python roc计算_【手把手教你】动量指标的Python量化回测

0 1引言

本文延续“手把手教你使用Python的TA-Lib”系列，以资金流量指标(MFI)为例，使用Python编写简单的回测框架，着重介绍动量指标(Momentum Indicators)及其运用。前面推文【手把手教你】股市技术分析利器之TA-Lib(一)主要探讨了重叠指标的相关原理与Python实现，【手把手教你】股市技术分析利器之TA-Lib(二) 着重介绍TA-Lib中强大的数学运算、数学变换、统计函数、价格变换、周期指标和波动率指标函数及其应用实例。【手把手教你】量价关系分析与Python实现，则主要介绍了交易量指标(Volume Indicators)及其运用。TA-Lib的安装与使用见之前推文。

0 2动量指标概述 动量指标，英文全称为 Momentum Indicators，是一种利用动力学原理，研究股价在波动过程中趋势与反转现象的技术指标。动量指标建立在价格与供求关系的基础上，认为股价的涨跌幅随着时间的推移逐渐变小，股价变化的速度和能量慢慢减缓后，行情可能发生反转。常见的动量指标包括ADX、CMO、MACD、RSI、KDJ、动量指数(MOM)和威廉指标等。TA-Lib 库里的动量指标类函数如下表所示。

函数名	英文全称	中文名称	Python实现
ADX	Average Directional Movement   Index	平均趋向指数	ta.ADX(high,   low, close, timeperiod=14)
ADXR	Average Directional Movement   Index Rating	平均趋向指数评估	ta.ADXR(high,   low, close, timeperiod=14)
APO	Absolute Price Oscillator	价格摆动指标	ta.APO(close,   fastperiod=12, slowperiod=26, matype=0)
AROON	Aroon	阿隆指标	down, up =ta.AROON(high, low, timeperiod=14)
AROONOSC	Aroon Oscillator	阿隆振荡	ta.AROONOSC(high, low, timeperiod=14)
BOP	Balance Of Power	均势指标	ta.BOP(open, high, low, close)
CCI	Commodity Channel Index	商品通道指数或顺势指标	ta.CCI(high, low, close, timeperiod=14)
CMO	Chande Momentum Oscillator	钱德动量摆动指标	ta.CMO(close, timeperiod=14)
DX	Directional Movement Index	DMI指标或动向指标	ta.DX(high, low, close, timeperiod=14)
MACD	Moving Average Convergence Divergence	平滑异同移动平均线	macd, macdsignal, macdhist = MACD(close, fastperiod=12,   slowperiod=26, signalperiod=9)
MACDEXT	MACD with controllable MA type	可选择MA类型的MACD指标	macd, macdsignal, macdhist = ta.MACDEXT(close,   fastperiod=12, fastmatype=0, slowperiod=26, slowmatype=0, signalperiod=9,   signalmatype=0)
MACDFIX	Moving Average Convergence/ Divergence   Fix 12/26	MACD12/26	macd, macdsignal, macdhist = ta.MACDFIX(close,   signalperiod=9)
MFI	Money Flow Index	资金流量指标	ta.MFI(high, low, close, volume, timeperiod=14)
MINUS_DI	Minus Directional Indicator	负向指标	ta.MINUS_DI(high, low, close, timeperiod=14)
MINUS_DM	Minus Directional Movement	负向移动指标	ta.MINUS_DM(high, low, timeperiod=14)
MOM	Momentum	动量	ta.MOM(close, timeperiod=10)
PLUS_DI	Plus Directional Indicator	正向指标	ta.PLUS_DI(high, low, close, timeperiod=14)
PLUS_DM	Plus Directional Movement	正向移动指标	ta.PLUS_DM(high, low, timeperiod=14)
PPO	Percentage Price Oscillator	价格百分比摆动指标	ta.PPO(close, fastperiod=12, slowperiod=26, matype=0)
ROC	Rate of change	变动率指标	ta.ROC(close, timeperiod=10)
ROCP	Rate of change Percentage	变动率百分比	ta.ROCP(close, timeperiod=10)
ROCR	Rate of change ratio	价格比值	ta.ROCR(close, timeperiod=10)
ROCR100	Rate of change ratio 100 scale	价格比值*100	ta.ROCR100(close, timeperiod=10)
RSI	Relative Strength Index	相对强弱指数	ta.RSI(close, timeperiod=14)
STOCH	Stochastic	随机指标，俗称KD	ta.STOCH(high, low, close, fastk_period=5, slowk_period=3,   slowk_matype=0, slowd_period=3, slowd_matype=0)
STOCHF	Stochastic Fast	随机指标快速线	ta.STOCHF(high, low, close, fastk_period=5, fastd_period=3,   fastd_matype=0)
STOCHRSI	Stochastic Relative Strength   Index	随机相对强弱指标	ta.STOCHRSI(close, timeperiod=14, fastk_period=5,   fastd_period=3, fastd_matype=0)
TRIX	1-day Rate-Of-Change (ROC) of a   Triple Smooth EMA	三重光滑EMA的日变化率	ta.TRIX(close, timeperiod=30)
ULTOSC	Ultimate       Oscillator	终极波动   指标	ta.ULTOSC(high, low, close, timeperiod1=7, timeperiod2=14,   timeperiod3=28)
WILLR	Williams' %R	威廉指标	Ta.WILLR(high, low, close, timeperiod=14)

0 3 MFI 指标分析框架下面以大家比较少见的资金流量指标(Money Flow Index, 简称MFI)为例，详细介绍动量类指标的分析框架和应用。MFI指标(Money Flow Index)是1989年3月由JWellesWilder's提出来的，结合考虑了价和量，相当于成交量的RSI指标。一般而言，价涨量增及价跌量缩是一种惯性作用.股价进行波段涨升时，成交量必须伴随上升。计算方法

典型价格(TP)=当日最高、最低与收盘价均值

资金流量(MF)=TP×N日内成交量

若当日MF>昨日MF，则视为正资金流量(PMF)

若当日MF

MFI=100-[100/(1+PMF/NMF)]

参数N一般设为14日。

应用法则

超买超卖信号：当MFI>80时为超买，在其回头向下跌破80时，为短线卖出时机。

当MFI<20时为超卖，当其回头向上突破20时，为短线买进时机。

当MFI>80，而产生背离现象时，视为卖出信号。

当MFI<20，而产生背离现象时，视为买进信号。

0 4 MFI 指标 Python 应用实例下面结合MFI 指标的超买超卖法则，以上证指数为标的，使用 Python 对其进行历史回测，主要利用了pandas、numpy、talib和matplotlib进行数据处理和可视化。

#先引入后面可能用到的包(package)import pandas as pd  import numpy as npimport matplotlib.pyplot as plt#注意下面的%命令只能在jupyter notebook上运行，否则需要删除或注释掉
%matplotlib inline   #正常显示画图时出现的中文和负号from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False

#引入TA-Lib库import talib as ta

import tushare as ts
df=ts.get_k_data('sh',start='2000-01-01')
df.index=pd.to_datetime(df.date)
df=df.sort_index()
df['ret']=df.close/df.close.shift(1)-1
df.head()

high,low,close,volume=df.high.values,df.low.values,df.close.values,df.volume.values
df['mfi']=ta.MFI(high, low, close, volume, timeperiod=14)
plt.figure(figsize=(16,14))
plt.subplot(211)
df['close'].plot(color='r')
plt.xlabel('')
plt.title('上证综指走势',fontsize=15)
plt.subplot(212)
df['mfi'].plot()
plt.title('MFI指标',fontsize=15)
plt.xlabel('')
plt.show()

#当前日的MFI<20，而当日的MFI>20时，买入信号设置为1for i in range(15,len(df)):if df['mfi'][i]>20 and df['mfi'][i-1]<20:
        df.loc[df.index[i],'收盘信号']=1if df['mfi'][i]<80 and df['mfi'][i-1]>80:
        df.loc[df.index[i],'收盘信号']=0

#计算每天的仓位，当天持有上证指数时，仓位为1，当天不持有上证指数时，仓位为0
pd.options.mode.chained_assignment = None
df['当天仓位']=df['收盘信号'].shift(1)
df['当天仓位'].fillna(method='ffill',inplace=True)

from datetime import datetime,timedelta
d=df[df['当天仓位']==1].index[0]-timedelta(days=1)
df_new=df.loc[d:]
df_new['ret'][0]=0
df_new['当天仓位'][0]=0

#当仓位为1时，买入上证指数，当仓位为0时，空仓，计算资金指数
df_new['资金指数']=(df_new.ret*df['当天仓位']+1.0).cumprod()
df_new['指数净值']=(df_new.ret+1.0).cumprod()

df.close.plot(figsize=(16,7))for i in range(len(df)):if df['收盘信号'][i]==1:
        plt.annotate('买',xy=(df.index[i],df.close[i]),arrowprops=dict(facecolor='r',shrink=0.05))if df['收盘信号'][i]==0:
        plt.annotate('卖',xy=(df.index[i],df.close[i]),arrowprops=dict(facecolor='g',shrink=0.1))    
plt.title('上证指数2000-2019年MFI买卖信号',size=15)
plt.xlabel('')
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.show()

#查看最近两年情况
df1=df.loc['2016-01-01':,]
df1.close.plot(figsize=(16,7))for i in range(len(df1)):if df1['收盘信号'][i]==1:
        plt.annotate('买',xy=(df1.index[i],df1.close[i]),arrowprops=dict(facecolor='r',shrink=0.05))if df1['收盘信号'][i]==0:
        plt.annotate('卖',xy=(df1.index[i],df1.close[i]),arrowprops=dict(facecolor='g',shrink=0.1))    
plt.title('上证指数2016-2019年MFI买卖信号',fontsize=15)
plt.xlabel('')
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.show()

df1['策略净值']=(df1.ret*df1['当天仓位']+1.0).cumprod()
df1['指数净值']=(df1.ret+1.0).cumprod()
df1['策略收益率']=df1['策略净值']/df1['策略净值'].shift(1)-1
df1['指数收益率']=df1.ret

下面将数据获取、策略计算和历史回测打包成一个strategy函数，对不同参数组合和时间区间进行历史回测，通过下图不难发现，经验总结得出的20/80超卖超买信号效果并不理想，但将超买值改为90后，反而获得了更好的效果。总体而言，MFI指标相对于不择时而言，最大回撤要小很多，即持仓风险小，但是也意味着可能赚不到疯狂上涨的钱。此外，2016年或2017年以来MFI回测效果比较好，特别是将超买值改为90后，而2000、2005或2009以来的回测效果可能还不如大盘，反映了时间周期越长，MFI指标的效果越差，事实上，MFI指标是一个提供中短期买卖信号的技术指标。

strategy('sh','2009-05-12',20,80)

strategy('sh','2009-04-12',20,90)

strategy('sh','2009-04-12',20,95)

strategy('sh','2009-04-12',30,95)

strategy('sh','2009-04-12',15,95)

strategy('sh','2016-01-01',20,90)

strategy('sh','2000-01-01',20,80)

strategy('sh','2000-01-01',20,92)

strategy('sh','2017-04-12',20,80)

strategy('sh','2017-04-12',20,92)

strategy('cyb','2017-04-01',20,80)

0 5结语

本文以MFI指标为例，简要介绍了动量指标的原理及其Python量化运用实例，由于篇幅有限，只给出了部分核心代码，完整代码可通过加入知识星球获取。

在指标运用中，不少交易者会产生困惑，有时指标严重超买，股价却继续上涨，或指标严重超卖，股价仍未止跌企稳。其实这是混淆了技术指标与股价的关系，指标并不能决定股价涨跌，股价才决定指标的大小，股价是因，指标是果，由因可推出果，但由果来导出因可能不准确。既然那样，技术指标还有什么用呢？

其实技术分析就如温度计，能够测量当前温度，却不能预测也不能决定未来温度。换句话说，技术指标虽不能预测未来走势，但可以衡量当前市场交投情况，用于确认趋势。也就是说技术指标可以作为辅助参考作用，当股价趋势继续上涨或下跌时，指标也将继续超买或超卖，而当股价一旦发生转势，指标随后也会发生转势买卖信号，为仓位管理和择时提供技术上的参考。

关于Python金融量化 专注于分享Python在金融量化领域的应用。加入知识星球，可以免费获取30多g的量化投资视频资料、公众号文章Python完整源码、量化投资前沿分析框架，与博主直接交流、结识圈内朋友等。