Python 金融資料分析與交易策略回測

– 8 分鐘閱讀

金融市場資料分析是投資決策的基本，Python 的 Pandas 和 NumPy 套件提供強大的工具來處理和分析這些資料。本文將示範如何使用 Python 計算 AAPL 日內收益率、實作動量策略並以圖表呈現績效。同時也將探討均值迴歸策略，並使用 SMA 作為趨勢指標進行回測。最後，我們將介紹如何使用向量化方法最佳化移動平均線交易策略的回測效率，並提供相關的 Python 程式碼範例。

金融資料分析與策略評估

介紹

在金融市場中，資料分析是投資決策的基礎。透過對歷史資料的分析，可以評估不同投資策略的績效，從而選擇最優的投資方案。在本節中，我們將介紹如何使用Python進行金融資料分析，特別是對蘋果公司（AAPL）的日內資料進行分析。

資料讀取與預處理

首先，我們需要讀取蘋果公司的日內資料。這些資料通常儲存在CSV檔案中，可以使用Python的pandas函式庫進行讀取。

import pandas as pd

# 讀取日內資料
data = pd.read_csv('aapl_intraday.csv')

接下來，我們需要對資料進行預處理。這包括計算日內對數收益率，以及根據動量策略計算投資位置和策略收益率。

import numpy as np

# 計算日內對數收益率
data['returns'] = np.log(data['CLOSE'] / data['CLOSE'].shift(1))

# 定義動量策略引數
for m in [1, 3, 5, 7, 9]:
    data['position_%d' % m] = np.sign(data['returns'].rolling(m).mean())
    data['strategy_%d' % m] = (data['position_%d' % m].shift(1) * data['returns'])

策略評估

現在，我們可以評估不同動量策略的績效。這可以透過計算每個策略的累積收益率來實作。

# 選擇要繪製的欄位
to_plot = ['returns']

# 繪製每個策略的累積收益率
for m in [1, 3, 5, 7, 9]:
    to_plot.append('strategy_%d' % m)

data[to_plot].dropna().cumsum().apply(np.exp).plot(
    title='AAPL 日內績效',
    figsize=(10, 6),
    style=['-', '--', '--', '--', '--', '--']
)

這個圖表顯示了不同動量策略的績效，以及基準投資（即買入並持有蘋果公司股票）的績效。透過比較這些策略的績效，可以選擇最優的投資方案。

時序動量策略的最佳化與實作

在金融市場中，時序動量策略是一種常見的投資方法，透過分析市場的趨勢和動量來預測未來的價格變化。為了更好地理解和實作這種策略，需要對其進行最佳化和實作。

時序動量策略的基本原理

時序動量策略的基本原理是根據市場的歷史資料，計算出某一時期內的平均收益率或動量，然後根據這個動量來預測未來的價格變化。這種策略可以根據不同的時間視窗和計算方法來實作。

Python實作時序動量策略

為了實作時序動量策略，需要使用Python語言和相關的函式庫函式。以下是一個簡單的實作例子：

import pandas as pd
import numpy as np

class MomVectorBacktester:
    def __init__(self, symbol, start, end, amount, tc):
        self.symbol = symbol
        self.start = start
        self.end = end
        self.amount = amount
        self.tc = tc

    def run_strategy(self, momentum):
        # 載入資料
        data = pd.read_csv(f'{self.symbol}.csv', index_col='Date', parse_dates=['Date'])

        # 計算動量
        data['momentum'] = data['Close'].rolling(window=momentum).mean()

        # 生成訊號
        data['signal'] = np.where(data['momentum'] > data['Close'], 1, 0)

        # 計算收益率
        data['return'] = data['Close'].pct_change()

        # 計算交易成本
        data['tc'] = self.tc * data['signal'].shift(1)

        # 計算淨收益率
        data['net_return'] = data['return'] - data['tc']

        # 計算累積收益率
        data['cum_return'] = (1 + data['net_return']).cumprod()

        # 繪製結果
        import matplotlib.pyplot as plt
        plt.plot(data['cum_return'])
        plt.show()

        # 傳回最終收益率
        return data['cum_return'].iloc[-1]

# 例項化並執行策略
mombt = MomVectorBacktester('XAU=', '2010-1-1', '2019-12-31', 10000, 0.0)
mombt.run_strategy(momentum=3)

這個例子實作了一個簡單的時序動量策略，根據金價的歷史資料計算出動量，然後根據這個動量來預測未來的價格變化。

時序動量策略的最佳化

時序動量策略可以透過最佳化來提高其效能。以下是一些常見的最佳化方法：

  • 選擇不同的時間視窗：不同的時間視窗可以對策略的效能產生不同的影響。
  • 選擇不同的計算方法：不同的計算方法可以對策略的效能產生不同的影響。
  • 新增交易成本：新增交易成本可以使策略更加接近實際的情況。
  • 新增風險管理：新增風險管理可以使策略更加穩健。

根據均值迴歸的策略

均值迴歸策略是一種與動量策略相反的投資方法。當金融工具的表現「太好」或「太差」時，投資者會根據這種策略進行買賣。這種策略的基本思想是，金融工具的價格會趨向於其趨勢路徑。

使用簡單移動平均線（SMA）作為趨勢路徑的代理

均值迴歸策略可以使用簡單移動平均線（SMA）作為趨勢路徑的代理。例如，在歐元/美元匯率中，投資者可以使用SMA作為趨勢路徑的代理，並定義一個閾值來判斷是否進行買賣。

實施均值迴歸策略

以下是使用Python實施均值迴歸策略的例子：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 載入資料
data = pd.DataFrame(raw['GDX'])
data.rename(columns={'GDX': 'price'}, inplace=True)

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

# 定義SMA引數
SMA = 25

# 計算SMA
data['SMA'] = data['price'].rolling(SMA).mean()

# 定義閾值
threshold = 3.5

# 計算距離
data['distance'] = data['price'] - data['SMA']

# 繪製距離圖
data['distance'].dropna().plot(figsize=(10, 6), legend=True)
plt.axhline(threshold, color='r')
plt.axhline(-threshold, color='r')
plt.axhline(0, color='r')

# 根據距離和閾值生成買賣訊號
data['position'] = np.where(data['distance'] > threshold, -1, np.nan)
data['position'] = np.where(data['distance'] < -threshold, 1, data['position'])
data['position'] = np.where(data['distance'] * data['distance'].shift(1) < 0, 0, data['position])
data['position'] = data['position'].ffill().fillna(0)

# 繪製買賣訊號圖
data['position'].iloc[SMA:].plot(ylim=[-1.1, 1.1], figsize=(10, 6))

# 計算策略收益率
data['strategy'] = data['position'].shift(1) * data['returns']

# 繪製策略收益率圖
data[['returns', 'strategy']].dropna().cumsum().apply(np.exp).plot(figsize=(10, 6))

這個例子使用GDX ETF的資料，實施了一個根據均值迴歸的策略。策略使用SMA作為趨勢路徑的代理，並定義一個閾值來判斷是否進行買賣。最終，策略的收益率被計算和繪製出來。

Mean Reversion Backtesting 類別

Mean Reversion Backtesting 是一種金融交易策略，利用統計學方法判斷市場價格是否會迴歸均值。以下是 Mean Reversion Backtesting 類別的 Python 實作：

import numpy as np
import pandas as pd

class MRVectorBacktester:
    def __init__(self, symbol, start, end, amount, tc):
        self.symbol = symbol
        self.start = start
        self.end = end
        self.amount = amount
        self.tc = tc
        self.data = self.get_data()

    def get_data(self):
        # 取得股票資料
        data = pd.read_csv(f'{self.symbol}.csv', index_col='Date', parse_dates=['Date'])
        data = data[self.start:self.end]
        return data

    def run_strategy(self, SMA, threshold):
        # 執行 Mean Reversion 策略
        data = self.data.copy()
        data['SMA'] = data['Close'].rolling(window=SMA).mean()
        data['Upper'] = data['SMA'] + threshold
        data['Lower'] = data['SMA'] - threshold

        # 產生買賣訊號
        data['Signal'] = np.where(data['Close'] > data['Upper'], -1, np.where(data['Close'] < data['Lower'], 1, 0))

        # 計算績效
        data['Strategy'] = data['Close'] * data['Signal'].shift(1)
        data['Benchmark'] = data['Close']

        # 計算績效指標
        strategy_perf = data['Strategy'].cumsum().iloc[-1]
        benchmark_perf = data['Benchmark'].cumsum().iloc[-1]

        return strategy_perf, benchmark_perf

    def plot_results(self):
        # 繪製績效圖
        data = self.data.copy()
        data['Strategy'] = data['Close'] * data['Signal'].shift(1)
        data['Benchmark'] = data['Close']

        import matplotlib.pyplot as plt
        plt.figure(figsize=(10, 6))
        plt.plot(data['Strategy'].cumsum(), label='Mean Reversion Strategy')
        plt.plot(data['Benchmark'].cumsum(), label='Benchmark')
        plt.legend()
        plt.show()

# 執行 Mean Reversion Backtesting
mrbt = MRVectorBacktester('GLD', '2010-1-1', '2019-12-31', 10000, 0.001)
mrbt.run_strategy(SMA=43, threshold=7.5)
mrbt.plot_results()

資料搜尋和過度擬合

資料搜尋和過度擬合是金融交易策略中常見的問題。資料搜尋是指使用同一組資料多次進行推論或模型選擇，而過度擬合是指模型描述雜訊而非訊號。以下是資料搜尋和過度擬合的定義：

  • 資料搜尋：使用同一組資料多次進行推論或模型選擇。
  • 過度擬合：模型描述雜訊而非訊號。

技術分析與量化交易

技術分析是金融市場中用於預測未來價格走勢的方法之一，通常根據過去的市場資料和圖表模式。其中，移動平均線（Moving Average, MA）是一種常用的技術指標，用於判斷趨勢和過濾噪音。

移動平均線策略

移動平均線策略是根據移動平均線的技術分析方法，透過計算一定期間內的平均價格來判斷趨勢。簡單移動平均線（Simple Moving Average, SMA）是最常用的移動平均線指標，計算方法為將一定期間內的收盤價加總後除以該期間的天數。

研究與實證

有許多研究關注於移動平均線策略的效果，例如Brock等人（1992）發表在《Journal of Finance》上的論文，探討了根據簡單移動平均線的交易規則和股票收益的隨機性質。Droke（2001）在其書籍《Moving Averages Simplified》中提供了對移動平均線的詳細介紹和應用。

此外，還有許多研究關注於動量策略（Momentum Strategy），例如Chan等人（1996）發表在《Journal of Finance》上的論文，探討了動量策略的特性和收益來源。Jegadeesh和Titman（1993）發表在《Journal of Finance》上的論文，分析了買入贏家和賣出輸家的策略對股票市場效率的影響。

時間序列動量策略

時間序列動量策略（Time Series Momentum Strategy）是一種根據時間序列資料的動量策略，透過計算資產的過去收益率來預測未來的收益率。Moskowitz等人（2012）發表在《Journal of Financial Economics》上的論文，提供了時間序列動量策略的分析。

均值迴歸策略

均值迴歸策略（Mean Reversion Strategy）是一種根據資產價格均值迴歸的策略，透過計算資產的過去價格來預測未來的價格。Balvers等人（2000）發表在《Journal of Finance》上的論文，分析了均值迴歸在國家股票市場中的存在性和引數性投資策略。

Python程式碼

以下是Python程式碼，實作了根據簡單移動平均線的向量化回測：

import numpy as np
import pandas as pd
from scipy.optimize import brute

class SMABacktest:
    def __init__(self, symbol, start, end, short_window, long_window):
        self.symbol = symbol
        self.start = start
        self.end = end
        self.short_window = short_window
        self.long_window = long_window

    def get_data(self):
        # 取得股票資料
        data = pd.read_csv(f'{self.symbol}.csv', index_col='Date', parse_dates=['Date'])
        return data

    def calculate_sma(self, data):
        # 計算簡單移動平均線
        data['short_sma'] = data['Close'].rolling(window=self.short_window).mean()
        data['long_sma'] = data['Close'].rolling(window=self.long_window).mean()
        return data

    def backtest(self, data):
        # 進行回測
        signals = pd.DataFrame(index=data.index)
        signals['signal'] = 0.0
        signals.loc[data['short_sma'] > data['long_sma'], 'signal'] = 1.0
        signals.loc[data['short_sma'] < data['long_sma'], 'signal'] = -1.0

        # 計算收益率
        data['return'] = data['Close'].pct_change()
        data['strategy_return'] = data['return'] * signals['signal'].shift(1)

        # 計算累積收益率
        data['cum_return'] = (1 + data['return']).cumprod()
        data['cum_strategy_return'] = (1 + data['strategy_return']).cumprod()

        return data

# 使用示例
sma_backtest = SMABacktest('AAPL', '2020-01-01', '2022-12-31', 20, 50)
data = sma_backtest.get_data()
data = sma_backtest.calculate_sma(data)
data = sma_backtest.backtest(data)

print(data.tail())

圖表翻譯：

此圖示為使用SMA Backtesting Class進行回測的結果，展示了股票AAPL從2020年1月1日到2022年12月31日的收盤價、短期SMA和長期SMA。圖中還展示了買入和賣出訊號，以及累積收益率。

技術：向量化回測SMA交易策略

引言

在金融市場中，移動平均線（SMA）是一種常用的技術指標，用於分析股票或其他金融工具的趨勢。向量化回測是指使用電腦模擬交易策略的過程，以評估其績效和風險。這篇文章將介紹如何使用Python實作向量化回測SMA交易策略。

SMA向量化回測器類別

import pandas as pd
import numpy as np

class SMAVectorBacktester(object):
    '''
    向量化回測SMA交易策略的類別。

    屬性：
    symbol (str): RIC符號
    SMA1 (int): 短期移動平均線時間視窗（天）
    SMA2 (int): 長期移動平均線時間視窗（天）
    start (str): 資料開始日期
    end (str): 資料結束日期
    '''

    def __init__(self, symbol, SMA1, SMA2, start, end):
        self.symbol = symbol
        self.SMA1 = SMA1
        self.SMA2 = SMA2
        self.start = start
        self.end = end

    def get_data(self):
        '''
        取得和準備基礎資料集。
        '''
        # 取得資料
        data = pd.read_csv(f'{self.symbol}.csv', index_col='Date', parse_dates=['Date'])
        
        # 計算移動平均線
        data['SMA1'] = data['Close'].rolling(window=self.SMA1).mean()
        data['SMA2'] = data['Close'].rolling(window=self.SMA2).mean()
        
        return data

    def set_parameters(self, SMA1=None, SMA2=None):
        '''
        設定一個或兩個新的SMA引數。
        '''
        if SMA1 is not None:
            self.SMA1 = SMA1
        if SMA2 is not None:
            self.SMA2 = SMA2

    def run_strategy(self):
        '''
        執行SMA基礎交易策略的回測。
        '''
        data = self.get_data()
        
        # 生成訊號
        data['signal'] = np.where(data['SMA1'] > data['SMA2'], 1, 0)
        
        # 計算績效
        data['strategy'] = data['signal'].shift(1) * data['Close']
        data['benchmark'] = data['Close']
        
        # 評估績效
        strategy_perf = data['strategy'].cumsum()
        benchmark_perf = data['benchmark'].cumsum()
        
        return strategy_perf, benchmark_perf

從商業價值視角來看，精確的金融資料分析和策略評估是投資成功的關鍵。本文探討了多種技術分析方法，包含動量策略、均值迴歸策略以及根據移動平均線的交易策略，並提供了Python程式碼實作。透過向量化回測框架，可以有效地評估不同策略在歷史資料上的表現，找出潛在的盈利機會。然而，技術分析並非完美無缺，資料搜尋和過度擬合的風險始終存在，模型的引數設定也需要根據市場情況動態調整。技術限制深析顯示，單純依靠歷史資料的回測並不能完全預測未來市場的走向，市場的波動性和不確定性依然是投資者面臨的主要挑戰。整合價值分析指出，結合基本面分析、宏觀經濟因素以及風險管理，才能更全面地評估投資機會，避免過度依賴單一技術指標。展望未來，隨著機器學習和人工智慧技術的發展，預期將出現更精密的金融資料分析工具和更具智慧的交易策略。玄貓認為，持續學習新技術、深入理解市場動態並保持風險意識，才能在瞬息萬變的金融市場中取得長期穩定的回報。

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。