【量化交易笔记】11.移动平均交易策略

概述

上一节我们建立了最最简单的交易策略，尽管有了盈利，但实际操作上是不可行的。本节将运用移动平均指标，包括单一移动平均策略和双移动平均策略，来建立经典的移动平均策略。

数据采集处理

本文采用上一节的相同数据，为了方便，可以将数据保证在本地。为了完整性本次仍将提供完整代码，便于小伙伴们复现。

# 加载相应的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import baostock as bs
import warnings
warnings.filterwarnings("ignore")
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus']=False

lg = bs.login()
#指定一下获取股票数据的起始日期和截止日期
#这里就用2023年1月1日至今日的数据
start_date = '2023-01-01'
end_date = '2023-10-19'
#创建数据表，这里选择下载的股票代码为600000

rs=bs.query_history_k_data_plus('600000.sh', 
 "date,open,high,low,close,volume",
    start_date=start_date, end_date=end_date,
frequency="d", adjustflag="3")
# .get_data()
#下面来检查一下数据表的前5行
data=rs.get_data()

cols=["open","high","low","close","volume"]
data[cols]=data[cols].astype('float')
data['date']=pd.to_datetime(data['date'])
data.set_index('date',inplace=True)
data.to_csv("./data/sh600000.csv")

单一移动平均策略

这个策略的核心思想：利用趋势，低买高卖。一般选择一个适当的平均指标来衡量市场的趋势。比如，可以使用简单移动平均线 (SMA) 或指数移动平均线 (EMA) 等，这些指标在之前的文章已作详细说明。
策略： 当股价向上且向上穿过N日均，说明股价向上突破，此时买入；当股价下降且向下穿过N日均线时，说明股价整体出现下跌趋势，此时卖出！
接下来，我将以10日均线（均价）为例进行讲解。

获取均值

如果直接用rolling 函数或 talib.MA获取移动平均值，会出现前面的数值为空情况。

data.close.rolling(window=10).mean()

date
2023-01-03 NaN
2023-01-04 NaN
2023-01-05 NaN
2023-01-06 NaN
2023-01-09 NaN
…
2023-10-13 7.102
2023-10-16 7.091
2023-10-17 7.084
2023-10-18 7.074
2023-10-19 7.045
Name: close, Length: 191, dtype: float64

为了更好的平滑这个曲线，我们做了一些简单的处理，还不到这些10天的空值，均由前面的平均给定。
最后获得均值合并到data数据中。

#这里使用10日均线
period = 10
#设置一个空列表，用来存储每10天的价格
avg_10 = []
#再设置一个空列表，用来存储每10天价格的均值
avg_value = []
#设置一个循环
for price in data['close']:
    #把每天的价格传入到avg_10列表
    avg_10.append(price)
    #当列表中存储的数值多于10个时
    if len(avg_10) > period:
        #就把前面传入的价格数据删掉，确保列表中只有10天的数据
        del avg_10[0]
    #将10天数据的均值传入到avg_value列表中
    avg_value.append(np.mean(avg_10))
#把计算好的10日均价写到股票价格数据表中    
data['MA10']=avg_value
data

如下表，MA10 ，第一个数据，即为close 本身，第二个数据为7.23和7.31 的平均值，以此累推。

date	open	high	low	close	volume	MA10
2023-01-03	7.27	7.28	7.17	7.23	25892521.0	7.230000
2023-01-04	7.27	7.35	7.23	7.31	30947081.0	7.270000
2023-01-05	7.37	7.38	7.30	7.35	30162154.0	7.296667
2023-01-06	7.35	7.38	7.31	7.34	20312881.0	7.307500
2023-01-09	7.38	7.38	7.30	7.34	19612260.0	7.314000
…	…	…	…	…	…	…
2023-10-13	7.11	7.15	7.08	7.10	19650410.0	7.102000
2023-10-16	7.12	7.13	7.04	7.07	24907733.0	7.091000
2023-10-17	7.09	7.10	7.05	7.09	19029143.0	7.084000
2023-10-18	7.07	7.11	7.05	7.05	21485721.0	7.074000
2023-10-19	7.04	7.05	6.83	6.84	61679771.0	7.045000

191 rows × 6 columns

设置交易信号

当股价向上且向上穿过10日均线，说明股价向上突破，此时买入；当股价下降且向下穿过10日均线时，说明股价整体出现下跌趋势，此时卖出！

# 定义买入和卖出的条件  
# data['buy_signal'] = np.where(data['close'] > data['MA10'], 1, 0)  
# data['sell_signal'] = np.where(data['close'] < data['MA10'], -1, 0)
data['signal']=np.where(data['close'] > data['MA10'], 1, 0) 
data['order']=data['signal'].diff()*100

原本分别设置买入和卖出，导致算法复杂，统一修改成上节，便于操作，结果也不受影响，最后根据交易信号确定买卖数量。
这里有一个注意事项，在操作中，可能会出现，先卖后买的情况，即在data中先有-100的值，遇到这种情况，需要作一些调整，或直接修改为0，即可。

图形查看

利用图形，查看具体操作信号的位置。

#设置图像尺寸为12*8
plt.figure(figsize=(15,10))
#绘制股价的变化
plt.plot(data['close'],lw=2, c='k',label='股价')
#绘制10日均线
plt.plot(data['MA10'], '--',lw=2, c='b',label='10日均线')

#如果当天股价下跌给出买入信号，用正三角表示
plt.scatter(data['close'].loc[data.order>0].index,
        data['close'][data.order>0],
        marker = '^', s=80, c='r')

#如果当天股价上涨，标出卖出信号，用倒三角表示
plt.scatter(data['close'].loc[data.order<0].index,
        data['close'][data.order<0],
        marker = 'v', s=80, c='g')

#添加图注和网格
plt.legend()
plt.grid()
#将图像进行显示
plt.show();

处理数据

df=data.copy()
df['price']=df['close']
df.fillna(0.0,inplace=True)
df=df.fillna(0)
#一般情况下，在A股市场，买入或卖出至少为100股，即1手
df['order'] = df['signal'].diff()*100
df.fillna(0.0,inplace=True)
df['cash']=np.NaN
df['total']=np.NaN
df['position']=df['order'].cumsum()
df.cash.iloc[0]=1000

for i in range(1,len(df)):
    if (df.order.iloc[i]==0):
        df.cash.iloc[i] =df.cash.iloc[i-1]
    else:
        df.cash.iloc[i] =df.cash.iloc[i-1]-df.price.iloc[i]*df.order.iloc[i]
df['total'] =df['cash']+df['position']*df['price']
# 有一些警告错误 可以关闭

#为了让直观看到自己的总资产变化
#我们用图形来进行展示
#设置图形的尺寸是10*6
plt.figure(figsize=(10,6))
#分别绘制总资产和持仓股票市值的变化
plt.plot(df['total'],label='总市值')
plt.plot(df['order'].cumsum()*df['price'],'--',
        label='股票市值')
#增加网格，调整一下图注的位置，就可以显示图像了
plt.grid()
plt.legend(loc='center right')
plt.show()

查看收益

date	open	high	low	close	volume	MA10	signal	order	price	cash	total	position
2023-01-03	7.27	7.28	7.17	7.23	25892521.0	7.230000	0	0.0	7.23	1000.0	1000.0	0.0
2023-01-04	7.27	7.35	7.23	7.31	30947081.0	7.270000	1	100.0	7.31	269.0	1000.0	100.0
2023-01-05	7.37	7.38	7.30	7.35	30162154.0	7.296667	1	0.0	7.35	269.0	1004.0	100.0
2023-01-06	7.35	7.38	7.31	7.34	20312881.0	7.307500	1	0.0	7.34	269.0	1003.0	100.0
2023-01-09	7.38	7.38	7.30	7.34	19612260.0	7.314000	1	0.0	7.34	269.0	1003.0	100.0
…	…	…	…	…	…	…	…	…	…	…	…	…
2023-10-13	7.11	7.15	7.08	7.10	19650410.0	7.102000	0	-100.0	7.10	946.0	946.0	0.0
2023-10-16	7.12	7.13	7.04	7.07	24907733.0	7.091000	0	0.0	7.07	946.0	946.0	0.0
2023-10-17	7.09	7.10	7.05	7.09	19029143.0	7.084000	1	100.0	7.09	237.0	946.0	100.0
2023-10-18	7.07	7.11	7.05	7.05	21485721.0	7.074000	0	-100.0	7.05	942.0	942.0	0.0
2023-10-19	7.04	7.05	6.83	6.84	61679771.0	7.045000	0	0.0	6.84	942.0	942.0	0.0

小结

本次的单一移动均值策略，居然亏损了，但我们分析一下整理效果。

双移动平均策略

顾名思义，双移动平均策略，就是用两条不同的均线来判定股票走势。一般情况，在两条均线中，一条是短期均线（如5日均线），另一条是长期均线（如20日均线）【5日均线又称周均线，20日均线又称月均线，因为一周有5个交易日，一月有21个交易】。

仍以上述数据，只增加5日均值线和20日均值线合并到data。

为了方便定义了一个函数。 在设置交易信号不同，其余均与上述方法相同。

def getSMA(data,period=10):
    # period = 10
    #设置一个空列表，用来存储每10天的价格
    avg_10 = []
    #再设置一个空列表，用来存储每10天价格的均值
    avg_value = []
    #设置一个循环
    for price in data['close']:
        #把每天的价格传入到avg_10列表
        avg_10.append(price)
        #当列表中存储的数值多于10个时
        if len(avg_10) > period:
            #就把前面传入的价格数据删掉，确保列表中只有10天的数据
            del avg_10[0]
        #将10天数据的均值传入到avg_value列表中
        avg_value.append(np.mean(avg_10))
    return avg_value

获得5日和20均线

df=data.copy()
#把分别计算好5日和20日均线    
df['MA5']=getSMA(df,5)
df['MA20']=getSMA(df,20)
# 删除多余的列
df.drop(['MA10','signal','order'],axis=1,inplace=True)

设置交易信号

当5日均线上穿20日均线就买入，当5日均线下穿20日均线就卖出。

# 定义买入和卖出的条件  
df['signal']=np.where(df['MA5'] > df['MA20'], 1, 0) 
df['order']=df['signal'].diff()*100

画交易点图形

#设置图像尺寸为12*8
plt.figure(figsize=(12,8))
#绘制股价的变化
plt.plot(df['close'],lw=2, c='k',label='股价')
#绘制10日均线
plt.plot(df['MA5'], '--',lw=2, c='b',label='5日均线')
plt.plot(df['MA20'], '*',lw=2, c='g',label='20日均线')

#如果当天股价下跌给出买入信号，用正三角表示
plt.scatter(df['close'].loc[df.order>0].index,
        df['close'][df.order>0],
        marker = '^', s=80, c='r')

#如果当天股价上涨，标出卖出信号，用倒三角表示
plt.scatter(df['close'].loc[df.order<0].index,
        df['close'][df.order<0],
        marker = 'v', s=80, c='g')

#添加图注和网格
plt.legend()
plt.grid()
#将图像进行显示
plt.show();

处理数据

# df=data.copy()
df['price']=df['close']
df.fillna(0.0,inplace=True)
df=df.fillna(0)
#一般情况下，在A股市场，买入或卖出至少为100股，即1手
df['order'] = df['signal'].diff()*100
df.fillna(0.0,inplace=True)
df['cash']=np.NaN
df['total']=np.NaN
df['position']=df['order'].cumsum()
df.cash.iloc[0]=1000

for i in range(1,len(df)):
    if (df.order.iloc[i]==0):
        df.cash.iloc[i] =df.cash.iloc[i-1]
    else:
        df.cash.iloc[i] =df.cash.iloc[i-1]-df.price.iloc[i]*df.order.iloc[i]
df['total'] =df['cash']+df['position']*df['price']

plt.figure(figsize=(10,6))
#分别绘制总资产和持仓股票市值的变化
plt.plot(df['total'],label='总市值')
plt.plot(df['order'].cumsum()*df['price'],'--',
        label='股票市值')
#增加网格，调整一下图注的位置，就可以显示图像了
plt.grid()
plt.legend(loc='center right')
plt.show()

查看收益

date	open	high	low	close	volume	MA5	MA20	signal	order	price	cash	total	position
2023-01-03	7.27	7.28	7.17	7.23	25892521.0	7.230000	7.230000	0	0.0	7.23	1000.0	1000.0	0.0
2023-01-04	7.27	7.35	7.23	7.31	30947081.0	7.270000	7.270000	0	0.0	7.31	1000.0	1000.0	0.0
2023-01-05	7.37	7.38	7.30	7.35	30162154.0	7.296667	7.296667	0	0.0	7.35	1000.0	1000.0	0.0
2023-01-06	7.35	7.38	7.31	7.34	20312881.0	7.307500	7.307500	0	0.0	7.34	1000.0	1000.0	0.0
2023-01-09	7.38	7.38	7.30	7.34	19612260.0	7.314000	7.314000	0	0.0	7.34	1000.0	1000.0	0.0
…	…	…	…	…	…	…	…	…	…	…	…	…	…
2023-10-13	7.11	7.15	7.08	7.10	19650410.0	7.060000	7.091500	0	0.0	7.10	911.0	911.0	0.0
2023-10-16	7.12	7.13	7.04	7.07	24907733.0	7.068000	7.095000	0	0.0	7.07	911.0	911.0	0.0
2023-10-17	7.09	7.10	7.05	7.09	19029143.0	7.084000	7.097500	0	0.0	7.09	911.0	911.0	0.0
2023-10-18	7.07	7.11	7.05	7.05	21485721.0	7.090000	7.097000	0	0.0	7.05	911.0	911.0	0.0
2023-10-19	7.04	7.05	6.83	6.84	61679771.0	7.030000	7.086500	0	0.0	6.84	911.0	911.0	0.0

191 rows × 13 columns

总结

1. 这几个策略都没有取得良好的效果，这是因为移动平均策略是适合趋势市场。这个震荡的市场效果不理想。
2. 以上回测，并没有加入交易费用，是不全面的。
3. 回测的图形不是很直观，没有看到收益情况，需要查表格最后才能看明白。
4. 回测应有收益曲线，基准曲线等
5. 回测一些相关参数，如 $\alpha 和\beta$，最大回测，年化收益等
6. 完整的策略，包括 指标、标的、择时以及风控等组成。
   在以后文章中，将逐步增加以上相关知识点。

在此警告：文章中的所有内容，不能给你构成投资的理由。