下面的例子來源書籍

策略比較簡單，使用N只股票構建投資組合，計算每只股票的過去LookBack(參數)日的動量，并作標準化處理作為股票權重，持有Holding(參數)日，其中權重允許為負數，即允許做空股票。簡要說來就是做過過去表現強勢的股票，做空過去表現弱勢的股票。

雖然策略比較簡單，但整體的測試流程和框架很明了清晰，對類似策略的回測實現具有參考意義，整體的流程框架為：

數據獲取(基于付費或者免費的數據源)——》

數據的時間軸對齊以及缺失數據填充——》

子函數編寫：特定回顧期的動量計算并作標準化——》

子函數編寫：給定回顧期和持有期，組合的夏普比例計算——》

計算不同回顧期和持有期下組合的夏普比例值——》

進行策略參數分布圖形展示

一、Python下的實現測試。

(1)主要用到numpy、pandas、matplotlib等幾個包

# -*- coding: utf-8 -*-

"""

SimpleMomentumPortfolioTest

Created on 2015/05/01

@author: LiYang(faruto)

@group : FQuantStudio

@contact:

farutoliyang@foxmail.com

"""

#%% import

import numpy as np

import pandas as pd

import pandas.io.data as

web

import matplotlib.pylab

as plt

from pandas import

Series,DataFrame

from collections import

defaultdict

(2)數據的獲取基于pandas包

#%% GetData

names = ['AAPL',

'GOOGL', 'MSFT', 'IBM', 'GS', 'MS', 'BAC', 'C']

def get_px(stock, start,

end):

return web.get_data_yahoo(stock, start,

end)['Adj Close']

px = DataFrame({n:

get_px(n, '1/1/2005', '1/1/2015') for n in names})

px.plot()

(3)數據的時間軸對齊以及缺失數據填充

#%% plot

px =

px.asfreq('B').fillna(method='pad')

rets = px.pct_change()

retcum =

(1+rets).cumprod()-1

retcum.plot()

(4)子函數編寫：特定回顧期的動量計算并作標準化

#%% calc_mom

def calc_mom(price,

lookback, lag):

mom_ret =

price.shift(lag).pct_change(lookback)

ranks = mom_ret.rank(axis=1,

ascending=False)

demeaned =

ranks.subtract(ranks.mean(axis=1), axis=0)

return

demeaned.divide(demeaned.std(axis=1), axis=0)

當然這里是做了排序后把排序變量做標準化后返回。

(5)子函數編寫：給定回顧期和持有期，組合的夏普比例計算

#%% strat_sr

compound = lambda x : (1

+ x).prod() - 1

daily_sr = lambda x:

x.mean() / x.std()

def strat_sr(prices, lb,

hold):

# Compute portfolio weights

freq = '%dB' % hold

port = calc_mom(prices, lb, lag=1)

daily_rets = prices.pct_change()

# Compute portfolio returns

port = port.shift(1).resample(freq,

how='first')

returns = daily_rets.resample(freq,

how=compound)

port_rets = (port * returns).sum(axis=1)

return daily_sr(port_rets) * np.sqrt(252 /

hold)

strat_sr(px, 70, 30)

(6)計算不同回顧期和持有期下組合的夏普比例值

#%% calc with diff

lookbacks and holdings

lookbacks = range(20,

90, 5)

holdings = range(20, 90,

5)

dd = defaultdict(dict)

for lb in lookbacks:

for hold in holdings:

dd[lb][hold] = strat_sr(px, lb, hold)

ddf = DataFrame(dd)

ddf.index.name =

'Holding Period'

ddf.columns.name =

'Lookback Period'

(7)進行策略參數分布圖形展示

#%% heatmap

def heatmap(df, cmap=plt.cm.gray_r):

fig = plt.figure()

ax = fig.add_subplot(111)

axim = ax.imshow(df.values, cmap=cmap,

interpolation='nearest')

ax.set_xlabel(df.columns.name)

ax.set_xticks(np.arange(len(df.columns)))

ax.set_xticklabels(list(df.columns))

ax.set_ylabel(df.index.name)

ax.set_yticks(np.arange(len(df.index)))

ax.set_yticklabels(list(df.index))

plt.colorbar(axim)

heatmap(ddf)

通過上圖可以看到在此例下，大概回顧期為55-60日，持有期為35-40日，會獲取較高的夏普比率。

總結：可以看到在Python下使用pandas包整體的實現測試過程很簡單明了。Pandas是個進行數據分析處理很贊的包。

二、MATLAB下的實現測試。

下面在來看下在MATLAB下的實現測試過程，不同的語言各有利弊，并無本質上哪個好，那個壞之說，本例中，由于Python下的pandas包的幫助，在Python下的代碼更加簡潔明了，MATLAB下代碼稍顯臃腫，當然也可以仿照Python下的pandas包，實現一個MATLAB下的pandas包，讓相關的數據處理更加簡潔方便。雖然MATLAB下的金融工具箱有fints(financial time series類)、timeseries類，但相關的實現和處理在效率和使用上并不是特別好，所以時序相關的處理我還是自己實現的，并沒有全部使用MATLAB自帶的一些包。

注：MATLAB的實現測試使用的A股的數據，數據的獲取基于FQuantToolBox

(1)函數說明

function

SimpleMomentumPortfolioTest

% by LiYang_faruto

%

Email:farutoliyang@foxmail.com

% 2015/01/01

%% A Little Clean Work

% clear;

% clc;

% close all;

format compact;

(2)數據的獲取基于FQuantToolBox

%% GetDataFromWeb

tic;

StockCodeCell =

{'600588sh','sh600030','600446','300024sz','sz000001','600570sh'};

StockNameCell = {'用友網絡','中信證券','金證股份','機器人','平安銀行','恒生電子'};

BeginDate = '20100101';

EndDate = '20150101';

Len =

length(StockCodeCell);

StockDataCell =

cell(length(StockCodeCell),1);

for i =

1:length(StockCodeCell)

StockCode = StockCodeCell{i};

[StockDataCell{i}] =

GetStockTSDay_Web(StockCode,BeginDate,EndDate);

end

toc;

%% 前復權數據生成

StockDataCellXRD =

StockDataCell;

for i = 1:Len

StockData = StockDataCell{i};

AdjFlag = 1;

[StockDataCell{i}] =

CalculateStockXRD(StockData, [], AdjFlag);

end

(3)數據的時間軸對齊以及缺失數據填充

tic;

sdate =

datenum(BeginDate,'yyyymmdd');

edate =

datenum(EndDate,'yyyymmdd');

bdates = busdays(sdate,

edate, 'Daily');

Bdates = str2num(

datestr(bdates,'yyyymmdd') );

StockDataCell_pre =

StockDataCell;

for i = 1:Len

tMat = zeros(length(Bdates),8);

tMat(:,1) = Bdates;

tMat_pre = StockDataCell{i};

for j = 1:length(Bdates)

tD = Bdates(j);

ind = find(tMat_pre(:,1)<=tD,

1,'last');

tMat(j,2:end) = tMat_pre(ind,2:end);

end

StockDataCell{i} = tMat;

end

toc;

%% 每只股票累計收益

StockMat = zeros(length(Bdates),

Len+1);

StockMat(:,1) = Bdates;

for i = 1:Len

StockMat(:,i+1) = StockDataCell{i}(:,5);

end

Ret =

tick2ret(StockMat(:,2:end));

CumRet =

cumprod((1+Ret))-1;

scrsz =

get(0,'ScreenSize');

figure('Position',[scrsz(3)*1/4

scrsz(4)*1/6 scrsz(3)*4/5 scrsz(4)]*3/4);

plot(CumRet,'LineWidth',1.5);

xlim([0,length(Bdates)+1]);

Dates =

StockMat(2:end,1);

LabelSet(gca, Dates, [],

[], 1);

M = StockNameCell;

H = legend(M);

H.Orientation =

'horizontal';

H.FontWeight = 'Bold';

H.FontSize = 12;

H.Location =

'northoutside';

str = '股票累計收益';

H = title(str);

H.FontWeight = 'Bold';

H.FontSize = 15;

(4)子函數編寫：特定回顧期的動量計算并作標準化

%% sub fun calc_mom

%

---------------------------------------------------

% calc_mom

% ---------------------------------------------------

function weight =

calc_mom(price,lookback)

weight = zeros(size(price));

weight(:,1) = price(:,1);

[m,n] = size(price);

% weight(1:lookback,2:end) = nan;

weight(1:lookback,2:end) = 0;

for j = lookback+1:m

for i = 2:n

tData = price(:,i);

weight(j,i) =

(tData(j-1)-tData(j-lookback))/tData(j-lookback);

end

temp = weight(j,2:end);

weight(j,2:end) =

(temp-mean(temp))./std(temp);

end

weight(isnan(weight)) = 0;

end

當然這里與Python下稍有不同，就使用標準化后的動量值返回。

(5)子函數編寫：給定回顧期和持有期，組合的夏普比例計算

%% sub fun strat_sr

%

---------------------------------------------------

% strat_sr

%

---------------------------------------------------

function SR =

strat_sr(prices, lb, hold)

SR = 0;

[m,n] = size(prices);

% 計算權重

port = calc_mom(prices,lb);

port(isnan(port)) = 0;

% 計算組合收益

PortResample = [];

Returns = [];

Ind = 1;

for i = hold:hold:m

PortResample(Ind,:) = port(i-hold+1,:);

Returns(Ind,:) = prices(i,:);

Returns(Ind,2:end) =

(prices(i,2:end)-prices(i-hold+1,2:end))./prices(i-hold+1,2:end);

Ind = Ind + 1;

end

port_rets = PortResample(:,2:end).*Returns(:,2:end);

port_rets = sum(port_rets,2);

% 計算年化Sharpe

Ratio

SR = mean(port_rets)/std(port_rets)*sqrt(

252/hold );

end

(6)計算不同回顧期和持有期下組合的夏普比例值

%% calc

tic;

lookbacks = 20:5:90;

holdings = 20:5:100;

DD =

zeros(length(lookbacks), length(holdings));

for i =

1:length(lookbacks)

for j = 1:length(holdings)

lb = lookbacks(i);

hold = holdings(j);

DD(i,j) = strat_sr(StockMat, lb, hold);

end

end

toc;

(7)進行策略參數分布圖形展示

%% HeatPlot

temp =

num2cell(lookbacks);

temp =

cellfun(@num2str,temp,'UniformOutput',false);

YVarNames = temp;

temp =

num2cell(holdings);

temp =

cellfun(@num2str,temp,'UniformOutput',false);

XVarNames = temp;

XLabelString = 'Holding

Period';

YLabelString = 'Lookack

Period';

Fmatrixplot(DD,'ColorBar','On','XVarNames',XVarNames,'YVarNames',YVarNames,...

'XLabelString',XLabelString,'YLabelString',YLabelString);

通過上圖可以看到在此例下，大概回顧期為25-35日，持有期為60日，會獲取較高的夏普比率。

總結

本文給出了一個簡化的截面動量組合測試，雖然策略比較簡單，但整體的測試流程和框架很明了清晰，對類似策略的回測實現具有參考意義，整體的流程框架為：

數據獲取(基于付費或者免費的數據源)——》

數據的時間軸對齊以及缺失數據填充——》

子函數編寫：特定回顧期的動量計算并作標準化——》

子函數編寫：給定回顧期和持有期，組合的夏普比例計算——》

計算不同回顧期和持有期下組合的夏普比例值——》

進行策略參數分布圖形展示

在Python下pandas是個數據處理非常不錯的一個包，另外在Python下免費的A股數據可以通過tushare 包(作者Jimmy)獲取，tushare 包下載地址：TuShare -財經數據接口包。

在MATLAB下，雖然此例的實現測試稍顯臃腫，但也不是非常復雜。在MATLAB下免費的A股數據可以通過FQuantToolBox(作者faruto)獲取，FQuantToolBox下載地址：FQuantToolBoxHelpOnLine

總結

以上是生活随笔為你收集整理的pythonplot绘图xrd_一种简化的截面动量组合测试[PythonMATLAB]的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。