用python量化分析股市：均线交易策略靠谱吗？（一）
均线交易策略封面
什么移动平均线？
移动平均线，Moving Average，简称MA，MA是用统计分析的方法，将一定时期内的证券价格（指数）加以平均，并把不同时间的平均值连接起来，形成一根MA，用以观察证券价格变动趋势的一种技术指标。
移动平均线是由著名的美国投资专家Joseph E.Granville（葛兰碧，又译为格兰威尔）于20世纪中期提出来的。均线理论是当今应用最普遍的技术指标之一，它帮助交易者确认现有趋势、判断将出现的趋势、发现过度延生即将反转的趋势。
移动平均线 [1] 常用线有5天、10天、30天、60天、120天和240天的指标
计算方法
N日移动平均线=N日收盘价之和/N
比如：收盘价=pandas.DataFrame([12.35,11.45,13.56,13.42,13.56,13.41,13.14,13.11,13.25,13.27,13.01,12.68,12.1,12.26])
五日移动平均线=收盘价.rolling(5).mean() #rolling(5).mean()函数计算5日移动平均数值
五日移动平均值列表=[nan, nan, nan, nan, 12.868, 13.080000000000002, 13.418000000000001, 13.328, 13.294, 13.235999999999999, 13.156, 13.064000000000002, 12.862, 12.664000000000001]
常见的均线交易策略
均线交易策略是量化交易应用最常见的交易策略，一般有两种策略应用比较多：一种是收盘价向上突破均线买入股票，收盘价向下跌破均线卖出股票；另一种是短周期均线（比如3日均线）向上穿越长周期均线（比如20日均线）买入股票，短周期均线向下穿越长周期均线卖出股票。
均线交易策略一：收盘价突破或跌破均线（代码实战）
#导入相关模块
import jiaoyi #详见系列文章“用python量化分析股市：建立交易类”
import stock #详见系列文章“用python量化分析股市：建立数据接口模块”
import 画K线 #详见系列文章“用python量化分析股市：画K线图”
import pandas as pd
#计算均线参数，一般用ma表示均线数据列表
def 均线计算(收盘价,均线参数):
ma=收盘价.rolling(均线参数).mean()
return ma
#根据交易策略设计模拟交易函数
def 均线交易策略(股票代码,收盘价,ma,均线参数):
i,flag=均线参数,0 #i记录股票交易日起始（根据均线参数确定），flag标志持股状态
交易=jiaoyi.交易(股票代码, str(均线参数)+"日均线策略")
while( i< len(收盘价)-1):
if(收盘价[i]> ma[i] and flag==0):
交易.买入股票(收盘价.index[i],收盘价[i])
i=i+1
flag=1
else:
i=i+1
while(flag and i< len(收盘价)-1):
if(收盘价[i] < ma[i]):
交易.卖出股票(收盘价.index[i],收盘价[i])
i=i+1
flag=0
else:
i=i+1
return 交易
#导入股票日线数据，这里以股票代码002191，天数为500天，截止日期2021-03-12为例：
股票代码="002191"
天数=500
截止日期="20210312"
股票数据=stock.读取csv数据(股票代码, 天数, 截止日期)
均线参数=5
ma=均线计算(股票数据.收盘价,均线参数)
交易记录=均线交易策略(股票代码,股票数据.收盘价,ma,均线参数)
交易记录.显示交易()
均线交易策略运行效果
当选择5日均线（均线参数=5）：
5日均线策略 交易次数:45 总收益率：-0.085 盈亏比率：0.24
当选择10日均线（均线参数=10）
10日均线策略 交易次数:29 总收益率：-0.169 盈亏比率：0.24
当选择20日均线：（均线参数=20）
20日均线策略 交易次数:17 总收益率：0.157 盈亏比率：0.41
当选择30日均线：（均线参数=30）
30日均线策略 交易次数:9 总收益率：0.213 盈亏比率：0.33
不难发现，20日和30日均线，总收益率和盈亏比都很好。那么，我们是不是可以直接计算出最佳均线呢？
代码调整一下：
for 均线参数 in range(5,60):
ma=均线计算(股票数据.收盘价,均线参数)
交易记录=均线交易策略(股票代码,股票数据.收盘价,ma,均线参数)
交易记录.计算收益()
print("均线参数%d ： 总收益率：%.3f" %(均线参数,交易记录.总收益率))
计算最佳均线
可以看到，均线参数为26时，总收益率最大，为0.398。
当我们把数据时长改为“天数=1000”时，总收益率为0.931,还是26日参数为最佳
现在，我们把均线参数设置为26日，把买入点，卖出点在K线图上标注出来，
#画K线图
k线数据=画K线.读取数据(股票代码, 天数, 截止日期)
#K线图上标记买入价格，卖出价格点
buypd=pd.DataFrame(data={"Date":交易记录.买入时间,"买入价格":交易记录.买入价格})
buypd.Date=pd.to_datetime(buypd.Date)
buypd.set_index("Date",drop=True,append=False, inplace=True)
sellpd=pd.DataFrame(data={"Date":交易记录.卖出时间,"卖出价格":交易记录.卖出价格})
sellpd.Date=pd.to_datetime(sellpd.Date)
sellpd.set_index("Date",drop=True,append=False, inplace=True)
买入交易 = pd.merge(k线数据.Close,buypd,on=["Date"],how="outer")
卖出交易 = pd.merge(k线数据.Close,sellpd,on=["Date"],how="outer")
添加买卖点 = [画K线.mpf.make_addplot(买入交易.买入价格, scatter=True, markersize=50, marker="s", color="r"),
画K线.mpf.make_addplot(卖出交易.卖出价格, scatter=True, markersize=50, marker="v", color="b")
]
画K线.绘图参数 = dict(
type="candle",
mav=(均线参数),
addplot=添加买卖点,
volume=True,
datetime_format="%Y-%m-%d",
title="\n股票代码 %s K线图" % (股票代码),
ylabel="股票蜡烛价格",
ylabel_lower="成交量",
warn_too_much_data=2000, #设置最大显示数据记录条数
figratio=(15, 10),
figscale=10)
画K线.mpf.plot(k线数据,
**画K线.绘图参数,
style=画K线.s,
show_nontrading=False
)
画K线.mpf.show()
看看效果如下：
均线交易策略画K线图
K线图中用红色方块代表买入点，蓝色小三角代表卖出点。从图中清楚
看出，尽管有5次失误，但亏损有限，同时很好抓住了几波重要的行情。
也就是说，对于股票002191来说，使用均线参数26，当收盘价大于26日
均线买入，小于26日均线卖出，是一个不错的交易策略。当然，也可以调整不同截止日期和加长天数，在更大数据集上找到最佳参数，具体就不一一演示了。
附件：文件代码排版格式如下：
举报/反馈