海龜交易系統的實現
前言
海龜交易系統本質上是一個趨勢跟隨的系統,可是最值得咱們學習的,是資金管理尤爲是分批建倉及動態止損的部分
1、趨勢捕捉
** 唐奇安通道**
該指標是有Richard Donchian發明的，是有3條不一樣顏色的曲線組成的，該指標用週期（通常都是20）內的最高價和最低價來顯示市場價格的波動性，當其通道窄時表示市場波動較小，反之通道寬則表示市場波動比較大。 如圖所示：react
該具體分析爲：
當價格沖沖破上軌是就是可能的買的信號；反之，衝破下軌時就是可能的賣的信號。
該指標的計算方法爲：
上線=Max（最高低，n）
下線=Min（最低價，n）
中線=（上線+下線）/2
海龜交易就是利用唐奇安通道的價格突破來捕捉趨勢。api
不過咱們在向下突破10日唐奇安下沿賣出。markdown
2、資金管理
2.一、N值計算
N值是倉位管理的核心，涉及加倉及止損。另外，N值與技術指標平均真實波幅 ATR很類似app
首先介紹真實波幅： 真實波幅是如下三個值中的最大值函數
一、當前交易日最高價和最低價的波幅
二、前一交易日的收盤價與當前交易日最高價的波幅
三、前一交易日的收盤價與當前交易日最低價的波幅
用公式寫就是：學習
TrueRange=Max(High−Low,abs(High−PreClose),abs(PreClose−Low))
接下來，N值計算公式爲：優化
N=PreN[−19：]+TrueRange20
其中 preN爲前面N值，TrueRange爲當前的真實波幅,此公式的真是含義爲計算以前20天（包括今天在內）的N的平均值
另外，有些海龜交易系統用的是ATR來代替N值，ATR爲真實波幅的20日平均。
2.2 買賣單位及首次建倉
先給出公式：ui
Unit=1N
首次建倉的時候，當捕捉到趨勢，即價格突破唐奇安上軌時，買入1個unit。atom
其意義就是，讓一個N值的波動與你總資金1%的波動對應，若是買入1unit單位的資產，當天震幅使得總資產的變化不超過1%。例如：spa
如今你有10萬元資金，1%波動就是1000元。假如標X的N值爲0.2元，1000元÷0.2元=5000股。也就是說，你的第一筆倉位應該是在其突破上軌（假設爲5元）時馬上買入5000股，耗資25000元。
2.3 加倉
若股價在上一次買入（或加倉）的基礎上上漲了0.5N，則加倉一個Unit。
接上面的例子：假如N值仍爲0.2。
價格來到 5 + 0.2*0.5 = 5.1時，加倉1個Unit，買入5000股，耗資25500元，剩餘資金 49500元
價格來到 5.1 + 0.2*0.5 = 5.2 時再加倉1個unit。買入5000股，耗資26000元，剩餘資金 23500元
2.4 動態止損
當價格比最後一次買入價格下跌2N時，則賣出所有頭寸止損。
接上面的例子，最後一次加倉價格爲5.2。假如此時N值0.2元。 當價格下跌到 5.2 - 2*0.2 = 4.8元時，清倉。
持倉成本爲 （5+5.1+5.2）*5000/15000 = 5.1元。 此時虧損 （5.1-4.8）*15000 = 4500元 對於10萬來講 這波虧損4.5%
2.5 止盈
當股價跌破10日唐奇安通道下沿，清空頭寸結束本次交易
3、代碼實現
本代碼用ATR代替N值進行計算,其餘邏輯不變:
ATR=MA(TrueRange,20)
咱們以單隻股票爲標，創建海龜交易系統，固然，能夠將總資產均分爲n份，同時交易n個標。 計算ATR值用日線數據，監控價格突破採用分鐘線
0 初始化參數，在initialize(account)寫入
1
def initialize(account):
2
account.last_buy_prcie = 0 #上一次買入價
3
account.hold_flag = False # 是否持有頭寸標誌
4
account.limit_unit = 4 # 限制最多買入的單元數
5
account.unit = 0 # 如今買入1單元的股數
6
1 唐奇安通道計算及判斷入場離場：
咱們設計個函數，傳入值爲回測中 account.get_history()取得的某單個股票的歷史數據、股票現價、T爲計算唐奇安通道的數據長度,轉化爲dataframe格式
1
def IN_OR_OUT(data,price,T):
2
up = max(data['highPrice'].iloc[-T:])
3
down = min(data['lowPrice'].iloc[-int(T/2):]) # 這裏是10日唐奇安下沿
4
if price>up:
5
return 1
6
elif price<down:
7
return -1
8
else:
9
return 0
2. ATR值計算：
1
def CalcATR(data):
2
TR_List = []
3
for i in range(1,21):
4
TR = max(data['highPrice'].iloc[i]-data['lowPrice'].iloc[i],abs(data['highPrice'].iloc[i]-data['closePrice'].iloc[i-1]),abs(data['closePrice'].iloc[i-1]-data['lowPrice'].iloc[i]))
5
TR_List.append(TR)
6
ATR = np.array(TR_List).mean()
7
return ATR
3. 計算unit,注意股數爲100的整數倍
1
def CalcUnit(perValue,ATR):
2
return int((perValue/ATR)/100)*100
4.判斷是否加倉或止損：
當價格相對上個買入價上漲 0.5ATR時，再買入一個unit
當價格相對上個買入價下跌 2ATR時，清倉
1
def Add_OR_Stop(price,lastprice,ATR):
2
if price >= lastprice + 0.5*ATR:
3
return 1
4
elif price <= lastprice - 2*ATR:
5
return -1
6
else:
7
return 0
5 判斷上次賣出操做是否成功(可能出現當日買進，以後卻判斷須要賣出)
1
def SellComplete(hold_flag,security_position):
2
if len(security_position)>0 and hold_flag==False:
3
return True
4
else:
5
return False
構建策略
分鐘線回測時間略長啊~
先把上面寫的函數集中下，方便微核充啓後運行函數
1
################################################### 計算、判斷函數 #####################################################################
2
def IN_OR_OUT(data,price,T):
3
up = max(data['highPrice'].iloc[-T:])
4
down = min(data['lowPrice'].iloc[-int(T/2):]) # 這裏是10日唐奇安下沿
5
if price>up:
6
return 1
7
elif price<down:
8
return -1
9
else:
10
return 0
11
12
def CalcATR(data):
13
TR_List = []
14
for i in range(1,21):
15
TR = max(data['highPrice'].iloc[i]-data['lowPrice'].iloc[i],abs(data['highPrice'].iloc[i]-data['closePrice'].iloc[i-1]),abs(data['closePrice'].iloc[i-1]-data['lowPrice'].iloc[i]))
16
TR_List.append(TR)
17
ATR = np.array(TR_List).mean()
18
return ATR
19
20
def CalcUnit(perValue,ATR):
21
return int((perValue/ATR)/100)*100
22
23
def Add_OR_Stop(price,lastprice,ATR):
24
if price >= lastprice + 0.5*ATR:
25
return 1
26
elif price <= lastprice - 2*ATR:
27
return -1
28
else:
29
return 0
30
31
def SellComplete(hold_flag,security_position):
32
if len(security_position)>0 and hold_flag==False:
33
return True
34
else:
35
return False
1
import numpy as np
2
import pandas as pd
3
from __future__ import division
4
from CAL.PyCAL import *
5
import matplotlib.pyplot as plt
6
7
start = '2012-01-01' # 回測起始時間
8
end = '2016-01-01' # 回測結束時間
9
benchmark = '000001.XSHE'
10
universe = ['000001.XSHE']
11
capital_base = 100000 # 起始資金
12
freq = 'm' # 策略類型，'d'表示日間策略使用日線回測，'m'表示日內策略使用分鐘線回測
13
refresh_rate = 1 # 調倉頻率，表示執行handle_data的時間間隔，若freq = 'd'時間間隔的單位爲交易日，若freq = 'm'時間間隔爲分鐘
14
15
16
#----------------------------------- 記錄部分數據 -----------------------------
17
global record
18
record = {'break_up':{},'break_down':{},'stop_loss':{},'position':{},'ATR':{}} # 記錄入場、離常、止損點、持倉比、ATR
19
#---------------------------------------------------------------------------------------
20
21
#****************************************** 策略主體 ********************************************
22
23
def initialize(account): # 初始化虛擬帳戶狀態
24
account.last_buy_prcie = 0 #上一次買入價
25
account.hold_flag = False # 是否持有頭寸標誌
26
account.limit_unit = 4 # 限制最多買入的單元數
27
account.unit = 0 # 如今買入1單元的股數
28
account.add_time = 0 # 買入次數
29
30
31
def handle_data(account): # 每一個交易日的買入賣出指令
32
T = 20
33
data = account.get_daily_history(T+1)
34
stk = universe[0]
35
data = data[stk]
36
data = pd.DataFrame(data)
37
prices = account.reference_price[stk]
38
today = Date.fromDateTime(account.current_date)
39
today = today.toISO()
40
41
# 0 若是停牌，直接跳過
42
if np.isnan(prices) or prices == 0: # 停牌或是尚未上市等緣由不能交易
43
return
44
45
# 1 計算ATR
46
ATR = CalcATR(data)
47
record['ATR'].update({today:ATR})
48
49
# 2 判斷上次賣出是否成功，若不成功，再次賣出
50
if SellComplete(account.hold_flag,account.security_position):
51
for stk in account.security_position:
52
order_to(stk,0)
53
54
# 3 判斷加倉或止損
55
if account.hold_flag==True and len(account.security_position)>0: # 先判斷是否持倉
56
temp = Add_OR_Stop(prices,account.last_buy_prcie,ATR)
57
if temp ==1and account.add_time<account.limit_unit: # 判斷加倉
58
order_num = min(account.unit,account.cash) # 不夠1unit時買入剩下所有
59
order_to(stk,account.unit)
60
account.last_buy_prcie = prices
61
account.add_time += 1
62
elif temp== -1: # 判斷止損
63
order_to(stk,0)
64
initialize(account) # 從新初始化參數 very important here!
65
record['stop_loss'].update({today:prices})
66
67
# 4 判斷入場離場
68
out = IN_OR_OUT(data,prices,T)
69
if out ==1 and account.hold_flag==False: #入場
70
value = account.reference_portfolio_value * 0.01
71
account.unit = CalcUnit(value,ATR)
72
order_to(stk,account.unit)
73
account.add_time = 1
74
account.hold_flag = True
75
account.last_buy_prcie = prices
76
record['break_up'].update({today:prices})
77
78
elif out==-1 and account.hold_flag ==True: #離場
79
order_to(stk,0)
80
initialize(account) # 從新初始化參數 very important here!
81
record['break_down'].update({today:prices})
82
83
# 5 計算持倉比
84
ratio = 1 - account.cash/account.reference_portfolio_value
85
record['position'].update({today:ratio}) # 雖然每分鐘重算，但由於key是日期，最後覆蓋爲當日最終持倉比
86
87
return
88
- 年化收益率8.6%
- 基準年化收益率17.1%
- 阿爾法2.9%
- 貝塔0.17
- 夏普比率0.49
- 收益波動率10.5%
- 信息比率-0.43
- 最大回撤11.8%
- 年化換手率--
累計收益率策略基準2012-012012-072013-012013-072014-012014-072015-012015-072016-01-50.00%0.00%50.00%100.00%150.00%200.00%2015-03-12策略: 27.17%基準: 85.35%
WARNING: refresh_rate的值僅做用於分鐘線。若想對日線進行控制，請使用以下定義: refresh_rate = (日線refresh_rate， 分鐘線refresh_rate)
咱們發現，收益基本上處於階梯狀上升。可是幾年下來收益也並不高，咱們來看看記錄下來的數據，分析下整個過程：
1
r = pd.DataFrame(record)
2
adj_price = DataAPI.MktEqudAdjGet(secID=u"000001.XSHE",ticker=u"",beginDate='20120101',endDate='20160101',isOpen="",field=u"",pandas="1")
3
adj_price = adj_price.set_index('tradeDate')
把圖畫出來：
紅色點爲入場點；
藍色點爲離場點；
綠色點位止損點
1
plt.figure(figsize=(20,10))
2
r['ATR'].plot(label='ATR')
3
adj_price['closePrice'].plot(label='adj price')
4
adj_price['highestPrice'].plot(label='high price')
5
adj_price['lowestPrice'].plot(label='low price')
6
for i in range(len(r)):
7
plt.plot(i,r['break_up'].iloc[i],'.r',markersize=13)
8
plt.plot(i,r['break_down'].iloc[i],'.b',markersize=13)
9
plt.plot(i,r['stop_loss'].iloc[i],'.g',markersize=13)
10
plt.legend(loc=0)
<matplotlib.legend.Legend at 0x468a6c50>
能夠發現：
ATR波形有些異常，有些地方會直線上升。分析後發現：由於quartz 中，account.get_daily_history()取得的最高最低價中，對停牌的狀況處理爲了0！
咱們調整下策略：
在計算ATR時，剔除最高最低爲0的部分，再作平均。
1
import numpy as np
2
import pandas as pd
3
from __future__ import division
4
from CAL.PyCAL import *
5
import matplotlib.pyplot as plt
6
7
start = '2012-01-01' # 回測起始時間
8
end = '2016-01-01' # 回測結束時間
9
benchmark = '000001.XSHE'
10
universe = ['000001.XSHE']
11
capital_base = 100000 # 起始資金
12
freq = 'm' # 策略類型，'d'表示日間策略使用日線回測，'m'表示日內策略使用分鐘線回測
13
refresh_rate = 1 # 調倉頻率，表示執行handle_data的時間間隔，若freq = 'd'時間間隔的單位爲交易日，若freq = 'm'時間間隔爲分鐘
14
15
16
#----------------------------------- 記錄部分數據 -----------------------------
17
global record
18
record = {'break_up':{},'break_down':{},'stop_loss':{},'position':{},'ATR':{}} # 記錄入場、離常、止損點、持倉比、ATR
19
#---------------------------------------------------------------------------------------
20
21
22
#****************************************** 策略主體 ********************************************
23
24
def initialize(account): # 初始化虛擬帳戶狀態
25
account.last_buy_prcie = 0 #上一次買入價
26
account.hold_flag = False # 是否持有頭寸標誌
27
account.limit_unit = 4 # 限制最多買入的單元數
28
account.unit = 0 # 如今買入1單元的股數
29
account.add_time = 0 # 買入次數
30
31
32
def handle_data(account): # 每一個交易日的買入賣出指令
33
T = 20
34
data = account.get_daily_history(T+1)
35
stk = universe[0]
36
data = data[stk]
37
#---------------------- 修改部分 ----------------------
38
data = pd.DataFrame(data)
39
data['highPrice'] = data['highPrice'].replace(0,np.nan)
40
data = data.dropna()
41
if len(data)<T+1:
42
delta = T+1 - len(data)
43
m = T+1+delta
44
while delta > 0: # 直到取滿20個不爲停牌的數據
45
m += delta
46
data = account.get_daily_history(m)
47
data = data[stk]
48
data = pd.DataFrame(data)
49
data['highPrice'] = data['highPrice'].replace(0,np.nan)
50
data = data.dropna()
51
delta = T+1 - len(data)
52
#---------------------------------------------------------
53
prices = account.reference_price[stk]
54
today = Date.fromDateTime(account.current_date)
55
today = today.toISO()
56
57
# 0 若是停牌，直接跳過
58
if np.isnan(prices) or prices == 0: # 停牌或是尚未上市等緣由不能交易
59
return
60
61
# 1 計算ATR
62
ATR = CalcATR(data)
63
record['ATR'].update({today:ATR})
64
65
# 2 判斷上次賣出是否成功，若不成功，再次賣出
66
if SellComplete(account.hold_flag,account.security_position):
67
for stk in account.security_position:
68
order_to(stk,0)
69
70
# 3 判斷加倉或止損
71
if account.hold_flag==True and len(account.security_position)>0: # 先判斷是否持倉
72
temp = Add_OR_Stop(prices,account.last_buy_prcie,ATR)
73
if temp ==1and account.add_time<account.limit_unit: # 判斷加倉
74
order_num = min(account.unit,account.cash) # 不夠1unit時買入剩下所有
75
order_to(stk,account.unit)
76
account.last_buy_prcie = prices
77
account.add_time += 1
78
elif temp== -1: # 判斷止損
79
order_to(stk,0)
80
initialize(account) # 從新初始化參數 very important here!
81
record['stop_loss'].update({today:prices})
82
83
# 4 判斷入場離場
84
out = IN_OR_OUT(data,prices,T)
85
if out ==1 and account.hold_flag==False: #入場
86
value = account.reference_portfolio_value * 0.01
87
account.unit = CalcUnit(value,ATR)
88
order_to(stk,account.unit)
89
account.add_time = 1
90
account.hold_flag = True
91
account.last_buy_prcie = prices
92
record['break_up'].update({today:prices})
93
94
elif out==-1 and account.hold_flag ==True: #離場
95
order_to(stk,0)
96
initialize(account) # 從新初始化參數 very important here!
97
record['break_down'].update({today:prices})
98
99
# 5 計算持倉比
100
ratio = 1 - account.cash/account.reference_portfolio_value
101
record['position'].update({today:ratio}) # 雖然每分鐘重算，但由於key是日期，最後覆蓋爲當日最終持倉比
102
103
return
- 年化收益率8.7%
- 基準年化收益率17.1%
- 阿爾法2.9%
- 貝塔0.17
- 夏普比率0.48
- 收益波動率10.9%
- 信息比率-0.43
- 最大回撤11.8%
- 年化換手率--
累計收益率策略基準2012-012012-072013-012013-072014-012014-072015-012015-072016-01-50.00%0.00%50.00%100.00%150.00%200.00%
WARNING: refresh_rate的值僅做用於分鐘線。若想對日線進行控制，請使用以下定義: refresh_rate = (日線refresh_rate， 分鐘線refresh_rate)
累計收益相差很少，咱們再來看看記錄的數據。
紅色點爲入場點；
藍色點爲離場點；
綠色點位止損點
1
r = pd.DataFrame(record)
2
adj_price = DataAPI.MktEqudAdjGet(secID=u"000001.XSHE",ticker=u"",beginDate='20120101',endDate='20160101',isOpen="",field=u"",pandas="1")
3
adj_price = adj_price.set_index('tradeDate')
4
adj_price['highestPrice'] = adj_price['highestPrice'].replace(0,np.nan)
5
adj_price['lowestPrice'] = adj_price['lowestPrice'].replace(0,np.nan)
6
7
plt.figure(figsize=(20,10))
8
r['ATR'].plot(label='ATR')
9
adj_price['closePrice'].plot(label='adj price')
10
adj_price['highestPrice'].plot(label='high price')
11
adj_price['lowestPrice'].plot(label='low price')
12
for i in range(len(r)):
13
plt.plot(i,r['break_up'].iloc[i],'.r',markersize=13)
14
plt.plot(i,r['break_down'].iloc[i],'.b',markersize=13)
15
plt.plot(i,r['stop_loss'].iloc[i],'.g',markersize=13)
16
plt.legend(loc=0)
<matplotlib.legend.Legend at 0x54b4f490>
-
此次發現，ATR波形比較正常，在波動劇烈的時候增大。
-
觀察入場、離場、止損點發現，海龜交易系統捕捉到了大的上漲趨勢，在震盪市中不斷試錯止損。
-
上漲過程當中出現回調容易震出，減小了回撤的同時也減少了收益。
再看看倉位狀況
1
r['position'].plot(kind='bar',figsize=(200,5))
<matplotlib.axes._subplots.AxesSubplot at 0xb28f9cd0>
-
能夠發現，大部分持有狀況下倉位在0.5左右，甚至低於半倉，少數高於半倉的狀況最高不超過0.8。所以，收益不高也是正常了。
總結
-
本文主要介紹了海龜交易的細節，不過是面向一個投資目標的。當想投多隻股票時，能夠先設定幾個坑位，平分資金，而後對每一個坑位採用海龜交易策略。
-
海龜交易系統一般會用兩個趨勢捕捉系統，不一樣之處在於價格突破的上下線計算。系統1：突破上線20日最高買，突破下線10日最低賣；系統2：突破上線55日最高買，突破下線20日最低賣。 這部分能夠經過修改參數實現。
-
原始的海龜交易採用唐奇安通道來捕捉趨勢，雖然能捕捉到大趨勢，可是在震盪的狀況下表現不如人意，不過這也是全部趨勢型策略的通病。
-
海龜交易策略的核心在於資金管理，能夠看出策略的回撤比較小，而且還有優化的空間。資金管理不必定要與趨勢型策略結合，是否是能夠用到多因子策略上？動量反轉？均值迴歸？這些就留給讀者們自行嘗試了~
相關文章
- 1. 交易系統五：海龜交易法
- 2. 海龜交易策略要點總結
- 3. 海龜交易法則和右側交易
- 4. 第四章：經典量化策略集錦（第六篇：交易系統終結者—海龜交易法則）
- 5. Java實現二手交易系統
- 6. 在聚寬平臺上編寫海龜交易法則
- 7. 海龜交易法操做商品期貨
- 8. 海龜交易法則10_通用積木
- 9. 日交易額百億級交易系統的超輕量日誌實現
- 10. 交易所繫統
- 更多相關文章...
- • 系統定義的TypeHandler - MyBatis教程
- • 現實生活中的 XML - XML 教程
- • Docker容器實戰(七) - 容器眼光下的文件系統
- • ☆基於Java Instrument的Agent實現
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. 交易系統五：海龜交易法
- 2. 海龜交易策略要點總結
- 3. 海龜交易法則和右側交易
- 4. 第四章：經典量化策略集錦（第六篇：交易系統終結者—海龜交易法則）
- 5. Java實現二手交易系統
- 6. 在聚寬平臺上編寫海龜交易法則
- 7. 海龜交易法操做商品期貨
- 8. 海龜交易法則10_通用積木
- 9. 日交易額百億級交易系統的超輕量日誌實現
- 10. 交易所繫統