Python 實作根據動量指標的自動化交易策略

– 10 分鐘閱讀

金融市場的歷史資料擷取是交易策略的基礎，透過 API 或資料函式庫取得資料後，計算收益率是評估資產績效的關鍵步驟。動量策略根據價格趨勢進行交易決策，透過計算不同時間區間的收益率滾動平均值，判斷買賣時機。絕對績效圖表則直觀地展現不同動量策略的累積收益，協助投資者比較和選擇策略。此外，理解槓桿和保證金的概念對於風險管理至關重要，槓桿放大收益的同時也放大了損失，保證金則決定了交易所需的最低資金。

歷史資料擷取

首先，我們需要擷取金融市場的歷史資料。這可以使用各種API或資料函式庫來完成。以下是使用Oanda API擷取歷史資料的範例：

import pandas as pd
import numpy as np

# 擷取歷史資料
data = pd.read_csv('history_data.csv')
data['time'] = pd.to_datetime(data['time'])
data.set_index('time', inplace=True)

計算收益率

接下來，我們需要計算收益率。收益率是指資產價格在一定時間內的變化率。以下是計算收益率的範例：

# 計算收益率
data['returns'] = np.log(data['c'] / data['c'].shift(1))

動量策略

動量策略是一種常見的交易策略，根據資產價格的變化趨勢進行買賣決策。以下是實作動量策略的範例：

# 實作動量策略
cols = []
for momentum in [15, 30, 60, 120]:
    col = 'position_{}'.format(momentum)
    data[col] = np.sign(data['returns'].rolling(momentum).mean())
    cols.append(col)

絕對績效

最後，我們需要計算和繪製不同動量策略的絕對績效。以下是計算和繪製絕對績效的範例：

# 繪製絕對績效
from pylab import plt
plt.style.use('seaborn')
import matplotlib as mpl
mpl.rcParams['savefig.dpi'] = 300

# 繪製圖表
plt.figure(figsize=(12, 6))
for col in cols:
    plt.plot(data[col], label=col)
plt.legend()
plt.show()

圖表翻譯：

此圖表顯示了不同動量策略的絕對績效。每條線代表一種動量策略，x軸代表時間，y軸代表績效。圖表可以幫助投資者和交易者比較不同動量策略的績效，從而做出明智的決策。

交易策略績效分析

在進行交易策略績效分析時，瞭解策略的收益和風險至關重要。以下是使用Python進行交易策略績效分析的範例：

import numpy as np
import matplotlib.pyplot as plt

# 定義交易策略
strats = ['returns']

# 迭代每個策略
for col in cols:
    strat = 'strategy_{}'.format(col.split('_')[1])
    data[strat] = data[col].shift(1) * data['returns']
    strats.append(strat)

# 繪製績效圖
data[strats].dropna().cumsum().apply(np.exp).plot(figsize=(10, 6))
plt.show()

##槓桿和保證金的影響 槓桿和保證金是交易中的重要概念。槓桿可以放大收益，但也可以放大損失。保證金是交易者需要支付的最低金額，以開啟一個頭寸。

以下是槓桿和保證金的簡單範例：

# 定義槓桿比率
leverage = 20

# 定義保證金比率
margin = 1 / leverage

# 定義交易金額
trade_amount = 10000

# 計算保證金
margin_amount = trade_amount * margin

# 計算收益
profit = trade_amount * 0.005

# 計算相對收益
relative_profit = profit / margin_amount

print("槓桿比率：", leverage)
print("保證金比率：", margin)
print("交易金額：", trade_amount)
print("保證金：", margin_amount)
print("收益：", profit)
print("相對收益：", relative_profit)

使用Mermaid繪製交易流程圖

以下是使用Mermaid繪製交易流程圖的範例：

  flowchart TD
    A[交易者] --> B[開啟頭寸]
    B --> C[設定槓桿比率]
    C --> D[計算保證金]
    D --> E[確認交易]
    E --> F[關閉頭寸]

圖表翻譯：

此圖表描述了交易者的交易流程。交易者首先開啟一個頭寸，然後設定槓桿比率，接著計算保證金，確認交易，最後關閉頭寸。

使用 Oanda 交易平臺進行 CFD 交易

Oanda 交易平臺提供了一種簡單的方式來進行 CFD 交易。以下是如何使用 Oanda 交易平臺進行 CFD 交易的步驟：

步驟 1：連線到 Oanda 交易平臺

首先，需要連線到 Oanda 交易平臺。這可以透過使用 tpqoa 函式庫來完成。以下是如何連線到 Oanda 交易平臺的例子：

import tpqoa

# 建立 Oanda 交易平臺物件
api = tpqoa.tpqoa("oanda_api_key")

# 連線到 Oanda 交易平臺
api.connect()

步驟 2：取得交易資料

連線到 Oanda 交易平臺後，需要取得交易資料。以下是如何使用 stream_data 方法來取得交易資料的例子：

# 取得交易資料
instrument = "EUR_USD"
api.stream_data(instrument, stop=10)

步驟 3：下單

下單是 CFD 交易的核心部分。以下是如何使用 create_order 方法來下單的例子：

# 下單
instrument = "EUR_USD"
units = 1000
api.create_order(instrument, units)

步驟 4：管理訂單

下單後，需要管理訂單。以下是如何使用 get_orders 方法來管理訂單的例子：

# 取得訂單列表
orders = api.get_orders()

# 取消訂單
order_id = orders[0].id
api.cancel_order(order_id)

內容解密：

  • stream_data 方法用於取得交易資料。
  • create_order 方法用於下單。
  • get_orders 方法用於管理訂單。

圖表翻譯：

  flowchart TD
    A[連線到 Oanda 交易平臺] --> B[取得交易資料]
    B --> C[下單]
    C --> D[管理訂單]

圖表翻譯：

此圖表顯示了使用 Oanda 交易平臺進行 CFD 交易的流程。首先，需要連線到 Oanda 交易平臺。然後，需要取得交易資料。接下來，需要下單。最後，需要管理訂單。

建立市場訂單

建立市場訂單是一種常見的交易方式，允許您在當前市場價格下立即買入或賣出某種貨幣對。以下是建立市場訂單的相關引數和示例：

引數

  • instrument: 字串，有效的貨幣對名稱。
  • units: 整數，買入或賣出的單位數量。正整數表示買入，負整數表示賣出。
  • price: 浮點數數，限價訂單的價格或觸發價格。
  • sl_distance: 浮點數數，停損距離價格（在某些國家如德國是必需的）。
  • tsl_distance: 浮點數數，跟蹤停損距離。
  • tp_price: 浮點數數，止盈價格。
  • comment: 字串，訂單的備註。
  • touch: 布林值，是否為觸發訂單（需要設定價格）。
  • suppress: 布林值，是否抑制列印輸出。
  • ret: 布林值，是否傳回訂單物件。

示例

import oandapyV20

# 建立API物件
api = oandapyV20.API(environment="practice", access_token="YOUR_ACCESS_TOKEN")

# 建立市場訂單
instrument = "EUR_USD"
units = 1000

# 買入1000單位EUR_USD
response = api.create_order(instrument, units)
print(response)

# 賣出1500單位EUR_USD
units = -1500
response = api.create_order(instrument, units)
print(response)

執行結果

建立市場訂單的執行結果將傳回一個包含訂單詳情的字典，包括訂單ID、時間、使用者ID、帳戶ID、批次ID、請求ID、訂單型別、貨幣對、單位數量、價格等資訊。

內容解密：

在上述示例中，我們使用oandapyV20函式庫建立了一個API物件，並使用create_order方法建立了兩個市場訂單：買入1000單位EUR_USD和賣出1500單位EUR_USD。執行結果將傳回一個包含訂單詳情的字典，包括訂單ID、時間、使用者ID、帳戶ID、批次ID、請求ID、訂單型別、貨幣對、單位數量、價格等資訊。

圖表翻譯：

  flowchart TD
    A[建立API物件] --> B[設定貨幣對和單位數量]
    B --> C[建立市場訂單]
    C --> D[傳回訂單詳情]
    D --> E[列印執行結果]

在這個流程圖中，我們展示了建立市場訂單的步驟：建立API物件，設定貨幣對和單位數量，建立市場訂單，傳回訂單詳情，列印執行結果。

實作實時交易策略

在本節中，我們將實作一個根據動量策略的自定義類別，該類別可以在Oanda平臺上自動交易EUR_USD商品。這個類別被稱為MomentumTrader，它繼承自tpqoa類別。

MomentumTrader類別

import tpqoa
import numpy as np
import pandas as pd

class MomentumTrader(tpqoa.tpqoa):
    def __init__(self, conf_file, instrument, bar_length, momentum, units, *args, **kwargs):
        super(MomentumTrader, self).__init__(conf_file)
        self.position = 0
        self.instrument = instrument
        self.momentum = momentum
        self.bar_length = bar_length
        self.units = units
        self.raw_data = pd.DataFrame()
        self.min_length = self.momentum + 1

on_success方法

on_success方法是主要的交易邏輯實作方法，它會在收到新的tick資料時被呼叫。

def on_success(self, time, bid, ask):
    '''當新的tick資料到達時採取行動。'''
    print(self.ticks, end=' ')
    self.raw_data = self.raw_data.append(pd.DataFrame(
        {'bid': bid, 'ask': ask}, index=[pd.Timestamp(time)]))

實作交易邏輯

在on_success方法中，我們可以實作交易邏輯，例如根據動量策略決定是否開倉或平倉。

def on_success(self, time, bid, ask):
    # ...
    if self.position == 0:
        # 根據動量策略決定是否開倉
        if self.raw_data['bid'].iloc[-1] > self.raw_data['bid'].iloc[-self.momentum]:
            # 開多倉
            self.create_order(self.instrument, self.units)
            self.position = 1
        elif self.raw_data['bid'].iloc[-1] < self.raw_data['bid'].iloc[-self.momentum]:
            # 開空倉
            self.create_order(self.instrument, -self.units)
            self.position = -1
    elif self.position == 1:
        # 根據動量策略決定是否平倉
        if self.raw_data['bid'].iloc[-1] < self.raw_data['bid'].iloc[-self.momentum]:
            # 平多倉
            self.create_order(self.instrument, -self.units)
            self.position = 0
    elif self.position == -1:
        # 根據動量策略決定是否平倉
        if self.raw_data['bid'].iloc[-1] > self.raw_data['bid'].iloc[-self.momentum]:
            # 平空倉
            self.create_order(self.instrument, self.units)
            self.position = 0

完整程式碼

import tpqoa
import numpy as np
import pandas as pd

class MomentumTrader(tpqoa.tpqoa):
    def __init__(self, conf_file, instrument, bar_length, momentum, units, *args, **kwargs):
        super(MomentumTrader, self).__init__(conf_file)
        self.position = 0
        self.instrument = instrument
        self.momentum = momentum
        self.bar_length = bar_length
        self.units = units
        self.raw_data = pd.DataFrame()
        self.min_length = self.momentum + 1

    def on_success(self, time, bid, ask):
        print(self.ticks, end=' ')
        self.raw_data = self.raw_data.append(pd.DataFrame(
            {'bid': bid, 'ask': ask}, index=[pd.Timestamp(time)]))
        if self.position == 0:
            if self.raw_data['bid'].iloc[-1] > self.raw_data['bid'].iloc[-self.momentum]:
                self.create_order(self.instrument, self.units)
                self.position = 1
            elif self.raw_data['bid'].iloc[-1] < self.raw_data['bid'].iloc[-self.momentum]:
                self.create_order(self.instrument, -self.units)
                self.position = -1
        elif self.position == 1:
            if self.raw_data['bid'].iloc[-1] < self.raw_data['bid'].iloc[-self.momentum]:
                self.create_order(self.instrument, -self.units)
                self.position = 0
        elif self.position == -1:
            if self.raw_data['bid'].iloc[-1] > self.raw_data['bid'].iloc[-self.momentum]:
                self.create_order(self.instrument, self.units)
                self.position = 0

技術：交易策略實作

資料預處理

在實作交易策略之前，需要對原始資料進行預處理。這包括重新取樣（resample）資料，以便根據指定的時間間隔（如1分鐘）進行分析。使用Pandas的resample方法，可以根據指定的時間間隔對資料進行重新取樣，並計算每個間隔的最後一個值。

self.data = self.raw_data.resample(self.bar_length, label='right').last().ffill().iloc[:-1]

中位數計算

接下來，計算每個時間間隔的中位數（mid）。這可以透過計算所有資料的平均值來實作。

self.data['mid'] = self.data.mean(axis=1)

收益率計算

收益率（returns）是透過計算中位數的自然對數差來實作的。這可以反映出資產價格的變化情況。

self.data['returns'] = np.log(self.data['mid'] / self.data['mid'].shift(1))

位置計算

位置（position）是透過計算收益率的滾動平均值來實作的。這可以反映出資產的趨勢情況。

self.data['position'] = np.sign(self.data['returns'].rolling(self.momentum).mean())

交易策略

如果資料的長度大於最小長度（min_length），則可以根據位置的值進行交易。若位置為1，則建立買入訂單；若位置為-1，則建立賣出訂單。

if len(self.data) > self.min_length:
    if self.data['position'].iloc[-1] == 1:
        if self.position == 0:
            self.create_order(self.instrument, self.units)
        elif self.position == -1:
            self.create_order(self.instrument, self.units * 2)
        self.position = 1
    elif self.data['position'].iloc[-1] == -1:
        if self.position == 0:
            self.create_order(self.instrument, -self.units)

內容解密：

以上程式碼實作了一個簡單的交易策略，根據資料的預處理和位置的計算來進行買入或賣出決策。這個策略可以根據實際的情況進行調整和最佳化。

圖表翻譯：

  flowchart TD
    A[資料預處理] --> B[中位數計算]
    B --> C[收益率計算]
    C --> D[位置計算]
    D --> E[交易策略]
    E --> F[買入或賣出]

這個流程圖展示了交易策略的實作過程，從資料預處理到買入或賣出決策。

實作自動化交易策略

在本章中，我們將探討如何使用 Python 實作一個簡單的自動化交易策略。這個策略根據動量指標，當市場走勢向上時，進行買入操作，當市場走勢向下時，進行賣出操作。

交易邏輯

交易邏輯如下：

  • 當最新的動量指標為 1（長）時：
    • 如果當前的市場位置是 0（中性），則啟動買入操作，買入 self.units 的單位。
    • 如果當前的市場位置是 -1（短），則啟動買入操作，買入 0 單位。
    • 將市場位置 self.position 設為 1（長）。
  • 當最新的動量指標為 -1（短）時：
    • 如果當前的市場位置是 0（中性），則啟動賣出操作，賣出 -self.units 的單位。
    • 如果當前的市場位置是 1（長），則啟動賣出操作，賣出 0 單位。
    • 將市場位置 self.position 設為 -1（短）。

實作交易邏輯

以下是實作交易邏輯的 Python 程式碼：

import pandas as pd

class MomentumTrader:
    def __init__(self, instrument, bar_length, momentum, units):
        self.instrument = instrument
        self.bar_length = bar_length
        self.momentum = momentum
        self.units = units
        self.position = 0

    def stream_data(self, instrument, stop):
        # 模擬實時資料流
        for i in range(stop):
            # 取得最新的資料
            data = self.get_latest_data(instrument)
            # 計算動量指標
            momentum = self.calculate_momentum(data)
            # 執行交易邏輯
            self.execute_trade(momentum)

    def get_latest_data(self, instrument):
        # 取得最新的資料
        # ...
        pass

    def calculate_momentum(self, data):
        # 計算動量指標
        # ...
        pass

    def execute_trade(self, momentum):
        # 執行交易邏輯
        if momentum == 1:
            if self.position == 0:
                # 買入操作
                self.create_order(self.instrument, self.units)
            elif self.position == -1:
                # 買入操作
                self.create_order(self.instrument, 0)
            self.position = 1
        elif momentum == -1:
            if self.position == 0:
                # 賣出操作
                self.create_order(self.instrument, -self.units)
            elif self.position == 1:
                # 賣出操作
                self.create_order(self.instrument, 0)
            self.position = -1

    def create_order(self, instrument, units):
        # 建立訂單
        # ...
        pass

# 初始化交易器
mt = MomentumTrader('EUR_USD', '10s', 6, 10000)

# 啟動交易
mt.stream_data('EUR_USD', 500)

執行結果

執行結果如下：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73
74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96
97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131
132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148
149 150 151 152 153

圖表翻譯

以下是交易邏輯的視覺化圖表：

  flowchart TD
    A[開始] --> B[取得最新資料]
    B --> C[計算動量指標]
    C --> D{動量指標為 1}
    D -->|是| E[買入操作]
    D -->|否| F{動量指標為 -1}
    F -->|是| G[賣出操作]
    F -->|否| H[保持市場位置]
    E --> I[更新市場位置]
    G --> I
    H --> I

這個圖表展示了交易邏輯的流程，從取得最新資料到執行交易操作。

從技術架構視角來看，本文涵蓋了從歷史資料擷取、收益率計算到動量策略實作，以及實時交易策略的完整流程。透過Python和相關金融工具函式庫，我們可以有效地進行回測分析、策略最佳化和自動化交易。分析段落中，我們深入探討了動量策略的實踐，包含了如何計算動量、如何根據動量值進行交易決策，以及如何管理市場倉位。同時，我們也討論了槓桿和保證金的影響，並使用Mermaid圖表清晰地展示了交易流程。然而，任何交易策略都有其侷限性。動量策略容易受到市場噪音和突發事件的影響，並非所有市場條件下都能保持穩定盈利。此外，實時交易中需要考慮滑點、交易成本等因素，這些都會影響最終的績效。展望未來，整合機器學習技術，例如強化學習，可以進一步最佳化動量策略，使其更具適應性和魯棒性。同時，更精細的風險管理模型也是未來研究的重要方向。玄貓認為，理解市場動態、控制風險並持續最佳化策略才是長期穩定獲利的關鍵。對於追求穩定收益的交易者，建議深入研究不同市場環境下的策略表現，並結合自身的風險承受能力制定合理的交易計劃。

玄貓

玄貓

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。