动手试一试 · 沪深 300 均线策略收盘价在均线上方,下一个交易日持有;否则空仓
均线策略一直持有
| 年化收益 | 最大回撤 | 夏普 | 交易次数 | 持仓时间 | |
|---|---|---|---|---|---|
| 均线策略 | |||||
| 一直持有 | — | 100% |
价格指数,不含分红;无风险利率按 0 计。数据每个交易日收盘后更新。
规则
- 计算沪深 300 指数的 N 日均线;
- 收盘价在均线上方,下一个交易日持有;在下方,下一个交易日空仓;
- 每次买卖扣除一点交易成本。
这是最朴素的趋势跟踪:不预测,只跟随。
动手试一试
页面上方的回测器,用的是沪深 300 指数从 2005 年至今的每日收盘价。可以改均线天数和单边交易成本,看看收益、最大回撤和夏普怎么变。
可以试着回答:
- 均线从 20 天改到 60 天,交易次数和收益有什么变化?
- 把成本从 0.05% 调到 0.3%,结论还成立吗?
- 它在哪几年明显跑输「一直持有」?为什么?
- 如果你挑出了历史上最好的那个参数,它在未来还会最好吗?(见回测的四个坑里的过拟合)
用 Python 自己写
import akshare as ak
import pandas as pd
df = ak.stock_zh_index_daily(symbol="sh000300") # 沪深300日线
close = df.set_index("date")["close"]
ret = close.pct_change().fillna(0)
n, cost = 60, 0.001 # 均线天数、单边成本
signal = (close > close.rolling(n).mean()).astype(int)
pos = signal.shift(1).fillna(0) # 推迟一天,避免未来函数
trade = pos.diff().abs().fillna(0)
strat = pos * ret - trade * cost
nav = (1 + strat).cumprod()
dd = nav / nav.cummax() - 1
years = len(nav) / 252
print("年化收益", nav.iloc[-1] ** (1 / years) - 1)
print("最大回撤", dd.min())
print("夏普", strat.mean() / strat.std() * 252 ** 0.5)
这里的指数是价格指数,不含分红;真实交易还要考虑 ETF 的跟踪误差。这个例子只用来演示回测的流程。
量化入门 · 第3关「回测与它的坑」 · 第 3/3 篇
读完了,回去做这一关的小测和作业 →
编写:协会