本文是通过之前学习《Python量化入门》课程系列后，进行的学习研究，将思路和结果供大家分享一起讨论。
关键词：Python， 量化研究，移动平均线。
实验目的：对单个股票，使用单组参数，进行交易策略回测模拟。
原始数据：股票 600000 浦发银行的个股日线数据
单组参数：短期均线 ma_short = 14
长期均线 ma_long = 50
交易策略：最小交易周期：日
买入信号：当短期均线上穿长期均线时候 ma_short >= ma_long
卖出信号：当长期均线下穿长期均线时候 ma_short < ma_long
信号的判别价格：每日收盘价（历史除权价格）
交易计算价格：信号发生后的第二日开盘价（历史未除权价格）
交易手续费：按0.0005计算
印花税：按0.001计算，仅在卖出时发生
交易初始资金 1000000
最小交易数量：100股
测试的时间范围：20050101-20170512
Benchmark: 上证指数
实验步骤：
第一步： 写出移动平均线的计算方法：
# 简单均线策略
def simple_ma(df, ma_short=5, ma_long=20, price='close'):
"""
:param df: 输入对的个股数据
:param ma_short: 短期均线
:param ma_long: 长期均线
:return: 有'signal'，’hold'列的df
"""
df = df.copy()
# ===计算短期均线和长期均线
df['ma_short'] = df[price].rolling(ma_short, min_periods=1).mean()
df['ma_long'] = df[price].rolling(ma_long, min_periods=1).mean()
return df
第二步：数据准备
1. 导入指定的单个股票数据，本案例使用的 600000 浦发银行 这个数据
code = 'sh600000'stock_data = get_stock_data_xbx(code)
基础数据格式如下：
2. 数据处理，形成我们能够计算的数据
1） 选择2005年以后的数据
stock_data = stock_data[stock_data['date'].dt.year >= 2005]
2） 计算除权价
stock_data = cal_adjust_price(stock_data, return_type=1)
3）计算涨跌停信号，用除权价的数据
stock_data = limit_up_down(stock_data, open='open_adjust_back', close='close_adjust_back')
第三步：参数设置和策略模拟
1）设置均线的参数
ma_long = 50ma_short = 14
2）设置交易信号
当短期均线上穿长期均线时，设置信号为1
df.loc[(df['ma_short'] >= df['ma_long']) & (df['ma_short'].shift(1) < df['ma_long'].shift(1)), 'signal'] = 1
# 当短期均线下穿长期均线时，设置信号为0
df.loc[(df['ma_short'] < df['ma_long']) & (df['ma_short'].shift(1) >= df['ma_long'].shift(1)), 'signal'] = 0
3）计算仓位
df = position(df)
4）去掉涨 跌停不能交易的信号
df.loc[(df['limit_up_open'] == 1) | (df['limit_down_open'] == 1), 'pos'] = Nonedf['pos'].fillna(method='ffill', inplace=True)
5）计算策略收益率
df = equity_curve_complete(df)
# 计算自然收益率
df = nat_equity(df, type=1)
6）添加指数信息作为benchmark
index_data = import_index_data_xbx()df = merge_with_index_data(df, index_data)
第四步：根据交易结果，进行指标评价，并保存
1）将必要信息保存，如股票代码，开始日期，结束日期，长期均线参数，短期均线参数
result = [code, df['date'].iloc[0], df['date'].iloc[-1], ma_long, ma_short]
2）补充收益率信息
result.extend(pf_analysis.get_all_ratio(df, printout=printout, index=True, nat=True))
3）得到所有的收益评测结果
result_df = pd.DataFrame(data=[result],
columns=['code', 'start_date', 'end_date', 'ma_long', 'ma_short', 'total_return',
'annual_return', 'nat_total_return', 'nat_annual_return', 'volatility',
'max_drawdown', 'final_ratio', 'average_up_change', 'info_ratio', 'sharp_ratio',
'alpha', 'beta'])
return result_df
第五步：绘制收益曲线
pf_analysis.plot_cumulative_return(df=stock_data, complete=True)
实验总结：
本次实验采用双均线策略，长期均线50日，短期均线14日。
对于个股600000浦发银行，在测试的时间范围内（20050101-20170512）。
策略收益 > 个股自身收益 > 上证指数收益。
以上交易策略的大量原始代码和框架，师从于《Python量化入门》课程系列，想获得所有的源代码，并建立自己的交易策略，建议购买课程后深入学习。
课程评价
优点：这套课程特别适合对Python，pandas都没掌握的同学，和“入门”二字很贴切。虽然价要收取一定的费用，但是对于零基础的同学还是墙裂推荐。课程会提供所有的源代码和股票数据，通过一个系列的学习，可以基本掌握股票的回测框架。
缺点：只能用微信访问学习，PC端的话要通过微信客户端访问。
系列总课时约12多个小时，会获得课程讲解的所有源代码。如要深入熟练掌握，课外练习可能需要100小时+。
课程传送门：
网友评论