python 海龟交易法则 股票回测-双均线规则（一）
看着别人炒股挣钱，心里总是心痒痒，但是每次一入市，总能被当韭菜收割，沉不住气。近期看了《海龟交易法则》，里面提到一些说法，觉得有点意思，所以拿历史数据试一试，探探究竟，不作为投资建议，仅供娱乐。
抛出书里的几个说法: 1、投资可以标准化，但是每几个人能坚持； 2、找到一个期望值为正的操作系统，不如有55%的概率是挣钱的，那么只要不断的重复，最终总可以赢钱，除非你是45%*45%...*45%的倒霉蛋； 3、风险空值，逐步试行； 4、简单就可以了，复杂的系统反而会出现过度拟合；
使用python进行数据收集和处理，最后进行结果分析和展示。使用到pandas库、金融数据库使用了akshare（免费，tushare也可以，但是要有积分），但是
akshare收集到的数据，与不同平台的进行比较（wind,东方财富)有微小偏差，暂忽略不计。
akshare：https://www.akshare.xyz/zh_CN/latest/data/stock/stock.html#id5
***本次回测操作方法为趋势交易，采用60日均线上穿250日均线时买入（认为开启往上涨的趋势)，下穿时卖出(认为上涨结束开始下跌)
使用当前A股从2000年1月1日到2020年11月26日数据进行测试。
以当前数据的结论是：截止到2020年11月26日，包含持有的收益是（6000倍），但是需要操作的资金量大，操作股票数量较多，且存在连续亏损的年份，虽然总体为
正收益，但是执行起来信心难以保障。
1、获取机构名单，这个通过wind查询了机构的名单；
2、获取数据，通过akshare库获取每只股票从2000年开始，每一天的数据，采用后复权。
后复权：保证历史价格不变，在每次股票权益事件发生后，调整当前的股票价格。 后复权价格和真实股票价格可能差别较大，不适合用来看盘。 其优点在于，可以被看作投资者的长期财富增长曲线，反映投资者的真实收益率情况。
%%time # 读取全部A股数据 for i, row in org.iterrows(): code = row['akcode'] t1 = row['上市日期'] if t1 < datetime.datetime(2000,1,1): t1 = datetime.datetime(2000,1,1) t2 = datetime.datetime.now() print(str(i),code,'开始读取。') berr = True try: #调用API接口获取数据 df = ak.stock_zh_a_daily(symbol=code, start_date=t1.strftime("%Y%m%d"), end_date=t2.strftime("%Y%m%d"), adjust="hfq") except: print(code + '读取' + t1.strftime("%Y-%m-%d") + ' -- ' + t2.strftime("%Y-%m-%d") + '有问题。') berr = False l = [] # 合并 if berr: df = df.reset_index() # 修改名字 df.columns = [ x.upper() for x in df.columns] df.rename(columns={"DATE": "index"},inplace=True) df = df[df['OPEN'].notnull()] # 通过rolling滚动计算均线和BOLL通道 df['MA_5'] = df['CLOSE'].rolling(window=5).mean() df['MA_10'] = df['CLOSE'].rolling(window=10).mean() df['MA_20'] = df['CLOSE'].rolling(window=20).mean() df['MA_30'] = df['CLOSE'].rolling(window=30).mean() df['MA_60'] = df['CLOSE'].rolling(window=60).mean() df['MA_250'] = df['CLOSE'].rolling(window=250).mean() df['BOLL_STD'] = df['CLOSE'].rolling(window=250).std() df['BOLL_UPPER'] = df['MA_250'] + 2 * df['BOLL_STD'] df['BOLL_LOWER'] = df['MA_250'] - 2 * df['BOLL_STD'] with pd.ExcelWriter(r'../data/huice/aklishi/' + code + '.xlsx') as writer: df.to_excel(writer,index=False,sheet_name = 'Sheet1')
3、开始进行回测；
# 判断买卖结点 # 采用短线均线上穿长线均线为买点 # 采用短线均线下穿长线均线为卖点 def is_dbljx(data,i,mode = 'buy',j1='MA_60',j2='MA_250'): if i < 250: return False if mode == 'buy': if (data.loc[i,j1] > data.loc[i,j2]) & (data.loc[i-1,j1] < data.loc[i-1,j2]): return True else: if (data.loc[i,j1] < data.loc[i,j2]) & (data.loc[i-1,j1] > data.loc[i-1,j2]): return True return False # data总数据，l操作记录列表（买、卖形成一条记录） # 计算出每一次持有股票的盈利金额、盈利幅度、持有天数、期间最高收益、区间最低收益 def huizong_one(data,l): # 输出结果 dfout = pd.DataFrame(l, columns=['证券代码','买入索引','卖出索引', '买入日期','卖出日期', '买入价格', '卖出价格','状态']) dfout = dfout.reindex(columns=['证券代码', '买入索引','卖出索引', '买入日期','卖出日期', '买入价格', '卖出价格','状态','期间最高收益','期间最低收益','盈利金额','盈利幅度','持有天数']) # ,'盈利金额','盈利幅度','持有天数' for i, row in dfout.iterrows(): dfout.loc[i,'盈利金额'] = dfout.loc[i,'卖出价格'] - dfout.loc[i,'买入价格'] dfout.loc[i,'盈利幅度'] = (dfout.loc[i,'卖出价格'] - dfout.loc[i,'买入价格']) / dfout.loc[i,'买入价格'] * 100 dfout.loc[i,'持有天数'] = dfout.loc[i,'卖出日期'] - dfout.loc[i,'买入日期'] m = data.loc[dfout.loc[i,'买入索引']:dfout.loc[i,'卖出索引'],'CLOSE'].max() if m < dfout.loc[i,'卖出价格']: m = dfout.loc[i,'卖出价格'] dfout.loc[i,'期间最高收益'] = (m - dfout.loc[i,'买入价格'])/dfout.loc[i,'买入价格'] * 100 m = data.loc[dfout.loc[i,'买入索引']:dfout.loc[i,'卖出索引'],'CLOSE'].min() if m > dfout.loc[i,'卖出价格']: m = dfout.loc[i,'卖出价格'] dfout.loc[i,'期间最低收益']= (m - dfout.loc[i,'买入价格'])/dfout.loc[i,'买入价格'] * 100 return dfout
回测主体：
%%time # 遍历回测所有采集的股票数据 folder_name = r'../data/huice/aklishi/' file_list = os.listdir(folder_name) ldf = [] if len(file_list) > 0 : # 遍历文件夹下所有文件 ldf = [] for f in range(len(file_list)): data = pd.read_excel(folder_name + str(file_list[f]),dtype=object) data['bs'] = '' code = str(file_list[f])[:-5] l = [] buy_index = 0 # 因为比较的是60日线和250日线，所以从第251个开始 for i in range(250,len(data)): # 判断买卖信号 if is_dbljx(data,i,'buy'): # 记录买点 buy_index = i data.loc[i,'bs'] = 'b' # 卖出信号 elif (buy_index != 0) & is_dbljx(data,i,'sell'): # 证券代码 买入索引 卖出索引 买入日期 卖出日期 买入价格 卖出价格 # 记录下买卖点，清除买点 l.append([code,buy_index,i,data.loc[buy_index,'index'],data.loc[i,'index'],data.loc[buy_index,'CLOSE'],data.loc[i,'CLOSE'],'终止']) buy_index = 0 data.loc[i,'bs'] = 's' # 结束以后保存结果 with pd.ExcelWriter(folder_name + str(file_list[f])) as writer: data.to_excel(writer,index=False,sheet_name = 'Sheet1') # 汇总单次结果 if buy_index != 0: # 记录一个当前 l.append([code,buy_index,i-1,data.loc[buy_index,'index'],data.loc[i-1,'index'],data.loc[buy_index,'CLOSE'],data.loc[i-1,'CLOSE'],'持有']) ldf.append(huizong_one(data,l)) # 存储每只股票的操作结果 # 最后汇总输出 dfout = pd.concat(ldf,ignore_index=True) with pd.ExcelWriter(r'../data/huice/回测结果2.xlsx') as writer: dfout.to_excel(writer,index=False,sheet_name = 'Sheet1',float_format="%.2f")
最终形成的数据：
4、结果分析
4.1 总体情况来看
从2000-01-01 -- 2020-11-26 以来，按照收盘价，60日均线上穿250日均线时进行买入，60日均线下穿250日均线时进行卖出，共进行操作21948次（每一次都买入一样的价钱)，平均持有天数是293天，亏损次数13331次，盈利次数8568次，只有大概4成的操作是盈利的，但是盈利幅度总和达到605232.1%（6052倍），总共是盈利的。
最大一次亏损达到-68.5%，相当于1万元，亏损剩下3000来，最大一次盈利是24倍！
4.2 从过程来看
持有期间，最高一次收益是52倍，最低持有收益是-72.22%，意味着你某次操作得承受亏损72%，持有天数达223天，最大一次利润回吐是84.15%，经历了从盈利3倍到亏损27%的痛。
4.3 分时间操作来看
买入来看，在2007年仅操作了84次，在2019年3401次。假设每次操作都投入1万元，那么- -||在不考虑存量股票的情况下，你需要3401万资金，贫穷限制了我的操作。
卖出来看，最多卖出时在2019年2242次(2020年卖出1671次，还在持有的有（2515，前面的计算是计算到截至11月26日的收益），最少卖出时间是在2009年。
分年度收益来看，20年来，仅有11年是正收益，在2008年的时候，产生了3052倍收益，在2019年时造成了321倍的亏损....这相当于，每次投入1万块，在2019年会亏个几百万。从这个系统运行起来看，2001年-2006年经历了长达5年的亏损，正常人相比都会怀疑自己的系统不行的了。难！
分个股收益来看。 总操作股票3570个，其中亏损的有915个，越大概四分之一的股票会亏损，这么一看，选择单个股票执行这个策略有25%的概率会失败，其中失败最惨的一次是亏损1.39倍。盈利来说有2655个，总收益是6342倍，最小的一次收益是30%，极端情况下，我选两次股票进行操作，不排除出现（-1.39，0.30）的组合，最终亏损一倍。下一步因对标记了的亏损股票进行一次数据挖掘分析，得出亏损的股票都有些什么性质，进而进行排除。
5、结论
从当前的操作来看这一次回测，第一，虽然能挣钱，资金量需要有点多；
第二，操作的股票太多，2020年持有2515只股票，等价于操作了股票市场一半多的股票。
第三，根据交易者效应，你发现能够赚钱的策略被别人知道以后开始跟风就会变得不赚钱，然而系统的正确性又需要时间来验证，如果出现了交易者效应或其他因素导致系统连续亏钱如2001年 -- 2006年，那么就会导致对系统变得没有信心，最终就会错过2007年、2008年以致于后面丰收的年份。
第四，需要进行分散投资；
总体来说，有点跳大神的感觉，以为自己在某个时间段合适的理论，结果只是巧合？三体转。
回头再考虑结合一下，大盘的情况进行回测看看。
