大家好，我是 Jack。

視頻中，承諾的量化交易教程，它來了！

這期視頻播放近 70 多萬，后來經過 B 站編輯老師的建議，我對視頻的部分內容進行了刪減。

視頻中，我提到，后續(xù)我會曬實倉情況，這個行為存在政策風險。

其實，很多好心讀者也都提醒過我，這樣不妥，很容易造成粉絲跟盤。

所以，后面我就不公布自己的實倉情況了，我們只探討量化交易技術本身。

希望各位理解。

同時，我自己改進的量化交易算法，里面有一些激進的選股策略，會在我人為圈定的 top20 的股池中，投票選擇得分高的幾只股票進行買賣。

這個也存在一個問題：

假如這篇文章，一萬人閱讀，10% 的人，也就是 1000 人跑了這個算法，并真投了一萬元。

這也會造成極端情況下，同一時刻，一起交易一千萬的情況。這樣也是不好的。

所以，今天要說的這個量化交易算法，是我之前測試過的一個基礎版策略，也是別人開源過的。

原理都弄懂，你也可以自己改進策略。

這個量化交易策略，8 年回測，收益 715.44%，最大回撤 28%。

OK，進入我們今天的正題，量化交易。

聚寬

我目前使用的是聚寬平臺，這里也就以它為例進行講解。

https://www.joinquant.com/

PS：有聚寬工作的朋友嗎？廣告費記得結一下。

聚寬是一個量化交易平臺，在這個平臺有很多開源的量化交易策略，社區(qū)不錯。

同時，使用這個平臺，還可以回測我們實現的策略。

左邊寫好代碼，選擇時間和金額，就可以使用歷史數據進行回測。

因為涉及到編寫代碼，所以你必須具備 Python 編程基礎。

沒有 Python 基礎的小伙伴，先看我的 Python 入門視頻吧：

https://www.bilibili.com/video/BV1Sh411a76E/

一定要先好好學 Python，無論你是不是程序員，都很有用。

屬于，好學又實用的編程語言。

聚寬平臺，有兩個 api，可以使用。

一個是在聚寬平臺使用的 api：

https://www.joinquant.com/help/api/help#api:API%E6%96%87%E6%A1%A3

如果你是在網頁，進行回測，那就需要使用這個 api。

另一個，就是本地化數據 JQData：

https://www.joinquant.com/help/api/help#JQData:JQData

這個 api 是我平時使用的本地化服務接口，只需要 pip 安裝一下，就可以本地環(huán)境調用接口，獲取數據了。

如果你有 Python 基礎，那我想這兩份 api 使用起來，應該很簡單。

ETF 動量輪動

今天要講的這個量化交易策略，就是在聚寬社區(qū)，其他人開源的量化交易算法，起了個名字，叫 ETF 動量輪動。

其實，就是一種長期定投 ETF 的策略，定投大法好。

策略核心有兩塊，選哪個 ETF，以及何時買賣。

我將這個策略進行了重構，用本地化數據 JQData 的 api 進行了重寫。

我對每一行代碼，都進行了詳細的注釋，并羅列了每個知識點，可以參考的文章。

直接看代碼吧！

#-*-?codig:utf-8?-*-
import?jqdatasdk?as?jq
from?datetime?import?datetime,?timedelta
import?time
import?numpy?as?np
import?math

#?https://www.joinquant.com/help/api/help#api:API%E6%96%87%E6%A1%A3
#?https://www.joinquant.com/help/api/help#JQData:JQData

#?aa?為你自己的帳號，?bb?為你自己的密碼
jq.auth('aa','bb')

#?http://fund.eastmoney.com/ETFN_jzzzl.html
stock_pool?=?[
????'159915.XSHE',?#?易方達創(chuàng)業(yè)板ETF
????'510300.XSHG',?#?華泰柏瑞滬深300ETF
????'510500.XSHG',?#?南方中證500ETF
]

#?動量輪動參數
stock_num?=?1???????????#?買入評分最高的前 stock_num 只股票
momentum_day?=?29???????#?最新動量參考最近?momentum_day?的

ref_stock?=?'000300.XSHG'?#用?ref_stock?做擇時計算的基礎數據
N?=?18?#?計算最新斜率?slope，擬合度?r2?參考最近?N?天
M?=?600?#?計算最新標準分?zscore，rsrs_score?參考最近?M?天
score_threshold?=?0.7?#?rsrs?標準分指標閾值
#?ma?擇時參數
mean_day?=?20?#?計算結束?ma?收盤價，參考最近?mean_day
mean_diff_day?=?3?#?計算初始?ma?收盤價，參考(mean_day?+?mean_diff_day)天前，窗口為?mean_diff_day?的一段時間

day?=?1

#?1-1?選股模塊-動量因子輪動?
#?基于股票年化收益和判定系數打分,并按照分數從大到小排名
def?get_rank(stock_pool):
????score_list?=?[]
????for?stock?in?stock_pool:
????????current_dt?=?time.strftime("%Y-%m-%d",?time.localtime())
????????current_dt?=?datetime.strptime(current_dt,?'%Y-%m-%d')
????????previous_date??=?current_dt?-?timedelta(days?=?day)
????????data?=?jq.get_price(stock,?end_date?=?previous_date,?count?=?momentum_day,?frequency='daily',?fields=['close'])
????????#?收盤價
????????y?=?data['log']?=?np.log(data.close)
????????#?分析的數據個數（天）
????????x?=?data['num']?=?np.arange(data.log.size)
????????#?擬合?1?次多項式
????????#?y?=?kx?+?b,?slope?為斜率?k，intercept?為截距?b
????????slope,?intercept?=?np.polyfit(x,?y,?1)
????????#?(e?^?slope)?^?250?-?1
????????annualized_returns?=?math.pow(math.exp(slope),?250)?-?1
????????r_squared?=?1?-?(sum((y?-?(slope?*?x?+?intercept))**2)?/?((len(y)?-?1)?*?np.var(y,?ddof=1)))
????????score?=?annualized_returns?*?r_squared
????????score_list.append(score)
????stock_dict?=?dict(zip(stock_pool,?score_list))
????sort_list?=?sorted(stock_dict.items(),?key?=?lambda?item:item[1],?reverse?=?True)
????print("#"?*?30?+?"候選"?+?"#"?*?30)
????for?stock?in?sort_list:
????????stock_code?=?stock[0]
????????stock_score?=?stock[1]
????????security_info?=?jq.get_security_info(stock_code)
????????stock_name?=?security_info.display_name
????????print('{}({}):{}'.format(stock_name,?stock_code,?stock_score))
????print('#'?*?64)
????code_list?=?[]
????for?i?in?range((len(stock_pool))):
????????code_list.append(sort_list[i][0])
????rank_stock?=?code_list[0:stock_num]
????return?rank_stock

#?2-1?擇時模塊-計算線性回歸統計值
#?對輸入的自變量每日最低價?x(series)?和因變量每日最高價?y(series)?建立?OLS?回歸模型,返回元組(截距,斜率,擬合度)
# R2 統計學線性回歸決定系數，也叫判定系數，擬合優(yōu)度。
# R2 范圍?0?~ 1，擬合優(yōu)度越大，自變量對因變量的解釋程度越高，越接近 1 越好。
#?公式說明：https://blog.csdn.net/snowdroptulip/article/details/79022532
#???????????https://www.cnblogs.com/aviator999/p/10049646.html
def?get_ols(x,?y):
????slope,?intercept?=?np.polyfit(x,?y,?1)
????r2?=?1?-?(sum((y?-?(slope?*?x?+?intercept))**2)?/?((len(y)?-?1)?*?np.var(y,?ddof=1)))
????return?(intercept,?slope,?r2)

#?2-2?擇時模塊-設定初始斜率序列
#?通過前?M?日最高最低價的線性回歸計算初始的斜率,返回斜率的列表
def?initial_slope_series():
????current_dt?=?time.strftime("%Y-%m-%d",?time.localtime())
????current_dt?=?datetime.strptime(current_dt,?'%Y-%m-%d')
????previous_date??=?current_dt?-?timedelta(days?=?day)
????data?=?jq.get_price(ref_stock,?end_date?=?previous_date,?count?=?N?+?M,?frequency='daily',?fields=['high',?'low'])
????return?[get_ols(data.low[i:i+N],?data.high[i:i+N])[1]?for?i?in?range(M)]

#?2-3?擇時模塊-計算標準分
#?通過斜率列表計算并返回截至回測結束日的最新標準分
def?get_zscore(slope_series):
????mean?=?np.mean(slope_series)
????std?=?np.std(slope_series)
????return?(slope_series[-1]?-?mean)?/?std

#?2-4?擇時模塊-計算綜合信號
#?1.獲得?rsrs?與?MA?信號,rsrs?信號算法參考優(yōu)化說明，MA?信號為一段時間兩個端點的?MA?數值比較大小
#?2.信號同時為?True?時返回買入信號，同為?False?時返回賣出信號，其余情況返回持倉不變信號
#?解釋：
#?????? MA 信號：MA 指標是英文(Moving average)的簡寫，叫移動平均線指標。
#?????? RSRS 擇時信號：
#???????????????https://www.joinquant.com/view/community/detail/32b60d05f16c7d719d7fb836687504d6?type=1
def?get_timing_signal(stock):
????#?計算?MA?信號
????current_dt?=?time.strftime("%Y-%m-%d",?time.localtime())
????current_dt?=?datetime.strptime(current_dt,?'%Y-%m-%d')
????previous_date??=?current_dt?-?timedelta(days?=?day)????
????close_data?=?jq.get_price(ref_stock,?end_date?=?previous_date,?count?=?mean_day?+?mean_diff_day,??frequency?=?'daily',??fields?=?['close'])
????#?0?0?0?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1，23?天，要后?20?天
????today_MA?=?close_data.close[mean_diff_day:].mean()?
????#?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?0?0?0，23?天，要前?20?天
????before_MA?=?close_data.close[:-mean_diff_day].mean()
????#?計算?rsrs?信號
????high_low_data?=?jq.get_price(ref_stock,?end_date?=?previous_date,?count?=?N,??frequency='daily',???fields?=?['high',?'low'])
????intercept,?slope,?r2?=?get_ols(high_low_data.low,?high_low_data.high)
????slope_series.append(slope)

????rsrs_score?=?get_zscore(slope_series[-M:])?*?r2
????#?綜合判斷所有信號
????if?rsrs_score?>?score_threshold?and?today_MA?>?before_MA:
????????return?"BUY"
????elif?rsrs_score?<?-score_threshold?and?today_MA?<?before_MA:
????????return?"SELL"
????else:
????????return?"KEEP"

slope_series?=?initial_slope_series()[:-1]?#?除去回測第一天的?slope?，避免運行時重復加入

def?get_test():
????for?each_day?in?range(1,?100)[::-1]:
????????current_dt?=?time.strftime("%Y-%m-%d",?time.localtime())
????????current_dt?=?datetime.strptime(current_dt,?'%Y-%m-%d')
????????previous_date??=?current_dt?-?timedelta(days?=?each_day?-?1)
????????day?=?each_day
????????print(each_day,?previous_date)
????????check_out_list?=?get_rank(stock_pool)
????????for?each_check_out?in?check_out_list:
????????????security_info?=?jq.get_security_info(each_check_out)
????????????stock_name?=?security_info.display_name
????????????stock_code?=?each_check_out
????????????print('今日自選股:{}({})'.format(stock_name,?stock_code))
????????#獲取綜合擇時信號
????????timing_signal?=?get_timing_signal(ref_stock)
????????print('今日擇時信號:{}'.format(timing_signal))
????????print('*'?*?100)

if?__name__?==?"__main__":
????check_out_list?=?get_rank(stock_pool)
????for?each_check_out?in?check_out_list:
????????security_info?=?jq.get_security_info(each_check_out)
????????stock_name?=?security_info.display_name
????????stock_code?=?each_check_out
????????print('今日自選股:{}({})'.format(stock_name,?stock_code))
????#獲取綜合擇時信號
????timing_signal?=?get_timing_signal(ref_stock)
????print('今日擇時信號:{}'.format(timing_signal))
????print('*'?*?100)

策略很短，不到 200 行。

需要注意的是，這個本地化的 api，需要通過官網申請后，才能使用。

申請地址：

https://www.joinquant.com/default/index/sdk

對應的，可以直接在聚寬平臺運行的代碼，在這里：

https://github.com/Jack-Cherish/quantitative/blob/main/lesson1/quantitive-etf-jq.py

輸入代碼，就可以直接運行，回測效果了。

時間有限，這里先寫這么多。

這個策略，只用了寬基，輪動選擇。

后續(xù)我會繼續(xù)講解，怎樣將這個策略部署到我們的服務器上，并定時給我們的手機發(fā)送郵件，進行交易提醒。

股市有風險，入市需謹慎，請謹慎使用~

有什么問題，歡迎在評論區(qū)里留言。

我是 Jack，我們下期見。