1 引言
对于纯多头或空头的方向性策略而言，只有当证券价格是均值回归或趋势的，交易策略才能盈利。否则，如果价格是随机游走的，交易将无利可图（法玛有效市场假说）。换句话说，目前各种纷繁复杂的所谓量化策略大都可以归结为均值回归或趋势追踪策略。趋势追踪策略认为价格会沿着一定的趋势继续走，也常称为“惯性”或“动量”策略，很多技术指标就是基于动量的思想来设定的。今天为大家介绍著名的趋势交易策略——“海龟交易法则”，着重介绍如何使用Python对海龟的交易规则进行量化回测，尤其是对Pandas的综合运用。关于海龟原理的详细介绍和相关轶事感兴趣的可阅读原书和网上相关资料，在微信公众号后台回复“海龟交易”可下载《海龟交易法则》高清中文PDF。
2 海龟交易法则简介
海龟交易法则可以认为是一个完整的交易系统，具备一个完整的交易系统所应该有的所有成分，包括市场、入市、头寸规模、止损/止盈、退出、买卖策略等：
市场：买卖什么？
头寸规模：买卖多少？
入市：什么时候买卖？
止损：什么时候放弃一个亏损的头寸？
离市：什么时候退出一个盈利的头寸？
策略：如何买卖？
趋势追踪——唐奇安通道
海龟交易法则利用唐奇安通道的突破点作为买卖信号指导交易，简单而言唐奇安通道是由一条上轨线、中线和下线组成，上轨线由N1日内最高价构成，下轨线由N2日内最低价计算，当价格冲破上轨是可能的买入信号，反之，冲破下轨时是可能的卖出信号。
买卖单位及首次建仓
海龟交易系统本质上是一个趋势跟随的系统，但是最值得学习的是资金管理尤其是分批建仓及动态止损的部分。书中提到了N值仓位管理法，其中N值与技术指标平均真实波幅 ATR计算类似。ATR是真实波幅TR的20日平均值，而TR是当前交易日最高价和最低价之差 、前一交易日收盘价与当前交易日最高价之差、前一交易日收盘价与当前交易日最低价之差三者中的最大值，用公式表示为：
TR=Max(High−Low,abs(High−PreClose),abs(PreClose−Low))，技术指标库TA-Lib提供了直接计算ATR的函数。
建仓单位：
Unit=（1%∗账户总资金）/N
首次建仓的时候，当捕捉到趋势，即价格突破唐奇安上轨时，买入1个unit。其意义就是，让一个N值的波动与你总资金1%的波动对应，如果买入1unit单位的资产，当天震幅使得总资产的变化不超过1%。
例如：
现在你有1万元资金，1%波动就是100元。假如某股票的N（ATR）值为0.1元，100÷0.1元=1000股。也就是说，你的第一笔仓位应该是在其突破上轨（假设为3元）时立刻买入1000股，耗资3000元。
动态止损或清仓条件
当股价跌破10日唐奇安通道下沿，清空头寸结束本次交易。当价格比最后一次买入价格下跌2N时，则卖出全部头寸止损。
接上面的例子，最后一次加仓价格为3.2。假如此时N值0.2元。当价格下跌到 3.2 - 2*0.2 = 2.8元时，清仓。持仓成本为 （3+3.1+3.2）*1000/3000 = 3.1元。此时亏损 （3.1-2.8）*3000 = 900元， 对于1万来说 这波亏损9%。
原始的海龟交易采用唐奇安通道来追踪趋势，在趋势比较明显的行情表现不错，但是在震荡的行情中效果不佳，当然这是所有趋势型策略的通病。下面着重使用Python对唐奇安通道进行可视化，并利用简化版的海龟交易法则进行简单的历史回测。
3 海龟交易规则Python实现#先引入后面可能用到的包（package）
import pandas as pd
import numpy as np
import talib as ta
from datetime import datetime,timedelta
import matplotlib.pyplot as plt
%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
#使用tushare获取交易数据
#设置token
import tushare as ts
#注意token更换为你在tushare网站上获取的
token='输入你的token'
pro=ts.pro_api(token)
index={'上证综指': '000001.SH',
'深证成指': '399001.SZ',
'沪深300': '000300.SH',
'创业板指': '399006.SZ',
'上证50': '000016.SH',
'中证500': '000905.SH',
'中小板指': '399005.SZ',
'上证180': '000010.SH'}
#获取当前交易的股票代码和名称
def get_code():
df = pro.stock_basic(exchange='', list_status='L')
codes=df.ts_code.values
names=df.name.values
stock=dict(zip(names,codes))
#合并指数和个股成一个字典
stocks=dict(stock,**index)
return stocks
#获取行情数据
def get_daily_data(stock,start,end):
#如果代码在字典index里，则取的是指数数据
code=get_code()[stock]
if code in index.values():
df=pro.index_daily(ts_code=code,start_date=start, end_date=end)
#否则取的是个股数据
else:
df=pro.daily(ts_code=code, adj='qfq',start_date=start, end_date=end)
#将交易日期设置为索引值
df.index=pd.to_datetime(df.trade_date)
df=df.sort_index()
#计算收益率
df['ret']=df.close/df.close.shift(1)-1
return df
下面以沪深300指数为例，对唐奇安通道和买卖突破信号进行可视化。
hs=get_daily_data('沪深300','20180101','')[['close','open','high','low','vol']]
#最近N1个交易日最高价
hs['up']=ta.MAX(hs.high,timeperiod=20).shift(1)
#最近N2个交易日最低价
hs['down']=ta.MIN(hs.low,timeperiod=10).shift(1)
#每日真实波动幅度
hs['ATR']=ta.ATR(hs.high,hs.low,hs.close,timeperiod=20)
hs.tail()
下面使用简化版的海龟交易法则进行历史回测，即不考虑仓位管理和动态止损/止盈条件，以唐奇安通道突破作为买入卖出信号。
交易规则为：
（1）当今天的收盘价，大于过去20个交易日中的最高价时，以收盘价买入；
（2）买入后，当收盘价小于过去10个交易日中的最低价时，以收盘价卖出。
def my_strategy(data):
x1=data.close>data.up
x2=data.close.shift(1) x=x1&x2
y1=data.close y2=data.close.shift(1)>data.down.shift(1)
y=y1&y2
data.loc[x,'signal']='buy'
data.loc[y,'signal']='sell'
buy_date=(data[data.signal=='buy'].index).strftime('%Y%m%d')
sell_date=(data[data.signal=='sell'].index).strftime('%Y%m%d')
buy_close=data[data.signal=='buy'].close.round(2).tolist()
sell_close=data[data.signal=='sell'].close.round(2).tolist()
return (buy_date,buy_close,sell_date,sell_close)
#对K线图和唐奇安通道进行可视化
from pyecharts import *
grid = Grid()
attr=[str(t) for t in hs.index.strftime('%Y%m%d')]
v1=np.array(hs.loc[:,['open','close','low','high']])
v2=np.array(hs.up)
v3=np.array(hs.down)
kline = Kline("沪深300唐奇安通道",title_text_size=15)
kline.add("K线图", attr, v1.round(1),is_datazoom_show=True,)
# 成交量
bar = Bar()
bar.add("成交量", attr, hs['vol'],tooltip_tragger="axis", is_legend_show=False,
is_yaxis_show=False, yaxis_max=5*max(hs["vol"]))
line = Line()
line.add("上轨线", attr, v2.round(1),is_datazoom_show=True,
is_smooth=True,is_symbol_show=False,line_width=1.5)
line.add("下轨线", attr, v3.round(1),is_datazoom_show=True,
is_smooth=True,is_symbol_show=False,line_width=1.5)
#添加买卖信号
bd,bc,sd,sc=my_strategy(hs)
es = EffectScatter("buy")
es.add( "sell", sd, sc, )
es.add("buy", bd, bc,symbol="triangle",)
overlap = Overlap(width=2000, height=600)
overlap.add(kline)
overlap.add(line)
overlap.add(bar,yaxis_index=1, is_add_yaxis=True)
overlap.add(es)
grid.add(overlap, grid_right="10%")
grid
（注：运行上述代码得到的是动态交互图，可调整时间区间）
#关掉pandas的warnings
pd.options.mode.chained_assignment = None
def strategy(stock,start,end,N1=20,N2=10):
df=get_daily_data(stock,start,end)
#最近N1个交易日最高价
df['H_N1']=ta.MAX(df.high,timeperiod=N1)
#最近N2个交易日最低价
df['L_N2']=ta.MIN(df.low,timeperiod=N2)
#当日收盘价>昨天最近N1个交易日最高点时发出信号设置为1
buy_index=df[df.close>df['H_N1'].shift(1)].index
df.loc[buy_index,'收盘信号']=1
#将当日收盘价<昨天最近N2个交易日的最低点时收盘信号设置为0
sell_index=df[df.close df.loc[sell_index,'收盘信号']=0
df['当天仓位']=df['收盘信号'].shift(1)
df['当天仓位'].fillna(method='ffill',inplace=True)
d=df[df['当天仓位']==1].index[0]-timedelta(days=1)
df1=df.loc[d:].copy()
df1['ret'][0]=0
df1['当天仓位'][0]=0
#当仓位为1时，买入持仓，当仓位为0时，空仓，计算资金净值
df1['策略净值']=(df1.ret.values*df1['当天仓位'].values+1.0).cumprod()
df1['指数净值']=(df1.ret.values+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
total_ret=df1[['策略净值','指数净值']].iloc[-1]-1
annual_ret=pow(1+total_ret,250/len(df1))-1
dd=(df1[['策略净值','指数净值']].cummax()-df1[['策略净值','指数净值']])/df1[['策略净值','指数净值']].cummax()
d=dd.max()
beta=df1[['策略收益率','指数收益率']].cov().iat[0,1]/df1['指数收益率'].var()
alpha=(annual_ret['策略净值']-annual_ret['指数净值']*beta)
exReturn=df1['策略收益率']-0.03/250
sharper_atio=np.sqrt(len(exReturn))*exReturn.mean()/exReturn.std()
TA1=round(total_ret['策略净值']*100,2)
TA2=round(total_ret['指数净值']*100,2)
AR1=round(annual_ret['策略净值']*100,2)
AR2=round(annual_ret['指数净值']*100,2)
MD1=round(d['策略净值']*100,2)
MD2=round(d['指数净值']*100,2)
S=round(sharper_atio,2)
df1[['策略净值','指数净值']].plot(figsize=(15,7))
plt.title('海龟交易策略简单回测',size=15)
bbox = dict(boxstyle="round", fc="w", ec="0.5", alpha=0.9)
plt.text(df1.index[int(len(df1)/5)], df1['指数净值'].max()/1.5, f'累计收益率：\
策略{TA1}%，指数{TA2}%;\n年化收益率：策略{AR1}%，指数{AR2}%；\n最大回撤： 策略{MD1}%，指数{MD2}%;\n\
策略alpha: {round(alpha,2)}，策略beta：{round(beta,2)}; \n夏普比率： {S}',size=13,bbox=bbox)
plt.xlabel('')
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.show()
#return df1.loc[:,['close','ret','H_N1','L_N2','当天仓位','策略净值','指数净值']] strategy('上证综指','20050101','')
strategy('沪深300','','')
strategy('创业板指','','')
strategy('沪深300','20180101','')
strategy('中国平安','20050101','',N1=20,N2=10)
strategy('东方通信','20130101','',N1=20,N2=10)
strategy('贵州茅台','20050101','',N1=20,N2=10)
本文简要介绍了海龟交易法则的基本原理，使用Python对其买卖信号进行了可视化分析，并利用Pandas对相关指数和个股运用简化版的海龟交易规则进行了历史回测。由回测结果可看出，该简化的趋势追踪策略对于某些标的在某些区间效果表现不错，但对于某些标的或某些时期则效果不佳。当然，本文旨在回顾经典策略，展示Pandas在金融量化分析的综合运用，为Python在金融量化中的运用起到抛砖引玉的效果，不作出任何选股或策略推荐。值得注意的是，任何策略都具有一定的局限性，尤其是知道和使用该策略的交易者多了，其作用自然比该理念刚出现的的效果差得多。正如技术分析指标，刚出现的时候很有效，但被大家所熟知或应用后，自然效用就大打折扣（相对于多因子模型中的Alpha被大家挖掘后渐渐成了risk factor）。但所谓新理念、新策略一定是站在前人的肩膀上，因此不能因为经典策略回测效果不佳而全盘否定，如何改进、细化和升级，使之更适合当下的市场才是我们要面对的问题。
关于Python金融量化