量化交易策略——简易波动指标（EMV）

2016-10-18 10:02阅读：4,042

http://blog.sina.cn/dpool/blog/u/1254291137

量化交易策略——简易波动指标（EMV）
转载：http://blog.sina.com.cn/shearing
简易波动指标简介
Ease of Movement Value，又称EMV指标，由RichardW.ArmJr.根据等量图和压缩图的原理设计而成。指示投资者在人气聚集且成交热络的时候买进股票，并且在成交量逐渐展现无力，而狂热的投资者尚未察觉能量即将用尽时，卖出股票。实际上EMV也是一个量价合成指标，因为股价的变化和成交量的变化都可以引发该指标数值的变动。EMV的特点总结下来可以归纳出它的应用方法:
1、当EMV由下往上穿越0轴时，买进。
2、当EMV由上往下穿越0轴时，卖出。
计算公式：
1.A=（今日最高+今日最低）/2
B=（前日最高+前日最低）/2
C=今日最高-今日最低
2.EM=（A-B）*C/今日成交额
3.EMV=N日内EM的累和
回测伪略
a.获取交易日前2（第一个交易日取3）天的最高价，最低价和成交额。
b.建立EM函数和EMV函数，获取EM和EMV的序列。
c.根据EMV判断当个交易日是否进行操作。如果上上个交易日EMV<0,上个交易日EMV>0，则买入，反之卖出。
回测
我选择民生银行进行回测，600016.XSHG。
回测时间段：2012年1月1日至2015年11月16日（和股票上市实际时间段的交集）
回测频率：按日回测
回测资金：100万
手续费：每笔交易时的手续费是, 买入时万分之八，卖出时千分之1.3, 每笔交易最低扣5块钱。
回测结果：
Total returns：97%
Benchmark returns:60.47%
Max Drawdown：38.21%
5.结果解释：
策略最终收益始终高于benchmark，并且策略后期具有很好的止损效果，在后期及时退出保住收益。最大回撤略大。
收益风险

量化交易策略——简易波动指标（EMV）

量化交易策略——简易波动指标（EMV）

源码：
#此例子采用EMV指标作为买入/卖出信号。
#当EMV信号从上方穿越0时卖出。
#当EMV信号从下方穿越0时买入。
import talib
import numpy as np
import pandas as pd
def initialize(context):
#定义全局变量，保存EM，EMV序列
g.EM1=[]
g.EMV1=[]
# 定义一个全局变量, 保存要操作的证券
context.stocks='600016.XSHG'
# 设置我们要操作的股票池
set_universe(context.stocks)

# 初始化此策略
def handle_data(context, data):
#获取股票
stock=context.stocks
#获取EMV序列
EMV(g.EM1,stock)
# 取得当前的现金
cash = context.portfolio.cash
#获取股票当前价格
current_price=data[stock].price
#判断指标，进行买入卖出操作
#如果昨天EMV<0而前天EMV>0,并且当天开盘,卖出。
#如果前天EMV>0而昨天EMV<0,并且当天开盘，买入。
#记录买入卖出操作
if g.EMV1[len(g.EMV1)-1]>0 and g.EMV1[len(g.EMV1)-2]<0 and data[stock].money>0:
number_of_share=int(cash/current_price)
if number_of_share>0:
order(stock,+number_of_share)
log.info('Buying %s'%(stock))
elif g.EMV1[len(g.EMV1)-1]<0 and g.EMV1[len(g.EMV1)-2]>0 and data[stock].money>0 and context.portfolio.positions[stock].amount > 0:
order_target(stock,0)
log.info('sellng %s'%(stock))

#获取EM指标函数
def EM(high_today,low_today,money,high_yesterday,low_yesterday):
A=0.5*(high_today+low_today)
B=0.5*(high_yesterday+low_yesterday)
C=high_today-low_today
EM=(A-B)*C/money
return EM
#获取EMV序列函数
def EMV(EM1,stock):
#第一天应该获取前三日的数据才能得到前两日的EMV，进而判断进行何种操作
#后面每天只需获取前两日可得到前一日的EMV
#high/low/money后缀today yesterday before_yesterday代表昨天，前天，大前天。
#em后缀的yesterday和before_yesterday代表昨天，前天
#判断是否是回测第一天，分别进行操作
if len(g.EM1)==0:
#如果是回测第一天
# 获取股票的价格数据（最高价格，最低价格，成交额）
h=attribute_history(stock,3,'1d',('high','low','money'))
high_today=h['high'][-1]
low_today=h['low'][-1]
high_yesterday=h['high'][-2]
low_yesterday=h['low'][-2]
high_before_yesterday=h['high'][-3]
low_before_yesterday=h['low'][-3]
money_today=h['money'][-1]
money_yesterday=h['money'][-2]
#通过EM函数获取EM指标，并添加到序列EM1中
em_yesterday=EM(high_today,low_today,money_today,high_yesterday,low_yesterday)
em_before_yesterday=EM(high_yesterday,low_yesterday,money_yesterday,high_before_yesterday,low_before_yesterday)
g.EM1.append(em_before_yesterday)
g.EM1.append(em_yesterday)
#EMV序列的前两个数据是回测前两天的EMV指标
g.EMV1.append(em_before_yesterday)
emv2=sum(g.EM1[0:2])
g.EMV1.append(emv2)
elif len(g.EM1)>0:
#如果不是回测第一天
# 获取股票的价格数据（最高价格，最低价格，成交额）
h=attribute_history(stock,2,'1d',('high','low','money'))
high_today=h['high'][-1]
low_today=h['low'][-1]
high_yesterday=h['high'][-2]
low_yesterday=h['low'][-2]
money=h['money'][-1]
if money>0:
em=EM(high_today,low_today,money,high_yesterday,low_yesterday)
g.EM1.append(em)
emv=sum(EM1[0:len(EM1)])
g.EMV1.append(emv)

举报/Report

留言板

下载客户端体验更佳，还能发布图片和表情~

亿万博主正在被热评！

999+

给此博文留言吧！有机会上热评榜！攒金币兑换礼品！

好的评论会让人崇拜发布评论

我的更多文章

下载客户端阅读体验更佳