【转】Python 量化投资实战教程(3) —A股回测MACD策略

 

 

上一回，我们基于简单的MACD策略回测了华正新材这只股票的收益率，发现效果非常好，收益达到了26.9%，但这个策略放到其他股票上会不会有这么高的收益呢？我们今天就来试试看这个策略在不考虑基本面，只考虑技术面的情况下，在A股上的平均表现。

为了回测该策略在A股上的平均表现，我们从A股随机选取了1000只股票，使用MACD策略回测其2010年1月1日至今，使用MACD策略进行投资的表现。其中，以一万元作为本金，佣金为万分之五，每次交易100股。

 

最终发现，使用该策略最终亏损的股票有626只，盈利的有372只，有2只股票数据不足被去除。最高盈利有84%，最差亏损也达-34%。盈利超过10%的股票有30只，亏损超过30%的有29只。并总结了这30只盈利超过10%的股票的特点。

下面是用Python和backtrader分析这些股票的详细教程。在公众号后台回复：量化投资3 可获得本文全部代码及数据。本系列文章github仓库：
https://github.com/Ckend/pythondict-quant

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。

 

当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。

在终端输入以下命令安装我们所需要的依赖模块:

 

pip install backtrader

看到 Successfully installed xxx 则说明安装成功。

2.改造策略

最方便的回测股票数据的形式是将股票数据存储在MySQL数据库中，每次回测从数据库中拉取数据即可。但为了能够方便地让大家复现实验，我们将这些股票的数据以文件的形式存储下来。

策略上，我们不需要做改变，但是需要将运行策略的这一部分封装起来，用于批量执行策略：

 

def run_cerebro(stock_file, result):

    """

    运行策略

    :param stock_file: 股票数据文件位置

    :param result: 回测结果存储变量

    """

    cerebro = bt.Cerebro()

​

    cerebro.addstrategy(TestStrategy)

​

    # 加载数据到模型中

    data = bt.feeds.GenericCSVData(

        dataname=stock_file,

        fromdate=datetime.datetime(2010, 1, 1),

        todate=datetime.datetime(2020, 4, 25),

        dtformat='%Y%m%d',

        datetime=2,

        open=3,

        high=4,

        low=5,

        close=6,

        volume=10,

        reverse=True

    )

    cerebro.adddata(data)

​

    # 本金10000，每次交易100股

    cerebro.broker.setcash(10000)

    cerebro.addsizer(bt.sizers.FixedSize, stake=100)

​

    # 万五佣金

    cerebro.broker.setcommission(commission=0.0005)

​

    # 运行策略

    cerebro.run()

​

    # 剩余本金

    money_left = cerebro.broker.getvalue()

​

    # 获取股票名字

    stock_name = stock_file.split('\\')[-1].split('.csv')[0]

​

    # 将最终回报率以百分比的形式返回

    result[stock_name] = float(money_left - 10000) / 10000

然后遍历所有股票，运行策略，结果保存在result变量中：

 

files_path = 'stocks\\'

result = []

​

# 遍历所有股票数据

for stock in os.listdir(files_path):

    modpath = os.path.dirname(os.path.abspath(sys.argv[0]))

    datapath = os.path.join(modpath, files_path + stock)

    print(datapath)

    try:

        run_cerebro(datapath, result)

    except Exception as e:

        print(e)

最后，我们使用pickle将变量结果保存为文件，以方便后续分析：

 

f = open('./batch_macd_result.txt', 'wb')

pickle.dump(result, f)

f.close()

随后，我们就可以随意分析这个结果，而不用重新跑一遍策略了。

3.结果分析

接下来，使用最简单的方法分析结果：

 

import pickle

​

# 加载保存的结果

f = open('./batch_macd_result.txt', 'rb')

data = pickle.load(f)

f.close()

​

# 计算

pos = []

neg = []

ten_pos = []

ten_neg = []

for result in data:

    res = data[result]

    if res > 0:

        pos.append(res)

    else:

        neg.append(res)

​

    if res > 0.1:

        ten_pos.append(result)

    elif res < -0.1:

        ten_neg.append(result)

​

max_stock = max(data, key=data.get)

​

print(f'最高收益的股票： {max_stock}, 达到 {data[max_stock]}')

print(f'正收益数量: {len(pos)}, 负收益数量:{len(neg)}')

print(f'+10%数量: {len(ten_pos)}, -10%数量:{len(ten_neg)}')

print(f'收益10%以上的股票: {ten_pos}')

随机抽取的1000千股票，回测结果如下：

 

D:\CODE\stock\backtrader>python analysis.py

最高收益 600745.SH, 达到 0.8413365999999998

正收益数量: 372, 负收益数量:626

+10%数量: 30, -10%数量:29

收益10%以上的股票: ['000403.SZ', '000858.SZ', '002271.SZ', '002311.SZ', '002475.SZ', '002555.SZ', '002568.SZ', '002605.SZ', '002714.SZ', '300007.SZ', '300136.SZ', '300220.SZ', '300347.SZ', '300476.SZ', '300482.SZ', '300566.SZ', '300601.SZ', '300613.SZ', '300630.SZ', '300725.SZ', '600570.SH', '600585.SH', '600745.SH', '601231.SH', '601799.SH', '603297.SH', '603378.SH', '603655.SH', '603737.SH', '603823.SH']

显然，在不考虑基本面的情况下，该策略的收益并不高，因此不建议用该策略进行A股整体回测并作交易。但是我们可以观察一下收益10%以上的股票的基本面特点。

你会发现大部分使用MACD策略收益10%以上的股票，其同比年利润增长都是大于0的，只有2只股票例外。此外，大部分股票平均年利润同比增长都在20%到30%左右，而且不会有太大的波动。

所以，MACD策略只有在股票的基本面优秀的情况下，才能发挥最大的价值。而在股票基本面比较差的情况下，这个策略的表现非常差，因此对于投机者而言，它并不是一个好的策略，但是对于价值投资者而言，其具备一定的参考价值。