量化投资第1次作业——$MACD$策略改进

我选择非必需消费品中的比亚迪（$002594.XSHE$）作为$MACD$策略的标的，回测时间为$2022.2.28-2022.7.31$,原始策略的回测结果如下：

接下来对策略进行优化(在优化调试过程中，我的回测时间为$2020.2.28-2022.2.28$，一定程度上可以避免优化仅适用于指定回测时间的问题)：

优化一：参数调节

关于$MACD$参数的确定，广受认可的来源是：相传，在Gerald发明$MACD$的上世纪70年代，美国交易市场仍在“996”，采用的是单休制度，一周有6个交易日，于是“12”对应的是两周。每个月有4周，一周休息一天，那么30-4=26，“26”对应的是一个月。结合我国国情，可以尝试对各项参数适当放大（其实没什么道理），调整为：

优化二：仓位的确定

在传统的$MACD$策略中，当出现交易信号时，我们总是全仓买入或清仓卖出，但事实上，并不是每次的交易信号都足够可信，因此我们需要一些足以代表信号强度的指标来确定仓位的大小。从直观感受来看，当$DIF$突破$DEA$后，两条线可能就此“分道扬镳”，也有可能重新接近；我们可以认为：“分道扬镳”意味着本次的交易信号非常强烈，可以全仓买入或卖出；而如果两条线后续没有明显分离，则意味着交易信号相对没有那么强烈，可以部分买入或卖出。因此，我们可以根据突破日前后两线的距离差确定仓位的大小，具体来说：

设突破日前后两线距离差分别为$d_1,d_2$，对应日期的$DEA$值为$DEA_1$和$DEA_2$

买入方面：

​ 在买入信号出现的前提下：

​ 若 $d_i>0.05|DEA_i|\ ,i=1,2$，则全仓买入；

​ 若$0.03|DEA_i|<d_i<0.05|DEA_i|,\ i=1,2 $，则调整仓位至$80%$

​ 否则，调整仓位至$60%$

卖出方面：

​ 在卖出信号出现的前提下：

​ 若 $d_i>0.05|DEA_i|\ ,i=1,2$，则清仓卖出；

​ 若$0.02|DEA_i|<d_i<0.05|DEA_i|,\ i=1,2 $，则卖出$70%$

​ 否则，卖出$50%$

相关代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
if macd[-1] - signal[-1] > abs(0.05*signal[-1]) and macd[-2] - signal[-2] < -abs(0.05*signal[-2]):
    order_target_percent(context.s1, 1)
elif macd[-1] - signal[-1] > abs(0.03*signal[-1]) and macd[-2] - signal[-2] < -abs(0.03*signal[-2]):
    order_target_percent(context.s1, 0.8)
elif macd[-1] - signal[-1] > 0 and macd[-2] - signal[-2] < 0:
    order_target_percent(context.s1, 0.6)
    
if macd[-1] - signal[-1] < -abs(0.05*signal[-1]) and macd[-2] - signal[-2] > abs(0.05*signal[-2]):
    curPosition = context.portfolio.positions[context.s1].quantity
    if curPosition > 0:
        order_target_value(context.s1, 0)
elif macd[-1] - signal[-1] < -abs(0.02*signal[-1]) and macd[-2] - signal[-2] > abs(0.02*signal[-2]):
    curPosition = context.portfolio.positions[context.s1].quantity
    if curPosition > 0:
        order_lots(context.s1,-0.007*curPosition)     
elif macd[-1] - signal[-1] < 0 and macd[-2] - signal[-2] > 0:
    curPosition = context.portfolio.positions[context.s1].quantity
    if curPosition > 0:
        order_lots(context.s1,-0.005*curPosition)

优化三：延时处理

我在策略中加入了延时处理，即交易信号出现时延后一天再交易，其逻辑是或许信号刚出现时走势的变动还未显现，旧的走势仍在延续，此时交易为时尚在。

调整后相关代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
if macd[-2] - signal[-2] > abs(0.05*signal[-2]) and macd[-3] - signal[-3] < -abs(0.05*signal[-3]):
    order_target_percent(context.s1, 1)
elif macd[-2] - signal[-2] > abs(0.03*signal[-2]) and macd[-3] - signal[-3] < -abs(0.03*signal[-3]):
    order_target_percent(context.s1, 0.8)
elif macd[-2] - signal[-2] > 0 and macd[-3] - signal[-3] < 0:
    order_target_percent(context.s1, 0.6)
    
if macd[-2] - signal[-2] < -abs(0.05*signal[-2]) and macd[-3] - signal[-3] > abs(0.05*signal[-3]):
    curPosition = context.portfolio.positions[context.s1].quantity
    if curPosition > 0:
        order_target_value(context.s1, 0)
elif macd[-2] - signal[-2] < -abs(0.02*signal[-2]) and macd[-3] - signal[-3] > abs(0.02*signal[-3]):
    curPosition = context.portfolio.positions[context.s1].quantity
    if curPosition > 0:
        order_lots(context.s1,-0.007*curPosition)     
elif macd[-2] - signal[-2] < 0 and macd[-3] - signal[-3] > 0:
    curPosition = context.portfolio.positions[context.s1].quantity
    if curPosition > 0:
        order_lots(context.s1,-0.005*curPosition)

经过上述优化后，新的结果如下：

与原始策略进行对比，我们可以发现：

  • 总体差异不大，优化后收益率略微降低，这是由我们仓位控制策略导致的，这种程度的降低是可以接受的。
  • 波动率与最大回撤均有小幅度的降低，可以看出仓位的控制可以一定程度上降低风险。
  • 信息比率有小幅上升，意味着在我们同时降低风险与收益的过程中，单位超额风险带来的超额收益是在增加的，由此可以认为我们的优化是正向的。

完整代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
from youngquant.api import *
from youngquant import exec_strategy
import talib
config = {
  "base": {
    "start_date": "2022-02-28",
    "end_date": "2022-07-31",
    "frequency": "1d",
    
    "accounts": {
        "stock": 100000
    }
  },
  "extra": {
    "log_level": "warning",
  },
  "mod": {
      "sys_progress":{
          "enabled":True,
          "show":True,
    },
    "sys_analyser": {
      "enabled": True,
     "benchmark": "000300.XSHG",
      "plot": True
        
    },
    "mongodb": {
      "enabled": True,  
  }
 }
}
# 初始化函数
def initialize(context):
    context.s1 = "002594.XSHE"
    context.SHORTPERIOD = 14
    context.LONGPERIOD = 30
    context.SMOOTHPERIOD = 10
    context.OBSERVATION = 800
def before_trading_start(context):
    pass

def handle_data(context, bar_dict):
    prices= history_bars(context.s1,context.OBSERVATION, '1d', 'close',adjust_type='pre')
    macd, signal, hist = talib.MACD(prices, context.SHORTPERIOD,context.LONGPERIOD, context.SMOOTHPERIOD)
   # logger.info(macd[-1])
   # logger.info(signal[-1])
   # logger.error(bar_dict[context.s1])
    plot("macd", macd[-1])
    plot("macd signal", signal[-1])

    if macd[-2] - signal[-2] > abs(0.05*signal[-2]) and macd[-3] - signal[-3] < -abs(0.05*signal[-3]):
        order_target_percent(context.s1, 1)
    elif macd[-2] - signal[-2] > abs(0.03*signal[-2]) and macd[-3] - signal[-3] < -abs(0.03*signal[-3]):
        order_target_percent(context.s1, 0.8)
    elif macd[-2] - signal[-2] > 0 and macd[-3] - signal[-3] < 0:
        order_target_percent(context.s1, 0.6)
        
    if macd[-2] - signal[-2] < -abs(0.05*signal[-2]) and macd[-3] - signal[-3] > abs(0.05*signal[-3]):
        curPosition = context.portfolio.positions[context.s1].quantity
        if curPosition > 0:
            order_target_value(context.s1, 0)
    elif macd[-2] - signal[-2] < -abs(0.02*signal[-2]) and macd[-3] - signal[-3] > abs(0.02*signal[-3]):
        curPosition = context.portfolio.positions[context.s1].quantity
        if curPosition > 0:
            order_lots(context.s1,-0.007*curPosition)     
    elif macd[-2] - signal[-2] < 0 and macd[-3] - signal[-3] > 0:
        curPosition = context.portfolio.positions[context.s1].quantity
        if curPosition > 0:
            order_lots(context.s1,-0.005*curPosition)
            
#results = exec_strategy(initialize=initialize, before_trading_start=before_trading_start, handle_data=handle_data, config=config)
exec_strategy(initialize=initialize, before_trading_start=before_trading_start, handle_data=handle_data, config=config)

附录

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
{'sys_analyser': {'summary': {'strategy_name': 'strategy',
   'start_date': '2022-02-28',
   'end_date': '2022-07-29',
   'strategy_file': 'strategy.py',
   'run_type': 'BACKTEST',
   'STOCK': 100000.0,
   'alpha': 0.703,
   'beta': 0.5,
   'sharpe': 1.828,
   'excess_sharpe': 2.624,
   'information_ratio': 2.915,
   'downside_risk': 0.163,
   'tracking_error': 0.271,
   'sortino': 3.035,
   'volatility': 0.271,
   'excess_volatility': 0.017,
   'excess_annual_volatility': 0.271,
   'max_drawdown': 0.08,
   'excess_max_drawdown': 0.0893,
   'excess_returns': 0.320357,
   'excess_annual_returns': 0.96085,
   'total_value': 121783.0536,
   'cash': 57711.0536,
   'total_returns': 0.217831,
   'annualized_returns': 0.6121,
   'unit_net_value': 1.2178,
   'units': 100000.0,
   'benchmark_total_returns': -0.088188,
   'benchmark_annualized_returns': -0.200447,
   'weekly_alpha': 0.7599176382367852,
   'weekly_beta': 0.863162860601842,
   'weekly_sharpe': 1.7597007236570446,
   'weekly_sortino': 3.5106484940468463,
   'weekly_information_ratio': 3.2782757079433917,
   'weekly_tracking_error': 0.032414898455319294,
   'weekly_max_drawdown': 0.049123999999999834},
  'trades':                         trading_datetime order_book_id symbol  side  \
  datetime                                                              
  2022-03-21 15:00:00  2022-03-21 15:00:00   002594.XSHE    比亚迪   BUY   
  2022-04-26 15:00:00  2022-04-26 15:00:00   002594.XSHE    比亚迪  SELL   
  2022-05-05 15:00:00  2022-05-05 15:00:00   002594.XSHE    比亚迪   BUY   
  2022-06-28 15:00:00  2022-06-28 15:00:00   002594.XSHE    比亚迪  SELL   
  
                      position_effect         exec_id     tax  commission  \
  datetime                                                                  
  2022-03-21 15:00:00            OPEN  16988300590084   0.000     39.2608   
  2022-04-26 15:00:00           CLOSE  16988300590085  46.362     37.0896   
  2022-05-05 15:00:00            OPEN  16988300590086   0.000     59.7120   
  2022-06-28 15:00:00           CLOSE  16988300590087  35.290     28.2320   
  
                       last_quantity  last_price        order_id  \
  datetime                                                         
  2022-03-21 15:00:00            200      245.38  16988300590133   
  2022-04-26 15:00:00            200      231.81  16988300590134   
  2022-05-05 15:00:00            300      248.80  16988300590136   
  2022-06-28 15:00:00            100      352.90  16988300590137   
  
                       transaction_cost  
  datetime                               
  2022-03-21 15:00:00           39.2608  
  2022-04-26 15:00:00           83.4516  
  2022-05-05 15:00:00           59.7120  
  2022-06-28 15:00:00           63.5220  ,
  'portfolio':                    cash  total_value  market_value  unit_net_value     units  \
  date                                                                           
  2022-02-28  100000.0000  100000.0000           0.0        1.000000  100000.0   
  2022-03-01  100000.0000  100000.0000           0.0        1.000000  100000.0   
  2022-03-02  100000.0000  100000.0000           0.0        1.000000  100000.0   
  2022-03-03  100000.0000  100000.0000           0.0        1.000000  100000.0   
  2022-03-04  100000.0000  100000.0000           0.0        1.000000  100000.0   
  ...                 ...          ...           ...             ...       ...   
  2022-07-25   57690.0536  122280.0536       64590.0        1.222801  100000.0   
  2022-07-26   57690.0536  122690.0536       65000.0        1.226901  100000.0   
  2022-07-27   57690.0536  122850.0536       65160.0        1.228501  100000.0   
  2022-07-28   57690.0536  122776.0536       65086.0        1.227761  100000.0   
  2022-07-29   57711.0536  121783.0536       64072.0        1.217831  100000.0   
  
              static_unit_net_value  
  date                               
  2022-02-28                 1.0000  
  2022-03-01                 1.0000  
  2022-03-02                 1.0000  
  2022-03-03                 1.0000  
  2022-03-04                 1.0000  
  ...                           ...  
  2022-07-25                 1.2361  
  2022-07-26                 1.2228  
  2022-07-27                 1.2269  
  2022-07-28                 1.2285  
  2022-07-29                 1.2278  
  
  [104 rows x 6 columns],
  'benchmark_portfolio':             unit_net_value
  date                      
  2022-02-28        1.001798
  2022-03-01        1.010115
  2022-03-02        1.001132
  2022-03-03        0.995234
  2022-03-04        0.983165
  ...                    ...
  2022-07-25        0.921114
  2022-07-26        0.928402
  2022-07-27        0.923823
  2022-07-28        0.923963
  2022-07-29        0.911812
  
  [104 rows x 1 columns],
  'plots':                 macd  macd signal
  date                             
  2022-02-28 -3.922977    -6.377851
  2022-03-01 -3.170101    -5.794623
  2022-03-02 -2.751273    -5.241287
  2022-03-03 -2.621331    -4.764931
  2022-03-04 -3.278636    -4.494696
  ...              ...          ...
  2022-07-25  2.822480     5.463035
  2022-07-26  2.357256     4.898348
  2022-07-27  2.014850     4.374075
  2022-07-28  1.694450     3.886871
  2022-07-29  1.077986     3.375136
  
  [104 rows x 2 columns],
  'stock_account':                    cash  transaction_cost  market_value  total_value
  date                                                                
  2022-02-28  100000.0000               0.0           0.0  100000.0000
  2022-03-01  100000.0000               0.0           0.0  100000.0000
  2022-03-02  100000.0000               0.0           0.0  100000.0000
  2022-03-03  100000.0000               0.0           0.0  100000.0000
  2022-03-04  100000.0000               0.0           0.0  100000.0000
  ...                 ...               ...           ...          ...
  2022-07-25   57690.0536               0.0       64590.0  122280.0536
  2022-07-26   57690.0536               0.0       65000.0  122690.0536
  2022-07-27   57690.0536               0.0       65160.0  122850.0536
  2022-07-28   57690.0536               0.0       65086.0  122776.0536
  2022-07-29   57711.0536               0.0       64072.0  121783.0536
  
  [104 rows x 4 columns],
  'stock_positions':            order_book_id symbol  quantity  last_price  avg_price  market_value
  date                                                                          
  2022-03-21   002594.XSHE    比亚迪     200.0      245.38    245.380       49076.0
  2022-03-22   002594.XSHE    比亚迪     200.0      244.80    245.380       48960.0
  2022-03-23   002594.XSHE    比亚迪     200.0      247.17    245.380       49434.0
  2022-03-24   002594.XSHE    比亚迪     200.0      247.08    245.380       49416.0
  2022-03-25   002594.XSHE    比亚迪     200.0      235.31    245.380       47062.0
  ...                  ...    ...       ...         ...        ...           ...
  2022-07-25   002594.XSHE    比亚迪     200.0      322.95    248.800       64590.0
  2022-07-26   002594.XSHE    比亚迪     200.0      325.00    248.800       65000.0
  2022-07-27   002594.XSHE    比亚迪     200.0      325.80    248.800       65160.0
  2022-07-28   002594.XSHE    比亚迪     200.0      325.43    248.800       65086.0
  2022-07-29   002594.XSHE    比亚迪     200.0      320.36    248.695       64072.0
  
  [85 rows x 6 columns]}}