【量化交易笔记】12.海龟交易策略

引言

海龟交易法则是一种著名的趋势跟踪交易策略，适用于中长线投资者。

海龟交易策略（Turtle Trading）起源于美国，由著名的交易员理查德·丹尼斯（Richard Dennis）创立。这种交易策略属于趋势跟踪策略，适用于中长线投资者。其核心思想是捕捉市场的主要趋势，并在趋势开始时买入，趋势结束时卖出。海龟交易法则以严格的纪律和长期的跟踪为特点，旨在实现稳定的长期盈利。

原理：

海龟交易策略一套完整的交易系统，包括市场，入市，头寸规模、止损/止盈，出场，买卖策略等。

市场：海龟交易者关注全球市场，主要观察股票、债券、商品、货币等市场的趋势。
入市：海龟交易者使用一定的技术指标来判断市场趋势，并在市场价格突破一定阻力位时买入。例如，他们可能会使用移动平均线或趋势线来确定趋势。
头寸规模：海龟交易者会根据他们的风险承受能力和市场状况来决定头寸规模。他们通常会使用一定比例的账户资金来投资，以控制风险。
止损/止盈：海龟交易者会设定止损点和止盈点，以限制损失并锁定盈利。止损点通常设置在离当前价格一定距离的位置，以减少损失。止盈点则根据市场状况和投资者的目标来设定。
出场：海龟交易者在市场价格达到止盈点或止损点时平仓。他们也会在市场趋势逆转时出场，以避免损失。
买卖策略：海龟交易者既可以做多，也可以做空。他们通常会观察市场趋势，并在趋势开始时买入，趋势结束时卖出。他们也会在市场波动较大时进行反趋势交易，以获取短线利润。

总的来说，海龟交易法则是一套以风险控制为核心的交易系统，旨在捕捉市场趋势并最大化盈利。

趋势追踪——唐奇安通道

海龟交易法则利用唐奇安通道的突破点作为买卖信号指导交易，简单而言唐奇安通道是由一条上轨线、中线和下线组成，上轨线由N1日内最高价构成，下轨线由N2日内最低价计算，当价格冲破上轨是可能的买入信号，反之，冲破下轨时是可能的卖出信号。

海龟交易系统本质上是一个趋势跟随的系统，但是最值得学习的是资金管理尤其是分批建仓及动态止损的部分。书中提到了N值仓位管理法，其中N值与技术指标平均真实波幅 ATR计算类似。ATR是真实波幅TR的20日平均值，而TR是当前交易日最高价和最低价之差、前一交易日收盘价与当前交易日最高价之差、前一交易日收盘价与当前交易日最低价之差三者中的最大值，用公式表示为：

TR=Max(High−Low,abs(High−PreClose),abs(PreClose−Low))，技术指标库TA-Lib提供了直接计算ATR的函数。

下面使用简化版的海龟交易法则进行历史回测，即不考虑仓位管理和动态止损/止盈条件，以唐奇安通道突破作为买入卖出信号。

交易规则为：
（1）当今天的收盘价，大于过去20个交易日中的最高价时，以收盘价买入；
（2）买入后，当收盘价小于过去10个交易日中的最低价时，以收盘价卖出。

数据采集模块

import pandas as pd 
import numpy as np
import talib as ta
from datetime import datetime,timedelta
import matplotlib.pyplot as plt
%matplotlib inline 
#正常显示画图时出现的中文和负号
import warnings
warnings.filterwarnings("ignore")
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
import baostock as bs



#### 登陆系统 ####
def get_k_data(code,start,end):
    lg = bs.login()
    rs = bs.query_history_k_data_plus(code,
        "date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,peTTM,pbMRQ,psTTM,pcfNcfTTM,isST",
    start_date=start, end_date=end,
        frequency="d", adjustflag="3")
    data=rs.get_data()
    data['date'] = pd.to_datetime(data['date']) 
    bs.logout()   
    return data.set_index('date')

为了与前面的文章统一，仍选sh.600000，时间区间为从2023-1-1 到 2023-10-19

hs=get_k_data('sh.600000','2023-1-1','2023-10-19')[['close','open','high','low','volume']]
#最近N1个交易日最高价
hs['up']=ta.MAX(hs.high,timeperiod=20).shift(1)
#最近N2个交易日最低价
hs['down']=ta.MIN(hs.low,timeperiod=10).shift(1)
#每日真实波动幅度
hs['ATR']=ta.ATR(hs.high,hs.low,hs.close,timeperiod=20)
hs.tail()

date	close	open	high	low	volume	up	down	ATR
2023-10-13	7.1000	7.1100	7.1500	7.0800	19650410	7.2	7.0	0.096226
2023-10-16	7.0700	7.1200	7.1300	7.0400	24907733	7.2	7.0	0.095914
2023-10-17	7.0900	7.0900	7.1000	7.0500	19029143	7.2	7.0	0.093619
2023-10-18	7.0500	7.0700	7.1100	7.0500	21485721	7.2	7.0	0.091938
2023-10-19	6.8400	7.0400	7.0500	6.8300	61679771	7.2	7.0	0.098341

设置买卖策略及相关信号

def my_strategy(data):
    x1=data.close>data.up
    x2=data.close.shift(1)<data.up.shift(1)
    x=x1&x2
    y1=data.close<data.down
    y2=data.close.shift(1)>data.down.shift(1)
    y=y1&y2
    data.loc[x,'signal']='buy'
    data.loc[y,'signal']='sell'
    buy_date=(data[data.signal=='buy'].index).strftime('%Y%m%d')
    sell_date=(data[data.signal=='sell'].index).strftime('%Y%m%d')
    buy_close=data[data.signal=='buy'].close.round(2).tolist()
    sell_close=data[data.signal=='sell'].close.round(2).tolist()
    return (buy_date,buy_close,sell_date,sell_close)

以下代码实现了回测，并加上了alpha 、 beta、年化收益、夏普比率等

相关公式

年化收益率

年化收益率=[（投资内收益 / 本金）/ 投资天数] * 365×100%
而实际上采用以下公式计算，考虑到一年的交易日约为250日
$p_r=(\frac{p_{end}}{p_{star}})^{250/n}-1$

这里的alpha和beta 是指量化投资理论的 $\alpha$ 和 $\beta$ 。

贝塔（Beta）

表示投资的系统性风险，反映了策略对大盘变化的敏感性。
例如，一个策略的Beta为1.3，则大盘涨1%的时候，策略可能涨1.3%，反之亦然；

如果一个策略的Beta为-1.3，说明大盘涨1%的时候，策略可能跌1.3%，反之亦然。
$\beta=\frac{Cov(p_n,B_n)}{\sigma^2_B}$
$p_n$ ：策略每日收益率
$B_n$ ：基准每日收益率
$\sigma^2_B$ ：基准每日收益方差
$Cov(p_n,B_n)$ ：策略和基准每日收益率的协方差

阿尔法（Alpha）

非系统性风险，Alpha是投资者获得与市场波动无关的回报，一般用来度量投资者的投资技艺。例如，投资者获得了12%的回报，其基准获得了10%的回报，那么Alpha或者价值增值的部分就是2%。

$\alpha=p_r-r_f-\beta(B_r-r_f)$
$p_r$ ：策略的年化收益率
$r_f$ ：无风险收益率
$B_r$ ：基准年化收益率

收益波动率（Volatility）

用来测量资产的风险性，波动越大代表策略风险越高。
$\sigma_p=\sqrt{\frac{250}{n-1} \sum^n_{t=1}(p_t- \overline{p_t})^2}$

夏普比率（Sharpe Ratio）

表示每承受一单位总风险，会产生多少的超额报酬，可以同时对策略的收益与风险进行综合考虑。
夏普比率为（算法交易收益-基准收益）/算法交易收益的标准差
$SharpRatio=\frac{p_r-r_f}{\sigma_p}$
$p_r$ ：策略的年化收益率
$r_f$ ：无风险收益率
$\sigma_p$ 策略收益率波动率

信息比率（Information Ratio）

衡量单位超额风险带来的超额收益。

信息比率越大，说明该策略单位跟踪误差所获得的超额收益越高，因此，信息比率较大的策略的表现要优于信息比率较小的策略。合理的投资目标应该是在承担适度风险下，尽可能追求高信息比率。
$InformationRatio=\frac{p_r-B_r}{\sigma_t}$

最大回撤（Max Drawdown）

描述策略可能出现的最糟糕的情况。

$MaxDrawDown_t=\max(1-\frac{P_j}{P_i})$


def strategy(stock,start,end,N1=20,N2=10):
    df=get_k_data(stock,start,end)[['close','open','high','low','volume']]
    df=df.astype("float")
    df['ret']=df.close/df.close.shift(1)-1
    #最近N1个交易日最高价
    df['H_N1']=ta.MAX(df.high,timeperiod=N1)
    #最近N2个交易日最低价
    df['L_N2']=ta.MIN(df.low,timeperiod=N2)
    #当日收盘价>昨天最近N1个交易日最高点时发出信号设置为1
    buy_index=df[df.close>df['H_N1'].shift(1)].index
    df.loc[buy_index,'收盘信号']=1
    #将当日收盘价<昨天最近N2个交易日的最低点时收盘信号设置为0
    sell_index=df[df.close<df['L_N2'].shift(1)].index
    df.loc[sell_index,'收盘信号']=0
    df['当天仓位']=df['收盘信号'].shift(1)
    df['当天仓位'].fillna(method='ffill',inplace=True)
    d=df[df['当天仓位']==1].index[0]-timedelta(days=1)
    df1=df.loc[d:].copy()
    df1['ret'][0]=0
    df1['当天仓位'][0]=0
    #当仓位为1时，买入持仓，当仓位为0时，空仓，计算资金净值
    df1['策略净值']=(df1.ret.values*df1['当天仓位'].values+1.0).cumprod()
    df1['指数净值']=(df1.ret.values+1.0).cumprod()
    df1['策略收益率']=df1['策略净值']/df1['策略净值'].shift(1)-1
    df1['指数收益率']=df1.ret
    total_ret=df1[['策略净值','指数净值']].iloc[-1]-1
    annual_ret=pow(1+total_ret,250/len(df1))-1
    dd=(df1[['策略净值','指数净值']].cummax()-df1[['策略净值','指数净值']])/df1[['策略净值','指数净值']].cummax()
    d=dd.max()
    beta=df1[['策略收益率','指数收益率']].cov().iat[0,1]/df1['指数收益率'].var()
    alpha=(annual_ret['策略净值']-annual_ret['指数净值']*beta)
    exReturn=df1['策略收益率']-0.03/250
    sharper_atio=np.sqrt(len(exReturn))*exReturn.mean()/exReturn.std()
    TA1=round(total_ret['策略净值']*100,2)
    TA2=round(total_ret['指数净值']*100,2)
    AR1=round(annual_ret['策略净值']*100,2)
    AR2=round(annual_ret['指数净值']*100,2)
    MD1=round(d['策略净值']*100,2)
    MD2=round(d['指数净值']*100,2)
    S=round(sharper_atio,2)
    df1[['策略净值','指数净值']].plot(figsize=(15,7))
    plt.title(stock+'海龟交易策略简单回测',size=15)
    bbox = dict(boxstyle="round", fc="w", ec="0.5", alpha=0.9)
    plt.text(df1.index[int(len(df1)/5)], df1['指数净值'].max()/1.08, f'累计收益率：\
    策略{TA1}%，指数{TA2}%;\n年化收益率：策略{AR1}%，指数{AR2}%；\n最大回撤： 策略{MD1}%，指数{MD2}%;\n\
    策略alpha: {round(alpha,2)}，策略beta：{round(beta,2)}; \n夏普比率： {S}',size=13,bbox=bbox) 
    plt.xlabel('')
    ax=plt.gca()
    ax.spines['right'].set_color('none')
    ax.spines['top'].set_color('none')
    plt.show()
    # return df1.loc[:,['close','ret','H_N1','L_N2','当天仓位','策略净值','指数净值']]

直接调用

strategy("sh.600000","2023-01-01","2023-10-19")

其他其他策略的收益情况

strategy('sz.300576','2023-01-01','2023-10-19')

在这里插入图片描述

结论

经过上述步骤，我们就实现了一个简单的海龟交易策略。交易次数并不多，另外可通过对上述代码做进一步的扩展，使其更加完善和复杂。

原始的海龟交易采用唐奇安通道来追踪趋势，在趋势比较明显的行情表现不错，但是在震荡的行情中效果不佳，当然这是所有趋势型策略的通病。下面着重使用Python对唐奇安通道进行可视化，并利用简化版的海龟交易法则进行简单的历史回测。