# 技术分析入门 —— 双均线策略 > 来源：https://uqer.io/community/share/554051bbf9f06c1c3d687fac > 本篇中，我们将通过技术分析流派中经典的“双均线策略”，向大家展现如何在量化实验室中使用Python测试自己的想法，并最终将它转化为策略！ ## 1. 准备工作 一大波Python库需要在使用之前被导入： + `matplotlib` 用于绘制图表 + `numpy` 时间序列的计算 + `pandas` 处理结构化的表格数据 + `DataAPI` 通联数据提供的数据API + `seaborn` 用于美化matplotlib图表 ```py from matplotlib import pylab import numpy as np import pandas as pd import DataAPI import seaborn as sns sns.set_style('white') ``` 我们的关注点是关于一只ETF基金的投资：华夏上证50ETF，代码：`510050.XSHG`。我们考虑的回测周期： + 起始：2008年1月1日 + 结束：2015年4月23日 这里我们使用数据API函数`MktFunddGe`t获取基金交易价格的日线数据，最后获得`security`是`pandas`下的`DataFrame`对象： ```py secID = '510050.XSHG' start = '20080101' end = '20150423' security = DataAPI.MktFunddGet(secID, beginDate=start, endDate=end, field=['tradeDate', 'closePrice']) security['tradeDate'] = pd.to_datetime(security['tradeDate']) security = security.set_index('tradeDate') security.info() <class 'pandas.core.frame.DataFrame'> DatetimeIndex: 1775 entries, 2008-01-02 00:00:00 to 2015-04-23 00:00:00 Data columns (total 1 columns): closePrice 1775 non-null float64 dtypes: float64(1) ``` 最近5天的收盘价如下： ```py security.tail() ``` | | closePrice | | --- | --- | | tradeDate | | | 2015-04-17 | 3.185 | | 2015-04-20 | 3.103 | | 2015-04-21 | 3.141 | | 2015-04-22 | 3.241 | | 2015-04-23 | 3.212 | 适当的图表可以帮助研究人员直观的了解标的的历史走势，这里我们直接借助`DataFrame`的`plot`成员： ```py security['closePrice'].plot(grid=False, figsize=(12,8)) sns.despine() ```  ## 2. 策略描述 > 这里我们以经典的“双均线”策略为例，讲述如何使用量化实验室进行分析研究。 这里我们使用的均线定义为： + 短期均线： `window_short = 20`，相当于月均线 + 长期均线： `window_long = 120`，相当于半年线 + 偏离度阈值： `SD = 5%`，区间宽度，这个会在后面有详细解释 计算均值我们借助了`numpy`的内置移动平均函数：`rolling_mean` ```py window_short = 20 window_long = 120 SD = 0.05 security['short_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_short), 2) security['long_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_long), 2) security[['closePrice', 'short_window', 'long_window']].tail() ``` | | closePrice | short_window | long_window | | --- | --- | | tradeDate | | | | | 2015-04-17 | 3.185 | 2.82 | 2.30 | | 2015-04-20 | 3.103 | 2.85 | 2.31 | | 2015-04-21 | 3.141 | 2.87 | 2.33 | | 2015-04-22 | 3.241 | 2.90 | 2.34 | | 2015-04-23 | 3.212 | 2.93 | 2.35 | 仍然地，我们可以把包含收盘价的三条线画到一张图上，看看有没有什么启发？ ```py security[['closePrice', 'short_window', 'long_window']].plot(grid=False, figsize=(12,8)) sns.despine() ```  ### 2.1 定义信号 > 买入信号： 短期均线高于长期日均线，并且超过 `SD` 个点位； > > 卖出信号： 不满足买入信号的所有情况； 我们首先计算短期均线与长期均线的差`s-l`，这样的向量级运算，在`pandas`中可以像普通标量一样计算： ```py security['s-l'] = security['short_window'] - security['long_window'] security['s-l'].tail() tradeDate 2015-04-17 0.52 2015-04-20 0.54 2015-04-21 0.54 2015-04-22 0.56 2015-04-23 0.58 Name: s-l, dtype: float64 ``` 根据`s-l`的值，我们可以定义信号： + `s−l>SD×long_window`，支持买入，定义`Regime`为`True` + 其他情形下，卖出信号，定义`Regime`为`False` ```py security['Regime'] = np.where(security['s-l'] > security['long_window'] * SD, 1, 0) security['Regime'].value_counts() 0 1394 1 381 dtype: int64 ``` 上面的统计给出了总共有多少次买入信号，多少次卖出信号。 下图给出了信号的时间分布： ```py security['Regime'].plot(grid=False, lw=1.5, figsize=(12,8)) pylab.ylim((-0.1,1.1)) sns.despine() ```  我们可以在有了信号之后执行买入卖出操作，然后根据操作计算每日的收益。这里注意，我们计算策略收益的时候，使用的是当天的信号乘以次日的收益率。这是因为我们的决定是当天做出的，但是能享受到的收益只可能是第二天的（如果用当天信号乘以当日的收益率，那么这里面就有使用未来数据的问题）。 ```py security['Market'] = np.log(security['closePrice'] / security['closePrice'].shift(1)) security['Strategy'] = security['Regime'].shift(1) * security['Market'] security[['Market', 'Strategy', 'Regime']].tail() ``` | | Market | Strategy | Regime | | --- | --- | | tradeDate | | | | | 2015-04-17 | 0.012638 | 0.012638 | 1 | | 2015-04-20 | -0.026083 | -0.026083 | 1 | | 2015-04-21 | 0.012172 | 0.012172 | 1 | | 2015-04-22 | 0.031341 | 0.031341 | 1 | | 2015-04-23 | -0.008988 | -0.008988 | 1 | 最后我们把每天的收益率求和就得到了最后的累计收益率（这里因为我们使用的是指数收益率，所以将每日收益累加是合理的），这个累加的过程也可以通过`DataFrame`的内置函数`cumsum`轻松完成： ```py security[['Market', 'Strategy']].cumsum().apply(np.exp).plot(grid=False, figsize=(12,8)) sns.despine() ```  ## 3 使用`quartz`实现策略 上面的部分介绍了从数据出发，在量化实验室内研究策略的流程。实际上我们可以直接用量化实验室内置的`quartz`框架。`quartz`框架为用户隐藏了数据获取、数据清晰以及回测逻辑。用户可以更加专注于策略逻辑的描述： ```py start = datetime(2008, 1, 1) # 回测起始时间 end = datetime(2015, 4, 23) # 回测结束时间 benchmark = 'SH50' # 策略参考标准 universe = ['510050.XSHG'] # 股票池 capital_base = 100000 # 起始资金 commission = Commission(0.0,0.0) window_short = 20 window_long = 120 longest_history = window_long SD = 0.05 def initialize(account): # 初始化虚拟账户状态 account.fund = universe[0] account.SD = SD account.window_short = window_short account.window_long = window_long def handle_data(account): # 每个交易日的买入卖出指令 hist = account.get_history(longest_history) fund = account.fund short_mean = np.mean(hist[fund]['closePrice'][-account.window_short:]) # 计算短均线值 long_mean = np.mean(hist[fund]['closePrice'][-account.window_long:]) #计算长均线值 # 计算买入卖出信号 flag = True if (short_mean - long_mean) > account.SD * long_mean else False if flag: if account.position.secpos.get(fund, 0) == 0: # 空仓时全仓买入，买入股数为100的整数倍 approximationAmount = int(account.cash / hist[fund]['closePrice'][-1]/100.0) * 100 order(fund, approximationAmount) else: # 卖出时，全仓清空 if account.position.secpos.get(fund, 0) >= 0: order_to(fund, 0) ```