【手把手教你】Ichimoku云图指标可视化与交易策略回测

引言

Ichimoku Kinko Hyo，简称Ichimoku，是一名日本报纸作家提出的，用于衡量动量以及未来价格支撑和阻力区域的技术分析指标，目前被广泛用于判断外汇、期货、股票、黄金等投资品种的趋势和动量。该指标将各种技术策略组合成一个易于实现和解释的指标。“ichimoku”翻译成中文是“一目”的意思，相当于交易者只需要看一眼图表就能确定价格动量走势、支撑和阻力位。下面首先为大家介绍Ichimoku指标的基本原理，其次使用Python计算该指标并对其云图进行可视化，最后使用backtrader对该指标进行简单的历史回测。

Ichimoku指标计算与可视化

Ichimoku指标由五条线组成：

Tenkan-sen：转折线，通过在过去9交易日最高价和最低价之和除以2，用来表示关键支撑和阻力位，以及反转信号线。
Kijun-sen：基准线，通过在过去26个交易日最高价和最低价之和除以2，表示关键支撑位和阻力位，是趋势变化的确认，可用作追踪止损点。
Senkou Span A：前导跨度A或先行上线A，通过将tenkan-sen和kijun-sen相加除以2，由此产生的线形成了kumo（或云）的一个边缘，用于识别未来的支撑和阻力区域。
Senkou Span B：前导跨度B或先行上线B，通过将过去52个交易日最高价和最低价之和除以2，形成了kumo的另一个边缘，用于识别未来的支撑和阻力区域。
Chikou Span：滞后跨度或延迟线是当前周期的收盘价，在图表上显示往前30天的收盘价。该线用于显示可能的支撑和阻力区域。

使用Python计算Ichimoku指标，并对该指标的云图进行可视化。

导入Python相关模块

import pandas as pd
import matplotlib.pyplot as plt
#正常显示画图时出现的中文和负号
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
import tushare as ts
import backtrader as bt
import pyfolio as pf

以Python的class类对数据获取、指标计算和可视化进行封装。

class cal_ichimoku(object):
    def __init__(self,code='cyb',start='2019-01-01',end='2022-06-01'):
        self.code=code
        self.start=start
        self.end=end
        self.data=self.get_data()

    def get_data(self):
        df=ts.get_k_data(self.code,self.start,self.end)
        df.index=pd.to_datetime(df.date)
        return df[['open','high','low','close','volume']]

    def ichimoku(self,cl_period=9,bl_period=26,lag_span_period=26,lead_span_b_period=52):
        # 计算转换线
        high_1 = self.data['high'].rolling(cl_period).max()
        low_1 = self.data['low'].rolling(cl_period).min()
        #Tenkan-sen：转换线
        self.data['conversion_line'] = (high_1 + low_1) / 2
        # 计算基准线
        high_2 = self.data['high'].rolling(bl_period).max()
        low_2 = self.data['low'].rolling(bl_period).min()
        self.data['base_line'] = (high_2 + low_2) / 2
        #计算前导跨度A
        self.data['lead_span_A'] = ((self.data.conversion_line + self.data.base_line) / 2).shift(lag_span_period)
        # 计算前导跨度A
        high_3 = self.data['high'].rolling(lead_span_b_period).max()
        low_3 = self.data['high'].rolling(lead_span_b_period).min()
        self.data['lead_span_B'] = ((high_3 + low_3) / 2).shift(lead_span_b_period)
        # 滞后跨度
        self.data['lagging_span'] = self.data['close'].shift(-lag_span_period)
        # 删除缺失值
        self.data.dropna(inplace=True) 

    def graph_ichimoku(self):
        fig, ax = plt.subplots(1, 1, sharex=True, figsize=(15, 7))
        ax.plot(self.data.index, self.data['close'], linewidth=2,label='收盘价')
        ax.plot(self.data.index, self.data['lead_span_A'],label='前导跨度A',color='k')
        ax.plot(self.data.index, self.data['lead_span_B'],label='前导跨度B',color='y')
        ax.fill_between(self.data.index, self.data['lead_span_A'], self.data['lead_span_B'],
                where=self.data['lead_span_A'] >= self.data['lead_span_B'], color='lightcoral')
        ax.fill_between(self.data.index, self.data['lead_span_A'], self.data['lead_span_B'],
                where=self.data['lead_span_A'] < self.data['lead_span_B'], color='lightgreen')
        plt.legend(loc=0)
        plt.grid()
        plt.show()

以‘600000’个股为例，其Ichimoku云图如下所示，

ich=cal_ichimoku(code='600000')
ich.ichimoku()
ich.graph_ichimoku()

图中红色和绿色区域就是云图指标的主要元素。A线和B线形成云图指标的阻力水平和支撑水平。一般而言，绿色的云彩变成红色代表上升趋势内的横盘，红色的云彩变成绿色则代表下跌趋势内的横盘。当转折线由下向上穿过基准线时是买入信号，当转折线由上向下穿过基准线时是卖出信号。下面根据买入卖出信号利用backtrader进行量化回测。

Ichimoku交易策略回测

交易策略：当收盘价在云层上方、转换线从下往上穿过基准线与其云层上方、延迟线位于云层上方时，买入做多；反之，当收盘价在云层下方、转换线从上往下穿过基准线与其云层下方、延迟线位于云层下方时，卖出做空。

class IchimokuStrategy(bt.Strategy):
    params = ( ('cl_period',9),
               ('bl_period',26),
               ('lag_span_period',26),
               ('lead_b_period',52),)   

    def __init__(self):        
        self.dataclose = self.datas[0].close      
        self.datahigh = self.datas[0].high        
        self.datalow = self.datas[0].low     
        self.order = None      
        self.buyprice = 0      
        self.buycomm = 0      
        self.newstake = 0      
        self.buytime = 0       
        # 参数计算
        #计算转换线
        self.Highest_high1 = bt.indicators.Highest(self.datahigh(-1), period=self.params.cl_period, subplot=False)        
        self.Lowest_low1 = bt.indicators.Lowest(self.datalow(-1), period=self.params.cl_period, subplot=False)     
        self.Conversion_line=(self.Highest_high1+self.Lowest_low1)/2
        #计算基准线
        self.Highest_high2 = bt.indicators.Highest(self.datahigh(-1), period=self.params.bl_period, subplot=False)        
        self.Lowest_low2 = bt.indicators.Lowest(self.datalow(-1), period=self.params.bl_period, subplot=False)     
        self.Base_line=(self.Highest_high2+self.Lowest_low2)/2
        #计算前导跨度A
        self.lead_span_A=((self.Conversion_line+self.Base_line)/2)(-self.params.lag_span_period)
        #计算前导跨度B
        self.Highest_high3 = bt.indicators.Highest(self.datahigh(-1), period=self.params.lead_b_period, subplot=False)        
        self.Lowest_low3 = bt.indicators.Lowest(self.datalow(-1), period=self.params.lead_b_period, subplot=False)     
        self.lead_span_B=((self.Highest_high3+self.Lowest_low3)/2)(-self.params.lead_b_period)
        #计算价格的滞后值
        self.lagging_span= self.dataclose(-self.params.lag_span_period)    
        self.Crossover = bt.ind.CrossOver(self.dataclose, self.lead_span_A)         

    def next(self): 
        if self.order:
            return        
        #入场        
        # 得到当前的账户价值
        total_value = self.broker.getvalue()*0.9
        if self.Crossover > 0 and self.buytime == 0:                                           
            self.buytime = 1        
            size=int(total_value/100/data.close[0])*100
            self.order = self.buy(size = size)        
        #出场        
        elif self.Crossover < 0 and self.buytime > 0:            
            self.order = self.close()            
            self.buytime = 0

使用tushare获取交易数据。

#获取数据在backtrader上回测
df=cal_ichimoku(code='600000',start='2012-01-01').data
df['openinterest']=0
df=df[['open','high','low','close','volume','openinterest']]
#df.head()

backtrader回测系统设置。

#初始化回测系统
cerebro = bt.Cerebro(cheat_on_open=True)
#添加策略
cerebro.addstrategy(IchimokuStrategy)
#添加数据
data=bt.feeds.PandasData(dataname=df)
cerebro.adddata(data)
#初始资金设置
startcash = 1000000
cerebro.broker.setcash(startcash)
# 设置佣金为0.08%
cerebro.broker.setcommission(commission=0.0008)

#运行回测系统
cerebro.addanalyzer(bt.analyzers.PyFolio, _name='pyfolio')
results = cerebro.run()
strat = results[0]
pyfoliozer = strat.analyzers.getbyname('pyfolio')
returns, positions, transactions, gross_lev = pyfoliozer.get_pf_items()

#获取回测结束后的总资金
portvalue = cerebro.broker.getvalue()
pnl = portvalue - startcash
#打印结果
print(f'初始资金：{startcash}')
print(f'总资金: {round(portvalue,2)}')
print(f'净收益: {round(pnl,2)}')

初始资金：1000000
总资金: 3828151.48
净收益: 2828151.48

backtrader回测图

plt.rcParams['figure.figsize']=[18, 8]
cerebro.plot(iplot=False)

下面进一步使用pyfolio展示更详细的量化回测结果。在2012-2022.06交易期间内，年化回报率为14.5%，总收益率283%，年化波动率36.5%，夏普比率只有0.55，最大回撤高达53.5%，各项指标显示该交易策略效果并没有特别好。

#使用pyfolio展示回测结果
pf.create_full_tear_sheet(returns)

结语

本文简单介绍了Ichimoku指标的基本原理，重点展示了如何使用Python计算该指标并对其云图进行可视化，以及利用该指标构建交易策略并通过backtrader进行历史回测。值得注意的是，本文只是以某个特例（‘600000’）进行回测，得到的结果好坏与否并不能简单代表该指标是否有效，还需要更多样本和案例的支持。动量和趋势是金融市场价格常常表现出来的一种现象，Ichimoku指标与其他动量指标一样，当价格形成一种相对稳定的趋势时（大牛市或大熊市），其预测能力较强，但当价格处于震荡状态时往往失效。此外，技术指标局限于历史价格本身，有点类似温度计，能够一定程度上测量过去和当前的温度，但无法给出明天的温度（无法解释动量如何产生，何时停止）。

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、量化投资前沿分析框架，与博主直接交流、结识圈内朋友等。

【手把手教你】Ichimoku云图指标可视化与交易策略回测

猜你喜欢