【手把手教你】基于均线排列的价格动量策略回测

01 引言

动量策略是通过利用市场波动从现有趋势的延续中获利。简单来说，高买高卖，反之亦然（“低买高卖”是均值回归策略思想，与动量策略相反）。价值投资通常基于均值的长期回归，而动量投资基于均值回归发生之前的时间间隔。通常而言，基于过去回报（价格动量策略）或收益意外（称为收益动量策略）的策略是利用市场对不同信息的反应不足。换句话说，收益动量策略是基于对短期收益相关信息的反应不足中获利，而价格动量策略是基于从市场对更广泛信息（包括长期盈利能力）的缓慢反应中获利。动量策略的构建有两种思路，一种是个股历史价格动量，即与过去价格相比计算涨跌幅，也叫时间动量；另一种是截面动量，即对当前市场所有个股进行某期间涨跌幅排序，如欧奈尔的RPS指标。下面以简单的均线为例，构建均线多头排列的时间动量进行历史回测。数据获取、可视化和回测均用到公众号开发的qstock包（免费），关于qstock的数据、可视化、选股等详细教程请参阅以下推文：

【qstock开源了】数据篇之行情交易数据

【qstock数据篇】行业概念板块与资金流

【qstock量化】数据篇之股票基本面数据

【qstock量化】数据篇之宏观指标和财经新闻文本

【qstock量化】动态交互数据可视化

【qstock量化】技术形态与概念热点选股池

【手把手教你】使用qstock实现量化策略选股

02 Python计算均线动量

使用汉明距离（scipy.spatial.distance）度量均线多头排列的动量趋势。汉明距离是信息论里的一个概念，它表示两个（相同长度）字符串对应位置的不同字符的数量。汉明距离对向量按元素进行比较，并对差异的数量进行平均，如果两个向量相同，得到的距离是0之间，如果两个向量完全不同，得到的距离是1。

import numpy as npimport pandas as pdimport scipy.stats as statsfrom datetime import timedeltaimport scipy.spatial.distance as distanceimport matplotlib.pyplot as pltimport qstock as qs

使用qstock获取回测用数据，以中国平安为例，基准指数为沪深300指数，回测期间为2010-2022年。

#获取数据#data_feed是qstock回测模块获取数据函数，默认基准指数为沪深300#fqt=2表示后复权数据，等于1表示前复权df=qs.data_feed('中国平安',index='hs300',start='20100101',end='202201216',fqt=2)#计算10个均线序列for i in np.linspace(10, 100, 10):    df[str(i)+'日均线']=df['close'].rolling(window=int(i),center=False).mean()df.dropna(inplace=True)

均线数据可视化。

#均线可视化cols=['close']+[str(i)+'日均线' for i in np.linspace(10, 100, 10)]qs.line(df['2020':][cols])

cols=[str(i)+'日均线' for i in np.linspace(10, 100, 10)]

for date in df.index:
#围绕每一日的均线大小进行排序
ranking = stats.rankdata(df.loc[date,cols].values)
#计算每一日均线之间的汉明距离（scipy.spatial.distance）
df.loc[date,'scores']= distance.hamming(ranking, range(1,11))

个股价格与均线汉明距离得分数据可视化。

#价格走势与均线排列的汉明距离得分可视化df[['close','scores']].plot(figsize=(15,7),secondary_y='scores', alpha=0.6)plt.show()

#描述性统计df[['close','scores']].describe()

03 动量回测

策略思路：当短期均线大于长期均线呈现多条均线的多头排列时，买入做多，当均线呈现空头排列时卖出。使用汉明距离可以度量均线的多头与空头排列得分，当出现完美的均线多头时（短期均线依次大于长期均线，如10日MA > 20日MA >… 100日MA），得分为1；当出现完美的空头时，即短期均线依次小于长期均线，如10日MA < 20日MA <… <100日MA）得为0，其他均线排列得分位于0-1之间。可以根据得分设定一个门槛值，如当scores得分大于0.5，给出买入或持有的信号，否则为卖出或做空信号。

#封装成函数方便后面进行回测分析def ma_momentum(code,benchmark='hs300',start='20100101',end='202201219',ma_list=None,threshold=0.8):    df=qs.data_feed(code,index=benchmark,start=start,end=end,fqt=2)    ss=np.linspace(10, 100, 10) if ma_list is None else ma_list    for i in ss:        df[str(i)+'日均线']=df['close'].rolling(window=int(i),center=False).mean()    df.dropna(inplace=True)    cols=[str(i)+'日均线' for i in ss]    for date in df.index:        ranking = stats.rankdata(df.loc[date,cols].values)        df.loc[date,'scores']= distance.hamming(ranking, range(1,len(ss)+1))    #当日均线多头排列scores=1发出买入信号设置为1    df.loc[df['scores']>threshold, 'signal'] = 1    #当日均线空头排列scores=0发出买入信号设置为0    df.loc[df['scores']<=threshold, 'signal'] = 0    df['position']=df['signal'].shift(1)    df['position'].fillna(method='ffill',inplace=True)    d=df[df['position']==1].index[0]-timedelta(days=1)    df1=df.loc[d:].copy()    df1['position'][0]=0    #当仓位为1时，买入持仓，当仓位为0时，空仓，计算资金净值    df1['capital_ret']=df1.rets.values*df1['position'].values    #计算策略累计收益率    df1['capital_line']=(df1.capital_ret+1.0).cumprod()    return df1

#可以通过ma_list自定义设置ma均线计算周期#如ma_list=[3, 5, 8, 13, 21, 34, 55, 89, 144, 233]#ma_list=None表示默认使用10-100日均线data=ma_momentum('中国平安',ma_list=None,threshold=0.8)

回测结果。

qs.start_backtest(data)

修改均线参数，同时以贵州茅台个股为例重新进行回测。

fib=[3, 5, 8, 13, 21, 34, 55, 89, 144, 233]data=ma_momentum('贵州茅台',ma_list=fib,threshold=0.5)qs.start_backtest(data)

此外，介绍一个非常简单易上手的回测框架quantstats，下面使用它展示历史回测结果。注意quantstats要先使用'pip install QuantStats'进行安装，注意安装的时候包含大写字母，导入使用小写字母。quantstats与pyfolio类似，一行代码可以实现丰富的回测图表，下面只展示部分结果。如下面输入qst.reports.html(data.capital_ret)，可以生成本地基于web的html回测结果。关于pyfolio的回测用法可以参照推文：《Pyfolio一行代码实现专业量化回测图表》

import quantstats as qst

qst.reports.full(data.capital_ret)

04 结语

本文利用汉明距离计算均线排列的得分来评估股价的动量趋势，并以此构建择时交易策略，即当呈现多头均线排列的趋势时买入，空头排列时卖出。以中国平安和贵州茅台个股为例进行了历史回测，结果显示该交易策略优于买入持有和基准指数。

对于历史上证明有效的任何策略，通常有两种解释，该策略已经补偿了它所承担的额外风险，或者存在溢价行为因素。那为什么动量策略有效？动量策略起作用的逻辑在于，投资者表现出一长串行为偏见和情绪错误。然而，这说起来容易做起来难，因为趋势不会永远持续下去，并且在达到顶峰和结束时可能会迅速逆转。动量交易比大多数其他策略具有更高程度的波动性，并试图利用市场波动性。通过使用适当的风险管理技术和止损，正确安排买卖时间以避免损失非常重要。