本文是對報(bào)告《20100210-華泰證券-數(shù)量化策略：大小盤輪動》、《20161218-中金公司-價(jià)量視角下的市值風(fēng)格輪動策略》部分內(nèi)容的復(fù)制，文章為個人理解，不保證正確性，請理性看待，歡迎指正。A股市場上存在著明顯的大小盤輪動的現(xiàn)象，一段時間大盤表現(xiàn)強(qiáng)勢，一段時間小盤表現(xiàn)強(qiáng)勢，所謂二八輪動。這種現(xiàn)象提供了構(gòu)建大小盤輪動策略的可能，目前常見的兩種構(gòu)建大小盤輪動策略的方式分別為 宏觀層面出發(fā)，分析影響市場價(jià)格變動的政策、利率、GDP、供需數(shù)據(jù)等，以此構(gòu)建模型分析市場當(dāng)前的大小盤風(fēng)格； 技術(shù)角度出發(fā)，通過量價(jià)數(shù)據(jù)構(gòu)建指標(biāo)，分析市場當(dāng)前的大小盤風(fēng)格。
兩種方式各有優(yōu)劣，本文復(fù)制的兩篇報(bào)告均屬于第二種方式。 以交易時點(diǎn)劃分，可以將市場上的交易行為劃分為兩類：左側(cè)交易與右側(cè)交易。 左側(cè)交易：在價(jià)格即將達(dá)到某個支撐點(diǎn)時逆向進(jìn)入市場，做反轉(zhuǎn)。 右側(cè)交易：在價(jià)格走出趨勢之后進(jìn)入市場，做動量，也就是常說的追漲殺跌。 本文選取的兩種策略分別屬于這兩種策略，比較說明在同一指標(biāo)下，這兩種交易行為的優(yōu)劣，但不具有普遍性。 大盤指數(shù)：HS300 小盤指數(shù)：ZZ500 回測區(qū)間：2015年1月1日 - 2018年12月2日 數(shù)據(jù)來源：WIND 注：后臺回復(fù)“代碼”可獲取代碼文件和研報(bào) import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc',size = 20)
from WindPy import *
w.start()
dateStart = date(2005,1,1)
dateEnd = date(2018,12,2)
IndexClose = w.wsd('000300.SH,000905.SH', 'close', '{}'.format(dateStart), '{}'.format(dateEnd), '')
Indexprice = pd.DataFrame(np.array(IndexClose.Data).T,columns=['hs300','ZZ500'],index = IndexClose.Times)
通過大小盤指數(shù)收盤價(jià)格構(gòu)造相對強(qiáng)弱指數(shù)： 
其中P1是中證500點(diǎn)位，P2是滬深300點(diǎn)位，回測區(qū)間內(nèi)的相對強(qiáng)弱指標(biāo)如圖所示 
代碼（全文作圖代碼基本相同，之后不再列出）
Indexprice['P'] = np.log(Indexprice.ZZ500) - np.log(Indexprice.hs300)
X = np.arange(Indexprice.shape[0])
xticklabel = Indexprice.index
xticks = np.arange(0,Indexprice.shape[0]+1,np.int((Indexprice.shape[0]+1)/5))
plt.figure(figsize = [20,4])
SP = plt.axes()
P1 = SP.plot(X,Indexprice.hs300,linewidth = 2,label = 'HS300',color = 'darkred')
P2 = SP.plot(X,Indexprice.ZZ500,linewidth = 2,label = 'ZZ500',color = 'cornflowerblue')
SP1 = SP.twinx()
P3 = SP1.plot(X,Indexprice['P'],color = 'orange',linewidth = 2,label = u'相對強(qiáng)弱指數(shù)')
SP.set_xticks(xticks)
SP.set_xticklabels(xticklabel[xticks],size = 20)
p = P1+P2+P3
lns = [l.get_label() for l in p]
plt.legend(p,lns,prop=font)
plt.show()
相對強(qiáng)弱指標(biāo)的值大小沒有意義，并不是說大于0就傾向于小盤，小于0就傾向于大盤，兩個指數(shù)的點(diǎn)數(shù)之間數(shù)量上有差異，因此要關(guān)注指標(biāo)的變化趨勢。 指標(biāo)呈上升趨勢，說明當(dāng)前市場為小盤風(fēng)格，應(yīng)該投資小盤指數(shù)，反之應(yīng)投資大盤指數(shù) 策略1為左側(cè)交易，首先計(jì)算指標(biāo)的MA10對數(shù)據(jù)進(jìn)行平滑，通過函數(shù)updownbound計(jì)算MA10的布林帶，若MA10上穿下軌，做多小盤股，若MA10下穿上軌，做多大盤。 布林帶定義 def updownbound(data,n,c):
data['upbound'] = data['P'].rolling(window = n, center = False).mean() + c * data['P'].rolling(window = n, center = False).std()
data['upbound'] = data['upbound'].shift(1)
data['downbound'] = data['P'].rolling(window = n, center = False).mean() - c * data['P'].rolling(window = n, center = False).std()
data['downbound'] = data['downbound'].shift(1)
for i in range(2,n):
data.loc[i,'upbound'] = data.loc[0:i - 1,'P'].mean() + c * data.loc[0:i - 1,'P'].std()
data.loc[i,'downbound'] = data.loc[0:i - 1,'P'].mean() - c * data.loc[0:i - 1,'P'].std()
data.loc[0,'upbound'] = 0
data.loc[0,'downbound'] = 0
data.loc[1,'upbound'] = data.loc[0,'P']
data.loc[1,'downbound'] = data.loc[0,'P']
return(data)
相對強(qiáng)弱指數(shù)、MA10及布林帶如下 
策略規(guī)則 當(dāng) 10 日均線從下方上穿下軌，則做多小盤股，賣出大盤股，第二天開始算收益率。 當(dāng) 10 日均線從上方下穿上軌，則做空小盤股，做多大盤股，第二天開始算收益率。 其他的情形，不需要做什么操作，任何時候都是滿倉大盤股或者小盤股。
def strategy(data):
data['flag_hs'] = 0
data['flag_zz'] = 0
data['ret_strategy'] = 0
data['ret_zz'] = data['ZZ500'].pct_change(1)
data['ret_hs'] = data['hs300'].pct_change(1)
data.loc[0,'ret_zz'] = 0
data.loc[0,'ret_hs'] = 0
for i in range(1,data.shape[0] - 1):
# 上穿下軌，做多小盤，賣出大盤
if data.ma10[i - 1] < data.downbound[i - 1] and data.ma10[i] > data.downbound[i]:
data.loc[i + 1 ,'flag_zz'] = 1
data.loc[i + 1 ,'flag_hs'] = 0
# data.loc[i + 1,'net_zz'] = data.loc[i ,'net_zz']*(1 + data.loc[i + 1,'ret_zz'])
# data.loc[i + 1,'net_hs'] = data.loc[i ,'net_hs']*(1 - data.loc[i + 1,'ret_hs'])
# 下穿上軌，做多大盤，賣出小盤
elif data.ma10[i - 1] > data.upbound[i - 1] and data.ma10[i] < data.upbound[i]:
data.loc[i + 1 ,'flag_zz'] = 0
data.loc[i + 1 ,'flag_hs'] = 1
# data.loc[i + 1,'net_zz'] = data.loc[i ,'net_zz']*(1 - data.loc[i + 1,'ret_zz'])
# data.loc[i + 1,'net_hs'] = data.loc[i ,'net_hs']*(1 + data.loc[i + 1,'ret_hs'])
else:
data.loc[i + 1 ,'flag_zz'] = data.loc[i ,'flag_zz']
data.loc[i + 1 ,'flag_hs'] = data.loc[i ,'flag_hs']
data.loc[data['flag_zz'] ==1,'ret_strategy'] = data.loc[data['flag_zz'] ==1,'ret_zz']
data.loc[data['flag_hs'] ==1,'ret_strategy'] = data.loc[data['flag_hs'] ==1,'ret_hs']
data['net_strategy_zz'] = (1 + data['flag_zz']*data['ret_zz']).cumprod()
data['net_strategy_hs'] = (1 + data['flag_hs']*data['ret_hs']).cumprod()
data['net_strategy'] = (1 + data['ret_strategy']).cumprod()
return data
回測結(jié)果如下，藍(lán)色為策略收益，淺藍(lán)色為小盤指數(shù)的凈值，紅色為大盤指數(shù)的凈值，綠色為持倉情況，值為1表示持有的是大盤，值為2表示持有的是小盤。 
策略凈值為4.96，整體來看，這種策略的優(yōu)勢僅在于交易次數(shù)很小，但基本沒有超額收益。 再從其他方面考察策略： 
上圖為策略相對于大盤和小盤指數(shù)的表現(xiàn)，可以看出策略在16年之前優(yōu)于大盤，而在整個區(qū)間內(nèi)與小盤指數(shù)基本持平。 
分年統(tǒng)計(jì)來看，策略并沒有表現(xiàn)出持續(xù)優(yōu)于大盤指數(shù)或者優(yōu)于小盤指數(shù)。 整體來看，策略效果不盡人意。分析原因，主要在于市場在2008-2015年之間出現(xiàn)了長期的震蕩行情，16年之后至今也是震蕩下行，沒有出現(xiàn)明顯的趨勢性，因此很難觸發(fā)策略條件。 策略2采取趨勢突破的方法，創(chuàng)新高時買入小盤指數(shù)，創(chuàng)新低時買入大盤指數(shù)。 報(bào)告中相對強(qiáng)弱指數(shù)定義如下 
與前文定義的指標(biāo)相差一個常數(shù)，對結(jié)果沒有影響，仍采用前文定義。
策略規(guī)則： 相對強(qiáng)弱指數(shù)創(chuàng)新N1日新高，持有小盤 相對強(qiáng)弱指數(shù)創(chuàng)N2日新低，持有大盤
def strategy1(data,N1,N2,fee_ratio = 0):
data['flag_hs'] = 0
data['flag_zz'] = 0
data['ret_strategy'] = 0
data['buysell'] = 0
data['ret_zz'] = data['ZZ500'].pct_change(1).fillna(0)
data['ret_hs'] = data['hs300'].pct_change(1).fillna(0)
for i in range(max(N1,N2),data.shape[0] - 1):
# 創(chuàng)新高，做多小盤
if data.P[i] >= np.max(data.P[i - N1:i]):
data.loc[i + 1 ,'flag_zz'] = 1
data.loc[i + 1 ,'flag_hs'] = 0
# data.loc[i + 1,'net_zz'] = data.loc[i ,'net_zz']*(1 + data.loc[i + 1,'ret_zz'])
# data.loc[i + 1,'net_hs'] = data.loc[i ,'net_hs']*(1 - data.loc[i + 1,'ret_hs'])
# 創(chuàng)新低，做多大盤
elif data.P[i] <= np.min(data.P[i - N2:i]):
data.loc[i + 1 ,'flag_zz'] = 0
data.loc[i + 1 ,'flag_hs'] = 1
# data.loc[i + 1,'net_zz'] = data.loc[i ,'net_zz']*(1 - data.loc[i + 1,'ret_zz'])
# data.loc[i + 1,'net_hs'] = data.loc[i ,'net_hs']*(1 + data.loc[i + 1,'ret_hs'])
else:
data.loc[i + 1 ,'flag_zz'] = data.loc[i ,'flag_zz']
data.loc[i + 1 ,'flag_hs'] = data.loc[i ,'flag_hs']
data.loc[data['flag_zz'] ==1,'ret_strategy'] = data.loc[data['flag_zz'] ==1,'ret_zz']
data.loc[data['flag_hs'] ==1,'ret_strategy'] = data.loc[data['flag_hs'] ==1,'ret_hs']
data.loc[data['flag_hs'] != data.flag_hs.shift(1),'buysell'] = 1
data.loc[0,'buysell'] = 0
data['ret_strategy'] = data['ret_strategy'] - fee_ratio*data['buysell']
#data['net_strategy_zz'] = (1 + data['flag_zz']*data['ret_zz']).cumprod()
#data['net_strategy_hs'] = (1 + data['flag_hs']*data['ret_hs']).cumprod()
data['net_strategy'] = (1 + data['ret_strategy']).cumprod()
return data
fee_ratio為手續(xù)費(fèi)率，設(shè)定為0，取N1 = 20,N2 = 20，回測結(jié)果如下
最優(yōu)參數(shù)下，策略凈值為7.52，從凈值曲線來看，明顯優(yōu)于策略1，有超額回報(bào)，但交易次數(shù)增多，交易成本也會上升。 此外，今年以來策略出現(xiàn)明顯回撤，但整個市場都在下跌，可以通過策略與大小盤指數(shù)的相對強(qiáng)弱來說明策略相對于市場的表現(xiàn)
可以看出，策略2持續(xù)性優(yōu)于或持平大小盤指數(shù)。
分年統(tǒng)計(jì)表明，除了16，17年，策略相對于滬深300每年都有正收益。 總體來看，策略2明顯優(yōu)于策略1（但并不是說右側(cè)交易一定優(yōu)于左側(cè)交易，只是這一指標(biāo)下）。 中金報(bào)告中指數(shù)，N1,N2處于15-25時，策略表現(xiàn)都很好。對N1,N2從5到30進(jìn)行遍歷，看看策略在不同參數(shù)下的表現(xiàn)情況。
橫縱軸分別為N1,N2，豎軸/顏色表示策略累計(jì)收益率，顏色越深表明策略累積收益率越大，從圖可以看出，最優(yōu)參數(shù)存在于平面左下區(qū)域，即N1,N2較小時。 取最優(yōu)參數(shù)N1 = 8,N2 = 10做回測結(jié)果如下
最優(yōu)參數(shù)下，凈值為12.78。
相對于市場走勢平穩(wěn)，回測區(qū)間內(nèi)均持平或上升。
分年統(tǒng)計(jì)來看，除個別年份，每年對于大小盤指數(shù)都有明顯超額收益，表現(xiàn)很好。 1. 20100210-華泰證券-數(shù)量化策略：大小盤輪動 2. 20161218-中金公司-量化策略專題風(fēng)格輪動研究（1）：價(jià)量視角下的市值風(fēng)格輪動策略
Python的愛好者社區(qū)歷史文章大合集： Python的愛好者社區(qū)歷史文章列表（每周追加更新一次）
|
