R與金錢游戲:均線黃金交叉1

来源:https://www.cnblogs.com/yukiwu/archive/2019/11/07/11816945.html
-Advertisement-
Play Games

雙11臨近的我發現自己真的很窮很窮很窮(重要的問題說三遍)…… 貧窮催人上進。於是我就尋思著在空閑時間自己搗鼓一下錢生錢的游戲是怎麼玩的,畢竟就算註定做韭菜也要做一根有知識有理想的韭菜。 第一個要玩的模型就是股票交易中的均線黃金交叉。 作為一個基礎的韭菜一定聽說過均線黃金交叉原則,也就是說當短期移動 ...


雙11臨近的我發現自己真的很窮很窮很窮(重要的問題說三遍)……

貧窮催人上進。於是我就尋思著在空閑時間自己搗鼓一下錢生錢的游戲是怎麼玩的,畢竟就算註定做韭菜也要做一根有知識有理想的韭菜。

第一個要玩的模型就是股票交易中的均線黃金交叉。

作為一個基礎的韭菜一定聽說過均線黃金交叉原則,也就是說當短期移動平均線向上突破長期移動平均線,表明趨勢見漲,適合買入;相反地如果短期移動平均線向下突破長期移動平均線,表明趨勢看跌,適合賣出。

那麼這個韭菜們都知道的交易原則是不是真的能幫大家賺錢呢?下麵我們以中國平安為例(其實選A股分析還是很尷尬,萬一無論如何都不能賺錢呢……)就建模簡單地驗證一下。

Required Packages


library(quantmod)
library(ggplot2)
library(scales)


Get Data


首先利用 quantmod 包下載股價數據。股票的代碼可以在雅虎財經查到。

stock_code <- "601318.SS"
start <- as.Date("2018-01-01")
end <- as.Date("2020-01-01")
stock <- getSymbols(stock_code, from=start, auto.assign=FALSE)
names(stock) <- c("Open", "High", "Low", "Close", "Volume", "Adjusted")
stock <- stock[paste(start, end, sep='/')]$Close


Calculate Moving Average


移動平均數通常可分為簡單移動平均數 (SMA),加權移動平均數 (WMA) 和指數移動平均數 (EMA)。

通常我們會選用指數移動平均數。因為移動平均數在一定程度上都會落後於股價的實時趨勢,而指數移動平均數在計算時越新的數據加權比重越大,能更快地反映股價的變化。

ma <- function(data, mas=c(5, 20, 60)) {
  ma_data <- data
  for(m in mas) {
    ma_data <- merge(ma_data, EMA(data, m))
  }
  ma_data <- na.locf(ma_data, fromLast = TRUE)
  names(ma_data) <- c('Value', paste('MA', mas, sep=''))
  return(ma_data)
}

我們可以將計算結果畫成圖形:
01

Get Trading Signals


以 5 日和 20 日均線為例,我們可以按照均線黃金交叉原則找到買賣交易點,即某一天的 5 日移動平均數大於 20 日移動平均數時為買入,反之某一天的 5 日移動平均數小於 20 日移動平均數時為賣出。

我們可以將數據分組。當 5 日均線大於 20 日均線時為 “buy”; 當 5 日均線小於 20 日均線時為 “sell”。 其中 “buy” 和 “sell” 是以不定數量間隔出現的,那麼每一段中第一個 “buy” 出現的時候為買入, 第一個 “sell” 出現的時候為賣出。在模擬交易的時候為了方便計算利潤,我們將買入設為第一次交易,賣出設為最後一次交易。

如果我們一直依照均線黃金交叉原則,那麼從 2018-01-01 開始至今一共有 30 次交易 (買賣合計)。

get_signals<- function(data, mas_1=5, mas_2=20) {
  if(mas_1 == 0)
    ma_name_1 <- "Value"
  else
    ma_name_1 <- paste('MA', mas_1, sep='')
  ma_name_2 <- paste('MA', mas_2, sep='')
  ma_data <- data[, c("Value", ma_name_1, ma_name_2)] #please calculate ma value before and get a dataframe like the section above
  down_data <- ma_data[which(ma_data[, c(ma_name_1)] > ma_data[, c(ma_name_2)]), c("Value")]
  up_data <- ma_data[which(ma_data[, c(ma_name_1)] < ma_data[, c(ma_name_2)]), c("Value")]
  result <- merge(down_data, up_data)
  names(result) <- c("buy", "sell")
  result <- fortify(result, melt=TRUE)
  result<- result[-which(is.na(result$Value)),]
  signals <- result[order(result$Index),]
  signals$Signal <- ifelse(signals$Series == "buy", 1, 0)
  signals$Signal <- c(ifelse(signals$Series[1] == "buy", 1, -1),diff(signals$Signal))
  signals <- signals[which(signals$Signal != 0),]
  #delete odd rows
  if(nrow(signals)%%2 == 1) {
    if(signals$Series[1] == "buy")
      signals <- signals[-c(nrow(signals)),]
    else
      signals <- signals[-c(1),]
  }
  if(signals$Series[1] == "sell") {
    signals <- signals[-c(nrow(signals)),]
    signals <- signals[-c(1),]
  }
  return (signals)
}


Mock Trading


上面我們已經找出交易點,但其實我們找出這些可能的歷史交易點目的就是為了知道如果嚴格按照這些交易點進行交易能不能賺錢呀?

下麵我們可以模擬一下交易的過程:

假設我們有 100,000 本金,全倉進入,交易費率為 0.3%

mock_trading <- function(signals, capital=100000, position=1, fee=0.003){
  amount <- 0
  cash <- capital * position
  ticks <- data.frame()
  
  for(ii in 1:nrow(signals)){
    row <- signals[ii,]
    if(row$Series == "buy") {
      amount <- floor((cash/(1+fee))/row$Value)
      amount <- (amount%/%100)*100
      cash <- cash - amount * row$Value - (amount * row$Value) * fee
    }
    if(row$Series == "sell") {
      cash <- cash + amount * row$Value - (amount * row$Value) * fee
      amount <- 0
    }
    row$cash <- cash
    row$amount <- amount
    row$asset<- cash + amount * row$Value  
    row$fee <- (amount * row$Value) * fee
    ticks<-rbind(ticks, row)
  }
  ticks$diff <- c(0, diff(ticks$asset))
  
  rise <- ticks[c(which(ticks$diff > 0)-1, which(ticks$diff > 0)),]
  rise <- rise[order(rise$Index),]
  fall <- ticks[c(which(ticks$Series=="sell" & ticks$diff < 0)-1, which(ticks$Series=="sell" & ticks$diff < 0)),]
  fall <- rise[order(fall$Index),]

  return(list(
    ticks = ticks,
    rise = rise,
    fall = fall
  ))
}

如果嚴格按照均線黃金交叉原則,那麼經過2年的股海沉浮之後,最後我們的本金只有 80,688.14,虧損 19,311.89, 而賺錢的交易只有6次 (買賣合計)。
02

我們將資產和股價曲線畫成圖形對比可以看出我們在前期的交易中是虧損很多的。一方面是股價走勢確實是跌跌不休 (經歷了 2018 年的韭菜們都知道),那還有沒有交易選擇錯誤的原因呢?
03

我們將盈利和虧損的交易分別畫出來,就可以看出虧損的交易多在股價尚未形成趨勢還在震蕩,如 2018-08,以及 2018-10-2018-11 期間。所以從數據上來看,均線黃金交叉原則只能對股價已形成趨勢的股票起指導作用。
04

不過我們也可以樂觀地認為,只要我們能夠避開震蕩期,那麼均線黃金交叉原則還是能夠幫助我們小小賺一筆的。可是今日不知明日事,一個有知識有理想的韭菜單憑肉眼是很難看出某一個交叉點是否就在趨勢上。

我們又可以引入什麼指標來避開震蕩期呢?後面會繼續探討一下的。


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 場景 Ubuntu Server 16.04 LTS上怎樣安裝下載安裝Nginx並啟動: https://blog.csdn.net/BADAO_LIUMANG_QIZHI/article/details/102828075 Nginx的配置文件位置以及組成部分結構講解: https://blog. ...
  • 文章主人公:小明,就職於某互聯網公司,從事後端開發工作。最近小明收到通知公司需要開發一款《證件照》應用,需要徵集架構方案,主要功能包括: 小明雖然從事後端開發工作,但是一直很關註架構這方面的知識,以往都是開發大佬們架構好的應用現在有機會自己去實踐下,打算把自己學到的知識應用於實際案例中來。 小明的腦 ...
  • Python win32com模塊 合併文件夾內多個docx文件為一個docx #!/usr/bin/env python # -*- coding: utf-8 -*- from win32com.client import Dispatch import os,sys #import panda ...
  • set介面 java.util.Set 介面和 java.util.List 介面一樣,同樣繼承自 Collection 介面,它與 Collection 介面中的方 法基本一致,但是set介面中元素無序,並且不重覆 分類 1.HashSet集合 2.LinkedHashSet集合 HashSet集 ...
  • day one 演算法是充分利用解題環境所提供的基本操作,對輸入數據進行 逐步加工、變換和處理,從而達到解決問題的目的。 電腦的基本功能操作包括以下四個方面: 邏輯運算:與、或、非; 算術運算:加、減、乘、除; 數據比較:大於、小於、等於、不等於、大於等於、小於等於; 數據傳送:輸入、輸出、賦值。 ...
  • 1.首先是對vs2017這款軟體的使用 1.VS中的scanf()這個函數的使用問題 直到這次寫代碼我才知道VS中用scanf是會被警告的,VS中正規的類似於scanf()函數的輸入函數是scanf_s()只有使用這個函數你才不會報錯,它有三個參分別是數據類型,地址,最大存儲量, 還有兩種方法 第一 ...
  • 寶塔官方建議是純凈的系統,我使用docker運行一個ubuntu容器,模擬一個純凈的系統,這樣也不會影響到我的其他服務。 docker run --name baota -id -p 8888:8888 ubuntu docker exec -it baota bashapt-get updatea ...
  • 一個程式就是一個世界,有很多對象(變數) Golang 語言面向對象編程說明 1) Golang 也支持面向對象編程(OOP),但是和傳統的面向對象編程有區別,並不是純粹的面向對 象語言。所以我們說 Golang 支持面向對象編程特性是比較準確的。 2) Golang 沒有類(class),Go 語 ...
一周排行
    -Advertisement-
    Play Games
  • Dapr Outbox 是1.12中的功能。 本文只介紹Dapr Outbox 執行流程,Dapr Outbox基本用法請閱讀官方文檔 。本文中appID=order-processor,topic=orders 本文前提知識:熟悉Dapr狀態管理、Dapr發佈訂閱和Outbox 模式。 Outbo ...
  • 引言 在前幾章我們深度講解了單元測試和集成測試的基礎知識,這一章我們來講解一下代碼覆蓋率,代碼覆蓋率是單元測試運行的度量值,覆蓋率通常以百分比表示,用於衡量代碼被測試覆蓋的程度,幫助開發人員評估測試用例的質量和代碼的健壯性。常見的覆蓋率包括語句覆蓋率(Line Coverage)、分支覆蓋率(Bra ...
  • 前言 本文介紹瞭如何使用S7.NET庫實現對西門子PLC DB塊數據的讀寫,記錄了使用電腦模擬,模擬PLC,自至完成測試的詳細流程,並重點介紹了在這個過程中的易錯點,供參考。 用到的軟體: 1.Windows環境下鏈路層網路訪問的行業標準工具(WinPcap_4_1_3.exe)下載鏈接:http ...
  • 從依賴倒置原則(Dependency Inversion Principle, DIP)到控制反轉(Inversion of Control, IoC)再到依賴註入(Dependency Injection, DI)的演進過程,我們可以理解為一種逐步抽象和解耦的設計思想。這種思想在C#等面向對象的編 ...
  • 關於Python中的私有屬性和私有方法 Python對於類的成員沒有嚴格的訪問控制限制,這與其他面相對對象語言有區別。關於私有屬性和私有方法,有如下要點: 1、通常我們約定,兩個下劃線開頭的屬性是私有的(private)。其他為公共的(public); 2、類內部可以訪問私有屬性(方法); 3、類外 ...
  • C++ 訪問說明符 訪問說明符是 C++ 中控制類成員(屬性和方法)可訪問性的關鍵字。它們用於封裝類數據並保護其免受意外修改或濫用。 三種訪問說明符: public:允許從類外部的任何地方訪問成員。 private:僅允許在類內部訪問成員。 protected:允許在類內部及其派生類中訪問成員。 示 ...
  • 寫這個隨筆說一下C++的static_cast和dynamic_cast用在子類與父類的指針轉換時的一些事宜。首先,【static_cast,dynamic_cast】【父類指針,子類指針】,兩兩一組,共有4種組合:用 static_cast 父類轉子類、用 static_cast 子類轉父類、使用 ...
  • /******************************************************************************************************** * * * 設計雙向鏈表的介面 * * * * Copyright (c) 2023-2 ...
  • 相信接觸過spring做開發的小伙伴們一定使用過@ComponentScan註解 @ComponentScan("com.wangm.lifecycle") public class AppConfig { } @ComponentScan指定basePackage,將包下的類按照一定規則註冊成Be ...
  • 操作系統 :CentOS 7.6_x64 opensips版本: 2.4.9 python版本:2.7.5 python作為腳本語言,使用起來很方便,查了下opensips的文檔,支持使用python腳本寫邏輯代碼。今天整理下CentOS7環境下opensips2.4.9的python模塊筆記及使用 ...