【译】Python 金融:算法交易 (3)用Python构建交易策略

本文翻译自2018年最热门的Python金融教程Python For Finance: Algorithmic
Trading

本教程由以下五部分内容构成:

  • 简单的动量策略开发

本文是该教程的第三部分。


既然你已对数据做了初步分析,那么是时候创建你的第一个交易策略了。但在深入研究之前,为什么不先来了解一些最常用的交易策略呢?下面简短的介绍,无疑会让你更容易开始交易策略的开发。

常见的交易策略

你应该还记得在本教程开篇的介绍中,我们讲了交易策略是在市场上做多或做空的既定计划,但不仅限于此,你还有更多的信息没有真正掌握。一般来说,有两种常见的交易策略:动量策略(momentum
strategy)和回归策略(reversion strategy)。

第一种是 动量策略
,也被称为背离(divergence)或趋势(trend)交易。当遵循该策略时,你相信数值会沿着当前的方向继续移动。也就是说你相信股票具有惯性,即有上升或下降的趋势,能被你发现并利用。

这一策略的实例包括移动均线交叉策略(moving average crossover)、双均线交叉策略(dual moving average
crossover)和海龟交易策略(turtle trading)。

  • 移动均线交叉是指资产的价格从移动均线的一侧移动到了另一侧。这一交叉代表了动量的改变,可以作为进入或退出市场的决策点。在本教程的后面你会学到量化交易中使用该策略的入门级案例。

  • 双均线交叉发生在短期均线与长期均线交叉处。这一信号被用来识别在短期均线上的变化。买入信号发生在短期均线从下方上升超越长期均线时,而卖出信号则由短期均线从上方下降越过长期均线而触发。

  • 海龟交易是一个众所周知的趋势跟踪策略,最初是由理查德·丹尼斯教授给大家的。它的基本策略是以20天高点买入期货,并在20天低点卖出。

第二种是回归策略,也被称为收敛(convergence)或循环(cycle)交易。这一策略相信数值的运动最终会逆转。这可能有点抽象,让我们来举个例子。在均值回归策略(mean
reversion strategy)中,你确信股价会回到它的均值,当它偏离均值时就可以利用这一点来做决策。

听起来已经很实用了,对吧?

除了均值回归策略以外,另一个例子是与之相似的配对交易均值回归(pairs trading mean-
reversion)。均值回归策略的基本思想是股价会回到其均值,而配对交易策略对此进行了扩展,认为如果能识别出两只高度相关的股票,当其中之一偏离了与另一方的相关性,两者价格差的改变就能作为交易的信号。这意味着如果这两只股票的相关性下降,那么可以做空价格较高的股票。高价格的股票最终会回到其均值,所以它应该被卖出。另一方面,做多低价格的股票,因为随着相关性恢复正常,其价格将会上升。

除了这两种最常用的策略,还有其他你偶尔可能会碰上的策略,比如预测策略,它试图基于某些历史因素预测股票在随后一段时间内的方向和价值。还有高频交易策略(HFT),它利用了亚毫秒市场的微观结构来做决策。

这都是今后的乐章了,现在让我们聚焦于开发你的第一个交易策略。

一个简单的交易策略

正如上面所述,你将从量化交易的“hello world”:移动均线交叉策略开始。你将要开发的策略很简单:对时间序列创建两个独立的简单移动均值(Simple
Moving Averages,
SMA),它们具有不同的回望周期,比如40天和100天。如果短期移动均值超过了长期移动均值,那么就做多;如果长期移动均值超过了短期移动均值,那么就退出。

记住
当做多时,你认为股价会上涨,并且将来会以更高的价格卖出(=买入信号);当卖空时,你卖出你的股票,希望将来以更低的价格买回并实现盈利(=卖出信号)。

当你刚开始的时候,这一简单的策略可能看起来相当复杂。但是让我们一步一步来:

  • 首先,定义两个不同的回望周期:一个短期窗口和一个长期窗口。设置两个变量,并对每一个变量赋值一个整数。一定要让短期窗口的值小于长期窗口的值。

  • 接着,创建一个空的数据框 signals,并确保复制了aapl 数据的索引,以便能开始计算 aapl 数据每日的买卖信号。

  • 在空的 signals 数据框中创建一列名为 signal 的数据,并将其每一行的数值初始化为 0.0

  • 做好了准备工作后,是时候在各自的时间窗口上创建短期和长期的简单移动均值了。使用 rolling() 函数开始滑动窗口计算:在该函数中,设置 windowmin_periodcenter 参数。在实际中,窗口大小window 分别设置为 short_windowlong_windowmin_period 设为 1,作为窗口中观测量的最小值。center 的值为 False,这样标签就不会设置在窗口的中心。接着,不要忘了在其后连接 mean() 函数以便能计算滚动均值。

  • 当计算了短期和长期窗口的均值后,你应该在短期移动均线与长期移动均线交叉处创建信号,但这仅针对大于最短移动均值窗口的时期。在Python中,这对应着如下条件不等式:signals['short_mavg'][short_window:] > signals['long_mavg'][short_window:]。注意加上 [short_window:] 是为了遵守条件“仅针对大于最短移动均值窗口的时期”。当上述条件不等式为真时,signal 列中的初值 0.0 将被替换为 1.0。 这样一个“信号”就产生了。如果条件不等式为假,将继续保留原始值0.0,也没有信号产生。使用 NumPy 中的 where() 函数来设置这一条件不等式。就像你刚才读到的那样,将这一结果赋值给变量 signals['signal'][short_window],因为我们仅想针对大于最短移动均值窗口的时期创建信号。

  • 最后,计算信号的差值,从而生成实际的交易订单。换句话说,在 signals 数据框的 positions 这一列中,你将能区分多头和空头头寸,无论是买入或卖出股票。

尝试下方的代码:

# 导入apple公司股票数据
import pandas_datareader as pdr
import datetime 
aapl = pdr.get_data_yahoo('AAPL', 
                          start=datetime.datetime(2006, 10, 1), 
                          end=datetime.datetime(2012, 1, 1))



# 导入pandas,numpy
import pandas as pd
import numpy as np

# 初始化短期和长期窗口
short_window = 40
long_window = 100

# 初始化 `signals` 数据框,增加 `signal` 列
signals = pd.DataFrame(index=aapl.index)
signals['signal'] = 0.0

# 创建短期简单移动均值
signals['short_mavg'] = aapl['Close'].rolling(window=short_window, min_periods=1, center=False).mean()

# 创建长期简单移动均值
signals['long_mavg'] = aapl['Close'].rolling(window=long_window, min_periods=1, center=False).mean()

# 生成信号
signals['signal'][short_window:] = np.where(signals['short_mavg'][short_window:] 
                                            > signals['long_mavg'][short_window:], 1.0, 0.0)   

# 生成交易命令
signals['positions'] = signals['signal'].diff()

# 输出`signals`
print(signals)



            signal  short_mavg  long_mavg  positions
Date                                                
2006-10-02     0.0   10.694285  10.694285        NaN
2006-10-03     0.0   10.638571  10.638571        0.0
2006-10-04     0.0   10.681905  10.681905        0.0
2006-10-05     0.0   10.683928  10.683928        0.0
2006-10-06     0.0   10.667714  10.667714        0.0
2006-10-09     0.0   10.666667  10.666667        0.0
2006-10-10     0.0   10.649184  10.649184        0.0
2006-10-11     0.0   10.625714  10.625714        0.0
2006-10-12     0.0   10.639683  10.639683        0.0
2006-10-13     0.0   10.647429  10.647429        0.0
2006-10-16     0.0   10.658701  10.658701        0.0
2006-10-17     0.0   10.654881  10.654881        0.0
2006-10-18     0.0   10.654286  10.654286        0.0
2006-10-19     0.0   10.699286  10.699286        0.0
2006-10-20     0.0   10.747429  10.747429        0.0
2006-10-23     0.0   10.803036  10.803036        0.0
2006-10-24     0.0   10.848655  10.848655        0.0
2006-10-25     0.0   10.894206  10.894206        0.0
2006-10-26     0.0   10.938797  10.938797        0.0
2006-10-27     0.0   10.966214  10.966214        0.0
2006-10-30     0.0   10.991088  10.991088        0.0
2006-10-31     0.0   11.017987  11.017987        0.0
2006-11-01     0.0   11.030621  11.030621        0.0
2006-11-02     0.0   11.041131  11.041131        0.0
2006-11-03     0.0   11.046857  11.046857        0.0
2006-11-06     0.0   11.059945  11.059945        0.0
2006-11-07     0.0   11.076296  11.076296        0.0
2006-11-08     0.0   11.101378  11.101378        0.0
2006-11-09     0.0   11.129113  11.129113        0.0
2006-11-10     0.0   11.153952  11.153952        0.0
...            ...         ...        ...        ...
2011-11-17     1.0   56.485857  54.946829        0.0
2011-11-18     1.0   56.381000  55.005257        0.0
2011-11-21     1.0   56.259000  55.052886        0.0
2011-11-22     1.0   56.177750  55.100386        0.0
2011-11-23     1.0   56.070536  55.125471        0.0
2011-11-25     1.0   55.974107  55.142343        0.0
2011-11-28     1.0   55.955536  55.169371        0.0
2011-11-29     1.0   55.950536  55.188643        0.0
2011-11-30     1.0   55.985179  55.228929        0.0
2011-12-01     1.0   56.019750  55.277757        0.0
2011-12-02     1.0   56.063786  55.323014        0.0
2011-12-05     1.0   56.146679  55.373357        0.0
2011-12-06     1.0   56.154322  55.410543        0.0
2011-12-07     1.0   56.114322  55.432386        0.0
2011-12-08     1.0   56.073143  55.452114        0.0
2011-12-09     1.0   56.020250  55.461714        0.0
2011-12-12     1.0   55.912536  55.468214        0.0
2011-12-13     1.0   55.801179  55.461800        0.0
2011-12-14     1.0   55.651000  55.435643        0.0
2011-12-15     1.0   55.580715  55.400686        0.0
2011-12-16     1.0   55.529679  55.384157        0.0
2011-12-19     1.0   55.491607  55.370429        0.0
2011-12-20     1.0   55.456536  55.378243        0.0
2011-12-21     1.0   55.451822  55.377814        0.0
2011-12-22     1.0   55.444500  55.391586        0.0
2011-12-23     1.0   55.439643  55.406957        0.0
2011-12-27     0.0   55.445286  55.448614       -1.0
2011-12-28     0.0   55.437643  55.490072        0.0
2011-12-29     0.0   55.468393  55.564229        0.0
2011-12-30     0.0   55.495500  55.608500        0.0

[1323 rows x 4 columns]

不是很难,对吧?输出 signals 数据框并检查其结果。这里重要的是要掌握该数据框中 positionssignal
这两列的含义。当你继续下去时,会发现这一点变得非常重要。

当你花时间去理解该交易策略的结果时,可以用 Matplotlib 将短期和长期的移动均线,以及买入和卖出的信号,快速绘制在图中。

# 导入`pyplot` 模块 
import matplotlib.pyplot as plt

# 初始化图形
fig = plt.figure(figsize=(12,8))

# 增加子图并设置y轴标签
ax1 = fig.add_subplot(111,  ylabel='Price in $')

# 绘制收盘价曲线
aapl['Close'].plot(ax=ax1, color='r', lw=2.)

# 绘制短期和长期移动均线
signals[['short_mavg', 'long_mavg']].plot(ax=ax1, lw=2.)

# 绘制买入信号
ax1.plot(signals.loc[signals.positions == 1.0].index, 
         signals.short_mavg[signals.positions == 1.0],
         '^', markersize=10, color='m')

# 绘制卖出信号
ax1.plot(signals.loc[signals.positions == -1.0].index, 
         signals.short_mavg[signals.positions == -1.0],
         'v', markersize=10, color='k')

# 显示做图
plt.show()

结果很酷,不是吗?

文章来源于转载, 如有疑问, 请联系我,转载地址:https://www.jianshu.com/p/32186ef010a0