业在市值最小的30只中选出过去一年波动率最大的5只股票
∙So，我们的股票池有10只股。
每3个月按上述条件更新一次股票池，更新时不在新股票池的股票全部清仓。
2.网格：
[-3%买，5%卖]、[-5%买，10%卖]、[-8%买，15%卖]、[-12%买，20%卖]
∙四种大小的网格都会相应尝试一下看看效果。
3.资金安排：
在仓位控制时，满仓的概念是（总资金/股票池总数*2.5）
∙后面的乘数是为了提高资金利用率，因为3个月的周期内可能不是每只股票都能达到满仓。
好啦，收韭菜的时候到了
回测做了很多组，大致是分市场行情（牛、震荡和熊）各做了一次。
然后在震荡期调整网格大小分别做了4次。
结论
∙1.记住啦：
熊市大网格、震荡小网格、长周期中间网格。
这个比较好理解，网格小意味着操作频繁，震荡周期就是勤能补拙了，多多的交易，熊市的话大网格容忍度高一些。
∙2.【熊市】：
选取2015-6-1至2016-1-26日，大网格-12%买，20%卖。
最好的结果是半年多盈利20%（大盘同期大跌35%），年化40%+
∙【长周期】：
选取2010-1-1至2015-12-31日，中网格-8%买，15%卖。
最好的结果是6年241%（大盘同期4%），年化23%。
∙【震荡期】：
选取2012-1-1至2013-12-31日，小网格-3%买，5%卖。
最好的结果2年68%（大盘同期-0.5%），年化29.6%。
∙3.下面上一个熊市大网格的回测结果，剩下的大家可以自己克隆代码改参数试咯~
补充
1.小市值选股对策略的影响。
这是个讲交易方法的策略，那么高收益是否因为按小市值筛选股票得来的呢？
仔细看代码会发现，这个策略选股的要点是波动率，而非小市值。
下面加一下去掉小市值条件的长周期回测效果（加小市值：
240%，不加小市值232%，并没太大的影响）
2.行业选取对策略的影响
高成长性行业的股票本来就收益可观，那我们看看控制单一变量，去掉网格交易方法，长期持有股票池的股票效果如何。
注意：
这里每3个月股票池轮换还是在做的，大盘止损的条件也不变。
（长期持有：
157%，运用网格交易：
240%，采用网格交易收益更高，回撤也小一些）
最后：
这不是教科书，这不是教科书，这不是教科书。
精要的是思想，细节的东西大家到搬砖贴里自行学习，有问题欢迎交流讨论，欢迎拍砖~
importnumpy
importpandasaspd
frompandasimportSeries
definitialize（context）:
g.count=30
g.cash=1000000
g.buy_stock=[]
g.initial_price={}
g.month=context.current_dt.month
run_monthly（select_stock_by_industry,1,'
open'
）
#选股
#重点行业，低估值PE小，优质蓝筹市值大，高波动
defselect_stock_by_industry（context）:
#每3个月更新
month=context.current_dt.month
ifmonth%3!
=g.month%3:
return
industry_list=[
#'
C27'
'
C39'
I63'
'
I64'
I65'
K70'
M73'
M74'
#,'
N77'
R86'
R87'
]
stocks=[]
forindustry_codeinindustry_list:
stock_set=get_industry_stocks（industry_code）
#选fundamental比较好的前15只,pe_ration<
30，market_cap，按market_cap取后20只股票。
q=query（
valuation.code,valuation.market_cap,valuation.pe_ratio
）.filter（
valuation.code.in_（stock_set）,
valuation.pe_ratio<
50
）.order_by（
valuation.market_cap.desc（）
）.limit（
g.count
）
df=get_fundamentals（q）
stock_set=list（df['
code'
]）
#取波动率最高的2只
variance_list=[]
forstockinstock_set:
variance_list.append（variance（stock））
s1=Series（variance_list,index=stock_set）.rank（）
stocks=list（s1[s1<
6].index）
forstockinstocks:
g.buy_stock.append（stock）
g.initial_price[stock]=0
set_universe（g.buy_stock）
reset_position（context）
returnNone
#轮换选股后清除新股票池外的持仓
reset_position（context）:
ifcontext.portfolio.positions.keys（）!
=[]:
forstockincontext.portfolio.positions.keys（）:
ifstocknoting.buy_stock:
order_target_value（stock,0）
#计算波动率
defvariance（security_code）:
hist1=attribute_history（security_code,180,'
1d'
'
close'
df=False）
narray=numpy.array（hist1['
sum1=narray.sum（）
narray2=narray*narray
sum2=narray2.sum（）
N=len（hist1['
mean=sum1/N
var=sum2/N-mean**2
returnvar
#计算股票前n日收益率
defsecurity_return（days,security_code）:
hist1=attribute_history（security_code,days+1,'
security_returns=（hist1['
][-1]-hist1['
][0]）/hist1['
][0]
returnsecurity_returns
#止损，根据前n日收益率
defconduct_nday_stoploss（context,security_code,days,bench）:
ifsecurity_return（days,security_code）<
=bench:
forstocking.buy_stock:
order_target_value（stock,0）
log.info（"
Sell%sforstoploss"
%stock）
returnTrue
else:
returnFalse
#计算股票累计收益率（从建仓至今）
defsecurity_accumulate_return（context,data,stock）:
current_price=data[stock].price
cost=context.portfolio.positions[stock].avg_cost
ifcost!
=0:
return（current_price-cost）/cost
#个股止损，根据累计收益
defconduct_accumulate_stoploss（context,data,stock,bench）:
ifsecurity_accumulate_return（context,data,stock）!
=None\
andsecurity_accumulate_return（context,data,stock）<
bench:
returnTrue
#选股：
连续N日下跌
defis_fall_nday（days,stock）:
his=history（days+1,'
[stock],df=False）
cnt=0
foriinrange（days）:
daily_returns=（his[stock][i+1]-his[stock][i]）/his[stock][i]
ifdaily_returns<
0:
cnt+=1
ifcnt==5:
returnTrue
#比较现价与N日均价
defcompare_current_nmoveavg（data,stock,days,multi）:
moveavg=data[stock].mavg（days）
ifcurrent_price>
multi*moveavg:
returnFalse
#初始底仓选择，判断没有initial_price，则建立基准价
definitial_price（context,data,stock）:
ifg.initial_price[stock]==0:
g.initial_price[stock]=data[stock].price
#补仓、空仓：
分n买入/卖出
defsetup_position（context,data,stock,bench,status）:
bottom_price=g.initial_price[stock]
ifbottom_price==0:
return
cash=context.portfolio.cash
amount=context.portfolio.positions[stock].amount
current_value=current_price*amount
unit_value=g.cash/40
returns=（current_price-bottom_price）/bottom_price
#卖出
if（status=='
short'
）:
ifreturns>
benchandcurrent_value>
6*unit_value:
order_target_value（stock,6*unit_value）
2*benchandcurrent_value>
3*unit_value:
order_target_value（stock,3*unit_value）
3*benchandcurrent_value>
1*unit_value:
order_target_value（stock,1*unit_value）
4*benchandcurrent_value>
#买入
long'
）andcash>
ifreturns<
benchandcurrent_value<
4*unit_value:
order_target_value（stock,4*unit_value）
2*benchandcurrent_value<
7*unit_value:
order_target_value（stock,7*unit_value）
3*benchandcurrent_value<
9*unit_value:
order_target_value（stock,9*unit_value）
4*benchandcurrent_value<
10*unit_value:
order_target_value（stock,10*unit_value）
returnTrue
#每个单位时间（如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次）调用一次
defhandle_data（context,data）:
#指数止损，前一天跌幅大于3%
ifconduct_nday_stoploss（context,'
000001.XSHG'
2,-0.03）:
ifconduct_accumulate_stoploss（context,data,stock,-0.2）:
#1.连续5日下跌，不操作
ifis_fall_nday（5,stock）:
return
#2.大于5日平均或10日平均1.5倍以上,不操作
ifcompare_current_nmoveavg（data,stock,5,1.5）\
orcompare_current_nmoveavg（data,stock,10,1.5）:
#初始设置底仓
initial_price（context,data,stock）
#补仓步长：
-3%，-5%，-8%，-12%
setup_position（context,data,stock,-0.08,'
#空仓步长：
5%，10%，15%，20%
setup_position（context,data,stock,0.15,'
升级会员 