1、引言

對于純多頭或空頭的方向性策略而言，只有當證券價格是均值回歸或趨勢的，交易策略才能盈利。否則，如果價格是隨機游走的，交易將無利可圖（法瑪有效市場假說）。換句話說，目前各種紛繁復雜的所謂量化策略大都可以歸結為均值回歸或趨勢追蹤策略。趨勢追蹤策略認為價格會沿著一定的趨勢繼續走，也常稱為“慣性”或“動量”策略，很多技術指標就是基于動量的思想來設定的。今天為大家介紹著名的趨勢交易策略——“海龜交易法則”，著重介紹如何使用Python對海龜的交易規則進行量化回測，尤其是對Pandas的綜合運用。關于海龜原理的詳細介紹和相關軼事感興趣的可閱讀原書和網上相關資料。

2、海龜交易法則簡介

海龜交易法則可以認為是一個完整的交易系統，具備一個完整的交易系統所應該有的所有成分，包括市場、入市、頭寸規模、止損/止盈、退出、買賣策略等：

市場：買賣什么？

頭寸規模：買賣多少？

入市：什么時候買賣？

止損：什么時候放棄一個虧損的頭寸？

離市：什么時候退出一個盈利的頭寸？

策略：如何買賣？

趨勢追蹤——唐奇安通道

海龜交易法則利用唐奇安通道的突破點作為買賣信號指導交易，簡單而言唐奇安通道是由一條上軌線、中線和下線組成，上軌線由N1日內最高價構成，下軌線由N2日內最低價計算，當價格沖破上軌是可能的買入信號，反之，沖破下軌時是可能的賣出信號。

買賣單位及首次建倉

海龜交易系統本質上是一個趨勢跟隨的系統，但是最值得學習的是資金管理尤其是分批建倉及動態止損的部分。書中提到了N值倉位管理法，其中N值與技術指標平均真實波幅 ATR計算類似。ATR是真實波幅TR的20日平均值，而TR是當前交易日最高價和最低價之差 、前一交易日收盤價與當前交易日最高價之差、前一交易日收盤價與當前交易日最低價之差三者中的最大值，用公式表示為：

TR=Max(High?Low,abs(High?PreClose),abs(PreClose?Low))，技術指標庫TA-Lib提供了直接計算ATR的函數。

建倉單位：

Unit=（1%?賬戶總資金）/N

首次建倉的時候，當捕捉到趨勢，即價格突破唐奇安上軌時，買入1個unit。其意義就是，讓一個N值的波動與你總資金1%的波動對應，如果買入1unit單位的資產，當天震幅使得總資產的變化不超過1%。

例如：

現在你有1萬元資金，1%波動就是100元。假如某股票的N（ATR）值為0.1元，100÷0.1元=1000股。也就是說，你的第一筆倉位應該是在其突破上軌（假設為3元）時立刻買入1000股，耗資3000元。

動態止損或清倉條件

當股價跌破10日唐奇安通道下沿，清空頭寸結束本次交易。當價格比最后一次買入價格下跌2N時，則賣出全部頭寸止損。

接上面的例子，最后一次加倉價格為3.2。假如此時N值0.2元。當價格下跌到 3.2 – 2*0.2 = 2.8元時，清倉。持倉成本為 （3+3.1+3.2）*1000/3000 = 3.1元。此時虧損 （3.1-2.8）*3000 = 900元， 對于1萬來說 這波虧損9%。

原始的海龜交易采用唐奇安通道來追蹤趨勢，在趨勢比較明顯的行情表現不錯，但是在震蕩的行情中效果不佳，當然這是所有趨勢型策略的通病。下面著重使用Python對唐奇安通道進行可視化，并利用簡化版的海龜交易法則進行簡單的歷史回測。

3、海龜交易規則Python實現

#先引入后面可能用到的包（package）
import pandas as pd  
import numpy as np
import talib as ta
from datetime import datetime,timedelta
import matplotlib.pyplot as plt
%matplotlib inline   
#正常顯示畫圖時出現的中文和負號
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
#使用tushare獲取交易數據
#設置token
import tushare as ts 
#注意token更換為你在tushare網站上獲取的
token='輸入你的token'
pro=ts.pro_api(token)
index={'上證綜指': '000001.SH',
        '深證成指': '399001.SZ',
        '滬深300': '000300.SH',
        '創業板指': '399006.SZ',
        '上證50': '000016.SH',
        '中證500': '000905.SH',
        '中小板指': '399005.SZ',
        '上證180': '000010.SH'}
#獲取當前交易的股票代碼和名稱
def get_code():
    df = pro.stock_basic(exchange='', list_status='L')
    codes=df.ts_code.values
    names=df.name.values
    stock=dict(zip(names,codes))
    #合并指數和個股成一個字典
    stocks=dict(stock,**index)
    return stocks    
#獲取行情數據
def get_daily_data(stock,start,end):
    #如果代碼在字典index里，則取的是指數數據
    code=get_code()[stock]
    if code in index.values():
        df=pro.index_daily(ts_code=code,start_date=start, end_date=end)
    #否則取的是個股數據
    else:
        df=pro.daily(ts_code=code, adj='qfq',start_date=start, end_date=end)
    #將交易日期設置為索引值
    df.index=pd.to_datetime(df.trade_date)
    df=df.sort_index()
    #計算收益率
    df['ret']=df.close/df.close.shift(1)-1
    return df

下面以滬深300指數為例，對唐奇安通道和買賣突破信號進行可視化。

hs=get_daily_data('滬深300','20180101','')[['close','open','high','low','vol']]
#最近N1個交易日最高價
hs['up']=ta.MAX(hs.high,timeperiod=20).shift(1)
#最近N2個交易日最低價
hs['down']=ta.MIN(hs.low,timeperiod=10).shift(1)
#每日真實波動幅度
hs['ATR']=ta.ATR(hs.high,hs.low,hs.close,timeperiod=20)
hs.tail()

下面使用簡化版的海龜交易法則進行歷史回測，即不考慮倉位管理和動態止損/止盈條件，以唐奇安通道突破作為買入賣出信號。

交易規則為：

（1）當今天的收盤價，大于過去20個交易日中的最高價時，以收盤價買入；

（2）買入后，當收盤價小于過去10個交易日中的最低價時，以收盤價賣出。

def my_strategy(data):
    x1=data.close>data.up
    x2=data.close.shift(1)<data.up.shift(1)
    x=x1&x2
    y1=data.closedata.down.shift(1)
    y=y1&y2
    data.loc[x,'signal']='buy'
    data.loc[y,'signal']='sell'
    buy_date=(data[data.signal=='buy'].index).strftime('%Y%m%d')
    sell_date=(data[data.signal=='sell'].index).strftime('%Y%m%d')
    buy_close=data[data.signal=='buy'].close.round(2).tolist()
    sell_close=data[data.signal=='sell'].close.round(2).tolist()
    return (buy_date,buy_close,sell_date,sell_close)
#對K線圖和唐奇安通道進行可視化
from pyecharts import *
grid = Grid()
attr=[str(t) for t in hs.index.strftime('%Y%m%d')]
v1=np.array(hs.loc[:,['open','close','low','high']])
v2=np.array(hs.up)
v3=np.array(hs.down)
kline = Kline("滬深300唐奇安通道",title_text_size=15)
kline.add("K線圖", attr, v1.round(1),is_datazoom_show=True,)
# 成交量
bar = Bar()
bar.add("成交量", attr, hs['vol'],tooltip_tragger="axis", is_legend_show=False, 
        is_yaxis_show=False, yaxis_max=5*max(hs["vol"]))
line = Line()
line.add("上軌線", attr, v2.round(1),is_datazoom_show=True,
         is_smooth=True,is_symbol_show=False,line_width=1.5)
line.add("下軌線", attr, v3.round(1),is_datazoom_show=True,
         is_smooth=True,is_symbol_show=False,line_width=1.5)
#添加買賣信號
bd,bc,sd,sc=my_strategy(hs)
es = EffectScatter("buy")
es.add( "sell", sd, sc, )
es.add("buy", bd, bc,symbol="triangle",)
overlap = Overlap(width=2000, height=600)
overlap.add(kline)
overlap.add(line)
overlap.add(bar,yaxis_index=1, is_add_yaxis=True)
overlap.add(es)
grid.add(overlap, grid_right="10%")
grid

（注：運行上述代碼得到的是動態交互圖，可調整時間區間）

#關掉pandas的warnings
pd.options.mode.chained_assignment = None
def strategy(stock,start,end,N1=20,N2=10):
    df=get_daily_data(stock,start,end)
    #最近N1個交易日最高價
    df['H_N1']=ta.MAX(df.high,timeperiod=N1)
    #最近N2個交易日最低價
    df['L_N2']=ta.MIN(df.low,timeperiod=N2)
    #當日收盤價>昨天最近N1個交易日最高點時發出信號設置為1
    buy_index=df[df.close>df['H_N1'].shift(1)].index
    df.loc[buy_index,'收盤信號']=1
    #將當日收盤價<昨天最近N2個交易日的最低點時收盤信號設置為0
    sell_index=df[df.close<df['L_N2'].shift(1)].index
    df.loc[sell_index,'收盤信號']=0
    df['當天倉位']=df['收盤信號'].shift(1)
    df['當天倉位'].fillna(method='ffill',inplace=True)
    d=df[df['當天倉位']==1].index[0]-timedelta(days=1)
    df1=df.loc[d:].copy()
    df1['ret'][0]=0
    df1['當天倉位'][0]=0
    #當倉位為1時，買入持倉，當倉位為0時，空倉，計算資金凈值
    df1['策略凈值']=(df1.ret.values*df1['當天倉位'].values+1.0).cumprod()
    df1['指數凈值']=(df1.ret.values+1.0).cumprod()
    df1['策略收益率']=df1['策略凈值']/df1['策略凈值'].shift(1)-1
    df1['指數收益率']=df1.ret
    total_ret=df1[['策略凈值','指數凈值']].iloc[-1]-1
    annual_ret=pow(1+total_ret,250/len(df1))-1
    dd=(df1[['策略凈值','指數凈值']].cummax()-df1[['策略凈值','指數凈值']])/df1[['策略凈值','指數凈值']].cummax()
    d=dd.max()
    beta=df1[['策略收益率','指數收益率']].cov().iat[0,1]/df1['指數收益率'].var()
    alpha=(annual_ret['策略凈值']-annual_ret['指數凈值']*beta)
    exReturn=df1['策略收益率']-0.03/250
    sharper_atio=np.sqrt(len(exReturn))*exReturn.mean()/exReturn.std()
    TA1=round(total_ret['策略凈值']*100,2)
    TA2=round(total_ret['指數凈值']*100,2)
    AR1=round(annual_ret['策略凈值']*100,2)
    AR2=round(annual_ret['指數凈值']*100,2)
    MD1=round(d['策略凈值']*100,2)
    MD2=round(d['指數凈值']*100,2)
    S=round(sharper_atio,2)
    df1[['策略凈值','指數凈值']].plot(figsize=(15,7))
    plt.title('海龜交易策略簡單回測',size=15)
    bbox = dict(boxstyle="round", fc="w", ec="0.5", alpha=0.9)
    plt.text(df1.index[int(len(df1)/5)], df1['指數凈值'].max()/1.5, f'累計收益率：
策略{TA1}%，指數{TA2}%;n年化收益率：策略{AR1}%，指數{AR2}%；n最大回撤：  策略{MD1}%，指數{MD2}%;n
策略alpha: {round(alpha,2)}，策略beta：{round(beta,2)}; n夏普比率：  {S}',size=13,bbox=bbox)  
    plt.xlabel('')
    ax=plt.gca()
    ax.spines['right'].set_color('none')
    ax.spines['top'].set_color('none')
    plt.show()
    #return df1.loc[:,['close','ret','H_N1','L_N2','當天倉位','策略凈值','指數凈值']]

下面對上證綜指、滬深300、創業板指數、中國平安、東方通信和貴州茅臺進行簡單回測，看看海龜交易規則唐奇安的擇時效果如何，具體指標看圖。

strategy('上證綜指','20050101','')

strategy('滬深300','','')

strategy('創業板指','','')

strategy('滬深300','20180101','')

strategy('中國平安','20050101','',N1=20,N2=10)

strategy('東方通信','20130101','',N1=20,N2=10)

strategy('貴州茅臺','20050101','',N1=20,N2=10)

上述回測沒有考慮使用N值的倉位管理和動態止損，下面是在萬礦平臺上加入了倉位管理進行回測，與上面簡單使用Pandas的回測框架相比（圖形比較丑陋），貴州茅臺的各項回測指標看上去更理想了，最大回撤也只有21%。具體實現代碼可參考萬礦平臺社區上面的分享。此外，聚寬、優礦等量化平臺上也提供了相應了策略回測模板，實現代碼大同小異，感興趣的可以進一步了解。

4、結語

本文簡要介紹了海龜交易法則的基本原理，使用Python對其買賣信號進行了可視化分析，并利用Pandas對相關指數和個股運用簡化版的海龜交易規則進行了歷史回測。由回測結果可看出，該簡化的趨勢追蹤策略對于某些標的在某些區間效果表現不錯，但對于某些標的或某些時期則效果不佳。當然，本文旨在回顧經典策略，展示Pandas在金融量化分析的綜合運用，為Python在金融量化中的運用起到拋磚引玉的效果，不作出任何選股或策略推薦。值得注意的是，任何策略都具有一定的局限性，尤其是知道和使用該策略的交易者多了，其作用自然比該理念剛出現的的效果差得多。正如技術分析指標，剛出現的時候很有效，但被大家所熟知或應用后，自然效用就大打折扣（相對于多因子模型中的Alpha被大家挖掘后漸漸成了risk factor）。但所謂新理念、新策略一定是站在前人的肩膀上，因此不能因為經典策略回測效果不佳而全盤否定，如何改進、細化和升級，使之更適合當下的市場才是我們要面對的問題。