首页 > Python资料 博客日记
均值回归策略在A股ETF市场获利的可能性
2024-09-25 11:00:03Python资料围观37次
这篇文章介绍了均值回归策略在A股ETF市场获利的可能性，分享给大家做个参考，收藏Python资料网收获更多编程知识
如何在股票市场获利
曾经有人告诉我一个在股票市场赚钱的秘诀，只要掌握这个秘诀，赚钱就像捡钱一样容易。他说：这个秘诀其实很简单，就是在股票价格低的时候买入，在价格高的时候卖出。
啧啧，不愧是秘诀，明明是句废话，但又挑不出毛病。
问题是，如何判断价格是低还是高？我知道你想说：价值。低于价值就是低，高于价值就是高。但是，如何估算出它的价值？我知道现在估值方法一大堆，公式指标漫天飞，但是任何公式任何指标都是参考都不能直接用。而当你无法准确估算价值时，其他的都无从谈起。至于股神的“价值投资”，你说它是艺术也好，说它是玄学也罢，都不是我等凡人能搞明白的。
既然是凡人，那就要用凡人的方法。如果公式太复杂让人摸不着头脑，如果指标太多让人无所适从，那就都不用，我们就简单粗暴地求平均值。当然，也不能随便什么股票拿过来就求平均值，我们得挑，挑那种上下波动的股票，不要一路跌，也不要一路涨(我知道你可能青睐这种股票，但是这种股票不适合均值回归)。用统计学中的术语就是平稳，我们目标就是要寻找那种价格在时间序列上表现平稳的股票。
我们找到价格平稳的股票之后，还要弄清楚，它是多长时间从低点到高点然后又回到高点，就是周期。有两个原因：1.我们要把周期太长的抛弃，你也不想等5年挣1%吧。2.我们尽量在一个周期内完成一次买卖操作，不要错过周期，它一年低点到高点波动10次，你就买卖一次，那就有点辜负人家的好意了。
接下来，我们就需要解决这两个问题：平稳性和周期。
平稳性测试
我打算使用ETF的数据来测试，因为ETF关联的是一篮子股票，和单只股票相比应该更平稳，更符合我们的意图。(至于,自己挑选多只股票,以不同权重组合起来以达到平稳，那是另外一个问题了，以后有机会再议)所有的数据都通过akshare来获取，你可以访问akshare的官方网站获取更多信息。
使用Dickey-Fuller（迪基-富勒）检验判断股票价格序列的平稳性。至于迪基-富勒检测的原理，你可以自行搜索，也可以看我在这篇关于迪基-富勒检验1整理的一些概念。
我们先把A股所有ETF查出来，然后逐一检测。检测的时候仅获取2023年1月1日以后的数据，使用的是收盘价。
import akshare as ak
import pandas as pd
from statsmodels.tsa.stattools import adfuller
from datetime import datetime
def adf_test(hist_data):
results=adfuller(hist_data, maxlag=None, regression='c', autolag='AIC')
# print('ADF Statistic: %f' % results[0])
# print('p-value: %f' % results[1])
# print('Critical Values:')
# for key, value in results[4].items():
# print('\t%s: %.3f' % (key, value))
if results[1] > 0.05:
# print("时间序列是非平稳的，p-value > 0.05")
return False
else:
# print("时间序列是平稳的，p-value <= 0.05")
return True
def process_row(row):
# print(row)
hist_data = ak.fund_etf_hist_sina(symbol=row['代码'])
if 'date' not in hist_data.columns:
print('date not in clolumns 代码:%s 名称:%s ' % (row['代码'],row['名称']))
print(hist_data)
return None
hist_data.set_index('date',inplace=True)
y=hist_data.loc[hist_data.index >= datetime.strptime('2023-01-01','%Y-%m-%d').date(), 'close']
# print(y)
if len(hist_data) < 15:
# print('代码:%s 名称:%s ' % (row['代码'],row['名称']))
# print(f"Data length: {len(y)}")
return None
if adf_test(y):
print('代码:%s 名称:%s 时间序列adf测试结果是平稳的' % (row['代码'],row['名称']))
return row['代码'],row['名称']
else:
return None
# 获取所有ETF基金信息
fund_etf_category_sina_df = ak.fund_etf_category_sina(symbol="ETF基金")
# 对所有基金做DF测试
results = fund_etf_category_sina_df.apply(process_row,axis=1).dropna()
p_results = [r for r in results if r is not None]
results_df = pd.DataFrame(p_results, columns=['代码', '名称'])
print(results_df)
# 将结果保存到csv
results_df.to_csv('datas/eft_fund_stationary_results.csv', index=False)
代码:sz159939 名称:信息技术ETF 时间序列adf测试结果是平稳的
代码:sz159933 名称:国投金融地产ETF 时间序列adf测试结果是平稳的
代码:sz159811 名称:5G50ETF 时间序列adf测试结果是平稳的
代码:sz159607 名称:中概互联网ETF 时间序列adf测试结果是平稳的
代码:sz159605 名称:中概互联ETF 时间序列adf测试结果是平稳的
代码:sz159587 名称:粮食50ETF 时间序列adf测试结果是平稳的
代码:sz159579 名称:深主板50ETF华安 时间序列adf测试结果是平稳的
代码:sz159570 名称:港股通创新药ETF 时间序列adf测试结果是平稳的
代码:sz159569 名称:港股红利低波ETF 时间序列adf测试结果是平稳的
代码:sz159567 名称:港股创新药ETF 时间序列adf测试结果是平稳的
代码:sz159557 名称:恒生医疗指数ETF 时间序列adf测试结果是平稳的
代码:sz159552 名称:中证2000增强ETF 时间序列adf测试结果是平稳的
代码:sz159545 名称:恒生红利低波ETF 时间序列adf测试结果是平稳的
代码:sz159507 名称:电信ETF 时间序列adf测试结果是平稳的
代码:sz159331 名称:红利港股ETF 时间序列adf测试结果是平稳的
代码:sz159330 名称:沪深300ETF基金 时间序列adf测试结果是平稳的
代码:sz159329 名称:沙特ETF 时间序列adf测试结果是平稳的
代码:sz159005 名称:汇添富快钱ETF 时间序列adf测试结果是平稳的
代码:sz159003 名称:招商快线ETF 时间序列adf测试结果是平稳的
代码:sz159001 名称:货币ETF 时间序列adf测试结果是平稳的
代码:sh563180 名称:高股息ETF 时间序列adf测试结果是平稳的
代码:sh520830 名称:沙特ETF 时间序列adf测试结果是平稳的
代码:sh516110 名称:汽车ETF 时间序列adf测试结果是平稳的
代码:sh512640 名称:金融地产ETF基金 时间序列adf测试结果是平稳的
代码:sh512160 名称:MSCI中国A股ETF 时间序列adf测试结果是平稳的
代码:sh511990 名称:华宝添益ETF 时间序列adf测试结果是平稳的
代码:sh511980 名称:现金添富ETF 时间序列adf测试结果是平稳的
代码:sh511970 名称:国寿货币ETF 时间序列adf测试结果是平稳的
代码:sh511960 名称:嘉实快线ETF 时间序列adf测试结果是平稳的
代码:sh511950 名称:添利货币ETF 时间序列adf测试结果是平稳的
代码:sh511930 名称:国联日盈货币ETF 时间序列adf测试结果是平稳的
代码:sh511920 名称:广发货币ETF 时间序列adf测试结果是平稳的
代码:sh511910 名称:融通货币ETF 时间序列adf测试结果是平稳的
代码:sh511900 名称:富国货币ETF 时间序列adf测试结果是平稳的
代码:sh511860 名称:保证金货币ETF 时间序列adf测试结果是平稳的
代码:sh511850 名称:财富宝ETF 时间序列adf测试结果是平稳的
代码:sh511830 名称:华泰货币ETF 时间序列adf测试结果是平稳的
代码:sh511820 名称:鹏华添利ETF 时间序列adf测试结果是平稳的
代码:sh511810 名称:理财金货币ETF 时间序列adf测试结果是平稳的
代码:sh511800 名称:易方达货币ETF 时间序列adf测试结果是平稳的
代码:sh511770 名称:金鹰增益货币ETF 时间序列adf测试结果是平稳的
代码:sh511700 名称:场内货币ETF 时间序列adf测试结果是平稳的
代码:sh511690 名称:交易货币ETF 时间序列adf测试结果是平稳的
代码:sh511670 名称:华泰天天金ETF 时间序列adf测试结果是平稳的
代码:sh511660 名称:货币ETF建信添益 时间序列adf测试结果是平稳的
代码:sh511650 名称:华夏快线ETF 时间序列adf测试结果是平稳的
代码:sh511620 名称:货币基金ETF 时间序列adf测试结果是平稳的
代码:sh511600 名称:货币ETF 时间序列adf测试结果是平稳的
代码 名称
0 sz159939 信息技术ETF
1 sz159933 国投金融地产ETF
2 sz159811 5G50ETF
3 sz159607 中概互联网ETF
4 sz159605 中概互联ETF
5 sz159587 粮食50ETF
6 sz159579 深主板50ETF华安
7 sz159570 港股通创新药ETF
8 sz159569 港股红利低波ETF
9 sz159567 港股创新药ETF
10 sz159557 恒生医疗指数ETF
11 sz159552 中证2000增强ETF
12 sz159545 恒生红利低波ETF
13 sz159507 电信ETF
14 sz159331 红利港股ETF
15 sz159330 沪深300ETF基金
16 sz159329 沙特ETF
17 sz159005 汇添富快钱ETF
18 sz159003 招商快线ETF
19 sz159001 货币ETF
20 sh563180 高股息ETF
21 sh520830 沙特ETF
22 sh516110 汽车ETF
23 sh512640 金融地产ETF基金
24 sh512160 MSCI中国A股ETF
25 sh511990 华宝添益ETF
26 sh511980 现金添富ETF
27 sh511970 国寿货币ETF
28 sh511960 嘉实快线ETF
29 sh511950 添利货币ETF
30 sh511930 国联日盈货币ETF
31 sh511920 广发货币ETF
32 sh511910 融通货币ETF
33 sh511900 富国货币ETF
34 sh511860 保证金货币ETF
35 sh511850 财富宝ETF
36 sh511830 华泰货币ETF
37 sh511820 鹏华添利ETF
38 sh511810 理财金货币ETF
39 sh511800 易方达货币ETF
40 sh511770 金鹰增益货币ETF
41 sh511700 场内货币ETF
42 sh511690 交易货币ETF
43 sh511670 华泰天天金ETF
44 sh511660 货币ETF建信添益
45 sh511650 华夏快线ETF
46 sh511620 货币基金ETF
47 sh511600 货币ETF
半衰期
下面的代码中，半衰期是通过对时间序列数据进行自回归分析（AR模型）得到的,这篇关于迪基-富勒检验的文章中也整理了一些概念。至于，为什么，我无法解释。如果你能解释，请给我留言。
import statsmodels.api as sm
import numpy as np
def get_halflife(y):
ylag = y.shift() #创建一个滞后变量
# print(ylag)
deltay = y - ylag #计算收盘价的差分
# print(deltay)
deltay = deltay[1:] #删除第一个NaN值
# print(deltay)
# print(ylag[1:])
X=sm.add_constant(ylag[1:]) # 为滞后变量添加常数项
# print(X)
model=sm.OLS(deltay, X) #创建一个线性回归模型
res=model.fit() #拟合模型
halflife=-np.log(2)/res.params.iloc[1] #计算半衰期
print('halflife:',halflife)
return halflife
stationary_df = pd.read_csv('datas/eft_fund_stationary_results.csv')
# 遍历每一行
for index, row in stationary_df.iterrows():
print(f"Row index: {index}, Values: {row['代码']}, {row['名称']}")
fund_etf_hist_sina_df = ak.fund_etf_hist_sina(symbol=row['代码'])
# print(fund_etf_hist_sina_df)
fund_etf_hist_sina_df.set_index('date',inplace=True)
y=fund_etf_hist_sina_df.loc[fund_etf_hist_sina_df.index >= datetime.strptime('2022-01-01','%Y-%m-%d').date(), 'close']
halflife = get_halflife(y)
if halflife is not None:
stationary_df.loc[index, '半衰期'] = halflife
stationary_df.loc[index, '最高价'] = y.max()
stationary_df.loc[index, '最低价'] = y.min()
# print(stationary_df)
stationary_df.to_csv('datas/eft_fund_stationary_halflife.csv', index=False)
Row index: 0, Values: sz159939, 信息技术ETF
halflife: 92.34305228118055
Row index: 1, Values: sz159933, 国投金融地产ETF
halflife: 20.68724512575711
Row index: 2, Values: sz159811, 5G50ETF
halflife: 26.37190816021413
Row index: 3, Values: sz159607, 中概互联网ETF
halflife: 17.28790422641463
Row index: 4, Values: sz159605, 中概互联ETF
halflife: 17.06493212981132
Row index: 5, Values: sz159587, 粮食50ETF
halflife: 2.949089109871738
Row index: 6, Values: sz159579, 深主板50ETF华安
halflife: 2.813338527596978
Row index: 7, Values: sz159570, 港股通创新药ETF
halflife: 6.72602477892452
Row index: 8, Values: sz159569, 港股红利低波ETF
halflife: 6.982621873502573
Row index: 9, Values: sz159567, 港股创新药ETF
halflife: 5.551490912970278
Row index: 10, Values: sz159557, 恒生医疗指数ETF
halflife: 3.886180626825971
Row index: 11, Values: sz159552, 中证2000增强ETF
halflife: 1.6623555515355546
Row index: 12, Values: sz159545, 恒生红利低波ETF
halflife: 9.563267261024693
Row index: 13, Values: sz159507, 电信ETF
halflife: 15.354744585135212
Row index: 14, Values: sz159331, 红利港股ETF
halflife: 5.127745146257745
Row index: 15, Values: sz159330, 沪深300ETF基金
halflife: 6.224023324277483
Row index: 16, Values: sz159329, 沙特ETF
halflife: 4.358172512022778
Row index: 17, Values: sz159005, 汇添富快钱ETF
halflife: 0.6930003555249722
Row index: 18, Values: sz159003, 招商快线ETF
halflife: 1.4086066553569159
Row index: 19, Values: sz159001, 货币ETF
halflife: 0.7891527486212535
Row index: 20, Values: sh563180, 高股息ETF
halflife: 16.960359750665614
Row index: 21, Values: sh520830, 沙特ETF
halflife: 3.7269403800137626
Row index: 22, Values: sh516110, 汽车ETF
halflife: 23.956386651978036
Row index: 23, Values: sh512640, 金融地产ETF基金
halflife: 21.492512923053198
Row index: 24, Values: sh512160, MSCI中国A股ETF
halflife: 106.42494264934585
Row index: 25, Values: sh511990, 华宝添益ETF
halflife: 1.0355531761823507
Row index: 26, Values: sh511980, 现金添富ETF
halflife: 0.8344262170791367
Row index: 27, Values: sh511970, 国寿货币ETF
halflife: 0.729031882259672
Row index: 28, Values: sh511960, 嘉实快线ETF
halflife: 2.4253386106330748
Row index: 29, Values: sh511950, 添利货币ETF
halflife: 1.1395445691593764
Row index: 30, Values: sh511930, 国联日盈货币ETF
halflife: 0.7663723096457301
Row index: 31, Values: sh511920, 广发货币ETF
halflife: 0.9131814944393649
Row index: 32, Values: sh511910, 融通货币ETF
halflife: 0.7700386811412008
Row index: 33, Values: sh511900, 富国货币ETF
halflife: 0.9199089818384839
Row index: 34, Values: sh511860, 保证金货币ETF
halflife: 0.7353234140098629
Row index: 35, Values: sh511850, 财富宝ETF
halflife: 1.7391021847980375
Row index: 36, Values: sh511830, 华泰货币ETF
halflife: 0.7853783252242303
Row index: 37, Values: sh511820, 鹏华添利ETF
halflife: 0.6984652914285889
Row index: 38, Values: sh511810, 理财金货币ETF
halflife: 1.1692529552911715
Row index: 39, Values: sh511800, 易方达货币ETF
halflife: 0.8153931709406015
Row index: 40, Values: sh511770, 金鹰增益货币ETF
halflife: 0.7606485418287927
Row index: 41, Values: sh511700, 场内货币ETF
halflife: 0.8159305221884142
Row index: 42, Values: sh511690, 交易货币ETF
halflife: 0.8158787320359637
Row index: 43, Values: sh511670, 华泰天天金ETF
halflife: 1.4621583710852248
Row index: 44, Values: sh511660, 货币ETF建信添益
halflife: 0.9027364815815827
Row index: 45, Values: sh511650, 华夏快线ETF
halflife: 0.7742258733578317
Row index: 46, Values: sh511620, 货币基金ETF
halflife: 0.7385332559142509
Row index: 47, Values: sh511600, 货币ETF
halflife: 0.714136626739289
我们进一步筛选一下，把半衰期太长(大于30)和太短(小于5)的抛弃。
target_df = pd.read_csv('datas/eft_fund_stationary_halflife.csv')
filtered_df = target_df[(target_df['半衰期'] > 5) & (target_df['半衰期'] < 30)].copy()
filtered_df.loc[:, '最大涨幅'] = (filtered_df['最高价'] - filtered_df['最低价']) / filtered_df['最低价']
# 按最大涨幅降序排序
sorted_df = filtered_df.sort_values(by='最大涨幅', ascending=False)
# pd.set_option('display.max_rows', 100) # 设置最多显示100行
# 打印结果
print(sorted_df)
代码 名称 半衰期 最高价 最低价 最大涨幅
3 sz159607 中概互联网ETF 17.287904 0.960 0.545 0.761468
4 sz159605 中概互联ETF 17.064932 0.957 0.545 0.755963
2 sz159811 5G50ETF 26.371908 1.281 0.771 0.661479
22 sh516110 汽车ETF 23.956387 1.312 0.828 0.584541
13 sz159507 电信ETF 15.354745 1.024 0.736 0.391304
23 sh512640 金融地产ETF基金 21.492513 2.110 1.564 0.349105
9 sz159567 港股创新药ETF 5.551491 1.004 0.754 0.331565
1 sz159933 国投金融地产ETF 20.687245 2.526 1.900 0.329474
7 sz159570 港股通创新药ETF 6.726025 0.923 0.753 0.225764
12 sz159545 恒生红利低波ETF 9.563267 1.132 0.977 0.158649
20 sh563180 高股息ETF 16.960360 1.036 0.933 0.110397
14 sz159331 红利港股ETF 5.127745 1.011 0.924 0.094156
8 sz159569 港股红利低波ETF 6.982622 1.016 0.939 0.082002
15 sz159330 沪深300ETF基金 6.224023 1.002 0.951 0.053628
上面对涨幅进行了排序，中概互联网ETF涨幅最大，我们来把数据拉出来验证一下
etf_df = ak.fund_etf_hist_sina(symbol='sz159607')
etf_df.set_index('date',inplace=True)
close_data=etf_df.loc[etf_df.index >= datetime.strptime('2023-01-01','%Y-%m-%d').date(), 'close'].to_frame()
# close_data.plot(figsize=(12, 6))
close_data['MA17'] = close_data.rolling(window=17).mean().ffill()
close_data.plot(y=['close', 'MA17'], figsize=(12, 6))
这个曲线看起来还可以，应该能挣到钱吧。用backtrader回测下试试。
from datetime import datetime
import backtrader as bt
import pandas as pd
class SimpleMovingAverage(bt.Strategy):
"""
主策略程序
"""
params = (("maperiod", 17),) # 全局设定交易策略的参数
def __init__(self):
"""
初始化函数
"""
self.data_close = self.datas[0].close # 指定价格序列
# 初始化交易指令、买卖价格和手续费
self.order = None
self.buy_price = None
self.buy_comm = None
# 添加移动均线指标
self.sma = bt.indicators.SimpleMovingAverage(
self.datas[0], period=self.params.maperiod
)
def log(self, txt, dt=None):
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def next(self):
"""
执行逻辑
"""
if self.order: # 检查是否有指令等待执行,
return
if self.data_close[0] > self.sma[0]:# 执行卖出条件判断：收盘价格高于日均线
if self.position: # 检查是否持仓
self.order = self.sell(size=20000)
if self.data_close[0] < self.sma[0]: # 执行买入条件判断：收盘价格跌破日均线
self.order = self.buy(size=20000)
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]:
return
if order.status in [order.Completed]:
if order.isbuy():
self.log('BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
elif order.issell():
self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
self.order = None
def get_data_byakshare(code,start_date,end_date):
fund_etf_hist_sina_df = ak.fund_etf_hist_sina(symbol=code)
df=fund_etf_hist_sina_df.loc[(fund_etf_hist_sina_df['date'] >= start_date) & (fund_etf_hist_sina_df['date'] <= end_date)]
# print(df)
df.columns = ['trade_date', 'open', 'high', 'low', 'close','volume']
# df.loc[:, 'trade_date'] = pd.to_datetime(df['trade_date'])
df.set_index('trade_date', inplace=True)
df.index = pd.to_datetime(df.index)
# df.ffill()
return df
cerebro = bt.Cerebro()
cerebro.addstrategy(SimpleMovingAverage)
start_date = datetime(2024, 3, 1) # 回测开始时间
end_date = datetime(2024, 9, 1) # 回测结束时间
stock_code = "sz159607"
data = get_data_byakshare(stock_code,start_date.date(),end_date.date())
datafeed = bt.feeds.PandasData(dataname=data,
fromdate=start_date,
todate=end_date)
cerebro.adddata(datafeed,name=stock_code)
cerebro.broker.setcash(100000.0)
# cerebro.addsizer(bt.sizers.FixedSize, stake=10)
cerebro.broker.setcommission(commission=0.002)
print('组合初始值: %.2f' % cerebro.broker.getvalue())
result=cerebro.run()
print('组合终结值: %.2f' % cerebro.broker.getvalue())
# cerebro.plot()
组合初始值: 100000.00
2024-04-16, BUY EXECUTED, Price: 0.71, Cost: 14300.00, Comm 28.60
2024-04-17, BUY EXECUTED, Price: 0.71, Cost: 14220.00, Comm 28.44
2024-04-18, BUY EXECUTED, Price: 0.71, Cost: 14120.00, Comm 28.24
2024-04-19, BUY EXECUTED, Price: 0.70, Cost: 14020.00, Comm 28.04
2024-04-22, BUY EXECUTED, Price: 0.71, Cost: 14140.00, Comm 28.28
2024-04-23, BUY EXECUTED, Price: 0.73, Cost: 14680.00, Comm 29.36
2024-04-24, SELL EXECUTED, Price: 0.76, Cost: 14246.67, Comm 30.36
2024-04-25, SELL EXECUTED, Price: 0.77, Cost: 14246.67, Comm 30.80
2024-04-26, SELL EXECUTED, Price: 0.77, Cost: 14246.67, Comm 30.96
2024-04-29, SELL EXECUTED, Price: 0.80, Cost: 14246.67, Comm 31.92
2024-04-30, SELL EXECUTED, Price: 0.80, Cost: 14246.67, Comm 31.80
2024-05-06, SELL EXECUTED, Price: 0.84, Cost: 14246.67, Comm 33.44
2024-05-27, BUY EXECUTED, Price: 0.84, Cost: 16800.00, Comm 33.60
2024-05-28, SELL EXECUTED, Price: 0.85, Cost: 16800.00, Comm 33.96
2024-05-29, BUY EXECUTED, Price: 0.84, Cost: 16760.00, Comm 33.52
2024-05-30, BUY EXECUTED, Price: 0.82, Cost: 16440.00, Comm 32.88
2024-05-31, BUY EXECUTED, Price: 0.83, Cost: 16580.00, Comm 33.16
2024-06-03, BUY EXECUTED, Price: 0.82, Cost: 16360.00, Comm 32.72
2024-06-04, BUY EXECUTED, Price: 0.82, Cost: 16380.00, Comm 32.76
2024-06-05, BUY EXECUTED, Price: 0.83, Cost: 16520.00, Comm 33.04
2024-06-06, Order Canceled/Margin/Rejected
2024-06-07, Order Canceled/Margin/Rejected
2024-06-11, Order Canceled/Margin/Rejected
2024-06-12, Order Canceled/Margin/Rejected
2024-06-13, Order Canceled/Margin/Rejected
2024-06-14, Order Canceled/Margin/Rejected
2024-06-17, Order Canceled/Margin/Rejected
2024-06-18, Order Canceled/Margin/Rejected
2024-06-19, Order Canceled/Margin/Rejected
2024-06-20, SELL EXECUTED, Price: 0.84, Cost: 16506.67, Comm 33.48
2024-06-21, SELL EXECUTED, Price: 0.82, Cost: 16506.67, Comm 32.76
2024-06-24, BUY EXECUTED, Price: 0.80, Cost: 16040.00, Comm 32.08
2024-06-25, BUY EXECUTED, Price: 0.80, Cost: 16080.00, Comm 32.16
2024-06-26, Order Canceled/Margin/Rejected
2024-06-27, Order Canceled/Margin/Rejected
2024-06-28, Order Canceled/Margin/Rejected
2024-07-01, Order Canceled/Margin/Rejected
2024-07-02, Order Canceled/Margin/Rejected
2024-07-03, Order Canceled/Margin/Rejected
2024-07-04, Order Canceled/Margin/Rejected
2024-07-05, Order Canceled/Margin/Rejected
2024-07-08, Order Canceled/Margin/Rejected
2024-07-09, Order Canceled/Margin/Rejected
2024-07-10, Order Canceled/Margin/Rejected
2024-07-11, Order Canceled/Margin/Rejected
2024-07-12, SELL EXECUTED, Price: 0.82, Cost: 16357.78, Comm 32.68
2024-07-15, SELL EXECUTED, Price: 0.82, Cost: 16357.78, Comm 32.88
2024-07-16, SELL EXECUTED, Price: 0.80, Cost: 16357.78, Comm 32.04
2024-07-17, SELL EXECUTED, Price: 0.80, Cost: 16357.78, Comm 31.88
2024-07-18, SELL EXECUTED, Price: 0.79, Cost: 16357.78, Comm 31.48
2024-07-19, BUY EXECUTED, Price: 0.79, Cost: 15700.00, Comm 31.40
2024-07-22, BUY EXECUTED, Price: 0.78, Cost: 15560.00, Comm 31.12
2024-07-23, BUY EXECUTED, Price: 0.80, Cost: 15900.00, Comm 31.80
2024-07-24, BUY EXECUTED, Price: 0.78, Cost: 15620.00, Comm 31.24
2024-07-25, BUY EXECUTED, Price: 0.77, Cost: 15360.00, Comm 30.72
2024-07-26, Order Canceled/Margin/Rejected
2024-07-29, Order Canceled/Margin/Rejected
2024-07-30, Order Canceled/Margin/Rejected
2024-07-31, Order Canceled/Margin/Rejected
2024-08-01, Order Canceled/Margin/Rejected
2024-08-02, Order Canceled/Margin/Rejected
2024-08-05, Order Canceled/Margin/Rejected
2024-08-06, Order Canceled/Margin/Rejected
2024-08-07, Order Canceled/Margin/Rejected
2024-08-08, Order Canceled/Margin/Rejected
2024-08-09, Order Canceled/Margin/Rejected
2024-08-12, SELL EXECUTED, Price: 0.77, Cost: 15749.63, Comm 30.80
2024-08-13, SELL EXECUTED, Price: 0.78, Cost: 15749.63, Comm 31.00
2024-08-14, SELL EXECUTED, Price: 0.78, Cost: 15749.63, Comm 31.16
2024-08-15, SELL EXECUTED, Price: 0.76, Cost: 15749.63, Comm 30.48
2024-08-16, SELL EXECUTED, Price: 0.78, Cost: 15749.63, Comm 31.04
2024-08-19, SELL EXECUTED, Price: 0.80, Cost: 15749.63, Comm 31.88
2024-08-28, BUY EXECUTED, Price: 0.74, Cost: 14860.00, Comm 29.72
2024-08-29, BUY EXECUTED, Price: 0.72, Cost: 14440.00, Comm 28.88
2024-08-30, BUY EXECUTED, Price: 0.74, Cost: 14740.00, Comm 29.48
组合终结值: 106851.96
3月1号到9月1号，10W的本金，折腾半年挣了6851，收益率6.8%，啧啧。怎么说呢，好像还真有点赚头…（其实，每次下单量对收益也有影响，我调整了几次，发现20000可能是收益最高的了，真实交易的时候是不会给我这种调整的机会的...还有，这策略每天都要操作，要玩起来可能还真的全职，但交易太频繁成本也高，佣金都要3000块了，交易成本占收益一半，还是慎重吧...）
上面的方法大都出自《算法交易》这本书。
刚看完这书的时候，我意气风发，都准备辞职在家全职炒股了。现在再看，半年挣6千...唉，还是算了，安心搬砖吧。
----------------------------------------------------------------------
Footnotes
版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！
标签：
相关文章
最新发布
- 【Python】selenium安装+Microsoft Edge驱动器下载配置流程
- Python 中自动打开网页并点击[自动化脚本],Selenium
- Anaconda基础使用
- 【Python】成功解决 TypeError: ‘＜‘ not supported between instances of ‘str’ and ‘int’
- manim边学边做--三维的点和线
- CPython是最常用的Python解释器之一，也是Python官方实现。它是用C语言编写的，旨在提供一个高效且易于使用的Python解释器。
- Anaconda安装配置Jupyter（2024最新版）
- Python中读取Excel最快的几种方法！
- Python某城市美食商家爬虫数据可视化分析和推荐查询系统毕业设计论文开题报告
- 如何使用 Python 批量检测和转换 JSONL 文件编码为 UTF-8
点击排行
- 版本匹配指南：Numpy版本和Python版本的对应关系
- 版本匹配指南：PyTorch版本、torchvision 版本和Python版本的对应关系
- Python 可视化 web 神器：streamlit、Gradio、dash、nicegui；低代码 Python Web 框架：PyWebIO
- 相关性分析——Pearson相关系数+热力图(附data和Python完整代码)
- Python与PyTorch的版本对应
- Anaconda版本和Python版本对应关系（持续更新...）
- Python pyinstaller打包exe最完整教程
- Could not build wheels for llama-cpp-python, which is required to install pyproject.toml-based proj
本站推荐
