什么指增股指数强策略（附源码）

原 什么是指数增强？股票指数增强策略（附源码）

指数增强

指数增强是什么意思？

​ 指数增强策略并不是被动的跟踪某个指数波动，而是采用量化增强模型，利用多因子alpha模型预测股票超额回报，同时力求进行有效的风险控制、降低交易成本、优化投资组合。指数增强策略不会对跟踪标的成分股进行完全复制，而是会对部分看好的股票增加权重，不看好的股票则减少权重，甚至完全去掉。通过对交易成本模型的不断监测，尽可能让交易成本降到最小。综合来看，就是既做到超额收益，又控制主动风险。

策略实现（基于掘金量化平台）

策略思想

• 本策略以0.8为初始权重跟踪指数标的沪深300中权重大于0.35%的成份股。

• 个股所占的百分比为：(0.8 X 成份股权重) /选择的成分股权重总和 X 100%。

• 然后根据个股是否连续上涨5天;连续下跌5天，来判定个股是否为强势股/弱势股,并对其把权重由0.8调至1.0或0.6

策略主要步骤实现

获取沪深300成分股及信息

stock300 = get_history_constituents(index='SHSE.000300', start_date=last_day,end_date=last_day)[0]['constituents'] = get_history_constituents(index='SHSE.000300', start_date=last_day,end_date=last_day)[0]['constituents']

​ 获取指数成分股可调用函数get_history_constituents或者get_constituents，返回值类型为list[dict]，字典的键为股票代码，值为所占权重。这里调用get_history_constituents是因为再回测时需要获取上一交易日的成分股，而get_constituents只能获取最新的成分股：

• index需要设置获取指数的代码。

• start_date和end_date需设置获取成分股的开始与结束日期。

订阅数据

subscribe(symbols=stock300_symbol, frequency='1d', count=5, wait_group=True)(symbols=stock300_symbol, frequency='1d', count=5, wait_group=True)

​ 订阅数据需要在定义init函数里面设置，并调用subscribe函数，这里注意，我们需要通过计算前三十根bars来作为开平仓的标准，并在当前bar上做出开平仓操作，所以需要获取31根bar：

• symbols 需要设置订阅的标的代码。

• frequency需设置订阅数据的周期级别，这里设置1d 表示以一天为周期。

• count需要设置获取的bar的数量

数据获取

recent_data = context.data(symbol=symbol, frequency='1d', count=5, fields='close')['close'].tolist() = context.data(symbol=symbol, frequency='1d', count=5, fields='close')['close'].tolist()

​ 订阅数据之后，需要获取已经订阅的数据来进行操作，这时需调用context.data函数：

• symbols 需要设置订阅的标的代码。

• frequency需设置订阅数据的周期级别，这里设置1d表示以一天为周期。

• count需要设置获取的bar的数量

• fields需要设置返回值的种类

获取持仓信息

position = context.account().position(symbol=symbol, side=PositionSide_Long) = context.account().position(symbol=symbol, side=PositionSide_Long)

​ 在判断平仓或者加仓条件时，需要获取持仓信息，这就需要调用context.account().position函数：

• symbols 需要设置订阅的标的代码。

• side需要设置持仓方向，有PositionSide_Long和PositionSide_Short两个选择。

回测报告

分析

​ 我们选取了2017年10月至2017年12月作为回测周期，可以看出：

• 胜率（具有盈利的平仓次数与总平仓次数之比）达到了66%。

• 卡玛比率（年化收益率与历史最大回撤之比）是使用最大回撤率来衡量风险。采用最大回撤率来衡量风险，关注的是最极端的情况。卡玛比率越高表示策略承受每单位最大损失获得的报酬越高。在这里卡玛比率达到了6.7。

• 夏普比率（年化收益率减无风险收益率的差收益波动率之比）达到2.77。

• 策略收益曲线与沪深三百指数具有很大相关性，指数增强策略的关键点在于选出成分股中优质的股票，以达到增强指数收益的目的。

指数增强策略源码（股票）：

1. # coding=utf-8
2. from __future__ import print_function, absolute_import, unicode_literals
3. import numpy as np
4. from gm.api import *
5. from pandas import DataFrame
6.  
7. '''
8. 本策略以0.8为初始权重跟踪指数标的沪深300中权重大于0.35%的成份股.
9. 个股所占的百分比为(0.8*成份股权重)*100%.然后根据个股是否:
10. 1.连续上涨5天 2.连续下跌5天
11. 来判定个股是否为强势股/弱势股,并对其把权重由0.8调至1.0或0.6
12. 回测时间为:2017-07-01 08:50:00到2017-10-01 17:00:00
13. '''
14.  
15.  
16. def init(context):
17. # 资产配置的初始权重,配比为0.6-0.8-1.0
18. context.ratio = 0.8
19. # 获取沪深300当时的成份股和相关数据
20. stock300 = get_history_constituents(index='SHSE.000300', start_date='2017-06-30', end_date='2017-06-30')[0][
21. 'constituents']
22. stock300_symbol = []
23. stock300_weight = []
24.  
25. for key in stock300:
26. # 保留权重大于0.35%的成份股
27. if (stock300[key] / 100) > 0.0035:
28. stock300_symbol.append(key)
29. stock300_weight.append(stock300[key] / 100)
30.  
31. context.stock300 = DataFrame([stock300_weight], columns=stock300_symbol, index=['weight']).T
32. print('选择的成分股权重总和为: ', np.sum(stock300_weight))
33. subscribe(symbols=stock300_symbol, frequency='1d', count=5, wait_group=True)
34.  
35.  
36. def on_bar(context, bars):
37. # 若没有仓位则按照初始权重开仓
38. for bar in bars:
39. symbol = bar['symbol']
40. position = context.account().position(symbol=symbol, side=PositionSide_Long)
41. if not position:
42. buy_percent = context.stock300['weight'][symbol] * context.ratio
43. order_target_percent(symbol=symbol, percent=buy_percent, order_type=OrderType_Market,
44. position_side=PositionSide_Long)
45. print(symbol, '以市价单开多仓至仓位:', buy_percent)
46. else:
47. # 获取过去5天的价格数据,若连续上涨则为强势股,权重+0.2;若连续下跌则为弱势股,权重-0.2
48. recent_data = context.data(symbol=symbol, frequency='1d', count=5, fields='close')['close'].tolist()
49. if all(np.diff(recent_data) > 0):
50. buy_percent = context.stock300['weight'][symbol] * (context.ratio + 0.2)
51. order_target_percent(symbol=symbol, percent=buy_percent, order_type=OrderType_Market,
52. position_side=PositionSide_Long)
53. print('强势股', symbol, '以市价单调多仓至仓位:', buy_percent)
54. elif all(np.diff(recent_data) < 0):
55. buy_percent = context.stock300['weight'][symbol] * (context.ratio - 0.2)
56. order_target_percent(symbol=symbol, percent=buy_percent, order_type=OrderType_Market,
57. position_side=PositionSide_Long)
58. print('弱势股', symbol, '以市价单调多仓至仓位:', buy_percent)
59.  
60.  
61. if __name__ == '__main__':
62. '''
63. strategy_id策略ID,由系统生成
64. filename文件名,请与本文件名保持一致
65. mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
66. token绑定计算机的ID,可在系统设置-密钥管理中生成
67. backtest_start_time回测开始时间
68. backtest_end_time回测结束时间
69. backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST
70. backtest_initial_cash回测初始资金
71. backtest_commission_ratio回测佣金比例
72. backtest_slippage_ratio回测滑点比例
73. '''
74. run(strategy_id='strategy_id',
75. filename='main.py',
76. mode=MODE_BACKTEST,
77. token='token_id',
78. backtest_start_time='2017-07-01 08:50:00',
79. backtest_end_time='2017-10-01 17:00:00',
80. backtest_adjust=ADJUST_PREV,
81. backtest_initial_cash=10000000,
82. backtest_commission_ratio=0.0001,
83. backtest_slippage_ratio=0.0001)

文章来源：掘金量化交易平台 ;转载请注明出处！

----------------------------------------------------------------------------------------------------------------------------------------------------------

更多经典股票/期货量化策略源码查看：

《算法导论 第三版英文版》_高清中文版

《深度学习入门：基于Python的理论与实现》_高清中文版

《深入浅出数据分析》_高清中文版

《Python编程：从入门到实践》_高清中文版

《Python科学计算》_高清中文版

《深度学习入门：基于Python的理论与实现》_高清中文版

《深入浅出数据分析》_高清中文版

《Python编程：从入门到实践》_高清中文版

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！