双均线策略的Python实现

来源：袖手财经作者：袖手

本文选取股票“002617.SZ”（露笑科技）2019.01.01-2020.04.03区间的交易数据，对双均线策略进行了Python实现，并对回测结果予以评述。

（一）双均线策略规则：

短均线上穿长均线（金叉），买进；
短均线下穿长均线（死叉），卖出；
其余情况，无操作。

（二）Python实现过程：


#导入相关模块
import numpy as np
import pandas as pd
import datetime
import matplotlib.pyplot as plt

#从Wind接口导出数据，并转换为DataFrame形式输出。
from WindPy import w
w.start()
raw_data=w.wsd("002617.SZ", "close", "2019-01-01", "2020-04-03", "Fill=Previous")

if raw_data.ErrorCode == 0:
  #数据装入Pandas的DataFrame
  fm=pd.DataFrame(raw_data.Data,index=raw_data.Fields,columns=raw_data.Times).T  
  fm['LMA'] = fm.CLOSE.rolling(12,min_periods = 0).mean() #12日均线时间序列
  fm['SMA'] = fm.CLOSE.rolling(6,min_periods = 0).mean()  #6日均线时间序列
  fm['position']=0  #记录持仓
  fm['trade']=0     #记录交易
  fm['time']=raw_data.Times #日期序列
  print('fm:/n',fm)
else:
  print("Error Code:",raw_data.ErrorCode)
  print("Error Message:", raw_data.Data[0][0])
  
#策略函数
def Strategy(fm):
    for i in range(12,len(fm)-1):     
        #当前空仓、金叉，买进。
        if (fm.SMA[i-1]<fm.LMA[i-1]) & (fm.SMA[i]>fm.LMA[i]) & (fm.position[i]==0):
            fm.iloc[i,4]=1
            fm.iloc[i+1,3]=1
                                
        #当前持仓、死叉，卖出。
        elif (fm.SMA[i-1]>fm.LMA[i-1]) & (fm.SMA[i]<fm.LMA[i]) & (fm.position[i]==1):
            fm.iloc[i,4]=-1
            fm.iloc[i+1,3]=0               
       
        #其他情况，仓位不变。
        else:
            fm.iloc[i+1,3]=fm.iloc[i,3]
                   
    #日收益率ret，累计净值nav，基准净值benchmark。
    fm['ret'] = fm.CLOSE.pct_change(1).fillna(0)  
    fm['nav'] = (1 + fm.ret*fm.position).cumprod()
    fm['benchmark'] = fm.CLOSE/fm.CLOSE[0]   
    
    return fm
    
#评价函数
def Performace(fm):
    # 年化收益率
    rety = fm.nav[fm.shape[0] - 1]**(250/fm.shape[0]) - 1
    # 夏普比率
    Sharp = (fm.ret*fm.position).mean()/(fm.ret*fm.position).std()*np.sqrt(250)
    # 最大回撤率
    DrawDown = 1 - fm.nav/fm.nav.cummax()
    MaxDrawDown = max(DrawDown)
    
    print('夏普比率为:',round(Sharp,2))
    print('年化收益率为:{}%'.format(round(rety*100,2)))
    print('最大回撤为：{}%'.format(round(MaxDrawDown*100,2)))
    
    # 作图  
    xtick = np.round(np.linspace(0,fm.shape[0] - 1,7),0)
    xtick = xtick.astype(np.int)
    xticklabel = fm.time[xtick]
    
    plt.figure(figsize = (9,4))
    ax = plt.axes()   
    
    plt.plot(np.arange(fm.shape[0]),fm.benchmark,'black',label = 'benchmark',linewidth = 2)
    plt.plot(np.arange(fm.shape[0]),fm.nav,'red',label = 'nav',linewidth = 2)
    #RS为相对强弱指数。
    plt.plot(np.arange(fm.shape[0]),fm.nav/fm.benchmark,'yellow',label = 'RS',linewidth = 2)
    plt.legend()
    ax.set_xticks(xtick)
    ax.set_xticklabels(xticklabel)
     
    return rety,Sharp,MaxDrawDown

fm=Strategy(fm)
rety,Sharp,MaxDrawDown= Performace(fm)

（三）运行结果呈现：