量化策略02—均线择时策略全攻略（下）

本文是量化策略解析系列的第2篇。系列连载见：

量化策略解析—系列连载

在上一篇文章《均线择时策略全攻略（上）》中，我们介绍了均线择时策略的思路，本篇将用一个具体的例子来介绍如何用Python来实现均线择时策略。
一、获取基础数据
我们以上证指数为例，讲解如何用Python实现均线择时。

1. 导入需要用到的库

#导入需要使用的库

import akshare as ak
import pandas as pd
import numpy as np
import pandas_ta as ta

#在matplotlib绘图中显示中文和负号

import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams[‘font.family’] = ‘STKAITI’
plt.rcParams[‘axes.unicode_minus’] = False

#关闭警告信息

import warnings
warnings.filterwarnings(‘ignore’)

2. 从AKShare数据源获取上证指数的数据
   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。

#获取上证指数数据

index_code = ‘sh000001’
start_date = pd.to_datetime(‘2014-01-01’)
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’]).dt.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’)
上述代码从AKShare的stock_zh_index_daily接口获取上证指数的行情数据保存到一个名为”price_df”的DataFrame中，并选取’2014-01-01’至’2023-12-31’这10年的数据作为本例的样本数据。

3. 计算每日的收益率

#计算每日的收益率

price_df[‘returns’] = price_df[‘close’].pct_change().shift(-1).fillna(0)
上述代码用pct_change()函数计算每日的收益率。
price_df的格式如下：

二、单均线择时策略

1. 计算移动平均线
   移动平均线的种类很多，这里用简单移动平均线作为示例。我们使用pandas_ta库来计算移动平均线，关于pandas_ta库的使用可以参看后附的文章《量化宝藏工具箱：技术指标库 Pandas TA 教程》。

#计算移动平均线值

days = 20
price_df[f’ma_{days}’] = ta.sma(price_df[‘close’], length=days)
上述代码的功能是调用pandas_ta库来计算20日简单移动平均线（SMA）。

2. 计算择时信号
   开仓信号：当日的均线值大于昨日的均线值时开仓，值为1；
   清仓信号：当日的均线值小于昨日的均线值时清仓，值为0。

#择时信号：当日均线值大于昨日则开仓，否则清仓

timing_df = (price_df[[f’ma_{days}’]].diff()>0) * 1.
timing_df[‘不择时’] = 1.
上述代码中，price_df[[f’ma_{days}’]].diff()计算20日均线值的变化量，即当天的均线值与前一天的均线值的差。若当天的均线值大于前一天的，则diff()>0的结果为True，乘以1.后变为1.0，表示发出买入信号；若不大于，则结果为False，乘以1.后变为0.0，表示发出卖出信号。在timing_df中还添加了一个名为不择时的列，其值均为1.0，代表不进行择时操作时的基准情况。

3. 计算择时的效果

#计算每日收益率

timing_ret = timing_df.mul(price_df[‘returns’], axis=0)
timing_ret[‘超额收益’] = (1+timing_ret[f’ma_{days}’]).div(1+timing_ret[‘不择时’], axis=0) – 1.

#计算累计收益率

cumul_ret = (1 + timing_ret.fillna(0)).cumprod() – 1.
这段代码先计算每日收益率（包括择时后的每日收益和不择时的每日收益），用mul()函数将择时信号与前面计算的日收益率相乘，如果择时信号为1则保留当日收益率，如果择时信号为0则当日收益率为0；然后计算超额收益，即将择时的收益与不择时的收益比较；最后用cumprod()函数计算累计收益。
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》和《计算超额收益，你用减法还是除法》。

4. 将择时的效果可视化输出

#可视化输出

cumul_ret.plot(figsize=(10, 6), title=’单均线择时’)
结果如下：

三、双均线择时策略
双均线择时策略需要两条均线：长均线和短均线。

1. 计算长短周期的均线值
   days_s = 5
   days_l = 60
   price_df[‘ma_s’] = ta.sma(price_df[‘close’], length=days_s)
   price_df[‘ma_l’] = ta.sma(price_df[‘close’], length=days_l)
   上述代码中，days_s 为短周期（5天），days_l 为长周期（60天）。然后使用pandas_ta库来计算长短两个周期的移动平均线。
2. 计算择时信号
   开仓信号：当短均线值大于长均线值时开仓，值为1；
   清仓信号：当短均线值小于长均线值时清仓，值为0。

#择时信号：当日短期均线值大于长期均线值则开仓，否则清仓

timing_df = pd.DataFrame()
timing_df[‘择时’] = (price_df[‘ma_s’]>price_df[‘ma_l’]) * 1.
timing_df[‘不择时’] = 1.

3. 计算择时的效果

#计算择时后的每日收益率

timing_ret = timing_df.mul(price_df[‘returns’], axis=0)
timing_ret[‘超额收益’] = (1+timing_ret[‘择时’]).div(1+timing_ret[‘不择时’], axis=0) – 1.

#计算累计收益率

cumul_ret = (1 + timing_ret.fillna(0)).cumprod() – 1.

4. 将择时的效果可视化输出

#可视化输出

cumul_ret.plot(figsize=(10, 6), title=’双均线择时’)
结果如下：

四、均线择时的分析

1. 均线择时的效果分析
   （1）从择时的收益曲线可以看到，在本例中，不管是单均线择时还是双均线择时，都比不择时的效果要好。
   （2）分析择时的超额曲线可以看到，择时的收益主要来源于指数大跌时的止损。而由于均线的滞后性，在指数由跌转涨时，由于未能及时开仓，此时的超额收益是负的（表现为超额收益曲线的下跌），尤其在震荡行情中，均线择时容易反复打脸。
2. 均线择时的参数优化
   均线择时主要有两个参数：
   （1）均线的类型
   均线的类型有多种，本例中使用了简单移动平均线，我们还可以使用其他的均线来观察择时效果。关于各种均线的介绍，可以参看后附的文章《均线解密：如何有效利用移动平均线》。利用pandas_ta库，很容易就能计算各种不同的均线。
   （2）均线的周期
   在本例中，我们在单均线策略中使用了20日均线，在双均线策略中使用了5日均线和60日均线。我们还可以尝试其他的均线周期，观察不同周期的择时效果。但要注意的是，如果我们对所有的均线周期进行遍历，总能够找到一个最好的周期值，但这个周期值可能是过拟合的结果，即过度拟合了样本数据，但在样本外可能是失效的。为了防止这个问题，我们可以将数据分为样本内和样本外两份，在样本内寻找最佳参数，然后在样本外验证这个参数是否有效。
   均线择时是一种简单但常用的择时策略。尽管存在一定的局限性和挑战，但通过合理的策略设计和优化，均线择时仍然是量化投资领域中一个有价值的工具。