CCI的顺势而为¶
研究思路¶
顺势指标CCI由唐纳德拉姆伯特所创，是通过测量股价的波动是否已超出其正常范围，来预测股价变化趋势的技术分析指标。由于选用的计算周期不同，顺势指标CCI也包括日CCI指标、周CCI指标、年CCI 指标以及分钟CCI指标等很多种类型。经常被用于股市研判的是日CCI指标和。虽然它们计算时取值有所不同，但基本方法一样。
计算方法：
第一步：
#计算CCI
from jqdata import *
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
start = '2005-09-01'
end = '2019-7-12'
n = 20
a= 0.015
index = '000300.XSHG'
def cal_meandev(tp,matp):
mean_dev = (n-1)*[np.nan]
for i in range(len(tp)-n+1):
mean_dev.append(np.mean(abs(tp[i:i+n]-matp[i+n-1])))
return np.array(mean_dev)
extended_days = get_trade_days(end_date = start,count=n-1)
start=extended_days[0]
def get_data(start,end,n,a,index):
df = get_price(index,start_date=start,end_date=end,fields = ['close','high','low'] )
df['tp'] = (df['close']+df['high']+df['low'])/3
df['matp'] = df['tp'].rolling(n).mean()
mean_dev = cal_meandev(df['tp'],df['matp'])
df['mean_dev'] = mean_dev
df['cci'] = (df['tp']-df['matp'])/(a*df['mean_dev'])
return df
df = get_data(start,end,n,a,index)
df.tail(10)
策略构造¶
标的为沪深300指数日频数据（2005-09-01至2019-07-12）
当CCI上穿100，买入，信号为1;当CCI下穿-100，卖出，信号为-1。参数n为20。策略表现如下。
策略表现¶
双边交易策略¶
我们可以看出，双边交易策略的收益主要来自于几次牛市行情，在震荡行情中的表现普通，而这也是一般趋势类择时策略的特点。策略总收益7.68，夏普比率0.70，表现可以说不错。但是最大回撤达到了47%，这是我们不希望看到的。
#CCI策略双边交易表现
threshold = 100
def gen_signal(cci,threshold):
signal = n*[0]
for i in range(n,len(cci)):
if cci[i]>threshold and cci[i-1]<threshold:
signal.append(1)
elif cci[i]<-threshold and cci[i-1]>-threshold:
signal.append(-1)
else:
signal.append(0)
return np.array(signal)
def gen_position(signal,short):
position = [0]
if short:
short_pos =-1
else:
short_pos = 0
for i in range(1,len(signal)):
if signal[i] == 1:
position.append(1)
elif signal[i] == 0:
position.append(position[-1])
else:
position.append(short_pos)
return np.array(position)
def cal_ret(df):
ret =n*[0]
for i in range(n,len(df)):
ret.append(df['position'][i-1]*df['index_ret'][i])
ret = np.array(ret)
return ret
def cal_cum_ret(ret):
cum_ret = [1]
for i in range(len(ret)-1):
cum_ret.append(cum_ret[-1]*(1+ret[i]))
cum_ret = np.array(cum_ret)
return cum_ret
def back_test(df,threshold,short,plot=True):
df['index_ret'] = np.concatenate(([np.nan],np.array(df['close'][1:])/np.array(df['close'][:-1])))-1
df['signal'] = gen_signal(df['cci'],threshold)
df['position'] = gen_position(df['signal'],short)
ret = cal_ret(df)
df['ret'] = ret
cum_ret = cal_cum_ret(ret)
#计算指标
sum_dict={}
sum_dict['总收益']=cum_ret[-1]-1
sum_dict['日胜率'] = len(ret[ret>0])/(len(ret[ret>0])+len(ret[ret<0]))
max_nv = np.maximum.accumulate(cum_ret)
mdd = -np.min(cum_ret/max_nv-1)
sum_dict['最大回撤']=mdd
sum_dict['夏普比率']=ret.mean()/ret.std()*np.sqrt(240)
sum_df = pd.DataFrame(sum_dict,index=[0])
if plot:
#作图
plt.figure(1,figsize=(20,10))
plt.title('策略表现',fontsize=18)
plt.plot(df.index,cum_ret)
plt.plot(df.index,df['close']/df['close'][0])
plt.legend(['CCI策略','HS300'],fontsize=14)
plt.show()
return sum_df
back_test(df,threshold,True)
双边交易策略敏感性分析¶
我们通过寻找夏普比率最大的参数n来优化参数，最优参数为22。
#敏感性分析
ns = list(range(15,31))
sharpe_list =[]
for n in ns:
df2 = get_data(start,end,n,a,index)
summary = back_test(df2,threshold,True,False)
sharpe_list.append(summary['夏普比率'][0])
plt.figure(figsize=(15,8))
plt.plot(ns,sharpe_list)
优化后的策略成功避开了2009-2010年这一段时间的回撤，但仍未避开2018年底和2019年初的大回撤。但总的来说，相对于未优化的策略还是有所改善，总收益达到11.55，夏普比率0.80。
#双边交易最优参数回测
df2 = get_data(start,end,22,a,index)
back_test(df2,threshold,True,True)
单边交易策略表现¶
通过类似的参数优化方法，我们得到单边交易策略的最优参数22。 单边交易策略的总收益低于双边交易，为8.37，但收益更稳定：最大回撤仅为29%，夏普比率达到0.96。
#单边交易最优参数回测
df3 = get_data(start,end,22,a,index)
back_test(df2,threshold,False,True)
#单边交易敏感性分析
ns = list(range(15,31))
sharpe_list =[]
for n in ns:
df3 = get_data(start,end,n,a,index)
summary = back_test(df3,threshold,False,False)
sharpe_list.append(summary['夏普比率'][0])
plt.figure(figsize=(15,8))
plt.title('单边交易敏感性分析')
plt.plot(ns,sharpe_list)
优化的CCI策略¶
从该指标的设计来看，在一般常态行情下，CCI指标不会发生作用。当CCI扫描到异常股价波动时，也就是当CCI突破+/-100时，可以抓住市场趋势。但是在上涨/下跌行情中出现短暂反方向运动时，该策略会出现误判，又因为策略的信号频率不高，也因此带来比较大的回撤。
以下从这一点出发来构建的策略二：CCI指标上穿100买入，信号为1；当CCI指标回到100，并距离前次上穿100在m天之内，我们卖出，信号为-1。否则信号不变，直到下穿-100才卖出。（这里我们认为如果是短暂的上穿下穿，上涨的趋势并不明显，所以就卖出。如果是之前长期在100以上，说明是个长期的趋势，这时下穿100，并不马上卖出，要等到下穿-100才确认卖出）
下穿-100情况同上。测得最优参数为n=20,m=7
双边交易策略表现¶
优化后的双边交易策略总收益大幅提升，达到25.49，夏普比率也达到0.99。策略成功避开了几次熊市的回撤。但是在2012-2014这一段震荡行情中，策略遭遇了52%的大幅回撤，这是优化策略更高的换手率造成的：高换手率可以避开熊市的回撤，但在震荡市中，过高的换手同样会造成回撤。
#优化的CCI择时策略(双边交易)
def gen_signal_2(cci,threshold,m):
signal = n*[0]
up_list=[]
down_list=[]
flag=0
for i in range(n,len(cci)):
if cci[i]>threshold and cci[i-1]<threshold:
signal.append(1)
up_list.append(i)
elif cci[i]<-threshold and cci[i-1]>-threshold:
signal.append(-1)
down_list.append(i)
elif cci[i]<threshold and cci[i-1]>threshold:
try:
if up_list[-1]<i-m:
signal.append(0)
else:
signal.append(-1)
except:
signal.append(0)
elif cci[i]>-threshold and cci[i-1]<-threshold:
try:
if down_list[-1]<i-m:
signal.append(0)
else:
signal.append(1)
except:
signal.append(0)
else:
signal.append(0)
print(len(signal))
return np.array(signal)
def back_test_2(df,threshold,m,short,plot=True):
df['index_ret'] = np.concatenate(([np.nan],np.array(df['close'][1:])/np.array(df['close'][:-1])))-1
df['signal'] = gen_signal_2(df['cci'],threshold,m)
df['position'] = gen_position(df['signal'],short)
ret = cal_ret(df)
df['ret'] = ret
cum_ret = cal_cum_ret(ret)
#计算指标
sum_dict={}
sum_dict['总收益']=cum_ret[-1]-1
sum_dict['日胜率'] = len(ret[ret>0])/(len(ret[ret>0])+len(ret[ret<0]))
max_nv = np.maximum.accumulate(cum_ret)
mdd = -np.min(cum_ret/max_nv-1)
sum_dict['最大回撤']=mdd
sum_dict['夏普比率']=ret.mean()/ret.std()*np.sqrt(240)
sum_df = pd.DataFrame(sum_dict,index=[0])
if plot:
#作图
plt.figure(1,figsize=(20,10))
plt.plot(df.index,cum_ret)
plt.plot(df.index,df['close']/df['close'][0])
plt.show()
return sum_df
df4 = get_data(start,end,20,a,index)
back_test_2(df4,threshold,7,True)
单边交易策略表现¶
我们进一步考察优化后的单边交易策略。一般来说，单边交易策略的收益回比双边交易策略低，但它的收益会更稳定。优化的单边交易策略总收益同样大幅提升，达到12.65，夏普比率达到1.12。但其同样没能避开2012-1014年的这一段回撤，最大回撤达到40%。
#优化的CCI择时策略(单边交易)
df4 = get_data(start,end,20,a,index)
back_test_2(df4,threshold,False)
研究结论¶
总的来说,CCI可以捕捉到趋势行情。普通的CCI择时策略能捕捉到长期趋势，但对于突然的趋势反转反应不足，会在熊市遭受回撤。而优化后的CCI策略捕捉短期趋势的能力更强，但会在横盘震荡行情由于频繁换仓而遭遇较大的回撤。。但是不管哪种策略，指标的钝化，以及脉冲式的行情两点造成的错判都是不可避免的。那么按照这个思路，对于指标钝化未来我们将加入与之互补的指标加以配合，而对于脉冲式行情，我们考虑运用高频数据去捕捉“瞬间”的机会。
