用 Python 基于均線交叉策略進(jìn)行回測
Python中文社區(qū) （ID:python-china）
本篇文章中，我將用 Python 構(gòu)建一個簡單的移動平均線交叉交易策略進(jìn)行回測，并使用 標(biāo)準(zhǔn)普爾 500 指數(shù)（S&P500） 進(jìn)行測試。
一個簡單的移動平均線交叉策略可能是使用技術(shù)指標(biāo)的量化交易策略的最簡單示例之一，在用 Python 進(jìn)行與財務(wù)數(shù)據(jù)相關(guān)的分析時，首先導(dǎo)入我們所需的模塊（掃描本文最下方二維碼獲取全部完整源碼和Jupyter Notebook 文件打包下載。）：
- import pandas as pd
- import numpy as np
- from pandas_datareader import data
我們將首先使用 pandas_datareader 從 Yahoo Finance 下載標(biāo)準(zhǔn)普爾 500 指數(shù)從 2000 年第一個交易日到今天的價格數(shù)據(jù)，如下所示：
- sp500 = data.DataReader('^GSPC', 'yahoo',start='1/1/2000')
讓我們快速檢查一下數(shù)據(jù)的格式。
- sp500.head()
讓我們創(chuàng)建一個收盤價的折線圖，看看標(biāo)準(zhǔn)普爾在此期間的表現(xiàn)如何。
- sp500['Close'].plot(grid=True,figsize=(8,5))
我們要實施的趨勢策略是基于兩條簡單移動平均線的交叉；2 個月（42 個交易日）和 1 年（252 個交易日）移動平均線。我們的第一步是創(chuàng)建移動平均值并同時將它們附加到我們現(xiàn)有的 sp500 DataFrame 中的新列表中。
- sp500['42d'] = np.round(sp500['Close'].rolling(window=42).mean(),2)
- sp500['252d'] = np.round(sp500['Close'].rolling(window=252).mean(),2)
上面的代碼既創(chuàng)建了列表，又自動將它們添加到我們的 DataFrame 中。我們可以看到如下圖表（在這里使用.tail調(diào)用，因為移動平均線實際上直到第 42 天和第 252 天才有3值，因此在.head調(diào)用中僅顯示為NaN）：
在這里我們看到確實已正確添加了移動平均值列表?，F(xiàn)在讓我們繼續(xù)在同一圖表上繪制收盤價和移動平均線。
- sp500[['Close','42d','252d']].plot(grid=True,figsize=(8,5))
我們的基本數(shù)據(jù)集現(xiàn)在已經(jīng)非常完整，剩下要做的就是設(shè)計一個規(guī)則來生成我們的交易信號。我們將有 3 個基本規(guī)則：
1) 買入信號（做多）——42 天移動平均線首次高于 252 天趨勢線 X 點。
2) 暫停交易 – 無倉位。
3) 賣出信號（做空）– 42 天移動平均線首次低于 252 天趨勢 X 點。
創(chuàng)建這些信號的第一步是向 DataFrame 添加一個新列，它只是兩個移動平均線之間的差異：
- sp500['42-252'] = sp500['42d'] - sp500['252d']
下一步是通過添加我們稱為 Stance 的另一列來形式化信號。我們還將信號閾值“X”設(shè)置為 50（這個值設(shè)置得很隨意，可以在某些時候進(jìn)行優(yōu)化）。
- X = 50
- sp500['Stance'] = np.where(sp500['42-252'] > X, 1, 0)
- sp500['Stance'] = np.where(sp500['42-252'] < -X, -1, sp500['Stance'])
- sp500['Stance'].value_counts()
最后一行代碼生成如下結(jié)果：
- -1 2077
- 1 1865
- 0 251
- Name: Stance, dtype: int64
表明在我們選擇回測的時間段內(nèi)，有2077個交易日，42天移動平均線位于252天移動平均線下方50多點，有1865個交易日，42天移動平均線位于252天移動平均線上方50多點。
繪圖顯示了“Stance”的視覺表現(xiàn)。我已將“ylim”（即 y 軸限制）設(shè)置為略高于 1 且略低于 -1，因此我們實際上可以看到線的水平部分。
- sp500['Stance'].plot(lw=1.5,ylim=[-1.1,1.1])
在這個模型中，我們的投資者要么做多市場，要么做空市場，要么持平——這使我們能夠處理市場回報。如果他是空頭，可以簡單地將當(dāng)天的市場回報乘以 -1 ，如果他是多頭，則乘以1 ，如果持平，則是0。
因此，我們向 DataFrame 添加另一列以保存索引的每日日收益率，然后將該列乘以“Stance”列以獲得策略回報：
- sp500['Market Returns'] = np.log(sp500['Close'] / sp500['Close'].shift(1))
- sp500['Strategy'] = sp500['Market Returns'] * sp500['Stance'].shift(1)
請注意我們?nèi)绾螌?sp[‘Close’] 列表向下移動，以便我們使用前一天收盤時的“Stance”來計算第二天的回報。
現(xiàn)在我們可以在同一圖表上繪制標(biāo)準(zhǔn)普爾 500 指數(shù)的回報與移動平均交叉策略的回報進(jìn)行比較：
- sp500[['Market Returns','Strategy']].cumsum().plot(grid=True,figsize=(8,5))
我們可以看到，盡管該策略在市場低迷期間表現(xiàn)得相當(dāng)好，但在市場反彈或只是向上趨勢時表現(xiàn)不佳。
