基于Python实现盈利8371%的交易策略

本文介绍了通过Python和Benzinga API构建自动化交易策略的方法，帮助交易者方便的回测交易策略。原文: An Algo Trading Strategy which made +8,371%: A Python Case Study

导言

传统自动化交易策略(如均线交叉或 RSI 临界点突破策略)已被证明过时了，这些策略过于简单，更重要的是，市场上有大量参与者在尝试执行这些策略。

因此，与其接受这些策略，不如尝试些新东西。本文将基于 Python 和 Benzinga API来构建并回测一种新的交易策略，帮助我们战胜市场。

话不多说，直接进入主题！

交易策略

在编码之前，有必要先了解一下本文将要构建的策略背景，该策略遵循简单但非常有效的突破策略原则。

如果出现以下情况，我们就入市：股价超过 50 周的最高点

如果出现以下情况，我们就出市：股价跌破 40 周的最低点

我们通过唐氏通道指标(Donchian Channel indicator)来跟踪 50 周高点和 40 周低点。本策略是周线交易系统，因此将在周线时间框架内进行回测。

这就是我们要在本文中进行回测的策略。就这么简单，对吧？接下来开始编码。

导入软件包

本文将使用四个主要软件包，即 pandas、requests、pandas_ta 和 matplotlib，次要/可选软件包包括 termcolor 和 math。下面的代码将把所有提到的包导入到 Python 环境中：

python 复制代码

# IMPORTING PACKAGES

import pandas as pd
import requests
import pandas_ta as ta
import matplotlib.pyplot as plt
from termcolor import colored as cl
import math 

plt.rcParams['figure.figsize'] = (20,10)
plt.style.use('fivethirtyeight')

如果尚未安装任何导入的软件包，请确保通过 pip 命令进行安装。

提取历史数据

我们将在苹果股票上对突破策略进行回测。为了获取苹果公司的股票历史数据，将使用 Benzinga 的 Historical Bar Data API接口。以下 Python 代码通过该接口提取了 1993 年以来的苹果股票数据：

python 复制代码

# EXTRACTING HISTORICAL DATA

def get_historical_data(symbol, start_date, interval):
    url = "https://api.benzinga.com/api/v2/bars"
    querystring = {"token":"YOUR API KEY","symbols":f"{symbol}","from":f"{start_date}","interval":f"{interval}"}

    hist_json = requests.get(url, params = querystring).json()
    df = pd.DataFrame(hist_json[0]['candles'])
    
    return df

aapl = get_historical_data('AAPL', '1993-01-01', '1W')
aapl.tail()

在上述代码中，定义了名为 get_historical_data 的函数，该函数获取股票代码、数据起始日期和数据点之间的间隔。

在函数中，我们将把 API URL 和查询字符串存储到各自的变量中。请确保将 YOUR API KEY 替换为实际的 Benzinga API KEY，可以在创建账户后获得该 KEY。然后，调用 API 以获取数据，并将 JSON 响应转换为 Pandas dataframe，最后返回该数据。

基于该函数，我们提取了苹果公司自 1993 年以来每周股票历史数据。这是最终输出结果：

太棒了，我们继续计算提取的苹果公司历史数据的唐氏通道指标。

唐氏通道计算

如果深入研究该指标的数学原理，需要单独撰文进行解释。基本上，唐氏通道揭示了股票在特定时间段内的最高点和最低点。

以下代码使用 pandas_ta 计算指标：

python 复制代码

# CALCULATING DONCHIAN CHANNEL

aapl[['dcl', 'dcm', 'dcu']] = aapl.ta.donchian(lower_length = 40, upper_length = 50)
aapl = aapl.dropna().drop('time', axis = 1).rename(columns = {'dateTime':'date'})
aapl = aapl.set_index('date')
aapl.index = pd.to_datetime(aapl.index)

aapl.tail()

第一行使用 pandas_ta 提供的 donchian 函数来计算指标。该函数需要两个参数：下限长度和上限长度，分别是最低点和最高点的回溯周期。由于我们的策略要求 40 周低点和 50 周高点，因此将下限和上限分别设为 40 和 50。

计算之后，执行一些数据处理任务，以清理和格式化数据。这就是最终的数据帧：

为了更好的了解唐氏通道指标，我们用 Matplotlib 库绘制计算值：

python 复制代码

# PLOTTING DONCHIAN CHANNEL

plt.plot(aapl[-300:].close, label = 'CLOSE')
plt.plot(aapl[-300:].dcl, color = 'black', linestyle = '--', alpha = 0.3)
plt.plot(aapl[-300:].dcm, color = 'orange', label = 'DCM')
plt.plot(aapl[-300:].dcu, color = 'black', linestyle = '--', alpha = 0.3, label = 'DCU,DCL')
plt.legend()
plt.title('AAPL DONCHIAN CHANNELS 50')
plt.xlabel('Date')
plt.ylabel('Close')

这段代码没有什么特别之处。我们利用 matplotlib 提供的基本功能来实现可视化，这是最终的图表：

从图中可以看出，唐氏通道指标有三个重要组成部分：

Upper Band（上限波段）：上限波段显示了股票在特定时间段内的最高点。
Lower Band（下限波段）：基本上与上限相反，显示股票在特定时间段内的最低点。
Middle Band（中间波段）：这个部分有点不同，显示的是上限波段和下限波段之间的平均值。

唐氏通道是最广泛使用的观察股价走势突破情况的指标之一，这也是本文使用该指标的核心原因之一。

回溯测试策略

接下来是最重要的步骤之一，即对突破策略进行回测。为了简单起见，我们将使用非常基本和直接的回测系统。下面的代码将对该策略进行回测并显示结果：

python 复制代码

# BACKTESTING THE STRATEGY

def implement_strategy(aapl, investment):
    
    in_position = False
    equity = investment
    
    for i in range(3, len(aapl)):
        if aapl['high'][i] == aapl['dcu'][i] and in_position == False:
            no_of_shares = math.floor(equity/aapl.close[i])
            equity -= (no_of_shares * aapl.close[i])
            in_position = True
            print(cl('BUY: ', color = 'green', attrs = ['bold']), f'{no_of_shares} Shares are bought at ${aapl.close[i]} on {str(aapl.index[i])[:10]}')
        elif aapl['low'][i] == aapl['dcl'][i] and in_position == True:
            equity += (no_of_shares * aapl.close[i])
            in_position = False
            print(cl('SELL: ', color = 'red', attrs = ['bold']), f'{no_of_shares} Shares are bought at ${aapl.close[i]} on {str(aapl.index[i])[:10]}')
    if in_position == True:
        equity += (no_of_shares * aapl.close[i])
        print(cl(f'\nClosing position at {aapl.close[i]} on {str(aapl.index[i])[:10]}', attrs = ['bold']))
        in_position = False

    earning = round(equity - investment, 2)
    roi = round(earning / investment * 100, 2)
    print(cl(f'EARNING: ${earning} ; ROI: {roi}%', attrs = ['bold']))
    
implement_strategy(aapl, 100000)

我不打算深入探讨这段代码，因为解释起来需要一些时间，基本上程序会根据满足的条件执行交易。当入市条件得到满足时，就会入市，而当出市条件得到满足时，就会平仓。以下是程序执行的交易以及回测结果：

正如标题中所说，该策略取得了 8371% 的投资回报率，这是一个巨大的数字。但现在是时候看看我们的策略是否真的跑赢了市场。

与 SPY ETF 对比

将策略回测结果与 SPY ETF 的买入/持有回报进行比较，有助于真正了解策略的表现。以下代码计算了 SPY ETF 多年来的回报：

python 复制代码

spy = get_historical_data('SPY', '1993-01-01', '1W')
spy_ret = round(((spy.close.iloc[-1] - spy.close.iloc[0])/spy.close.iloc[0])*100)

print(cl('SPY ETF buy/hold return:', attrs = ['bold']), f'{spy_ret}%')

上述代码首先提取 SPY 的历史数据，其规格与 AAPL 相同。然后使用简单的公式计算该指数的收益百分比，结果是：

该指数的回报率为 936%，其实已经很不错了，但与我们的策略相比，还是有很大差距。我们的策略大大超过了基准，这是个好消息！

结束语

本文通过大量编码过程，对一个简单但非常有效的突破策略进行了回测。不出所料，该策略的结果令人惊叹。我们首先使用 Benzinga API 提取苹果公司的历史数据，然后慢慢探索唐氏通道，最后对该策略进行回测，并将结果与 SPY ETF 进行比较。

该策略还有很多方面可以改进。如果加上佣金和滑点，回测系统就会更加复杂和现实。适当的风险管理必须到位，特别是在算法交易的情况下。

你好，我是俞凡，在Motorola做过研发，现在在Mavenir做技术工作，对通信、网络、后端架构、云原生、DevOps、CICD、区块链、AI等技术始终保持着浓厚的兴趣，平时喜欢阅读、思考，相信持续学习、终身成长，欢迎一起交流学习。为了方便大家以后能第一时间看到文章，请朋友们关注公众号"DeepNoMind"，并设个星标吧，如果能一键三连(转发、点赞、在看)，则能给我带来更多的支持和动力，激励我持续写下去，和大家共同成长进步！

本文由mdnice多平台发布