金融工程--基础策略构建

背景

1、如何构建良好的策略框架或者多决策模式来保证交易的稳定程度

策略

SMA策略

简单移动平均线（SMA）策略是一种在金融市场中常用的技术分析方法，它通过计算特定时间段内资产价格的平均值来识别市场趋势。SMA策略的核心思想是，当短期SMA上穿长期SMA时，可能是一个买入信号；相反，当短期SMA下穿长期SMA时，则可能是一个卖出信号。

class SMAStrategy(bt.Strategy):
    params = (
        ('pfast', 5),  # 短期SMA周期
        ('pslow', 20), # 长期SMA周期
    )

    def __init__(self):
        # 计算短期和长期SMA
        self.sma_fast = bt.ind.SMA(period=self.p.pfast)
        self.sma_slow = bt.ind.SMA(period=self.p.pslow)

    def next(self):
        # 当短期SMA上穿长期SMA时买入
        if self.sma_fast > self.sma_slow:
            self.buy()
        # 当短期SMA下穿长期SMA时卖出
        elif self.sma_fast < self.sma_slow:
            self.sell()

Dual Thrust策略

Dual Thrust策略是一种由Michael Chalek在20世纪80年代开发的著名的趋势跟踪系统，它因其简单易用和适用范围广而受到投资者的欢迎。这种策略曾被Future Truth杂志评为最赚钱的策略之一，可以为投资者带来长期稳定的收益，被广泛应用于股票、货币、贵金属、债券、能源及股指期货市场等 。

Dual Thrust策略的核心在于利用价格波动区间进行交易。具体来说，策略首先计算前N天内最高的最高价（HH）、最高的收盘价（HC）、最低的收盘价（LC）、最低的最低价（LL），然后计算两个差值：HH-LC和HC-LL，取这两个差值的最大值作为区间值，再乘以不同的系数K1和K2得到上下轨的触发值。在开盘后，当价格超过上轨（开盘价+K1×区间值）时买入，或者当价格低于下轨（开盘价-K2×区间值）时卖出 。

在实际应用中，Dual Thrust策略的表现会受到多种因素的影响，包括参数选择、市场波动性等。例如，在A股市场中，使用中证1000指数进行回测时，如果没有适当的优化，策略可能并不会带来预期的高收益 。为了提高策略的有效性，可以采取一些优化措施，如收盘清仓、跟踪止损以及参数调优等 。

此外，还有研究者在QuantConnect上实现了Dual Thrust策略，并对其进行了测试。结果表明，该策略在趋势市场中表现较好，但在波动性较大的市场中可能会触发一些虚假的买卖信号。在区间震荡市场中，通过调整参数可以获得更好的回报 。

总的来说，Dual Thrust策略是一个经典的交易策略，通过适当的优化和参数调整，可以在不同的市场环境中发挥作用。然而，和所有交易策略一样，它也需要投资者根据实际情况进行细致的分析和调整。

马丁格尔策略

马丁格尔策略（Martingale Strategy）是一种在金融交易中使用的策略，特别是在赌博和交易中，其核心思想是在亏损后增加赌注或投资额，以期望在下一次交易中能够回本并盈利。这种策略在量化交易中也可以实现，但需要谨慎使用，因为它可能导致巨大的资金风险。

class MartingaleStrategy(bt.Strategy):
    params = (
        ('martingale_factor', 2),  # 每次亏损后增加的倍数
        ('initial_capital', 10000),  # 初始资金
        ('persistence', 0.05),  # 交易信号的阈值
    )

    def __init__(self):
        self.capital = self.params.initial_capital
        self.position = 0
        self.bet_size = self.capital
        self.factor = self.params.martingale_factor

    def next(self):
        # 检查是否已经有头寸
        if self.position:
            if self.position > 0 and self.data.close[0] < self.data.close[-1]:
                # 多头头寸且价格下跌，关闭头寸
                self.close()
            elif self.position < 0 and self.data.close[0] > self.data.close[-1]:
                # 空头头寸且价格上涨，关闭头寸
                self.close()
        else:
            # 没有头寸，根据信号开仓
            if self.data.close[0] < self.data.close[-1] * (1 + self.params.persistence):
                # 预期价格上涨，买入
                self.position = self.bet_size / self.data.close[0]
                self.bet_size *= self.factor  # 增加赌注
            elif self.data.close[0] > self.data.close[-1] * (1 - self.params.persistence):
                # 预期价格下跌，卖出
                self.position = -self.bet_size / self.data.close[0]
                self.bet_size *= self.factor  # 增加赌注

    def log(self, txt, dt=None):
        dt = dt or self.data.datetime[0]
        print(f'{dt.date()}, {self.data.close[0]:.2f}, {txt}')

回测框架部分

# 创建Backtrader的Cerebro引擎
cerebro = bt.Cerebro()

# 添加数据源
data = bt.feeds.SomeDataFeed(...)
cerebro.adddata(data)

# 添加策略，Strategy替换成你自定义的策略
cerebro.addstrategy([Strategy])

# 运行回测
cerebro.run()

# 绘制结果
cerebro.plot()

参考文献