PDF下载 下载

日内回转交易(股票)

阅读 75630

日内回转策略(股票)

1. 原理

1.1 日内回转交易

日内回转交易,顾名思义就是在一天内完成“买”和“卖”两个相反方向的操作(可一次也可多次),也就是“T+0”交易。

日内回转可用于股票和期货。其中期货采用“T+0”交易制度,可以直接进行日内回转交易。由于A股采用的是“T+1”交易制度,无法直接进行日内回转交易,需要先配置一定的底仓再进行回转交易。

1.2 股票的日内回转交易

怎样对股票进行日内回转交易?

首先,在正式交易的前一个交易日配置一定的底仓。以500股为例,记做total = 500。

然后开始正式的日内回转交易。

配置底仓的作用是利用替代法实现“T+0”。由于当天买入的股票当天不能卖出,但底仓是可以卖出的,用底仓替代新买入的股票进行卖出操作。假设在第二个交易日发生了1次买入,5次卖出交易,每次交易买卖数量为100股。利用turnaround = [0,0]变量记录每次交易的数量,也是当天收盘时需要回转的记录。其中第一个数据表示当日买入数量,第二个数据表示当日卖出数量。下表为单个交易日的买卖信号。

信号方向 数量 交易记录 剩余可回转的数量 总仓位
100 [100,0] 500 600
100 [100,100] 400 500
100 [100,200] 300 400
100 [100,300] 200 300
100 [100,400] 100 200

假设在表的最后再加一个卖出信号是否可行?

答案是不可行

因为如果再加一个卖出信号,需要回转的股票数量变为[100,500],即开多100股,开空500股。这就意味着在当天收盘之前,需要卖出100股,再买入500股进行回转。这个交易日内已经出现5次卖出信号,底仓的500股已经全部卖出,仅有100股今日买入的仓位,这部分股票是不能当日卖出的。所以,不能再添加卖出信号。

因此,在判断买入或卖出信号是否能执行时,隐含一个判断条件。即:

每次交易的数量 + 当日买入的数量(turnaround的第一位)< 底仓数量(以卖出信号为例)

1.3 MACD指标简介

MACD又称“异移动平均线”,是根据双指数移动平均线发展而来。由快的指数(常12)减去慢的指数(常26)得到DIF,再用2×(快线DIF-DIF的9日加权移动均线DEA)得到MACD柱。

DIF的计算方法为: DIF = 当天的12日指数移动平均值 - 当天的26日指数应对平均值。
注:上市首日的EMA12和EMA26利用当天的收盘价替代。

2. 策略思路

第一步:设置变量
context.first:底仓配置信号,0表示未配置底仓;1表示配置底仓。
context.trade_n:每次交易数量。
context.day:用来获取前一交易日的时间和最新交易日的时间,第一位是最新交易日,第二位是前一交易日。当二者不同时,意味着新的一天,需要初始化其他变量。
context.ending:开始回转信号,0表示未触发;1表示已触发。
context.turnaround:当日买卖股票操作记录,也是回转记录。第一位代表买入股数,第二位代表卖出股数。

第二步:计算MACD指标,设计交易信号
当 MACD 小于 0 时,买入对应股票100手;
当 MACD 大于 0 时,卖出对应股票100手;

第三步:接近收盘时,全部回转

回测标的:SHSE.600000
回测期:2017-09-01 8:00:00 到2017-10-01 16:00:00
回测初始资金:200万

3. 策略代码

  1. # coding=utf-8
  2. from __future__ import print_function, absolute_import, unicode_literals
  3. import sys
  4. try:
  5. import talib
  6. except:
  7. print('请安装TA-Lib库')
  8. # 安装talib请看文档https://www.myquant.cn/docs/gm3_faq/154?
  9. sys.exit(-1)
  10. from gm.api import *
  11. def init(context):
  12. # 设置标的股票
  13. context.symbol = 'SHSE.600000'
  14. # 用于判定第一个仓位是否成功开仓
  15. context.first = 0
  16. # 订阅浦发银行, bar频率为1min
  17. subscribe(symbols=context.symbol, frequency='60s', count=35)
  18. # 日内回转每次交易100股
  19. context.trade_n = 100
  20. # 获取昨今天的时间
  21. context.day = [0, 0]
  22. # 用于判断是否到达接近收盘,所以不再交易
  23. context.ending = 1
  24. def on_bar(context, bars):
  25. bar = bars[0]
  26. # 配置底仓
  27. if context.first == 0:
  28. # 需要保持的总仓位
  29. context.total = 10000
  30. # 购买10000股浦发银行股票
  31. order_volume(symbol=context.symbol, volume=context.total, side=OrderSide_Buy,
  32. order_type=OrderType_Market, position_effect=PositionEffect_Open)
  33. print(context.symbol, '以市价单开多仓10000股')
  34. context.first = 1.
  35. day = bar.bob.strftime('%Y-%m-%d')
  36. context.day[-1] = int(day[-2:])
  37. # 每天的仓位操作
  38. context.turnaround = [0, 0]
  39. return
  40. # 更新最新的日期
  41. day = bar.bob.strftime('%Y-%m-%d %H:%M:%S')
  42. context.day[0] = bar.bob.day
  43. # 若为新的一天,获取可用于回转的昨仓
  44. if context.day[0] != context.day[-1]:
  45. context.ending = 0
  46. context.turnaround = [0, 0]
  47. # 如果接近收盘,则不再交易
  48. if context.ending == 1:
  49. return
  50. # 若有可用的昨仓则操作
  51. if context.total >= 0:
  52. # 获取时间序列数据
  53. symbol = bar['symbol']
  54. recent_data = context.data(symbol=symbol, frequency='60s', count=35, fields='close')
  55. # 计算MACD线
  56. macd = talib.MACD(recent_data['close'].values)[0][-1]
  57. # 根据MACD>0则开仓,小于0则平仓
  58. if macd > 0:
  59. # 多空单向操作都不能超过昨仓位,否则最后无法调回原仓位
  60. if context.turnaround[0] + context.trade_n < context.total:
  61. # 计算累计仓位
  62. context.turnaround[0] += context.trade_n
  63. order_volume(symbol=context.symbol, volume=context.trade_n, side=OrderSide_Buy,
  64. order_type=OrderType_Market, position_effect=PositionEffect_Open)
  65. print(symbol, '市价单开多仓', context.trade_n, '股')
  66. elif macd < 0:
  67. if context.turnaround[1] + context.trade_n < context.total:
  68. context.turnaround[1] += context.trade_n
  69. order_volume(symbol=context.symbol, volume=context.trade_n, side=OrderSide_Sell,
  70. order_type=OrderType_Market, position_effect=PositionEffect_Close)
  71. print(symbol, '市价单开空仓', context.trade_n, '股')
  72. # 临近收盘时若仓位数不等于昨仓则回转所有仓位
  73. if day[11:16] == '14:55' or day[11:16] == '14:57':
  74. position = context.account().position(symbol=context.symbol, side=PositionSide_Long)
  75. if position['volume'] != context.total:
  76. order_target_volume(symbol=context.symbol, volume=context.total, order_type=OrderType_Market,
  77. position_side=PositionSide_Long)
  78. print('市价单回转仓位操作...')
  79. context.ending = 1
  80. # 更新过去的日期数据
  81. context.day[-1] = context.day[0]
  82. if __name__ == '__main__':
  83. '''
  84. strategy_id策略ID,由系统生成
  85. filename文件名,请与本文件名保持一致
  86. mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
  87. token绑定计算机的ID,可在系统设置-密钥管理中生成
  88. backtest_start_time回测开始时间
  89. backtest_end_time回测结束时间
  90. backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST
  91. backtest_initial_cash回测初始资金
  92. backtest_commission_ratio回测佣金比例
  93. backtest_slippage_ratio回测滑点比例
  94. '''
  95. run(strategy_id='strategy_id',
  96. filename='main.py',
  97. mode=MODE_BACKTEST,
  98. token='token_id',
  99. backtest_start_time='2017-09-01 08:00:00',
  100. backtest_end_time='2017-10-01 16:00:00',
  101. backtest_adjust=ADJUST_PREV,
  102. backtest_initial_cash=2000000,
  103. backtest_commission_ratio=0.0001,
  104. backtest_slippage_ratio=0.0001)

4. 回测结果与稳健性分析

设定初始资金200万,手续费率为0.01%,滑点比率为0.01%。回测结果如下图所示。

回测期累计收益率为-0.04%,年化收益率为-0.46%,沪深300收益率为0.16%,整体跑输指数。最大回撤为0.23%,胜率为40.07%。

为了检验策略的稳健性,改变回测期,得到回测结果如下表所示。

指标 2020.5 2020.6 2020.7 2020.8 2020.9 2020.10
年化收益率 0.48% -1.68% 5.34% -1.41% -6.51% -0.58%
最大回撤 0.15% 0.21% 0.52% 0.30% 0.52% 0.21%
胜率 51.36% 40.38% 41.38% 31.04% 10.10% 51.33%

可以看出,日内回转交易的最大回撤都维持在较低水平。同时,胜率和年化收益率也相对偏低。

注:此策略只用于学习、交流、演示,不构成任何投资建议。

0 篇笔记