写点什么

基于 Python 实现盈利 8371% 的交易策略

作者:俞凡
  • 2024-04-12
    上海
  • 本文字数:3570 字

    阅读完需:约 12 分钟

本文介绍了通过 Python 和 Benzinga API 构建自动化交易策略的方法,帮助交易者方便的回测交易策略。原文: An Algo Trading Strategy which made +8,371%: A Python Case Study


Behnam Norouzi @Unsplash

导言

传统自动化交易策略(如均线交叉或 RSI 临界点突破策略)已被证明过时了,这些策略过于简单,更重要的是,市场上有大量参与者在尝试执行这些策略。


因此,与其接受这些策略,不如尝试些新东西。本文将基于 Python 和 Benzinga API来构建并回测一种新的交易策略,帮助我们战胜市场。


话不多说,直接进入主题!

交易策略

在编码之前,有必要先了解一下本文将要构建的策略背景,该策略遵循简单但非常有效的突破策略原则。


如果出现以下情况,我们就入市:股价超过 50 周的最高点


如果出现以下情况,我们就出市:股价跌破 40 周的最低点


我们通过唐氏通道指标(Donchian Channel indicator)来跟踪 50 周高点和 40 周低点。本策略是周线交易系统,因此将在周线时间框架内进行回测。


这就是我们要在本文中进行回测的策略。就这么简单,对吧?接下来开始编码。

导入软件包

本文将使用四个主要软件包,即 pandasrequestspandas_tamatplotlib,次要/可选软件包包括 termcolormath。下面的代码将把所有提到的包导入到 Python 环境中:


# IMPORTING PACKAGES
import pandas as pdimport requestsimport pandas_ta as taimport matplotlib.pyplot as pltfrom termcolor import colored as climport math
plt.rcParams['figure.figsize'] = (20,10)plt.style.use('fivethirtyeight')
复制代码


如果尚未安装任何导入的软件包,请确保通过 pip 命令进行安装。

提取历史数据

我们将在苹果股票上对突破策略进行回测。为了获取苹果公司的股票历史数据,将使用 Benzinga 的 Historical Bar Data API接口。以下 Python 代码通过该接口提取了 1993 年以来的苹果股票数据:


# EXTRACTING HISTORICAL DATA
def get_historical_data(symbol, start_date, interval): url = "https://api.benzinga.com/api/v2/bars" querystring = {"token":"YOUR API KEY","symbols":f"{symbol}","from":f"{start_date}","interval":f"{interval}"}
hist_json = requests.get(url, params = querystring).json() df = pd.DataFrame(hist_json[0]['candles']) return df
aapl = get_historical_data('AAPL', '1993-01-01', '1W')aapl.tail()
复制代码


在上述代码中,定义了名为 get_historical_data 的函数,该函数获取股票代码、数据起始日期和数据点之间的间隔。


在函数中,我们将把 API URL 和查询字符串存储到各自的变量中。请确保将 YOUR API KEY 替换为实际的 Benzinga API KEY,可以在创建账户后获得该 KEY。然后,调用 API 以获取数据,并将 JSON 响应转换为 Pandas dataframe,最后返回该数据。


基于该函数,我们提取了苹果公司自 1993 年以来每周股票历史数据。这是最终输出结果:


苹果公司的历史数据


太棒了,我们继续计算提取的苹果公司历史数据的唐氏通道指标。

唐氏通道计算

如果深入研究该指标的数学原理,需要单独撰文进行解释。基本上,唐氏通道揭示了股票在特定时间段内的最高点和最低点。


以下代码使用 pandas_ta 计算指标:


# CALCULATING DONCHIAN CHANNEL
aapl[['dcl', 'dcm', 'dcu']] = aapl.ta.donchian(lower_length = 40, upper_length = 50)aapl = aapl.dropna().drop('time', axis = 1).rename(columns = {'dateTime':'date'})aapl = aapl.set_index('date')aapl.index = pd.to_datetime(aapl.index)
aapl.tail()
复制代码


第一行使用 pandas_ta 提供的 donchian 函数来计算指标。该函数需要两个参数:下限长度和上限长度,分别是最低点和最高点的回溯周期。由于我们的策略要求 40 周低点和 50 周高点,因此将下限和上限分别设为 40 和 50。


计算之后,执行一些数据处理任务,以清理和格式化数据。这就是最终的数据帧:


苹果股票的唐氏通道


为了更好的了解唐氏通道指标,我们用 Matplotlib 库绘制计算值:


# PLOTTING DONCHIAN CHANNEL
plt.plot(aapl[-300:].close, label = 'CLOSE')plt.plot(aapl[-300:].dcl, color = 'black', linestyle = '--', alpha = 0.3)plt.plot(aapl[-300:].dcm, color = 'orange', label = 'DCM')plt.plot(aapl[-300:].dcu, color = 'black', linestyle = '--', alpha = 0.3, label = 'DCU,DCL')plt.legend()plt.title('AAPL DONCHIAN CHANNELS 50')plt.xlabel('Date')plt.ylabel('Close')
复制代码


这段代码没有什么特别之处。我们利用 matplotlib 提供的基本功能来实现可视化,这是最终的图表:


苹果公司唐氏通道图


从图中可以看出,唐氏通道指标有三个重要组成部分:


  • Upper Band(上限波段):上限波段显示了股票在特定时间段内的最高点。

  • Lower Band(下限波段):基本上与上限相反,显示股票在特定时间段内的最低点。

  • Middle Band(中间波段):这个部分有点不同,显示的是上限波段和下限波段之间的平均值。


唐氏通道是最广泛使用的观察股价走势突破情况的指标之一,这也是本文使用该指标的核心原因之一。

回溯测试策略

接下来是最重要的步骤之一,即对突破策略进行回测。为了简单起见,我们将使用非常基本和直接的回测系统。下面的代码将对该策略进行回测并显示结果:


# BACKTESTING THE STRATEGY
def implement_strategy(aapl, investment): in_position = False equity = investment for i in range(3, len(aapl)): if aapl['high'][i] == aapl['dcu'][i] and in_position == False: no_of_shares = math.floor(equity/aapl.close[i]) equity -= (no_of_shares * aapl.close[i]) in_position = True print(cl('BUY: ', color = 'green', attrs = ['bold']), f'{no_of_shares} Shares are bought at ${aapl.close[i]} on {str(aapl.index[i])[:10]}') elif aapl['low'][i] == aapl['dcl'][i] and in_position == True: equity += (no_of_shares * aapl.close[i]) in_position = False print(cl('SELL: ', color = 'red', attrs = ['bold']), f'{no_of_shares} Shares are bought at ${aapl.close[i]} on {str(aapl.index[i])[:10]}') if in_position == True: equity += (no_of_shares * aapl.close[i]) print(cl(f'\nClosing position at {aapl.close[i]} on {str(aapl.index[i])[:10]}', attrs = ['bold'])) in_position = False
earning = round(equity - investment, 2) roi = round(earning / investment * 100, 2) print(cl(f'EARNING: ${earning} ; ROI: {roi}%', attrs = ['bold'])) implement_strategy(aapl, 100000)
复制代码


我不打算深入探讨这段代码,因为解释起来需要一些时间,基本上程序会根据满足的条件执行交易。当入市条件得到满足时,就会入市,而当出市条件得到满足时,就会平仓。以下是程序执行的交易以及回测结果:


AAPL 回测结果


正如标题中所说,该策略取得了 8371% 的投资回报率,这是一个巨大的数字。但现在是时候看看我们的策略是否真的跑赢了市场。

与 SPY ETF 对比

将策略回测结果与 SPY ETF 的买入/持有回报进行比较,有助于真正了解策略的表现。以下代码计算了 SPY ETF 多年来的回报:


spy = get_historical_data('SPY', '1993-01-01', '1W')spy_ret = round(((spy.close.iloc[-1] - spy.close.iloc[0])/spy.close.iloc[0])*100)
print(cl('SPY ETF buy/hold return:', attrs = ['bold']), f'{spy_ret}%')
复制代码


上述代码首先提取 SPY 的历史数据,其规格与 AAPL 相同。然后使用简单的公式计算该指数的收益百分比,结果是:


SPY ETF 买入/持有回报


该指数的回报率为 936%,其实已经很不错了,但与我们的策略相比,还是有很大差距。我们的策略大大超过了基准,这是个好消息!

结束语

本文通过大量编码过程,对一个简单但非常有效的突破策略进行了回测。不出所料,该策略的结果令人惊叹。我们首先使用 Benzinga API 提取苹果公司的历史数据,然后慢慢探索唐氏通道,最后对该策略进行回测,并将结果与 SPY ETF 进行比较。


该策略还有很多方面可以改进。如果加上佣金和滑点,回测系统就会更加复杂和现实。适当的风险管理必须到位,特别是在算法交易的情况下。




你好,我是俞凡,在 Motorola 做过研发,现在在 Mavenir 做技术工作,对通信、网络、后端架构、云原生、DevOps、CICD、区块链、AI 等技术始终保持着浓厚的兴趣,平时喜欢阅读、思考,相信持续学习、终身成长,欢迎一起交流学习。为了方便大家以后能第一时间看到文章,请朋友们关注公众号"DeepNoMind",并设个星标吧,如果能一键三连(转发、点赞、在看),则能给我带来更多的支持和动力,激励我持续写下去,和大家共同成长进步!

发布于: 刚刚阅读数: 5
用户头像

俞凡

关注

公众号:DeepNoMind 2017-10-18 加入

俞凡,Mavenir Systems研发总监,关注高可用架构、高性能服务、5G、人工智能、区块链、DevOps、Agile等。公众号:DeepNoMind

评论

发布
暂无评论
基于Python实现盈利8371%的交易策略_Python_俞凡_InfoQ写作社区