1. 概念介紹

動量交易策略，即Momentum Trading Strategy，在經典力學里，動量即物體質量和速度的乘積，動量一方面描述了物體的運動狀態，另一方面也描述了慣性的大小，
在證券市場上，我們也可以把“證券的價格”類比成運動的物體，價格上漲時，可以說價格有著上漲的動量，價格下跌時其具有下跌的動量，這種動量可能會使上漲或下跌繼續維持下去，也可能該動量會越來越小，直到使之運動狀態發生改變，股票資產組合的中期收益存在延續性，即中期價格具有向某一方向連續變動的動量效應，
關于動量產生的原因，有三種說法：

反應不足，即利好或利空不能一次完全消化，會持續在股價上體現，
正反饋模式，即贏者恒贏，輸者恒輸，
過度反應，即投資人對資訊的高估而作出的決策，

2.計算動量

2.1 作差法求動量

即用今天的價格減去一段時間間隔(m期)以前的價格
M o m e n t u m t = P t ? P t ? m \displaystyle Momentum_t = P_t-P_{t-m} Momentumt?=Pt??Pt?m?
Momentum_t為該股票t時期的m期動量
P_t為該股票t時期的價格
P_t-m為該股票在t-m期的價格

以平安銀行(000001.SZ)日線資料為例:

# 匯入相關模塊
import numpy as np
import tushare as ts
import pandas as pd
import mplfinance as mpf
import matplotlib.pyplot as plt

token = 'Your token'   # 輸入你的介面密匙，獲取方式及相關權限見Tushare官網，
pro = ts.pro_api(token)
df = pro.daily(ts_code='000001.SZ')  # daily為tushare的股票資料介面，

# 將獲取到的DataFrame資料進行標準化處理，轉換為方便自己使用的一種規范格式，
df = df.loc[:, ['trade_date', 'open', 'high', 'low', 'close', 'vol']]
df.rename(
    columns={
        'trade_date': 'Date', 'open': 'Open',
        'high': 'High', 'low': 'Low',
        'close': 'Close', 'vol': 'Volume'},
    inplace=True)       # 重定義列名，方便統一規范操作，
df['Date'] = pd.to_datetime(df['Date'])  # 轉換日期列的格式，便于作圖
df.set_index(['Date'], inplace=True)  # 將日期列作為行索引
df = df.sort_index()  # 倒序，因為Tushare的資料是最近的交易日資料顯示在DataFrame上方，倒序后方能保證作圖時X軸從左到右時間序列遞增，

查看一下df:
在這里插入圖片描述
好，我們繼續進行，

# 提取2020年日度收盤價
PABank =df.Close['2020']
PABank.describe()

在這里插入圖片描述

# 假設時間跨度m為5，即求滯后5期的收盤價變數
lag5PABank = PABank.shift(5)
# 求5日動量
momentum5 = PABank - lag5PABank
# 繪制收盤價時序圖與動量曲線圖
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.subplot(211)
plt.plot(PABank,'b*')
plt.xlabel('date')
plt.ylabel('Close')
plt.title('平安銀行2020年收盤價時序圖&5日動量圖')

plt.subplot(212)
plt.plot(momentum5,'r-*')
plt.xlabel('date')
plt.ylabel('momentum5')
plt.show()

效果如圖所示：
在這里插入圖片描述

2.2 作除法求動量

另一種求動量的方法是作除法，使用t期的價格減去其m期以前的價格P_t-m再除以P_t-m，這種用動量變化率來表示動量的方式，將作差法得到的絕對指標轉化成了一套相對指標，可以將不同的股票的股價放在一起有了一定的可比性，但是考慮到不同股票的狀況不同，也要參考其本身的波動性情況，
用公式表示t時期的ROC(Rate of Change):

R O C t = P t ? P t ? m P t ? m \displaystyle ROC_t =\frac{P_t-P_{t-m}}{P_{t-m}} ROCt?=Pt?m?Pt??Pt?m??
其中，ROC_t表示股票t時期的m期動量值，
依然以平安銀行2020年收盤價為例

Momen5 = PABank/lag5PABank -1
Momen5 = Momen5.dropna()
# 然后基本同上：
# 繪制收盤價時序圖與動量曲線圖
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.subplot(211)
plt.plot(PABank,'b*')
plt.xlabel('date')
plt.ylabel('Close')
plt.title('平安銀行2020年收盤價時序圖&5日動量圖(作除法)')

plt.subplot(212)
plt.plot(Momen5,'r-*')
plt.xlabel('date')
plt.ylabel('momentum5')
plt.show()

效果如圖：
在這里插入圖片描述

3.定義求動量與作圖函式

兩個方法求得的動量圖在影像上差別并不大，動量值一般采用作差法求得，可以撰寫一個求動量和作差法繪動量圖的函式，以方便我們使用：

# 定義求動量的函式
def momentum(price, period):
	lagPrice = price.shift(period)
	momen = price - lagPrice
	momen = momen.dropna()
	return momen

# 定義求動量且繪時序圖及動量圖的函式
def momentum_plot(price, period):
	import matplotlib.pyplot as plt
	lagPrice = price.shift(period)
	momen = price - lagPrice
	momen = momen.dropna()
	
	plt.rcParams['font.sans-serif'] = ['SimHei']
	plt.rcParams['axes.unicode_minus'] = False
	plt.subplot(211)
	plt.plot(price,'b*')
	plt.xlabel('date')
	plt.ylabel('Close')
	plt.grid(True)
	plt.title('收盤價時序圖(上)&{}日動量圖(下)'.format(period))
	
	plt.subplot(212)
	plt.grid(True)
	plt.plot(momen,'r-*')
	plt.xlabel('date')
	plt.ylabel('Momentum')
	plt.show()
# 更多影像美化細節待你完善，

# 呼叫，求平安銀行2020年十日動量圖
momentum_plot(PABank,10)

效果如圖：
在這里插入圖片描述

4. 繪制K線圖與動量圖

這次，我們選擇使用萬能的mplfinance庫，

def candel_momen_plot(df, period):
    import matplotlib.pyplot as plt
    import mplfinance as mpf
    price = df.Close
    lagPrice = price.shift(period)
    momen = price - lagPrice
    momen = momen.dropna()
    df1 = df.loc[momen.index[0]:, :]  # 使K線圖起始時間與動量圖相同
    s = mpf.make_mpf_style(base_mpf_style='nightclouds', rc={'font.family': 'SimHei', 'axes.unicode_minus': 'False'})
    add_plot = [mpf.make_addplot(momen)]
    mpf.plot(df1, type='candle', style=s, title='K線圖與動量圖', addplot=add_plot, volume=True)

# 呼叫
candel_momen_plot(df['2020'],5)

生成影像如下(nightclouds風格)：
在這里插入圖片描述

5. 動量交易策略的制定

四個步驟：

獲取資料
確定時間跨度與計算方法
選擇關鍵點
回測與評價，

最直覺的交易策略是動量大于0，說明股票還有上漲的能量，釋放出買入信號，反之則相反，
在時間跨度m的設定上，仁者見仁智者見智，沒有統一標準，
本次接下來計算將其設定為35日，

# 這次我們提取平安銀行從2019年到昨天(2021-04-26)的收盤資料
Close = df['2019':'2021'].Close
momen35 = momentum(Close,35)    # 使用前邊定義過的函式
signal = []   # 交易信號空串列
#  動量值為負表示賣出
# 動量值為正表示買入
for i in momen35:
	if i > 0:
		signal.append(1)
	else:
		signal.append(-1)

signal = pd.Series(signal, index=momen35.index)		

# 根據買賣點，指定買入和賣出交易，并計算收益率
tradeSig = signal.shift(1)    # 滯后一天交易
ret = Close/Close.shift(1)-1    # 計算收益率
Mom35Ret = (ret*tradeSig).dropna()  # 去空值

查看一下：
在這里插入圖片描述

# 策略評價
# 計算勝率
win=Mom35Ret[Mom35Ret>0]
winrate = len(win)/len(Mom35Ret != 0)

查看勝率結果：
在這里插入圖片描述

還沒完，然后我們可以根據收益率與動量交易策略收益率的時序圖，查看收益率分布情況：

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

plt.subplot(211)
plt.plot(ret[-len(Mom35Ret):],'b')
plt.ylabel('return')
plt.title('收益率時序圖')
plt.subplot(212)
plt.plot(Mom35Ret,'r')
plt.ylabel('Mom35Ret')
plt.title('動量交易策略收益率時序圖')
plt.show()

效果如下：
在這里插入圖片描述
(這一點需要說明一下：在python console中，只要用mplfinance繪了一次圖，在再次打開python console前，前邊設定的風格會一直沿用下去了，會影響到matplotlib.pyplot，)

再然后，我們可以將預測成功與預測失敗的收益率進行比較分析：

loss = -Mom35Ret[Mom35Ret < 0]

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.subplot(211)
win.hist()
plt.title("盈利直方圖")

plt.subplot(212)
loss.hist()
plt.title("損失直方圖")

如圖所示：
在這里插入圖片描述

最后，我們計算兩種收益率的平均值與分位數值：

performance = pd.DataFrame({"win":win.describe(),"loss":loss.describe()})

查看結果：
在這里插入圖片描述
投資有風險，入市需謹慎，量化投資要結合多種策略的結論，而非單一指標，動量交易策略也只是其一，

路過的各路神仙大佬哥哥姐姐叔叔阿姨們，如果覺得我寫得還可以的，就請點一下那個紅色的關注按鈕吧，以及那個灰色的大拇指，讓它變成紅色吧，
更多內容，敬請期待，博主會持續更新，感謝來訪！

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/281264.html

標籤：python

上一篇：利用numpy實作三層神經網路實作

下一篇：《Python編程從入門到實踐》——學習python的第八天

Python撰寫動量交易策略