关于机器学习:使用Python进行交易策略和投资组合分析

咱们将在本文中掂量交易策略的体现。并将开发一个简略的动量交易策略，它将应用四种资产类别: 债券、股票和房地产。这些资产类别的相关性很低，这使得它们成为了极佳的危险均衡抉择。

这个策略是基于动量的的，因为交易者和投资者早就意识到动量的影响，这能够在宽泛的市场和工夫框架中看到。所以咱们称之为动量策略。趋势跟踪或工夫序列动量 (TSM) 是在繁多工具上应用这些策略的另一个名称。咱们将创立一个根本的动量策略并在 TCS 上对其进行测试以查看其性能。

TSM 策略剖析

首先，咱们将导入一些库

 import numpy as np
 import pandas as pd
 import matplotlib.pyplot as plt
 import yfinance as yf
 import ffn
 %matplotlib inline

咱们构建根本的动量策略函数 TSMStrategy。函数将通过工夫序列的对数回报、感兴趣的时间段以及是否容许做空的布尔变量的布尔变量来返回预期体现。

 def TSMStrategy(returns, period=1, shorts=False):
     if shorts:
         position = returns.rolling(period).mean().map(lambda x: -1 if x <= 0 else 1)
     else:
         position = returns.rolling(period).mean().map(lambda x: 0 if x <= 0 else 1)
     performance = position.shift(1) * returns
     return performance
 ticker = 'TCS'
 yftcs = yf.Ticker(ticker)
 data = yftcs.history(start='2005-01-01', end='2021-12-31')
 returns = np.log(data['Close'] / data['Close'].shift(1)).dropna()
 performance = TSMStrategy(returns, period=1, shorts=False).dropna()
 years = (performance.index.max() - performance.index.min()).days / 365
 perf_cum = np.exp(performance.cumsum())
 tot = perf_cum[-1] - 1
 ann = perf_cum[-1] ** (1 / years) - 1
 vol = performance.std() * np.sqrt(252)
 rfr = 0.02
 sharpe = (ann - rfr) / vol
 print(f"1-day TSM Strategy yields:" +
       f"\n\t{tot*100:.2f}% total returns" + 
       f"\n\t{ann*100:.2f}% annual returns" +
       f"\n\t{sharpe:.2f} Sharpe Ratio")
 tcs_ret = np.exp(returns.cumsum())
 b_tot = tcs_ret[-1] - 1
 b_ann = tcs_ret[-1] ** (1 / years) - 1
 b_vol = returns.std() * np.sqrt(252)
 b_sharpe = (b_ann - rfr) / b_vol
 print(f"Baseline Buy-and-Hold Strategy yields:" + 
       f"\n\t{b_tot*100:.2f}% total returns" + 
       f"\n\t{b_ann*100:.2f}% annual returns" +
       f"\n\t{b_sharpe:.2f} Sharpe Ratio")

函数输入如下：

 1-day TSM Strategy yields:
 -45.15% total returns
 -7.10% annual returns
 -0.17 Sharpe Ratio
 Baseline Buy-and-Hold Strategy yields:
 -70.15% total returns
 -13.78% annual returns
 -0.22 Sharpe Ratio

在正当的年化回报上，1 日 TSM 策略优于买入并持有策略。因为 1 天的回顾可能蕴含许多谬误趋势，所以咱们尝试不同的时间段来查看它们的比拟状况。这里将循环运行模型 3、5、15、30 和 90 天。

 import matplotlib.gridspec as gridspec
 periods = [3, 5, 15, 30, 90]
 fig = plt.figure(figsize=(12, 10))
 gs = fig.add_gridspec(4, 4)
 ax0 = fig.add_subplot(gs[:2, :4])
 ax1 = fig.add_subplot(gs[2:, :2])
 ax2 = fig.add_subplot(gs[2:, 2:])
 ax0.plot((np.exp(returns.cumsum()) - 1) * 100, label=ticker, linestyle='-')
 perf_dict = {'tot_ret': {'buy_and_hold': (np.exp(returns.sum()) - 1)}}
 perf_dict['ann_ret'] = {'buy_and_hold': b_ann}
 perf_dict['sharpe'] = {'buy_and_hold': b_sharpe}
 for p in periods:
     log_perf = TSMStrategy(returns, period=p, shorts=False)
     perf = np.exp(log_perf.cumsum())
     perf_dict['tot_ret'][p] = (perf[-1] - 1)
     ann = (perf[-1] ** (1/years) - 1)
     perf_dict['ann_ret'][p] = ann
     vol = log_perf.std() * np.sqrt(252)
     perf_dict['sharpe'][p] = (ann - rfr) / vol
     ax0.plot((perf - 1) * 100, label=f'{p}-Day Mean')
     
 ax0.set_ylabel('Returns (%)')
 ax0.set_xlabel('Date')
 ax0.set_title('Cumulative Returns')
 ax0.grid()
 ax0.legend()
 _ = [ax1.bar(i, v * 100) for i, v in enumerate(perf_dict['ann_ret'].values())]
 ax1.set_xticks([i for i, k in enumerate(perf_dict['ann_ret'])])
 ax1.set_xticklabels([f'{k}-Day Mean' 
     if type(k) is int else ticker for 
     k in perf_dict['ann_ret'].keys()],
     rotation=45)
 ax1.grid()
 ax1.set_ylabel('Returns (%)')
 ax1.set_xlabel('Strategy')
 ax1.set_title('Annual Returns')
 _ = [ax2.bar(i, v) for i, v in enumerate(perf_dict['sharpe'].values())]
 ax2.set_xticks([i for i, k in enumerate(perf_dict['sharpe'])])
 ax2.set_xticklabels([f'{k}-Day Mean' 
     if type(k) is int else ticker for 
     k in perf_dict['sharpe'].keys()],
     rotation=45)
 ax2.grid()
 ax2.set_ylabel('Sharpe Ratio')
 ax2.set_xlabel('Strategy')
 ax2.set_title('Sharpe Ratio')
 plt.tight_layout()
 plt.show()

通过图表的后果，咱们能够看到 15 天的动量指标提供了最好的后果。然而，其余工夫周期的后果是形形色色的。这表明咱们这个策略并不牢靠。所以咱们还能够通过在靠近顶部时应用止损或追踪止损来退出交易，而不是在 15 日线图上涨或持平时再进行操作。

到目前为止，咱们曾经用 Python 创立了一个交易策略。上面咱们将度量并绘制常见的投资组合特色不便咱们进行察看剖析。

投资组合分析

首先，咱们将导入一些重要的库，并察看数据执行状况。

 import pandas_datareader.data as web
 stocks = ['SPY','GLD','TLT','HYG']
 
 data = web.DataReader(stocks,data_source='yahoo',start='01/01/2019')['Adj Close']
 data.sort_index(ascending=True,inplace=True)
 perf = data.calc_stats()
 perf.plot()

对数回报

对数回报用于计算指数增长率。咱们不计算每个子期间的价格变动百分比，而是计算那段时间的天然增长指数。首先创立一个 df，其中蕴含数据中每个股票价格的对数回报，而后咱们为每个对数回报创立一个直方图。

 returns = data.to_log_returns().dropna()
 print(returns.head())
 
 
 Symbols          SPY       GLD       TLT       HYG
 Date                                              
 2019-01-03 -0.024152  0.009025  0.011315  0.000494
 2019-01-04  0.032947 -0.008119 -0.011642  0.016644
 2019-01-07  0.007854  0.003453 -0.002953  0.009663
 2019-01-08  0.009351 -0.002712 -0.002631  0.006470
 2019-01-09  0.004663  0.006398 -0.001566  0.001193

直方图如下：

 ax = returns.hist(figsize=(20, 10),bins=30)

所有四个资产类别都显示正态分布的直方图。具备正态分布的样本具备算术平均值和高于和低于平均值的均等散布(正态分布也称为高斯分布是对称的)。如果回报呈正态分布，预计超过 99% 的回报将落在平均值的三个标准差范畴内。这些钟形正态分布特色使分析师和投资者可能对股票的预期收益和危险进行更好的统计推断。具备钟形曲线的股票通常是稳定率低且可预测的蓝筹股（Blue Chips）。

最大回撤率 DRAWDOWN

DRAWDOWN 是指价值降落到一个绝对的低谷。这是投资者须要思考的一个重要危险因素。让咱们画一个递加策略的可视化示意。

 ffn.to_drawdown_series(data).plot(figsize=(15,10))

这四种资产在 2020 年上半年都呈现了降落，其中 SPY 的降幅最大，为 0.5%。随后，在 2020 年上半年，所有资产立刻复苏。这表明资产回收率很高。这些资产在 2020 年 7 月前后见顶。依照这种趋势，一旦复苏达到高峰，所有资产类别都呈现小幅上涨。依据后果 TLT 将在 2022 年下半年经验最大的 0.5% 的降落，而后在 2023 年初之前复原。

MARKOWITZ 均值 - 方差优化

1952 年，马科维茨 (MARKOWITZ) 提出均值 - 方差投资组合实践，又称古代投资组合实践。投资者能够应用这些概念来构建基于给定危险程度的最大化预期回报的投资组合。基于马科维茨办法，咱们能够生成“最优投资组合”。

 returns.calc_mean_var_weights().as_format('.2%')
 #后果
 SPY    46.60%
 GLD    53.40%
 TLT     0.00%
 HYG     0.00%
 dtype: object

关于机器学习:使用Python进行交易策略和投资组合分析

动量交易策略

投资组合分析

总结

Just My Socks（注册教程内含优惠码）

关于机器学习:使用Python进行交易策略和投资组合分析

动量交易策略

投资组合分析

总结

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）