01
引言
动量策略是通过利用市场波动从现有趋势的延续中获利。简单来说，高买高卖，反之亦然（“低买高卖”是均值回归策略思想，与动量策略相反）。价值投资通常基于均值的长期回归，而动量投资基于均值回归发生之前的时间间隔。通常而言，基于过去回报（价格动量策略）或收益意外（称为收益动量策略）的策略是利用市场对不同信息的反应不足。换句话说，收益动量策略是基于对短期收益相关信息的反应不足中获利，而价格动量策略是基于从市场对更广泛信息（包括长期盈利能力）的缓慢反应中获利。动量策略的构建有两种思路，一种是个股历史价格动量，即与过去价格相比计算涨跌幅，也叫时间动量；另一种是截面动量，即对当前市场所有个股进行某期间涨跌幅排序，如欧奈尔的RPS指标。下面以简单的均线为例，构建均线多头排列的时间动量进行历史回测。数据获取、可视化和回测均用到公众号开发的qstock包（免费），关于qstock的数据、可视化、选股等详细教程请参阅以下推文：
02
Python计算均线动量
使用汉明距离（scipy.spatial.distance）度量均线多头排列的动量趋势。汉明距离是信息论里的一个概念，它表示两个（相同长度）字符串对应位置的不同字符的数量。汉明距离对向量按元素进行比较，并对差异的数量进行平均，如果两个向量相同，得到的距离是0之间，如果两个向量完全不同，得到的距离是1。
import numpy as np
import pandas as pd
import scipy.stats as stats
from datetime import timedelta
import scipy.spatial.distance as distance
import matplotlib.pyplot as plt
import qstock as qs使用qstock获取回测用数据，以中国平安为例，基准指数为沪深300指数，回测期间为2010-2022年。
#获取数据
#data_feed是qstock回测模块获取数据函数，默认基准指数为沪深300
#fqt=2表示后复权数据，等于1表示前复权
df=qs.data_feed('中国平安',index='hs300',start='20100101',end='202201216',fqt=2)
#计算10个均线序列
for i in np.linspace(10, 100, 10):
df[str(i)+'日均线']=df['close'].rolling(window=int(i),center=False).mean()
df.dropna(inplace=True)均线数据可视化。
#均线可视化
cols=['close']+[str(i)+'日均线' for i in np.linspace(10, 100, 10)]
qs.line(df['2020':][cols])
cols=[str(i)+'日均线' for i in np.linspace(10, 100, 10)]
for date in df.index:
#围绕每一日的均线大小进行排序
ranking = stats.rankdata(df.loc[date,cols].values)
#计算每一日均线之间的汉明距离（scipy.spatial.distance）
df.loc[date,'scores']= distance.hamming(ranking, range(1,11))
个股价格与均线汉明距离得分数据可视化。
#价格走势与均线排列的汉明距离得分可视化
df[['close','scores']].plot(figsize=(15,7),secondary_y='scores', alpha=0.6)
plt.show()
#描述性统计
df[['close','scores']].describe()
03
动量回测
策略思路：当短期均线大于长期均线呈现多条均线的多头排列时，买入做多，当均线呈现空头排列时卖出。使用汉明距离可以度量均线的多头与空头排列得分，当出现完美的均线多头时（短期均线依次大于长期均线，如10日MA > 20日MA >… 100日MA），得分为1；当出现完美的空头时，即短期均线依次小于长期均线，如10日MA < 20日MA <… <100日MA）得为0，其他均线排列得分位于0-1之间。可以根据得分设定一个门槛值，如当scores得分大于0.5，给出买入或持有的信号，否则为卖出或做空信号。
#封装成函数方便后面进行回测分析
def ma_momentum(code,benchmark='hs300',start='20100101',end='202201219',ma_list=None,threshold=0.8):
df=qs.data_feed(code,index=benchmark,start=start,end=end,fqt=2)
ss=np.linspace(10, 100, 10) if ma_list is None else ma_list
for i in ss:
df[str(i)+'日均线']=df['close'].rolling(window=int(i),center=False).mean()
df.dropna(inplace=True)
cols=[str(i)+'日均线' for i in ss]
for date in df.index:
ranking = stats.rankdata(df.loc[date,cols].values)
df.loc[date,'scores']= distance.hamming(ranking, range(1,len(ss)+1))
#当日均线多头排列scores=1发出买入信号设置为1
df.loc[df['scores']>threshold, 'signal'] = 1
#当日均线空头排列scores=0发出买入信号设置为0
df.loc[df['scores']<=threshold, 'signal'] = 0
df['position']=df['signal'].shift(1)
df['position'].fillna(method='ffill',inplace=True)
d=df[df['position']==1].index[0]-timedelta(days=1)
df1=df.loc[d:].copy()
df1['position'][0]=0
#当仓位为1时，买入持仓，当仓位为0时，空仓，计算资金净值
df1['capital_ret']=df1.rets.values*df1['position'].values
#计算策略累计收益率
df1['capital_line']=(df1.capital_ret+1.0).cumprod()
return df1#可以通过ma_list自定义设置ma均线计算周期
#如ma_list=[3, 5, 8, 13, 21, 34, 55, 89, 144, 233]
#ma_list=None表示默认使用10-100日均线
data=ma_momentum('中国平安',ma_list=None,threshold=0.8)回测结果。
qs.start_backtest(data)
修改均线参数，同时以贵州茅台个股为例重新进行回测。
fib=[3, 5, 8, 13, 21, 34, 55, 89, 144, 233]
data=ma_momentum('贵州茅台',ma_list=fib,threshold=0.5)
qs.start_backtest(data)
此外，介绍一个非常简单易上手的回测框架quantstats，下面使用它展示历史回测结果。注意quantstats要先使用"pip install QuantStats"进行安装，注意安装的时候包含大写字母，导入使用小写字母。quantstats与pyfolio类似，一行代码可以实现丰富的回测图表，下面只展示部分结果。如下面输入qst.reports.html(data.capital_ret)，可以生成本地基于web的html回测结果。关于pyfolio的回测用法可以参照推文：《Pyfolio一行代码实现专业量化回测图表》
import quantstats as qstqst.reports.full(data.capital_ret)
04
结语
本文利用汉明距离计算均线排列的得分来评估股价的动量趋势，并以此构建择时交易策略，即当呈现多头均线排列的趋势时买入，空头排列时卖出。以中国平安和贵州茅台个股为例进行了历史回测，结果显示该交易策略优于买入持有和基准指数。
对于历史上证明有效的任何策略，通常有两种解释，该策略已经补偿了它所承担的额外风险，或者存在溢价行为因素。那为什么动量策略有效？动量策略起作用的逻辑在于，投资者表现出一长串行为偏见和情绪错误。然而，这说起来容易做起来难，因为趋势不会永远持续下去，并且在达到顶峰和结束时可能会迅速逆转。动量交易比大多数其他策略具有更高程度的波动性，并试图利用市场波动性。通过使用适当的风险管理技术和止损，正确安排买卖时间以避免损失非常重要。
最后为有意加入知识星球的新用户送上100张89元的优惠券，新用户或续费用户在加入前可先添加星主微信 “sky2blue2” 了解更多优惠信息。
关于Python金融量化
专注于分享Python在金融量化领域的应用。加入知识星球，可以免费获取qstock源代码、30多g的量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、与博主直接交流、答疑解惑等。添加个人微信sky2blue2可获取相关优惠。
