年化收益20%夏普1.1的创业板动量策略

策略名称： 创业板动量策略

策略简介：动量交易是通过分析近期价格趋势的强弱来买卖金融资产的策略，创业板动量策略使用创业板一个月的涨幅作为交易信号，如果涨幅大于8%，则买入，如果涨幅小于0，则卖出。

策略表现：夏普值1.1，最大回撤18％，年化回报20％。

回测曲线：

源代码：

# 安装依赖包
#!pip install akshare quantstats
# 导入必要的包
import warnings
warnings.filterwarnings('ignore')
import time
import akshare as ak
import numpy as np
import pandas as pd
import quantstats as qs
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker

%matplotlib inline 

# 加载数据并可视化
cyb = ak.stock_zh_index_daily(symbol="sz399006")
cyb = cyb.set_index("date")
cyb.index = cyb.index.astype(str)

# 计算动量信号
def signal(x):
    if x > 0.08:
        return 1
    if x < 0:
        return 0
    return np.nan

window = 21
cyb["day_return"] = cyb.close.rolling(2).apply(lambda x:(x[-1]-x[0])/x[0])
cyb["pct_chg"]=cyb.close.rolling(window).apply(lambda x: (x[-2]-x[0])/x[0])
cyb["signal"]= cyb.apply(lambda row: signal(row["pct_chg"]), axis=1)
cyb["signal"] = cyb["signal"].fillna(method='ffill').fillna(0)
cyb['change_position'] = cyb['signal'].rolling(2).apply(lambda x:x[0]!=x[1])

cyb["signal"].plot(figsize=(20,5))

# 回测分析
backtest_data = cyb.loc['2012-01-01':'2023-03-31']
backtest_data["market_return"] = np.cumprod(backtest_data.day_return.values + 1) *100
backtest_data["signal_return"] = np.cumprod((backtest_data["signal"].values * backtest_data.day_return.values + 1)*(1-0*backtest_data['change_position'])) * 100

_ = plt.figure(figsize=(20, 5))
plt.xlabel('Time') 
plt.ylabel('Return')
_ = plt.plot(backtest_data["market_return"].index,backtest_data["market_return"].values)
_ = plt.plot(backtest_data["signal_return"].index,backtest_data["signal_return"].values)
_ = plt.legend(['market_return', 'signal_return', ]) 

ax = plt.gca()
ax.xaxis.set_major_locator(ticker.MultipleLocator(250))

# 计算策略表现指标
result = {}
for i in ["market_return", "signal_return"]:
    result[i] = []
    for j in ["avg_return", "volatility", "sharpe", "max_drawdown", "win_rate"]:
        exec( f"r = qs.stats.{j}(backtest_data[i])")
        result[i].append(r)

result = pd.DataFrame(result, index=["avg_return", "volatility", "sharpe", "max_drawdown", "win_rate"])