游离态GLZ的股票量化实验(一)—— 基于神奇公式思想+布林带择时的投资策略
程序员文章站
2022-03-21 13:07:42
...
游离态GLZ的股票量化实验(一)—— 基于神奇公式思想+布林带择时的投资策略
量化断更了两年了,重新开写,希望各路大佬多批评指教。
最近上量化课学习了神奇公式,神奇公式是格林布拉特在其《股市稳赢》中提到的一种选股策略,其本人也依靠这个公式获得了长期年华40%的收益,赚的盆满钵满。
这个公式的思想简单来说就两步,一是寻找好公司;二是寻找便宜的股票。用量化行业的话来说就是一个双因子策略,选取的两个因子是资本回报率和股票收益率。由于国内这些指标不好查,用净资产收益率(ROE)代替资本回报率;用市盈率(PE)代替股票收益率。
基于这个思想来进行量化投资,但是注意到A股表现和美股比…算是一种双边行情,经常会有不可预测的跌势开启,因此加上布林带的择时,防止在股票下穿布林带开口的时候买入。
策略核心代码如下:
#排除市净率和净资产收益率小于0的,并选取流通市值top1%的
df = df[(df['roe']>0) & (df['pb_ratio']>0)].sort_values(by='pb_ratio')
df.index = df['code'].values #设置股票代号为index
df = df[df['circulating_market_cap'] > df['circulating_market_cap'].quantile(0.99)]
#选取roe大于8和pe小于60的
df = df[(df['pe_ratio']<60) & (df['roe']>8)]
#用rank作为指标,取roe(大)和pb(小)综合排名好的
df['1/roe'] = 1/df['roe']
df['score'] = df[['pb_ratio','1/roe']].rank().T.apply(sum)
#通过考验的放入股票池
pool = list((df.sort_values('score').index)[:g.stockNum])
布林带防止下穿,回避高风险股票买入时机:
for i in feasible_stock_list:
for short_d, long_d in [(10, 50)]:
price_short = get_price(i,end_date=context.previous_date,count=1+short_d,fields=['close'])['close']
MA_short = price_short[-short_d:].mean()
MA_short_pre = price_short[-1-short_d:-1].mean()
price_long = get_price(i,end_date=context.previous_date,count=1+long_d,fields=['close'])['close']
MA_long = price_long[-long_d:].mean()
MA_long_pre = price_long[-1-long_d:-1].mean()
if MA_short < MA_long and MA_short_pre > MA_long_pre and context.portfolio.positions[i].closeable_amount > 0:
if i not in res_lst:
res_lst.append(i)
在聚宽平台回测了2019年全年,效果尚可:
该模型还有很多问题,为了测试神奇公式对布林带的择时应用没有很严格,仅仅防止了下穿;同时神奇公式本身对很多突然崛起的科技股没有什么敏感度,更倾向于购买内在价值高但被低估的白马,而忽略表面价值低但是由于科技发展突然翻身的黑马。还有很多地方可以改进。
上一篇: Git在Windows中安装与使用教程