繁簡切換您正在訪問的是FX168財經網,本網站所提供的內容及信息均遵守中華人民共和國香港特別行政區當地法律法規。

FX168财经网>人物频道>帖子

成交量脉冲择时模型

作者/sjfddsj 2019-07-19 16:00 0 来源: FX168财经网人物频道

基于成交量脉冲的大盘择时策略¶

研究思路¶

成交量脉冲指的是成交量(金额)突然放大的现象。成交量脉冲出现,往往是一股集中的力量大量买入股票造成的,有时候是投资者者的一致预期突然改变,有时是“聪明的钱”的集中活动,有时候是外资大量增持A股。
这种脉冲式的买入,往往蕴涵着A股未来大概率向好。我们就捕捉这种脉冲,开发相应的交易策略。 根据研报定义,我们用脉冲指标比来衡量成交量脉冲的强度。具体定义脉冲比为当日成交额除以过去 5 日(不含当日)的平均成交金额。
脉冲比=当日成交额 / MA(过去 5 个交易日的成交额) 下图是 A 股历史上的总成交金额图,可以肉眼看到,2015 年初和2019年初有明显成交量放量。

get_price('000002.XSHG',start_date = '2009-12-23',end_date = '2019-07-12',fields=['money']).plot()
<matplotlib.axes._subplots.AxesSubplot at 0x7f9e7c805f28>

成交量脉冲与A股涨跌的关系¶

根据统计,成交量出现正的脉冲,当天股市行情上涨的概率较大。总体趋势是脉冲比越大,当天上涨概率越高,总体概率在74.1%。

from jqdata import *
import numpy as np
import pandas as pd

#数据获取
start='2009-12-23'
end='2019-7-12'
n=5
index = '000001.XSHG'
extend_days = get_trade_days(end_date=start,count=n)

if end in extend_days:
    extend_days = extend_days
else:
    extend_days = extend_days[:-1]
trade_days = get_trade_days(start_date=start, end_date=end, count=None)
extended_trade_days=np.concatenate((extend_days,trade_days),axis=0)

def cal_future_ret(close,n):
    future_ret=[]
    for i in range(len(close)-n):
        future_ret.append(close[i+n]/close[i]-1)
    return np.concatenate((future_ret,n*[np.nan]))

def get_data(index):
    df = get_price(index,start_date=extended_trade_days[0],end_date=end,fields=['close','open','money'])
    df['ma_vol']=df['money'].rolling(6).mean()
    df['vol_shock']=df['money']/((df['ma_vol']-df['money']/6)*6/5)
    ret = np.concatenate(([np.nan],np.array(df['close'][1:])/np.array(df['close'][:-1])))-1
    df['当日涨幅'] = ret

    groups = [1.2,1.3,1.4,1.5,1.6,1.7]
    v = pd.cut(df['vol_shock'],bins=[1.2,1.3,1.4,1.5,1.6,1.7,max(df['vol_shock'])],labels=groups)
    v = v.cat.add_categories(0)
    v = v.fillna(0)
    df['vol_shock_group'] = v
    df['未来30日涨幅'] = cal_future_ret(df['close'],30)
    df['未来20日涨幅'] = cal_future_ret(df['close'],20)
    df['未来10日涨幅'] = cal_future_ret(df['close'],10)
    return df

df = get_data(index)

def group_plot(df,y):
    a = df[df['vol_shock_group']!=0]
    b = a.groupby('vol_shock_group').mean()
    plt.xlabel('脉冲量级')
    plt.ylabel(y)
    plt.plot(np.array(b.index),b[y])

sum_dict = {}
for group in groups:
    b = df[df['vol_shock_group']==group]
    freq_pos = len(b[b['当日涨幅']>=0])
    freq_neg = len(b[b['当日涨幅']<0])
    prob_pos = freq_pos/(freq_pos+freq_neg)
    sum_dict[group] = [freq_pos,freq_pos+freq_neg,prob_pos]
b = df[df['vol_shock_group']!=0]
freq_pos = len(b[b['当日涨幅']>=0])
freq_neg = len(b[b['当日涨幅']<0])
prob_pos = freq_pos/(freq_pos+freq_neg)
sum_dict['汇总'] = [freq_pos,freq_pos+freq_neg,prob_pos]
pd.DataFrame(sum_dict,index=['上涨数','样本数','上涨占比'])
.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }
1.2 1.3 1.4 1.5 1.6 1.7 汇总
上涨数 106.000000 65.000000 44.000000 18.000000 12.000000 21.000 266.000000
样本数 161.000000 82.000000 56.000000 23.000000 13.000000 24.000 359.000000
上涨占比 0.658385 0.792683 0.785714 0.782609 0.923077 0.875 0.740947

下图为上证综指的成交量脉冲比与平均收益的关系。可以看出,大致趋势是脉冲比越大,未来一段时间的预期收益会更高。

plt.figure(1,figsize=(12,6))
plt.title('当日涨幅')
group_plot(df,'当日涨幅')
plt.figure(2,figsize=(12,6))
plt.title('未来30日涨幅')
group_plot(df,'未来30日涨幅')
plt.figure(3,figsize=(12,6))
plt.title('未来20日涨幅')
group_plot(df,'未来20日涨幅')
plt.figure(4,figsize=(12,6))
plt.title('未来10日涨幅')
group_plot(df,'未来10日涨幅')

基于脉冲比指标构建择时策略¶

策略逻辑:成交量的脉冲出现,往往是一股集中的力量大量买入股票造成的,有时候是投资者的一致预期突然改变,有时是“聪明的钱”的集中活动,有时候是外资大量增持A股。
这种脉冲式的买入,往往蕴涵着A股未来大概率向好。我们就捕捉这种脉冲,开发相应的交易策略。
策略思路:当成交量出现脉冲时,计算脉冲比。根据脉冲比,决定是持有指数还是空仓。
参数 1:脉冲比阈值(例如:1.3)
参数 2:持有期限(例如:30 天)
如果持有期内,出现新的大于阈值的脉冲,则重现计算持有期限。
交易标的为上证指数和深证成指,基准用各自的价格指数。

上证综指择时效果¶

根据后面的敏感性测试,我们可以得出最优参数1为1.5,最优参数2为30。
策略满仓天数为1130,空仓天数为1196。各项指标均大幅优于基准指数,且完全避开了2015年下半年的大回撤。年化收益达到10.96%,夏普比率达到0.88。

#上证综指择时
threshold = 1.5
holding = 30



def back_test(df,threshold,holding,prt=False):
    count=holding
    position=[]
    for i in range(len(df)):
        vol_shock = df['vol_shock'][i]
        if vol_shock>threshold:
            position.append(1)
            count = 1
        else:
            if count<holding:
                count +=1
                position.append(1)
            else:
                position.append(0)
    df['position']=position
    if prt:
        position = np.array(position)
        print('满仓天数:',len(position[position==1]))
        print('空仓天数:',len(position[position==0]))
    index_ret=np.concatenate(([np.nan],np.array(df['close'][1:])/np.array(df['close'][:-1])-1))
    ret=[0]
    for i in range(len(df)-1):
        ret.append(index_ret[i+1]*position[i])
    ret = np.array(ret)
    df['ret']=ret
    cum_ret=[]
    for i in range(len(ret)):
        if i==0:
            cum_ret.append(1+ret[i])
        else:
            cum_ret.append(cum_ret[-1]*(1+ret[i]))
    df['cum_ret']=cum_ret
    return df

def summary(df):
    #输出各项指标
    cum_ret = df['cum_ret']
    ret = df['ret']
    annual_ret = cum_ret[-1]**(240/(len(ret)-5))-1
    cum_ret_rate = cum_ret[-1]-1
    max_nv = np.maximum.accumulate(cum_ret)
    mdd = -np.min(cum_ret/max_nv-1)
    
    print('年化收益率: {:.2%}'.format(annual_ret))
    print('累计收益率: {:.2%}'.format(cum_ret_rate))
    print('最大回撤: {:.2%}'.format(mdd))
    print('夏普比率:{:.2}'.format(ret.mean()/ret.std()*np.sqrt(240)))

    #作图
    plt.figure(1,figsize=(20,10))
    plt.title('净值曲线',fontsize=18)
    plt.plot(df.index,cum_ret)
    plt.plot(df.index,df['close']/df['close'][0])
    plt.legend(['策略净值','基准净值'],fontsize=15)
    plt.figure(2,figsize=(20,10))
    plt.title('相对优势',fontsize=18)
    plt.plot(df.index,cum_ret-df['close']/df['close'][0])
    plt.show()
    
df = back_test(df,threshold,holding,prt=True)
summary(df)
满仓天数: 1130
空仓天数: 1196
年化收益率: 10.96%
累计收益率: 173.44%
最大回撤: 26.22%
夏普比率:0.88

上证综指择时的敏感性分析¶

由于本策略受到两个参数的影响,不同的参数可能会带来截然不同的效果。所以,通过敏感性分析找出最优参数是很有必要的。
敏感性分析的参数为触发阈值和持有时间。触发阈值的范围为1.2-1.7(步长0.1),而持有期的范围为10-30(步长10)。优化目标为夏普比率。
通过敏感性分析,我们得到最优阈值为1.5和30,此时夏普比率为0.88。

#上证综指择时敏感性分析
threshold = [1.2,1.3,1.4,1.5,1.6,1.7]
holding = [10,20,30]
sharpe=[]
for i in threshold:
    for j in holding:
        df = back_test(df,i,j)
        ret = df['ret']
        sharpe.append(ret.mean()/ret.std()*np.sqrt(240))
sharpe = np.array(sharpe).reshape((6,3))
sharpe_df = pd.DataFrame(sharpe,index=threshold,columns=holding)
sharpe_df
.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }
10 20 30
1.2 0.111442 -0.039098 0.033015
1.3 0.275688 0.144543 0.012289
1.4 0.255339 0.082304 -0.029744
1.5 0.676901 0.712248 0.879564
1.6 0.754705 0.688486 0.872068
1.7 0.528588 0.691488 0.811117

深证成指择时效果¶

根据后面的敏感性测试,我们可以得出最优参数1为1.6,最优参数2为10。
策略满仓天数为490,空仓天数为1836。各项指标同样优于基准指数,但由于2015年回撤的影响,不如上证综指的择时效果。年化收益达到10.96%,夏普比率达到0.56。

df2 = get_data('399001.XSHE')
df2 = back_test(df2,1.6,10,prt=True)
summary(df2)
满仓天数: 490
空仓天数: 1836
年化收益率: 6.22%
累计收益率: 79.32%
最大回撤: 33.11%
夏普比率:0.56

深证成指择时的敏感性分析¶

与上文类似,我们对深证成指择时策略的两个参数进行敏感性分析,试图达到最优夏普比率,从而找出最优参数。经过敏感性分析,我们得到最优阈值为1.6,最优持有期为10。

#深证成指择时敏感性测试
threshold = [1.2,1.3,1.4,1.5,1.6,1.7]
holding = [10,20,30]
sharpe=[]
for i in threshold:
    for j in holding:
        df2 = back_test(df2,i,j)
        ret = df2['ret']
        sharpe.append(ret.mean()/ret.std()*np.sqrt(240))
sharpe = np.array(sharpe).reshape((6,3))
sharpe_df = pd.DataFrame(sharpe,index=threshold,columns=holding)
sharpe_df
.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }
10 20 30
1.2 0.025333 0.078836 -0.013877
1.3 0.020305 0.059453 -0.081795
1.4 0.180617 0.131466 -0.066911
1.5 0.456017 0.019728 -0.062650
1.6 0.559520 0.333438 0.237095
1.7 0.452277 0.422337 0.269803

研究结论¶

成交量脉冲大盘择时基于放量上涨的思想:成交量突然上升往往是由于集中的大量买入造成的。而这种大量的买入往往意味着A股未来大概率上升。基于这种思想,我们参考研报,复现了基于成交量脉冲的大盘择时策略。
策略在两种上证综指和深证成指上的回测效果都不错,可以大幅战胜指数,但策略对于上证综指的择时效果更胜一筹。总的来说,这个策略原理简单,容易实现,择时效果也十分不错,收益稳定且大幅跑赢市场,但对于参数的选择仍需注意,不同的参数可能会带来截然不同的结果。另外,策略的收益主要来自2015年的大牛市,在震荡市中收益较小。根据我们的研究结果,我们建议在上证综指出现1.5以上的脉冲比时,买入持有30天。

分享到:
举报财经168客户端下载

全部回复

0/140

投稿 您想发表你的观点和看法?

更多人气分析师

  • 刘钥钥1

    人气1952文章3119粉丝34

    专业从事现货黄金、现货白银模似实盘操作分析指导

  • 张迎妤

    人气1824文章3305粉丝34

    个人专注于行情技术分析,消息面解读剖析,给予您第一时间方向...

  • 梁孟梵

    人气2048文章3177粉丝39

    qq:2294906466 了解群指导添加微信mfmacd

  • 指导老师

    人气1768文章4423粉丝52

    暂无个人简介信息

  • 金泰铬J

    人气2224文章3925粉丝51

    投资问答解咨询金泰铬V/信tgtg67即可获取每日的实时资讯、行情...

  • 金算盘

    人气2576文章7761粉丝124

    高级分析师,混过名校,厮杀于股市和期货、证券市场多年,专注...

  • 金帝财神

    人气4608文章8329粉丝117

    本文由资深分析师金帝财神微信:934295330,指导黄金,白银,...

  • 李冉晴

    人气2208文章3821粉丝34

    李冉晴,专业现贷实盘分析师。

  • 张亦巧

    人气2040文章4145粉丝45

    暂无个人简介信息