补充研究部分最后的破图……

策略回测

量化投资训练营中给出的回测曲线

jqdata实现《量化投资技术分析实战》中ama均线的计算¶

《量化投资技术分析实战》书中有对ama均线的介绍。并且通过公众号量化投资训练营，也找到了对ama均线的一些内容，综合形成这次ama均线的计算。

参考内容：

濮元恺，《量化投资技术分析实战》
量化投资训练营：
1. 不可忽视的AMA自适应移动均线交易系统（1）
2. 不可忽视的AMA自适应移动均线交易系统（2）
3. 股票指数（含期货）择时交易方法分享（1）

import pandas as pdimport matplotlib.pyplot as pltimport numpy as npimport  jqdatasdk

jqdatasdk.auth(tel, pwd)

zz500_df = jqdatasdk.get_price('000300.XSHG', start_date='2006-02-01', end_date='2018-11-19', frequency='daily', fields=['close'])

zz500_df['er'] = 0zz500_df['ama'] = 0zz500_df.plot()

<matplotlib.axes._subplots.AxesSubplot at 0xf684650>

ama计算方法与关键参数¶

ER效率系数¶

步骤1：价格方向

　　价格方向被表示为整个时间段中的净价格变化。比如，使用n天的间隔（或n小时）：

　　direction = price – price[n];

　　其中，direction是当前价格差或方向数值，price是当前价格（当日收盘价或小时收盘价），price[n]是n日前的收盘价（或n个周期前）。

步骤2：波动性

　　波动性是市场噪音的总数量，它可以用许多不同的方法定义，但是这个计算使用了所有“日到日”或“小时到小时”的价格变化的总和（每一个都作为一个正数），在同样的n个周期上。

　　如下表达：

　　volatility = @sum(@abs(price – price[1]), n);

　　其中，volatility是指波动性数值，@abs是绝对值函数，@sum(value, n)是n个周期中的数值之和函数。

步骤3：效率系数（ER）

　　以上两个成分被组合起来，以表达方向移动对噪音之比，称之为效率系数，ER：

　　Efficiency_Ratio = direction/volativity;

平滑系数¶

　　fastest = 2/(N+1) = 2/(2+1) = 0.6667;

　　slowest = 2/(N+1) = 2/(30+1) = 0.0645;

　　smooth = ER*(fastest - slowest) + slowest;

　　c = smooth*smooth;

AMA均线计算¶

AMA = AMA[1] + c*(price – AMA[1]);

def cal_ama(last_ama, cp_df, var_er = 14, fastest_N = 2, slowest_N = 30):fastest = 2/(fastest_N+1)slowest = 2/(slowest_N+1)cp_df = cp_df[-var_er : ]direction = cp_df.iloc[-1] - cp_df.iloc[0]#     print("direction           ==>" + str(direction))er_df = cp_df.diff()er_df = er_df.apply(lambda x : abs(x))volatility = er_df.sum()#     print("volatility           ==>" + str(volatility))efficiency_ratio  = direction / volatility#     print("efficiency_ratio==>" + str(efficiency_ratio))smooth = efficiency_ratio*(fastest - slowest) + slowest;c = smooth* smooth#     print("c                       ==>" + str(c))last_ama = last_ama + c*(cp_df.iloc[-1] - last_ama)ama = last_ama#     print("ama==>" + str(ama))return ama, efficiency_ratio

last_ama = 0timeperiod = 14pos = 0for index, row in zz500_df.iterrows():if pos < timeperiod:last_ama = zz500_df[0:pos]['close'].mean()#         print("last_ama==>" + str(last_ama))pos += 1continuecp_df = zz500_df[pos - timeperiod:pos]['close']ama, efficiency_ratio = cal_ama(last_ama, cp_df)zz500_df.loc[index,'er'] = efficiency_ratiozz500_df.loc[index,'ama'] = amalast_ama = amapos += 1

显示ama¶

fig = plt.figure(figsize=(16,6))ax1 = fig.add_subplot(1,1,1)ax1.semilogy(zz500_df.index, zz500_df['close'], color='blue', label='close')ax1.semilogy(zz500_df.index, zz500_df['ama'], color='yellow', label='close')# ax2 = ax1.twinx()# ax2.plot(zz500_df.index, zz500_df['er'], color='red', label='close')plt.show()

其他参数计算¶

1. 20日均线¶

2. ama均线标准差¶

在产生买入卖出信号时，有两种过滤条件，一种是是ama均线的波动率，另外一种是ama均线的差分波动率，都在此处进行计算

zz500_df['ma10'] = 0zz500_df['ma20'] = 0zz500_df['ama_diff_std20'] = 0zz500_df['ama_std30'] = 0ma10_pos = 10ma20_pos = 20ama_diff_std20_pos = 20ama30_pos = 30pos = 0for index, row in zz500_df.iterrows():if pos < 10:pos += 1continuema10 = zz500_df[pos-ma10_pos:pos]['close'].mean()zz500_df.loc[index,'ma10'] = ma10if pos < 20:pos += 1continuema20 =  zz500_df[pos-ma20_pos:pos]['close'].mean()zz500_df.loc[index,'ma20'] = ma20if pos < 50:pos += 1continueama_diff_std20 =  np.std(zz500_df[pos-ama_diff_std20_pos:pos]['ama'].diff(), ddof = 1)zz500_df.loc[index,'ama_diff_std20'] = ama_diff_std20ama_std30 =  np.std(zz500_df[pos-ama30_pos:pos]['ama'], ddof = 1)zz500_df.loc[index,'ama_std30'] = ama_std30pos += 1#     break

fig = plt.figure(figsize=(16,6))ax1 = fig.add_subplot(1,1,1)ax1.semilogy(zz500_df.index, zz500_df['close'], color='blue', label='close')ax1.semilogy(zz500_df.index, zz500_df['ama'], color='red', label='close')ax1.semilogy(zz500_df.index, zz500_df['ma20'], color='yellow', label='close')# ax2 = ax1.twinx()# ax2.plot(zz500_df.index, zz500_df['er'], color='red', label='close')plt.show()

# 保存到csv文件中，为后续回测，提供数据zz500_df.to_csv('d:\\ama.csv')

ama均线策略回测¶

在本地joinquant金融终端中读取存储的ama均线的数据，按照量化投资训练营中所给出的参数，进行回测，回测时直接读取的ama.csv中的每日ama和ama_std的数据，回测效果如下：

核心公式　

1. AMA均线 = 按照AMA公式计算价格，参数2-30，

2. ER效率系数参数14

3. 过滤器 = AMA均线的30日标准差 * 过滤器系数（0.1）

核心规则：

1. 两日AMA差值大于过滤器，做多

2. 两日AMA差值小于过滤器，平多

与量化投资训练营中的回测进行对比¶

使用同样的参数进行构造，与量化投资训练营的回测数据还是有些许差异