花店网站建设目的,线上推广专员是干嘛的,品牌网络推广方式,开发网站设计说明 不可不读书 先从经典的一些超简单信号开始
使用移动平均指标SMA(算术#xff09; 给出了信号的产生方法#xff0c;还有一些测算结果#xff0c;反正看起来都是盈利的
首先使用离线方法实验一组结果#xff0c;然后就使用ADBS来进行类似的处理。
内容
1 原理分析…说明 不可不读书 先从经典的一些超简单信号开始
使用移动平均指标SMA(算术 给出了信号的产生方法还有一些测算结果反正看起来都是盈利的
首先使用离线方法实验一组结果然后就使用ADBS来进行类似的处理。
内容
1 原理分析
买入信号当短线向上穿越长线且短信增长时买入
卖出信号当短线下穿长线且长线下跌时卖出
因为已经使用T周期进行了平滑所以短线和长线一般都比较平稳所以在制作信号时只用了本时刻t 和上一时刻 t-1两个时刻的数据进行比较。
短线上其实只有一个判断短线上穿则需要两组即短线在上一时刻处于长线下方在当前时刻已处于长线上方。
2 离线计算
基于之前整理好的数据进行计算 需要计算的指标很简单我按照几个周期来算。计算均值然后把上一个均值挪到当前时刻。
handled_df[close_T_mean_24000] handled_df[close].rolling(24000).mean()
handled_df[close_T_mean_12000] handled_df[close].rolling(12000).mean()
handled_df[close_T_mean_1200] handled_df[close].rolling(1200).mean()
handled_df[close_T_mean_600] handled_df[close].rolling(600).mean()
handled_df[close_T_mean_2400] handled_df[close].rolling(2400).mean()signal_df handled_df[[data_slot,close, close_T_mean_1200,close_T_mean_24000,close_T_mean_12000,close_T_mean_600, close_T_mean_2400]]
signal_df1 signal_df.dropna()signal_df1[last_close_T_mean_600] signal_df1[close_T_mean_600].shift(1)
signal_df1[last_close_T_mean_1200] signal_df1[close_T_mean_1200].shift(1)
signal_df1[last_close_T_mean_2400] signal_df1[close_T_mean_2400].shift(1)
signal_df1[last_close_T_mean_24000] signal_df1[close_T_mean_24000].shift(1)
signal_df1[last_close_T_mean_12000] signal_df1[close_T_mean_12000].shift(1)按书上说的生成信号
# short_t close_T_mean_600
short_t close_T_mean_1200
# short_t close_T_mean_2400
# long_t close_T_mean_24000
long_t close_T_mean_12000
# long_t close_T_mean_2400
last_short_t last_%s % short_t
last_long_t last_%s % long_t
buy_signal (signal_df1[short_t] signal_df1[last_short_t] ) \(signal_df1[short_t] signal_df1[long_t] ) \(signal_df1[last_short_t] signal_df1[last_long_t] )
sell_signal (signal_df1[long_t] signal_df1[last_long_t] ) \(signal_df1[short_t] signal_df1[long_t] ) \(signal_df1[last_short_t] signal_df1[last_long_t] )signal_df1[signal] 0
signal_df1[signal] buy_signal * 1
signal_df1[signal] sell_signal * -1同时抽取数据里的数据进行比对是一致的 一开始不知道发生了什么字段都变成字符型了把他们变回去。 mongo的管道转整型和转浮点分别是toInt、toDouble
for varname in [close,high,low,open,trades,vol]:command_dict {%s % varname :{$exists: True, $type: string}} command_list [{$set:{%s % varname : { $toDouble: $%s % varname }}}]res the_collection.update_many(command_dict, command_list)print(res.acknowledged)这种变量的弱管辖方式有时候也算是mongo相较于mysql的弱点吧。
3 离线测试
然后开始简单的测试.
short_t close_T_mean_600
# short_t close_T_mean_1200
# short_t close_T_mean_2400
long_t close_T_mean_2400
# long_t close_T_mean_24000
# long_t close_T_mean_12000last_short_t last_%s % short_t
last_long_t last_%s % long_t
buy_signal (signal_df1[short_t] signal_df1[last_short_t] ) \(signal_df1[short_t] signal_df1[long_t] ) \(signal_df1[last_short_t] signal_df1[last_long_t] )
sell_signal (signal_df1[long_t] signal_df1[last_long_t] ) \(signal_df1[short_t] signal_df1[long_t] ) \(signal_df1[last_short_t] signal_df1[last_long_t] )signal_df1[signal] 0
signal_df1[signal] buy_signal * 1
signal_df1[signal] sell_signal * -1总体来说还是… 有点问题的哈哈
1 方法似乎有点用2 方法似乎有点呆
总结尽信书不如无书
测试采用简单规则当每次产生买入信号时购买最大不超过5000块的股票当产生卖出信号时将所有的库存清仓。
以下罗列了一下结果数据是从2020-01-02~2023-2-242年多的数据烧掉前面24000分钟大约也有接近2年)
模拟交易部分的代码
signal_list list(signal_df1[signal])
data_slot_list list(signal_df1[data_slot])
price_list list(signal_df1[close])amt 5000
open_orders []
close_orders []
for i in range(len(signal_list)):signal signal_list[i]data_slot data_slot_list[i]price price_list[i]if signal 0 :buy_vol int(amt / (price * 100)) * 100order_dict {}order_dict[buy_slot] data_slotorder_dict[buy_dt] slot_ord2str(data_slot)order_dict[buy_price] priceorder_dict[buy_vol] buy_volorder_dict[buy_amt] buy_vol * priceopen_orders.append(order_dict)if signal 0:if len(open_orders):tem_df pd.DataFrame(open_orders)tem_df[sell_slot] data_slottem_df[sell_price] pricetem_df[sell_vol] tem_df[buy_vol]tem_df[sell_amt] tem_df[sell_price] * tem_df[sell_vol] tem_df[gp] tem_df[sell_amt] - tem_df[buy_amt] tem_df[gpr] tem_df[gp] / tem_df[buy_amt] close_orders.append(tem_df)open_orders []
3.1 S600-L2400
交易机会不算很多
模拟结束时订单全部关闭
盈亏比不及格,胜率低
整体交易风格是小输大赢一个月交易一两次的样子
3.2 S600-L12000
交易次数更少
有一个单子没close…看起来是赚钱的 亏钱的
3.3 S600-L24000
将长周期再拉长一点
亏 3.4 S1200-L2400
这是长短周期比较接近的
1个订单没有关闭
亏
3.5 S1200-L12000
开的单子很少 两个单子没关
不赢不输 3.6 S1200-L24000
单子少
有一个没关
惊人的亏 除了亏还是亏 结论长短周期的搭配是很戏剧的一个错误的配方可能全毁这种方法可靠吗 3.7 S2400-L12000
机会少
不关单
不赚钱
3.8 S2400-L24000
机会少
不关单
不怎么赚 就抓住了一次机会 3.9 思考
我所希望的信号策略不仅是能够产生一个可以盈利的交易基础更是一种稳定可控的方法。从上面的实验可以看出来整个过程很像炼金配方我觉得这个是存在问题的。
从本质上说趋势策略相较于动量策略的交易次数肯定会偏低但是也不应该这么低而任何一套信号还应该有一种自收敛的倾向而不是机械犯错缓慢纠偏甚至不纠偏。
这两年的市场事实上是一个很好的市场可以检验模型在下滑过程中的表现。
怎么办
有错当然要改我觉得从整体的思想上是可取的这是可以拯救的基础。我甚至把长短周期倒过来试了下发现完全无法产生卖出信号。
1 通过平滑构造一个平滑的价格曲线2 当短期趋势上升且突破长趋势线买入3 当长趋势下跌且短线向下突破卖出
5天线对应1200分钟10天线就是2400分钟。以S1200L4800来看最近还是能获得一次收益当然不是最大收益 为什么之前的信号是 SMA LMA? 因为从视觉上最为明显但是为什么非得是以这个为界限呢因为这种视觉法0和1很容易说清楚但是这种离散化的方法牺牲了大量的信息。我可以用一种连续的方法来替代这种方法吗
从趋势上来看如果将曲线进行斜率拟合那么在上升和下降的区间就可以进行交易。 蓝色是10天平均也就是2400分钟线我觉得在这个周期上看是比较合适的能给我提供相对多的交易机会。绿线太慢周期太长了。
LMA-K: 提供一个交易的保护在斜率由正向加速减缓或者为负时清仓不交易。当负斜率减缓准备为正时可以交易。
SMA-K: 尽可能的交易最终时机的把握由SMA-K发出我觉得600分钟线甚至更短的)是可以接受的。 斜率因为MA已经做了平滑所以当前点减去前一个点就是一个斜率。 如果说斜率是一阶导那么斜率的变化就是二阶导。如果斜率为正且比上一个斜率更小说明斜率在衰减也就是趋势在衰减。理论上0的时候是顶峰实际上可以提前一点行动将斜率的衰减比去价格
一阶导总体上还是符合预期的长周期的K边的比较慢一个长周期过程中有若干个短周期 二阶导 理论上可行但是按分钟作为周期抖动太快了 所以看来周期不能按分钟来滚动叠加
大概上面传统的测试失败也是因为在分钟级的方式下叠加很多错误噪声信号。按日k的数据来看本质上是对一组240分钟进行统计那样会消弭很多噪声同时也会滤除很多有益信息。
基于分钟级的分析时要增加这一层的过滤。所以我不能用分钟减分钟来获取斜率而是要拟合一串数字的斜率。
看起来是可以构成理想中的信号源的橙色是长线变化缓慢用来提供短效交易的基础。 这是二阶信号 仍然会有一些毛刺所以在使用信号时可以采用冷静时间的方法过滤相当于三阶信号 对应的价格曲线仅以此段为例短线在底部开始爬升时给出一段足够长的买入信号如果采用更短的冷静时间可以更早买入然后长线一直很平稳仅出现过两次下翻(1),剩余都是01甚至23等。 开始计算
signal_df1[close_T_mean_600_K] signal_df1[close].rolling(600).apply(cal_K)
signal_df1[close_T_mean_2400_K] signal_df1[close].rolling(2400).apply(cal_K)
# 为简便起见暂时也不分辨斜率的强弱
signal_df1[close_T_mean_600_K2] signal_df1[close_T_mean_600_K].diff().apply(lambda x: 1 if x 0 else - 1 if x 0 else x)
signal_df1[close_T_mean_2400_K2] signal_df1[close_T_mean_2400_K].diff().apply(lambda x: 1 if x 0 else - 1 if x 0 else x)# 冷静二阶导
signal_df1[close_T_mean_600_K2_calm_down] signal_df1[close_T_mean_600_K2].rolling(10).sum()
signal_df1[close_T_mean_2400_K2_calm_down] signal_df1[close_T_mean_2400_K2].rolling(10).sum()冷静后的二阶导就可以作为交易的原始信号了(冷静的时间也是其中一个参数
从短期交易信号来看
sma_signal_list list(signal_df1[close_T_mean_600_K2_calm_down])
pd.Series(sma_signal_list).value_counts()10.0 15294
-10.0 13627
-2.0 9497
-1.0 93800.0 93691.0 9184
-3.0 89202.0 8784
-4.0 83773.0 7665
-5.0 68894.0 6489
-6.0 61165.0 5888
-7.0 53886.0 48139.0 45947.0 45838.0 4577
-8.0 4571
-9.0 4268
dtype: int64从长期交易信号来看
lma_signal_list list(signal_df1[close_T_mean_2400_K2_calm_down])
pd.Series(lma_signal_list).value_counts()0.0 586041.0 38034
-1.0 35347
-2.0 103082.0 97493.0 1926
-3.0 1598
-4.0 399
-5.0 2604.0 160
-6.0 88
dtype: int64看起来SMA会呈现比LMA更剧烈的变化比较符合预期
以下进行简单交易回测。具体的规则是
1 sma信号达到非常显著(过去10个周期连续显示买入以及lma信号不为负时允许买入2 sma信号相当于采取了10分钟冷静时间3 如果有240分钟内未关闭的订单即使达到买入条件也不允许买入冷却时间
# pd.Series(sma_signal_list).describe()
data_slot_list list(signal_df1[data_slot])
price_list list(signal_df1[close])amt 5000
open_orders []
close_orders []
for i in tqdm.tqdm(range(len(sma_signal_list))):sma_signal sma_signal_list[i]lma_signal lma_signal_list[i]price price_list[i]data_slot data_slot_list[i]sma_thres_signal sma_signal 10lma_thres_signal lma_signal 0if len(open_orders):last_buy_slot pd.DataFrame(open_orders)[buy_slot].max()else:last_buy_slot 0cool_down_slot last_buy_slot 240sma_sell_signal sma_signal 0lma_sell_signal lma_signal 0if sma_thres_signal and lma_thres_signal and (data_slot cool_down_slot):
# print(buy)buy_vol int(amt / (price * 100)) * 100order_dict {}order_dict[buy_slot] data_slotorder_dict[buy_dt] slot_ord2str(data_slot)order_dict[buy_price] priceorder_dict[buy_vol] buy_volorder_dict[buy_amt] buy_vol * priceopen_orders.append(order_dict)if sma_sell_signal and lma_sell_signal:if len(open_orders):tem_df pd.DataFrame(open_orders)tem_df[sell_slot] data_slottem_df[sell_price] pricetem_df[sell_vol] tem_df[buy_vol]tem_df[sell_amt] tem_df[sell_price] * tem_df[sell_vol] tem_df[gp] tem_df[sell_amt] - tem_df[buy_amt] tem_df[gpr] tem_df[gp] / tem_df[buy_amt] close_orders.append(tem_df)open_orders []运行结束后没有打开的订单 总体来说这样简单的控制也不会产生大量的敞口75分位数是2个同时打开的订单(10,000)最高的时候有9个(45,000)。平均下来大体上还是可以以5,000的(长期)资金占用作为估计的。 交易时间不是很长大部分一周之内关闭 要考虑到这个是初级信号盈亏比还是不错的并且这个盈亏比既有统计量上的支持订单数量产生的利润金额也足够。 以两年估算5000本金为例的话大约是年化17%的利润
((1932.7599999999993 5000)/5000)**(1/2)
1.1775194265913407因为其中可能需要更多的临时资金不妨以10000本金作为一个保守估计
((1932.7599999999993 10000)/10000)**(1/2)
1.0923717316005572所以粗略的我们可以认为这个原始信号可以产生年化 9%~17%的利润。 以下是具体的订单明细可以看看
part1 part2 part3 part4 总的看起来是比较理想的
1 输赢比较均匀的分布在整个时间段说明并无大的结构偏好2 赢的次数 plus 幅度是明显好于输的
我还试着在几个不同的参数下控制模拟无论如何盈亏比总是在1.1以上的所以也不存在「炼金术的秘方」风险可以用统计进行解释和控制。
考虑到决策的二次增强我觉得做到年化15%以上应该是可以的。
4 总结
基于趋势法可以获得一组稳定的信号源并获得期望的效果。
接下来对信号方法进行描述抽象然后将其部署在ADBS上
1 总结信号源的方法从推理上验证方法的可靠性2 为Step2创建新的ADBS3 将计算部署到ADBS上
