【原】十年回报155%，最大回撤20%：实证多指数动量轮动模型

AI量化实验室 2023-10-12 发布于北京

展开全文

持续行动1期 54/100，“AI技术应用于量化投资研究”。

昨天的文章相当于是backtrader的"hello world"，直接感受一下bt的使用。

今天开始，我们要来实战一下，“轮动”模型是量化中经典的范式。

如果仅交易一个标的，比如一只股票或者指数，那么叫“择时”模型。

“择时”是所有模型里最难的。大家知道金融数据里噪声多，择时就是“预测”，难度很高。

“轮动”模型天然就是一个投资组合策略，本身组合的波动就在下降（标的池里的指数相关性越低，效果越好，比如沪深300+标普500+日经225等）。

“轮动”模型除了交易信号之外，还有明确的排序信号。

以“动量”为例，比如动量（20）>0.02的发出买入信号，但我们选择动量最大的K支才真正进行交易——所谓“骑最快的马”的逻辑。

01 数据准备

传统有大小盘轮动，行业轮动等。

我们以A股，美股为例进行演示。

feed = CSVDatafeed()
codes = ['000300.SH','SPX']
for code in codes:
    feed.add_data(code, DATA_DIR_CSV.joinpath('{}.csv'.format(code)))
    df = feed.get_df(code)
    df = to_backtrader_dataframe(df)
    print(df)

A股沪深300指数：

美股标普500指数：

02 指标计算

我们考虑一个简单的策略：动量轮动。

20日动量>0.02时买入，20日动量<0时卖出，每次最多持有一支，超过一支时取动量大者。

我们只需要计算一个指标就是“20日动量”，是买卖规则指标，也是排序指标。

class StrategyRotation(bt.Strategy):
    params = dict(
        period=20,  # 动量周期
    )

    def __init__(self):
        # 指标计算
        self.inds = {}
        for data in self.datas:
            self.inds[data] = bt.ind.ROC(data, period=self.p.period)

03 交易规则

判断to_buy即ROC(20)>0.02，判断to_sell即ROC(20)<0，当前持仓>0

# 计算to_buy,判断roc>0.02
# 计算to_sell,判断roc<0
# 判断当前已经持仓
to_buy = []
to_sell = []
holding = []
for data, roc in self.inds.items():
    if roc[0] > 0.02:
        to_buy.append(data)

    if roc[0] < 0:
        to_sell.append(data)

    if self.getposition(data).size > 0:
        holding.append(data)

对于已经持仓且要得到卖出信号的清仓：

for sell in to_sell:
    if self.getposition(sell).size > 0:
        logger.debug('清仓'+sell.p.name)
        self.close(sell)

计算新的待持仓组合 new_hold= to_buy+holding-to_sell

new_hold = list(set(to_buy + holding))
for data in to_sell:
    if data in new_hold:
        new_hold.remove(data)

等权重分配仓位：

# 等权重分配 todo: 已持仓的应应该不变，对cash对新增的等权分配
weight = 1 / len(new_hold)
for data in new_hold:
    self.order_target_percent(data, weight)

04 风险/收益分析

核心指标：年化收益、波动率、最大回撤、夏普比。

分析器需要一个个添加：

self.cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='AnnualReturn')
self.cerebro.addanalyzer(bt.analyzers.SharpeRatio, riskfreerate=0.0, annualize=True, _name='SharpeRatio')
self.cerebro.addanalyzer(bt.analyzers.DrawDown, _name='DrawDown')

回测完成后打印出来：

print("--------------- AnnualReturn -----------------")
print(strat.analyzers.AnnualReturn.get_analysis())
print("--------------- SharpeRatio -----------------")
print(strat.analyzers.SharpeRatio.get_analysis())
print("--------------- DrawDown -----------------")
print(strat.analyzers.DrawDown.get_analysis())

总体回报率155%，最大回撤20.6%。

backtrader写一个策略比较简单。

遗留问题，与benchmark对比，以及如何更加优雅的可视化。

内置的matplotlib的绘图有一些局限，网上有不同的解法，这个我们需要单独起一个篇幅来说明。

按以往经验，不用仓促造轮子，网上有成熟的解决方案，学习，改造成适应我们的版本。

总结：backtrader是一个成熟的框架，有成熟的生态，包括各种案例等。后续会围绕这个基础框架开展智能量化。

心得：

如果你要开一家包子铺，重点就关注如何做出好吃的包子，更快更好地做出好包子。不要去研究面粉怎么来的，小麦怎么种的，蒸笼是如何做出来的，竹子是如何生长的。也许它们之间有些许的联系，但是竹子对包子的影响，远不及你把调料好好研究一番——直面结果而去，站在巨人的肩膀上这很重要。

但你可能会说，我需要研究“综述”，才知道这个行业的全貌。也没问题，抓住主线，之于包子，最重要就是口味；之于量化，最重要就是策略。你要落地策略的时候，也许先碰到了pyalgotrade，那就用好，功能不够了，qlib或backtrader，甚至是joinquant或者bigquant这样的网上平台，反正终会遇到，但要最快的速度渡过这一步。