量化策略15—量在价先（下）：研报复现

在上一篇文章《量在价先（上）：如何利用成交量预测市场走势》中，我们参考光大证券的研究报告《放量恰是入市时，成交量择时初探》，介绍了用成交量进行择时的一个思路：对成交量进行时序排名，然后根据排名的大小择时交易。本文以沪深300指数为例，介绍如何用Python实现成交量时序排名择时策略，并观察策略的择时效果。

一、获取基础数据

1. 导入需要的库

# 导入需要使用的库import pandas as pdimport numpy as npimport akshare as ak# 在matplotlib绘图中显示中文和负号import matplotlib.pyplot as pltimport matplotlib as mplmpl.rcParams['font.family'] = 'STKAITI' # 中文字体'STKAITI'plt.rcParams['axes.unicode_minus'] = False   # 解决坐标轴负数的负号显示问题# 关闭警告信息import warningswarnings.filterwarnings('ignore')

2. 从AKShare数据源获取沪深300指数的数据

关于AKShare的使用，可以参看后附的文章《如何用AKShare获取金融数据》。AKShare的接口有时会有变动，如果获取数据出错请参考AKShare的官网解决。

# 获取指数数据index_code = 'sh000300'start_date = pd.to_datetime('2005-01-01')end_date = pd.to_datetime('2023-12-31')price_df = ak.stock_zh_index_daily(symbol=index_code)price_df['date'] = pd.to_datetime(price_df['date'])price_df = price_df[(price_df['date']>=start_date) & (price_df['date']<=end_date)]price_df = price_df.sort_values('date').set_index('date')

上述代码用AKShare的stock_zh_index_daily()接口获取沪深300指数从2005年到2023年的行情数据。数据格式如下：

二、计算成交量时序排名

成交量时序排名的计算方法是：根据包括当日在内的过去N个交易日的成交量数据，
从小到大排序，计算当日成交量的排名，然后将排名标准化到 [-1, 1] 的范围内。

相关代码如下：

# 计算成交量时序排名# 设置滚动窗口的大小N = 40# 计算排名price_df['ranked'] = price_df['volume'].rolling(window=N).apply(lambda x: x.rank().iloc[-1], raw=False)# 标准化排名到[-1, 1]范围price_df['normalized_rank'] = (price_df['ranked'] * 2 - (N + 1)) / (N - 1)

上述代码使用rolling()函数创建一个滚动窗口（窗口大小为N），然后使用rank()函数计算该窗口内的成交量排名ranked。最后使用公式 (ranked * 2 – (N + 1)) / (N – 1) 来将排名转换为[-1, 1]范围内的值。

三、根据成交量时序排名择时

1. 计算择时信号

择时规则为：确定开平仓阈值s，当成交量时序排名的标准化值超过阈值s时开仓；当成交量时序排名的标准化值低于阈值s时清仓。

# 成交量时序排名择时信号：成交量时序排名高于阈值s时开仓，低于阈值s时清仓s = 0.5  # 择时阈值timing_df = pd.DataFrame()timing_df['成交量时序排名'] = (price_df['normalized_rank'] > s) * 1.timing_df['不择时'] = 1.

本例将开平仓阈值s设为0.5，由于标准化后的成交量时序排名在[-1, 1]的范围内，0.5属于中上位置。

上述代码将开仓信号设为1，清仓信号设为0。

2. 计算择时收益

# 计算指数每日的收益率price_df['returns'] = price_df['close'].pct_change().shift(-1).fillna(0)# 计算择时后的每日收益率timing_ret = timing_df.mul(price_df['returns'], axis=0).dropna()# 计算择时后的累计收益率cumul_ret = (1 + timing_ret.fillna(0)).cumprod() - 1.

上述代码将日收益和择时信号相乘，如果择时信号为1，则保留该日收益；如果择时信号为0，则该日收益为0。然后计算累计收益。关于各种收益的计算，可以参看后附的文章《一文讲清7种收益率的python实现》。

3. 可视化择时效果

# 可视化输出cumul_ret.plot(figsize=(10, 6), title='成交量时序排名择时')

结果如下：

从上图可以看出，成交量时序排名择时策略取得了较明显的择时收益。同时，该策略也是一个保守的择时策略，该策略在风险控制方面表现出色，尤其在对最大回撤的控制上。但在牛市期间，该策略可能会错过一些市场上涨的机会，因为它需要成交量达到一定的阈值才会发出买入信号。这种特性导致在快速上涨的市场中，策略可能会显得较为保守，从而踏空一部分收益。

四、策略改进：在划分市场状态的基础上应用成交量时序排名择时

由于成交量时序排名择时在在牛市期间比较保守，可能会错失部分收益，一个改进的思路是先将市场划分为牛市、熊市和震荡市三个状态，然后在不同的市场状态下适用不同的开平仓阈值：

牛市阈值较低，在成交量稍有增加（甚至是没有明显缩量）时就能够进行买入操作。

熊市阈值较高，只有在成交量显著增加时，才可能触发买入信号。

震荡市阈值中等，在成交量有适度增加时进行交易。

划分市场状态的方法可以计算过去若干日的指数涨幅，如果涨幅大于某个阈值c则认为是牛市；如果涨幅小于-c，则认为是熊市；否则是震荡市。

1. 划分市场状态，并根据市场状态设定开平仓阈值

# 根据不同行情设置不同的交易阈值择时Sf = 0.6  # 熊市阈值Sc = 0.3  # 震荡市阈值Sr = 0  # 牛市阈值days = 10  # 涨跌幅天数c = 0.05  # 涨幅阈值# 计算指数涨幅price_df[f'ret_{days}'] = price_df['close'].pct_change(days)# 指数涨幅大于c为牛市，择时阈值设为Sr；指数涨幅小于-c为熊市，择时阈值设为Sf；其余为震荡市，择时阈值设为Scprice_df['thre'] = Scprice_df['thre'].loc[price_df[price_df[f'ret_{days}']>c].index] = Srprice_df['thre'].loc[price_df[(price_df[f'ret_{days}']<-c)].index] = Sf

2. 计算择时信号

# 计算不同行情下的择时信号timing_df['成交量时序排名_分行情'] = (price_df['normalized_rank'] > price_df['thre']) * 1.

3. 计算择时收益

# 计算择时后的每日收益率timing_ret = timing_df.mul(price_df['returns'], axis=0).dropna()# 计算择时后的累计收益率cumul_ret = (1 + timing_ret.fillna(0)).cumprod() - 1.

4. 可视化择时效果

# 可视化输出cumul_ret.plot(figsize=(10, 6), title='成交量时序排名择时')

结果如下：

从上图可见，在划分市场状态的基础上对策略进行改造之后，策略的择时收益有了明显提高。

相关文章：

量在价先（上）：如何利用成交量预测市场走势

发布者：股市刺客，转载请注明出处：https://www.95sca.cn/archives/105988
站内所有文章皆来自网络转载或读者投稿，请勿用于商业用途。如有侵权、不妥之处，请联系站长并出示版权证明以便删除。敬请谅解！

量化策略15—量在价先（下）：研报复现

相关推荐

发表回复