Python量化交易——这个均线择时投资策略，12年只交易24次，比沪深300收益率高700倍

Python 量化交易 —— 使用qteasy创建并回测一个简单的双均线择时交易策略

大家知道沪深300是一个非常重要的指数、但是它的赚钱效应并不明显，如果有人从2008年初的大顶开始投资沪深300，要到今年才能解套。这也说明即便是投资指数，如果不进行择时交易的话，有可能会输的很难看。今天我们要测试一个双均线择时交易策略，就从2008年1月1日开始投资，看看效果如何！

本次策略的创建和回测都是用qteasy实现的。

qteasy是本人正在开发的一个快速量化交易工具包，使用这个工具包，可以快速灵活地生成各种量化交易策略，生成历史数据并回测策略的表现，有针对性地优化策略的性能；未来还将提供实时自动化交易功能。点击这里访问该项目的Github地址和qteasy文档

qteasy的导入

基本的模块导入方法如下

import qteasy as qt

模块导入后，工具包中的函数及对象即可以使用了:

import qteasy as qt
op = qt.Operator()

一行代码生成交互式动态K线图

使用qteasy，可以容易地（内部使用tushare pro，需要自行开通权限）下载需要的股票历史数据，生成投资策略所需要的历史数据组合，并可以通过简单的命令生成股票的K线图：

qt.candle('513100.SZ', start='2020-12-01', asset_type='FD')

qteasy生成的K线图是一个交互式动态K线图，用鼠标在图表上拖动，可以前后平移K线，用鼠标滚轮可以缩放K线。另外，在K线图上双击鼠标，可以切换不同类型的均线如移动平均线、布林带线等、也可以切换指标如MACD、RSI等：

一行代码创建DMA双均线择时交易策略

qteasy支持各种灵活的自定义交易策略，但如果不想费心建立交易策略，qteasy也提供了多种内置交易策略供用户使用，因此用户不需要手工创建这些策略，直接使用即可。复合策略可以通过多个简单的策略混合而成。当复合策略无法达到预计的效果时，可以通过qteasy.Strategy类来自定义一个策略。

下面就来在qteasy中创建一个简单的DMA择时策略并进行回测；

我们可以通过以下代码创建一个Operator对象。

import qteasy as qtop = qt.Operator(timing_types='DMA')

在创建Operator对象的时候，我们通过timing_types='DMA'就能创建一个DMA均线择时策略，DMA是一个内置的均线择时策略，通过计算股票每日收盘价的快、慢两根移动均线的差值DMA与其移动平均值AMA两根线之间的交叉情况来确定多空或买卖点的一种择时策略，它的计算需要三个参数(s,l,d)，公式如下：

• DMA = 股价的s日均线 - 股价的l日均线
• AMA = DMA的d日均线

交易信号：

    1， DMA在AMA上方时，多头区间，即DMA线自下而上穿越AMA线，由空变多，产生买入信号2， DMA在AMA下方时，空头区间，即DMA线自上而下穿越AMA线，由多变空，产生卖出信号

根据上述定义，DMA择时交易策略需要三个参数(s,l,d)以生成交易信号，在默认情况下，三个参数为：(12,26,9), 但我们可以给出任意大于2小于250的三个整数作为策略的参数，以适应不同交易活跃度的股票、或者适应不同的策略运行周期。当然，除了DMA策略以外，qteasy还提供了其他择时策略，详细的列表参见qteasy的手册。

为了确保Operator对象中的DMA策略有合适的参数，我们可以直接传递策略参数到op对象中：

op.set_parameter('t-0', pars=(23, 166, 196))
op.set_parameter('s-0', (0.5,))
op.set_parameter('r-0', ())

以上代码为Operator中的三种类型的策略分别设置策略参数，我们将参数pars=(23, 166, 196)传递给择时策略，具体的参数设置方法参见qteasy手册。

在DMA策略中，使用较大的参数可以产生更少的交易信号，适用于长线基金投资，因为相比股票来说，指数基金的波动小，交易费用高，交易周期长，因此适用长周期，少交易的方式，获得长期择时交易的超额利润。

回测交易策略的性能表现

使用qteasy，可以很简单地进行回测：

res = qt.run(op, mode=1)

默认情况下，回测结果会以图表的形式给出：

下面，我们需要测试策略在沪深300指数从2008年1月1日开始至今的收益率表现，只需要在qt.run()带入以下参数即可：

res=qt.run(op, asset_pool='000300.SH', asset_type='I',invest_start = '20080101')

上面的参数指定了回测过程的投资股票池为'000300.SH'。 asset_type参数表明投资的标的类型为指数，invest_start为投资回测起始日期，运行上述代码后，得到下面结果：

这次回测使用了从2008年年初开始的共12年的数据，投入资金金额为10万元，到期末总资金54万元，总回报率为440%左右，别看这个数字好像不高，因为我们从08年的历史高点开始回测的，因此同期的沪深300的收益率只有0.6%，也就是说，通过DMA择时，达到了静态投资沪深300指数收益率的700倍！

当然，这个策略的优点就是交易次数少，从表单上可以看到，交易次数一共24次，12次买入、12次卖出、特别适合于交易费用较高的基金，回测记录显示24次交易产生的交易费用总共达到了1241元。

当然，这个策略还有很多可以改进的地方，例如，最大回撤控制不好，从2015年7月8日开始最大回撤达到了31%，这是个很可怕的数字，但是可以通过在策略总增加风险控制因子来降低回撤，进一步提升收益率。

qteasy中策略表现的优化

策略的表现与许多因素有关，其中最重要的就是策略的参数。使用较长的均线参数可能会让策略在较长的交易周期中保持盈利，但是可能对短期波动的捕捉却
无能为力，而较短的均线可能可以快速应对股价的变化，但是也有可能导致大量无效的假信号，白白浪费交易成本。因此，通过改变策略的参数来改变或优化
其表现，或者根据投资周期、股票类型、交易波动程度、风险偏好、交易费率高低来找到潜在最优的参数组合，是策略优化的关键。

qteasy提供了简单明了的交易策略优化方法，并且提供了可视化的交易策略优化性能比较工具，有助于帮助找到最优的交易策略参数。

在同一段历史数据区间上搜索DMA策略的最佳参数，并在一段独立的历史区间上测试其表现：

op.set_parameter('t-0', opt_tag=1)
res = qt.run(op, mode=2)

opt_tag=1是一个关键参数，它告诉qteasy需要对DMA策略进行参数寻优优化。

优化的过程同样用qt.run()来启动，不同的是mode=2。输出在同一个历史区间上表现最佳的30组参数，并把他们的表现用可视化图表展示出来：

注意红色线条代表的30组参数是在2016年到2019年的历史数据上"训练"出来的，为了验证其真实的表现，这30组数据会被用于2020年到2021年的历史数据
中检验其表现，通过这样的独立测试后的策略，才能体现出用在未来的交易中的价值。

换言之，通过独立检验的策略参数更有可能在未来带来更好的表现。