Python量化交易——股票择时到底能否赚钱？TA-Lib 33种技术指标有效性横向大评比

TA-Lib中33种技术指标回测研究

Python量化交易——TA-Lib中33种股票择时技术指标的有效性研究

为什么要做这个评测

技术指标是股票交易中最常用的技术手段之一，几乎所有的技术文章或股票分析文章都离不开通过MACD等各种指标来判断一支股票的买点和卖点，做量化的也会经常接触TA-Lib中提供的各种技术指标。从股评人的文章里看，似乎这些指标都有指哪打哪的能力，但是，我们既然做量化交易，就必须用数据说话，一个技术指标到底好不好，有没有用，不是靠嘴说的，是靠数据来验证的。因此，我这个系列文章的目标，就是把TA-Lib中的技术指标全都拿出来溜一溜，做一个横向大评比。俗话说，是骡子是马拉出来溜溜，通过大数据分析，我们就应该对指标的有效性有一个大致的了解。

这个评测，就是为了使用实际数据来回答两个问题：

  1. 技术指标择时到底有没有效果？
  2. 如果有效，应该选哪个技术指标效果更好？

我会写一系列的文章，每一篇评测一种技术指标，以逐步解答上面的问题。一共评测33种技术指标，文章链接在后文表格中。

技术指标清单

在这个系列文章中，将要评测下列技术指标，这些技术指标都来自TA-Lib，分为两大类：动量指标和均线交叉指标，在qteasy的内置交易策略中，产生交易信号的规则在下表中。

每个指标都依赖一定的可调参数产生效果，例如，均线交叉指标总需要两根均线，一根快均线，一根慢均线，这两根均线的历史周期是不同的。在测试过程中，我们全部使用默认参数。qteasy的策略优化模块可以使用多种算法进行参数寻优，以达到更好的择时效果。但我们这里测试结果侧重于统计结果，因此全部采用默认参数，如下表。

已经完成评测的指标结果也在表中，点击指标名称链接到相关文章。

指标英文全称中文名称交易策略说明结果:强度结果:适应度
ADXAverage Directional Movement Index平均定向运动指数ADX交易策略：
基于ADX指标判断当前趋势的强度，从而根据趋势强度产生交易信号
1, 当ADX大于25时，判断趋势向上，设定持仓比例为1
2, 当ADX介于20到25之间时，判断为中性趋势，设定持仓比例为0
3, 当ADX小于20时，判断趋势向下，设定持仓比例为-1		12.45%45.50%
APOAbsolute Price Oscillator绝对价格震荡指标APO交易策略：
基于APO指标判断当前股价变动的牛熊趋势，从而根据趋势产生交易信号
1, 当APO大于0时，判断为牛市趋势，设定持仓比例为1
2, 当ADX小于0时，判断为熊市趋势，设定持仓比例为-1		-23.3%-33%
AROONAROONAROON指标AROON交易策略：
通过计算AROON指标趋势的强弱程度输出强多/空头和弱多/空头
1, 当UP在DOWN的上方时，输出弱多头
2, 当UP位于DOWN下方时，输出弱空头
3, 当UP大于70且DOWN小于30时，输出强多头
4, 当UP小于30且DOWN大于70时，输出强空头		-82.1%-107%
AROONOSCAROON OscillatorAROON震荡指标交易策略：
当AROONOSC大于0时表示价格趋势向上，反之趋势向下，绝对值大于50时表示强烈的趋势
1, 当AROONOSC大于0时，输出弱多头
2, 当AROONOSC小于0时，输出弱空头
3, 当AROONOSC大于50时，输出强多头
4, 当AROONOSC小于-50时，输出强空头
CCICommodity Channel Index商品渠道指数交易策略：
CCI商品渠道指数被用来判断当前股价位于超卖还是超买区间，本策略使用这个指标生成投资仓位目标
1, 当CCI大于0时，输出弱多头
2, 当CCI小于0时，输出弱空头
3, 当CCI大于50时，输出强多头
4, 当CCI小于-50时，输出强空头		-62.1%-147.1%
CMOChande Momentum Oscillator钱德动量振荡器交易策略：
CMO 是一个在-100到100之间波动的动量指标，它被用来判断当前股价位于超卖还是超买区间，本策略使用这个指标生成投资仓位目标
1, 当CMO大于0时，输出弱多头
2, 当CMO小于0时，输出弱空头
3, 当CMO大于50时，输出强多头
4, 当CMO小于-50时，输出强空头		-45.8%-71.95%
MACDEXTExtended MACD扩展MACD指数交易策略：
本策略使用MACD指标生成持仓目标，但是与标准的MACD不同，MACDEXT的快、慢、及信号均线的类型均可选
1, 当hist>0时输出多头
2, 当hist<0时输出空头
MFIMoney Flow Index货币流向指数MFI 交易策略：
MFI指数用于判断股价属于超买还是超卖状态，本策略使用MFI指标生成交易信号
1, 当MFI>20时，持续不断产生10%买入交易信号
2, 当MFI>80时，持续不断产生30%卖出交易信号，持续卖出持仓股票
DIDirectory Indicator方向指标DI 交易策略：
DI 指标包含负方向指标与正方向指标，它们分别表示价格上行和下行的趋势强度，本策略使用±DI指标生成交易信号
1, 当+DI > -DI时，设置持仓目标为1
2, 当+DI < -DI时，设置持仓目标为-1		-16.7%38.23%
DMDirectional Movement方向运动指标DM交易策略：
DM 指标包含负方向运动指标(Negative Directional Movement)与正方向运动指标(Positive Directional Movement)，它们分别表示价格上行和下行的趋势，本策略使用±DM指标生成交易信号
1, 当+DM > -DM时，设置持仓目标为1
2, 当+DM < -DM时，设置持仓目标为-1
3, 其余情况设置持仓目标为0		-16.7%38.23%
MOMmomentum indicator动量指标MOM 交易策略：
MOM 指标可以用于识别价格的上行或下行趋势的强度，当前价格高于N日前价格时，MOM为正，反之为负。
1, 当MOM > 0时，设置持仓目标为1
2, 当MOM < 0时，设置持仓目标为-1
3, 其余情况设置持仓目标为0		-5.87%104.99%
PPOPercentage Price Oscillator百分比价格振荡器PO 交易策略：
PPO 指标表示快慢两根移动均线之间的百分比差值，用于判断价格的变化趋势。长短均线的计算周期和均线类型均为策略参数。
1, 当PPO > 0时，设置持仓目标为1
2, 当PPO < 0时，设置持仓目标为-1
3, 其余情况设置持仓目标为0		-27.2%-29.99%
RSIRelative Strength Index相对强度指数RSI 交易策略：
RSI 指标度量最近价格变化的幅度，从而判断目前股票属于超卖还是超买状态
1, 当RSI > ulim时，设置持仓目标为1
2, 当RSI < llim时，设置持仓目标为-1
3, 其余情况设置持仓目标为0		-78.74%-405.13%
STOCHStochastic Indicator随机指数STOCH 交易策略：
STOCH 指标度量价格变化的动量，并且动量的大小判断价格趋势，并生成比例买卖交易信号。
1, 当k > 80时，产生逐步卖出信号，每周期卖出持有份额的30%
2, 当k < 20时，产生逐步买入信号，每周期买入总投资额的10%		-72.15%-197.07%
STOCHFStochastic Fast Indicator快速随机指标STOCHF 交易策略：
STOCHF 指标度量价格变化的动量，与STOCH策略类似，使用快速随机指标判断价格趋势，并生成比例买卖交易信号。
1, 当k > 80时，产生逐步卖出信号，每周期卖出持有份额的30%
2, 当k < 20时，产生逐步买入信号，每周期买入总投资额的10%		-71.5%-210.3%
STOCHRSIStochastic Relative Strength Index随机相对强弱指标STOCHRSI 交易策略：
STOCHRSI 指标度量价格变化的动量，该指标在0～1之间波动，表示相对的价格趋势强弱程度，并生成比例买卖交易信号
1, 当k > 0.8时，产生逐步卖出信号，每周期卖出持有份额的30%
2, 当k < 0.2时，产生逐步买入信号，每周期买入总投资额的10%
ULTOSCUltimate Oscillator Indicator终极振荡器指标ULTOSC 交易策略：
ULTOSC 指标通过三个不同的时间跨度计算价格动量，并根据多种不同动量之间的偏离值生成交易信号。
1, 当ULTOSC > u时，产生逐步卖出信号，每周期卖出持有份额的30%
2, 当ULTOSC < l时，产生逐步买入信号，每周期买入总投资额的10%
WILLRWilliam’s %R威廉姆斯百分比WILLR 交易策略：
WILLR 指标被用于计算股价当前处于超买还是超卖区间，并用于生成交易信号
1, 当WILLR > -l时，产生逐步卖出信号，每周期卖出持有份额的30%
2, 当WILLR < -u时，产生逐步买入信号，每周期买入总投资额的10%
MACDMoving Average Convergence & Divergence平滑异同移动平均线MACD交易策略:
1，当MACD值大于0时，设置仓位目标为1
2，当MACD值小于0时，设置仓位目标为0		5.8%182.9%
DMADifference of Moving Average平行线差指标DMA交易策略:
1， DMA在AMA上方时，多头区间，即DMA线自下而上穿越AMA线后，输出为1
2， DMA在AMA下方时，空头区间，即DMA线自上而下穿越AMA线后，输出为0		2.3%131.32%
TRIXTriple Exponentially Smoothed Average三重指数平滑移动平均变化率TRIX交易策略，使用股票价格的三重平滑指数移动平均价格进行多空判断:
计算价格的三重平滑指数移动平均价TRIX，再计算M日TRIX的移动平均：
1， TRIX位于MATRIX上方时，设置仓位目标为1
2， TRIX位于MATRIX下方时，设置仓位目标位-1		-11.2%85.36%
SAREXTParabolic SAR Extendec扩展抛物线SAR指标扩展抛物线SAR策略，当指标大于0时发出买入信号，当指标小于0时发出卖出信号
BBANDBollinger Bands布林带线指标布林带线交易策略，根据股价与布林带上轨和布林带下轨之间的关系确定多空，在价格上穿或下穿布林带线上下轨时产生交易信号。布林带线的均线类型不可选
1，当价格上穿上轨时，产生全仓买入信号
2，当价格下穿下轨时，产生全仓卖出信号		-45.53%-147.64%
S-BBANDSoft Bollinger Bands软性布林带线指标布林带线渐进交易策略，根据股价与布林带上轨和布林带下轨之间的关系确定多空，交易信号不是一次性产生的，而是逐步渐进买入和卖出。计算BBAND，检查价格是否超过BBAND的上轨或下轨：
1，当价格大于上轨后，每天产生10%的比例买入交易信号
2，当价格低于下轨后，每天产生33%的比例卖出交易信号		-59.08%-182.81%
DSMAD-Cross Simple Moving Average简单移动平均交叉DSMA 双均线交叉策略：
基于SMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例		-27.2%-30.0%
DDEMAD-Cross Double Exponential Moving Average双重指数平滑移动平均线交叉DDEMA 双均线交叉策略：
基于DEMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
DEMAD-Cross Exponential Moving Average指数平滑移动平均线交叉DEMA 双均线交叉策略：
基于EMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
DKAMAD-Cross Kaufman Adaptive Moving Average考夫曼自适应移动均线交叉DKAMA 双均线交叉策略：
基于KAMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
DMAMAD-Cross MESA Adaptive Moving AverageMESA自适应移动均线交叉DMAMA 双均线交叉策略：
基于MAMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
DT3D-Cross Triple Exponential Moving Average三重指数平滑移动平均线交叉DT3 双均线交叉策略：
基于T3均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
DTEMAD-Cross Triple Exponential Moving Average三重指数平滑移动平均线交叉DTEMA 双均线交叉策略：
基于TEMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
DTRIMAD-Cross Triple Exponential Moving Average三重指数平滑移动平均线交叉DTRIMA 双均线交叉策略：
基于TRIMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
DWMAD-Cross Weighted Moving Average加权移动平均线交叉DWMA 双均线交叉策略：
基于WMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例

评测方法

既然是评测，那么就必须公平且广泛。我们将利用这些技术指标，使用同样的历史数据进行模拟交易，对比择时交易和一直持有的收益率差异。

每次回测的时间跨度都是5年，从2015年1月1日开始投资于一个股票，在技术指标发出买入信号时全仓买入，在发出卖出信号后全仓卖出，一直到2019年21月31日为止，记录总收益率，记做择时收益率。与之对比，我们同时考察全仓买入同一支股票并跟踪五年的收益率，记做基准收益率。

在理想情况下，我们希望择时收益率应该大于基准收益率，因为我们理论上应该总是在高点卖出，在低点买进，就如同下面的交易曲线图所示（绿线是股票价格，红线是投资曲线）：
在这里插入图片描述
在这里插入图片描述

但是如果策略表现不佳，也有可能在多次反复空仓中错过本身涨幅很好的股票，造成择时收益率低于基准收益。例如下面这种情况：
在这里插入图片描述
在这里插入图片描述

一个好的技术指标，理论上应该能够识别出上涨机会，从而从总体上获得比基准收益率更高的收益，不是么？但是为了避免出现统计偏差，我们需要进行大量的数据对比。

因此，我们以2015年以来的共计433支沪深300指数成分股为目标，逐一投资于这433支股票，分别记录433个五年择时收益率与五年基准收益率，来回答前面提出的问题。

评测工具

我会使用qteasy作为回测评测的工具。

qteasy是本人正在开发的一个快速量化交易工具包，使用这个工具包，可以快速灵活地生成各种量化交易策略，生成历史数据并回测策略的表现，有针对性地优化策略的性能；未来还将提供实时自动化交易功能。该项目正在开发中，Github项目地址在这里：https://github.com/shepherdpp/qteasy

qteasy利用TA-Lib中大部分动量和均线技术指标，内置了相当多的交易策略，开箱即用。因此，我们可以利用这一点，用一行代码快速创建交易策略，而且回测操作也只需要一行代码即可：

import qteasy as qt
# 创建一个基于ADX（平均定向运动指数）的交易策略
op = qt.Operator('adx', signal_type='pt')
# 设置基本参数并开始回测（回测前需要确保下载足够的历史数据，参见qteasy文档）
qt.run(op,
       mode=1,
       asset_pool='000001.SZ',  # 投资标的
       asset_type='E',			 # 投资标的为股票
       benchmark_asset='000001.SZ',  # 收益率基准，与投资标的相同
       benchmark_asset_type='E',
       invest_start='20150101',   # 回测开始日期
       invest_end='20191231'      # 回测结束日期
        )

运行上述代码，如果没有报错，可以看到下面文字形式的输出结果，以及详细回测结果分析图表：

     ====================================
     |                                  |
     |       BACK TESTING RESULT        |
     |                                  |
     ====================================

qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 23.5ms
time consumption for operation back looping:  361.3ms

investment starts on      2015-01-05 00:00:00
ends on                   2019-12-31 00:00:00
Total looped periods:     5.0 years.

-------------operation summary:------------
Only non-empty shares are displayed, call 
"loop_result["oper_count"]" for complete operation summary

          Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000001.SZ    29       29     58   58.7%      0.0%     41.3%   

Total operation fee:     ¥    1,236.87
total investment amount: ¥  100,000.00
final value:              ¥  143,880.70
Total return:                    43.88% 
Avg Yearly return:                7.56%
Skewness:                          0.16
Kurtosis:                          9.06
Benchmark return:                57.77% 
Benchmark Yearly return:          9.57%
------strategy loop_results indicators------ 
alpha:                           -0.006
Beta:                             1.000
Sharp ratio:                      0.452
Info ratio:                      -0.032
250 day volatility:               0.232
Max drawdown:                    36.34% 
    peak / valley:        2015-07-10 / 2015-08-25
    recovered on:         2017-11-22
===========END OF REPORT=============

在这里插入图片描述
qteasy给出了很多的结果分析指标，但现在我们只需要择时收益率：43.88%，以及基准收益率：57.77%。

为了列出2015年以来的所有沪深300指数成份股，可以使用下面的代码：

import qteasy as qt
stocks = qt.filter_stock_codes(index='000300.SH', date='20150101')

然后，我们就可以循环操作，逐一回测所有的成份股了：

for stk in stocks:
	qt.run(op,
	       mode=1,
	       asset_pool=stk,
	       asset_type='E',
	       benchmark_asset=stk,
	       benchmark_asset_type='E',
	       visual=False,  # 批量执行时，关闭可视化图表输出
	       report=False,  # 批量执行时，关闭回测结果输出
	       invest_start='20150101',
	       invest_end='20191231',
	       trade_log=False  # 批量执行时，关闭回测交易结果日志
	      )

测试方法及评价指标

使用qteasy回测所有433支股票的回测结果，每次回测的时间跨度都是5年，从2015年1月1日开始投资于一个股票，在技术指标发出买入信号时全仓买入，在发出卖出信号后全仓卖出，一直到2019年21月31日为止，记录总收益率，记做择时收益率。与之对比，我们同时考察全仓买入同一支股票并跟踪五年的收益率，记做基准收益率。

我们的第一个评价指标就是平均择时收益率与平均基准收益率之差，称为指标的强度：

S t r e n g t h = a v g ( 择时收益率 − 基准收益率 ) Strength = avg(择时收益率 - 基准收益率) Strength=avg(择时收益率−基准收益率)

指标的强度 S t r e n g t h Strength Strength越高，代表策略获取超额收益的能力越强。因此强度越高越好

不过，这个评价指标只能代表择时收益率总体上的表现，但是有可能较高的择时收益率只是通过少数股票的超高收益得到的，其余大多数股票的择时收益率表现平平，只是平均值较高而已。就像99个穷光蛋和1个马云一平均，一百个都是百万富翁一样，因此我们不能光看平均，还得看这个策略在多少股票上跑得好，多少股票上跑得差。

因此我们还可以，根据所有回测后股票的基准收益率和择时收益率之间的关系，将所有股票分成六组：

  • 第一组：力挽狂澜，股票基准收益为负，但择时后收益为正
  • 第二组：锦上添花：股票基准收益为正，择时后收益更高，收益为正
  • 第三组：差强人意，股票基准收益为正，择时后收益降低，但仍然为正
  • 第四组：无力回天，股票基准收益为负，择时后收益有所改善，但仍然为负
  • 第五组：屋漏逢雨，股票基准收益为负，择时后收益更差，收益为负
  • 第六组：乐极生悲，股票基准收益为正，择时后反而亏损，最终收益为负

显然，上面六组中，我们希望前三组里股票越多越好，尤其是第一组和第二组，可以得到高于基准的收益率，同时希望后三组的股票越少越好，尤其是最后一组，将本来可观的收益变为负的。因此，我们第二个评价指标就是每一组里股票个数的加权平均值，称为指标的适应性：

A d a p t a b i l i t y = ∑ ( w e i g h t G ∗ c o u n t G ) 6 Adaptability = \frac{\sum(weight_G * count_G)} 6 Adaptability=6∑(weightG​∗countG​)​

其中count_G是每一组股票的个数，而weight_G是每一组的权重，这个权重分别如下：

  • 第一组：力挽狂澜，权重为3倍该组平均收益率差
  • 第二组：锦上添花：权重为2倍该组平均收益率差
  • 第三组：差强人意，权重为1倍该组平均收益率差
  • 第四组：无力回天，权重为1倍该组平均收益率差
  • 第五组：屋漏逢雨，权重为2倍该组平均收益率差，因为平均收益率差为负，因此会降低
  • 第六组：乐极生悲，权重为3倍该组平均收益率差

指标的适应性体现了指标的适用范围，适应性强的指标，对更多的个股都能产生作用，这个指标也是越高越好。我们后面就将用强度和适应性两个评价指标来对前文所列出的33个指标进行一次横向大评比，敬请期待！

期待你的意见

我们将从下一篇文章开始，逐一解释每一个技术指标，并进行433轮回测，记录择时收益率和基准收益率，并借以评价每个技术指标的有效性以及优劣。

如果您对评测方法或指标有任何意见或建议，欢迎回复或私信交流，希望大家学习交流、共同进步！

posted @ 2023-01-29 00:48  JackiePENG  阅读(113)  评论(0)  编辑  收藏  举报  来源