首页手记【译】Python 金融：算法交易...

【译】Python 金融：算法交易（3）用Python构建交易策略

标签：

Python

既然你已对数据做了初步分析，那么是时候创建你的第一个交易策略了。但在深入研究之前，为什么不先来了解一些最常用的交易策略呢？下面简短的介绍，无疑会让你更容易开始交易策略的开发。

常见的交易策略

你应该还记得在本教程开篇的介绍中，我们讲了交易策略是在市场上做多或做空的既定计划，但不仅限于此，你还有更多的信息没有真正掌握。一般来说，有两种常见的交易策略：动量策略（momentum strategy）和回归策略（reversion strategy）。

第一种是动量策略，也被称为背离（divergence）或趋势（trend）交易。当遵循该策略时，你相信数值会沿着当前的方向继续移动。也就是说你相信股票具有惯性，即有上升或下降的趋势，能被你发现并利用。

这一策略的实例包括移动均线交叉策略（moving average crossover）、双均线交叉策略（dual moving average crossover）和海龟交易策略（turtle trading）。

移动均线交叉是指资产的价格从移动均线的一侧移动到了另一侧。这一交叉代表了动量的改变，可以作为进入或退出市场的决策点。在本教程的后面你会学到量化交易中使用该策略的入门级案例。

双均线交叉发生在短期均线与长期均线交叉处。这一信号被用来识别在短期均线上的变化。买入信号发生在短期均线从下方上升超越长期均线时，而卖出信号则由短期均线从上方下降越过长期均线而触发。

海龟交易是一个众所周知的趋势跟踪策略，最初是由理查德·丹尼斯教授给大家的。它的基本策略是以20天高点买入期货，并在20天低点卖出。

第二种是回归策略，也被称为收敛（convergence）或循环（cycle）交易。这一策略相信数值的运动最终会逆转。这可能有点抽象，让我们来举个例子。在均值回归策略（mean reversion strategy）中，你确信股价会回到它的均值，当它偏离均值时就可以利用这一点来做决策。

听起来已经很实用了，对吧？

除了均值回归策略以外，另一个例子是与之相似的配对交易均值回归（pairs trading mean-reversion）。均值回归策略的基本思想是股价会回到其均值，而配对交易策略对此进行了扩展，认为如果能识别出两只高度相关的股票，当其中之一偏离了与另一方的相关性，两者价格差的改变就能作为交易的信号。这意味着如果这两只股票的相关性下降，那么可以做空价格较高的股票。高价格的股票最终会回到其均值，所以它应该被卖出。另一方面，做多低价格的股票，因为随着相关性恢复正常，其价格将会上升。

除了这两种最常用的策略，还有其他你偶尔可能会碰上的策略，比如预测策略，它试图基于某些历史因素预测股票在随后一段时间内的方向和价值。还有高频交易策略（HFT），它利用了亚毫秒市场的微观结构来做决策。

这都是今后的乐章了，现在让我们聚焦于开发你的第一个交易策略。

一个简单的交易策略

正如上面所述，你将从量化交易的“hello world”：移动均线交叉策略开始。你将要开发的策略很简单：对时间序列创建两个独立的简单移动均值（Simple Moving Averages, SMA），它们具有不同的回望周期，比如40天和100天。如果短期移动均值超过了长期移动均值，那么就做多；如果长期移动均值超过了短期移动均值，那么就退出。

记住当做多时，你认为股价会上涨，并且将来会以更高的价格卖出（=买入信号）；当卖空时，你卖出你的股票，希望将来以更低的价格买回并实现盈利（=卖出信号）。

当你刚开始的时候，这一简单的策略可能看起来相当复杂。但是让我们一步一步来：

首先，定义两个不同的回望周期：一个短期窗口和一个长期窗口。设置两个变量，并对每一个变量赋值一个整数。一定要让短期窗口的值小于长期窗口的值。

接着，创建一个空的数据框 signals，并确保复制了aapl 数据的索引，以便能开始计算 aapl 数据每日的买卖信号。

在空的 signals 数据框中创建一列名为 signal 的数据，并将其每一行的数值初始化为 0.0。

做好了准备工作后，是时候在各自的时间窗口上创建短期和长期的简单移动均值了。使用 rolling() 函数开始滑动窗口计算：在该函数中，设置 window 、 min_period 和 center 参数。在实际中，窗口大小window 分别设置为 short_window 和 long_window。min_period 设为 1，作为窗口中观测量的最小值。center 的值为 False，这样标签就不会设置在窗口的中心。接着，不要忘了在其后连接 mean() 函数以便能计算滚动均值。

当计算了短期和长期窗口的均值后，你应该在短期移动均线与长期移动均线交叉处创建信号，但这仅针对大于最短移动均值窗口的时期。在Python中，这对应着如下条件不等式：signals['short_mavg'][short_window:] > signals['long_mavg'][short_window:]。注意加上 [short_window:] 是为了遵守条件“仅针对大于最短移动均值窗口的时期”。当上述条件不等式为真时，signal 列中的初值 0.0 将被替换为 1.0。这样一个“信号”就产生了。如果条件不等式为假，将继续保留原始值0.0，也没有信号产生。使用 NumPy 中的 where() 函数来设置这一条件不等式。就像你刚才读到的那样，将这一结果赋值给变量 signals['signal'][short_window]，因为我们仅想针对大于最短移动均值窗口的时期创建信号。

最后，计算信号的差值，从而生成实际的交易订单。换句话说，在 signals 数据框的 positions 这一列中，你将能区分多头和空头头寸，无论是买入或卖出股票。

尝试下方的代码：

# 导入apple公司股票数据import pandas_datareader as pdrimport datetime 
aapl = pdr.get_data_yahoo('AAPL', 
                          start=datetime.datetime(2006, 10, 1), 
                          end=datetime.datetime(2012, 1, 1))

# 导入pandas,numpyimport pandas as pdimport numpy as np# 初始化短期和长期窗口short_window = 40long_window = 100# 初始化 `signals` 数据框，增加 `signal` 列signals = pd.DataFrame(index=aapl.index)
signals['signal'] = 0.0# 创建短期简单移动均值signals['short_mavg'] = aapl['Close'].rolling(window=short_window, min_periods=1, center=False).mean()# 创建长期简单移动均值signals['long_mavg'] = aapl['Close'].rolling(window=long_window, min_periods=1, center=False).mean()# 生成信号signals['signal'][short_window:] = np.where(signals['short_mavg'][short_window:] 
                                            > signals['long_mavg'][short_window:], 1.0, 0.0)   

# 生成交易命令signals['positions'] = signals['signal'].diff()# 输出`signals`print(signals)

            signal  short_mavg  long_mavg  positionsDate                                                2006-10-02     0.0   10.694285  10.694285        NaN2006-10-03     0.0   10.638571  10.638571        0.02006-10-04     0.0   10.681905  10.681905        0.02006-10-05     0.0   10.683928  10.683928        0.02006-10-06     0.0   10.667714  10.667714        0.02006-10-09     0.0   10.666667  10.666667        0.02006-10-10     0.0   10.649184  10.649184        0.02006-10-11     0.0   10.625714  10.625714        0.02006-10-12     0.0   10.639683  10.639683        0.02006-10-13     0.0   10.647429  10.647429        0.02006-10-16     0.0   10.658701  10.658701        0.02006-10-17     0.0   10.654881  10.654881        0.02006-10-18     0.0   10.654286  10.654286        0.02006-10-19     0.0   10.699286  10.699286        0.02006-10-20     0.0   10.747429  10.747429        0.02006-10-23     0.0   10.803036  10.803036        0.02006-10-24     0.0   10.848655  10.848655        0.02006-10-25     0.0   10.894206  10.894206        0.02006-10-26     0.0   10.938797  10.938797        0.02006-10-27     0.0   10.966214  10.966214        0.02006-10-30     0.0   10.991088  10.991088        0.02006-10-31     0.0   11.017987  11.017987        0.02006-11-01     0.0   11.030621  11.030621        0.02006-11-02     0.0   11.041131  11.041131        0.02006-11-03     0.0   11.046857  11.046857        0.02006-11-06     0.0   11.059945  11.059945        0.02006-11-07     0.0   11.076296  11.076296        0.02006-11-08     0.0   11.101378  11.101378        0.02006-11-09     0.0   11.129113  11.129113        0.02006-11-10     0.0   11.153952  11.153952        0.0...            ...         ...        ...        ...
2011-11-17     1.0   56.485857  54.946829        0.02011-11-18     1.0   56.381000  55.005257        0.02011-11-21     1.0   56.259000  55.052886        0.02011-11-22     1.0   56.177750  55.100386        0.02011-11-23     1.0   56.070536  55.125471        0.02011-11-25     1.0   55.974107  55.142343        0.02011-11-28     1.0   55.955536  55.169371        0.02011-11-29     1.0   55.950536  55.188643        0.02011-11-30     1.0   55.985179  55.228929        0.02011-12-01     1.0   56.019750  55.277757        0.02011-12-02     1.0   56.063786  55.323014        0.02011-12-05     1.0   56.146679  55.373357        0.02011-12-06     1.0   56.154322  55.410543        0.02011-12-07     1.0   56.114322  55.432386        0.02011-12-08     1.0   56.073143  55.452114        0.02011-12-09     1.0   56.020250  55.461714        0.02011-12-12     1.0   55.912536  55.468214        0.02011-12-13     1.0   55.801179  55.461800        0.02011-12-14     1.0   55.651000  55.435643        0.02011-12-15     1.0   55.580715  55.400686        0.02011-12-16     1.0   55.529679  55.384157        0.02011-12-19     1.0   55.491607  55.370429        0.02011-12-20     1.0   55.456536  55.378243        0.02011-12-21     1.0   55.451822  55.377814        0.02011-12-22     1.0   55.444500  55.391586        0.02011-12-23     1.0   55.439643  55.406957        0.02011-12-27     0.0   55.445286  55.448614       -1.02011-12-28     0.0   55.437643  55.490072        0.02011-12-29     0.0   55.468393  55.564229        0.02011-12-30     0.0   55.495500  55.608500        0.0[1323 rows x 4 columns]

不是很难，对吧？输出 signals 数据框并检查其结果。这里重要的是要掌握该数据框中 positions 和 signal 这两列的含义。当你继续下去时，会发现这一点变得非常重要。

当你花时间去理解该交易策略的结果时，可以用 Matplotlib 将短期和长期的移动均线，以及买入和卖出的信号，快速绘制在图中。

# 导入`pyplot` 模块 import matplotlib.pyplot as plt# 初始化图形fig = plt.figure(figsize=(12,8))# 增加子图并设置y轴标签ax1 = fig.add_subplot(111,  ylabel='Price in $')# 绘制收盘价曲线aapl['Close'].plot(ax=ax1, color='r', lw=2.)# 绘制短期和长期移动均线signals[['short_mavg', 'long_mavg']].plot(ax=ax1, lw=2.)# 绘制买入信号ax1.plot(signals.loc[signals.positions == 1.0].index, 
         signals.short_mavg[signals.positions == 1.0],         '^', markersize=10, color='m')         
# 绘制卖出信号ax1.plot(signals.loc[signals.positions == -1.0].index, 
         signals.short_mavg[signals.positions == -1.0],         'v', markersize=10, color='k')         
# 显示做图plt.show()