第一部分 新手入门
- 一 量化投资视频学习课程
- 二 Python 手把手教学
- 量化分析师的Python日记【第1天:谁来给我讲讲Python?】
- 量化分析师的Python日记【第2天:再接着介绍一下Python呗】
- 量化分析师的Python日记【第3天:一大波金融Library来袭之numpy篇】
- 量化分析师的Python日记【第4天:一大波金融Library来袭之scipy篇】
- 量化分析师的Python日记【第5天:数据处理的瑞士军刀pandas】
- 量化分析师的Python日记【第6天:数据处理的瑞士军刀pandas下篇
- 量化分析师的Python日记【第7天:Q Quant 之初出江湖】
- 量化分析师的Python日记【第8天 Q Quant兵器谱之函数插值】
- 量化分析师的Python日记【第9天 Q Quant兵器谱之二叉树】
- 量化分析师的Python日记【第10天 Q Quant兵器谱 -之偏微分方程1】
- 量化分析师的Python日记【第11天 Q Quant兵器谱之偏微分方程2】
- 量化分析师的Python日记【第12天:量化入门进阶之葵花宝典:因子如何产生和回测】
- 量化分析师的Python日记【第13天 Q Quant兵器谱之偏微分方程3】
- 量化分析师的Python日记【第14天:如何在优矿上做Alpha对冲模型】
- 量化分析师的Python日记【第15天:如何在优矿上搞一个wealthfront出来】
第二部分 股票量化相关
- 一 基本面分析
- 1.1 alpha 多因子模型
- 1.2 基本面因子选股
- 1.3 财报阅读 • [米缸量化读财报] 资产负债表-投资相关资产
- 1.4 股东分析
- 1.5 宏观研究
- 二 套利
- 三 事件驱动
- 四 技术分析
- 4.1 布林带
- 4.2 均线系统
- 4.3 MACD
- 4.4 阿隆指标 • 技术指标阿隆( Aroon )全解析
- 4.5 CCI • CCI 顺势指标探索
- 4.6 RSI
- 4.7 DMI • DMI 指标体系的构建及简单应用
- 4.8 EMV • EMV 技术指标的构建及应用
- 4.9 KDJ • KDJ 策略
- 4.10 CMO
- 4.11 FPC • FPC 指标选股
- 4.12 Chaikin Volatility
- 4.13 委比 • 实时计算委比
- 4.14 封单量
- 4.15 成交量 • 决战之地, IF1507 !
- 4.16 K 线分析 • 寻找夜空中最亮的星
- 五 量化模型
- 5.1 动量模型
- 5.2 Joseph Piotroski 9 F-Score Value Investing Model
- 5.3 SVR
- 5.4 决策树、随机树
- 5.5 钟摆理论
- 5.6 海龟模型
- 5.7 5217 策略
- 5.8 SMIA
- 5.9 神经网络
- 5.10 PAMR
- 5.11 Fisher Transform
- 5.12 分型假说, Hurst 指数
- 5.13 变点理论
- 5.14 Z-score Model
- 5.15 机器学习
- 5.16 DualTrust 策略和布林强盗策略
- 5.17 卡尔曼滤波
- 5.18 LPPL anti-bubble model
- 六 大数据模型
- 6.1 市场情绪分析
- 6.2 新闻热点
- 七 排名选股系统
- 八 轮动模型
- 九 组合投资
- 十 波动率
- 十一 算法交易
- 十二 中高频交易
- 十三 Alternative Strategy
第三部分 基金、利率互换、固定收益类
- 一 分级基金
- 二 基金分析
- 三 债券
- 四 利率互换
第四部分 衍生品相关
- 一 期权数据
- 二 期权系列
- 三 期权分析
- 四 期货分析
文章来源于网络收集而来,版权归原创者所有,如有侵权请及时联系!
HS300ETF套利(上)
新股民入市时,一般都会收到一句忠告:“买ETF吧!”。
对于大部分散户而言,这句话十分刺耳,但是却无比正确。
假设来了:如果定投HS300ETF,那么从510300ETF基金上市以来,收益如何呢?
df = DataAPI.MktFunddAdjGet(ticker='510300',field='tradeDate,closePrice')
print '涨幅:%s%%' %(100*df.closePrice.iloc[-1] / df.closePrice.iloc[0]-100)
df.head().append(df.tail())
涨幅:45.1420890937%
tradeDate | closePrice | |
---|---|---|
0 | 2012-05-28 | 2.6040 |
1 | 2012-05-29 | 2.6440 |
2 | 2012-05-30 | 2.6360 |
3 | 2012-05-31 | 2.6300 |
4 | 2012-06-01 | 2.6300 |
848 | 2015-11-23 | 3.9869 |
849 | 2015-11-24 | 3.9901 |
850 | 2015-11-25 | 4.0142 |
851 | 2015-11-26 | 3.9953 |
852 | 2015-11-27 | 3.7795 |
可以看到,三年多涨幅高达45%,这还是在经历了股灾后的收益。
不费心不费力,就可以大幅跑赢宝宝。
不过值得注意的是,如果买在牛市高点,那就要套牢了。
也许你要问了,这个东西,确实是很省心,而且也享受了大盘上涨带来的红利,但是这个收益,咱还能不能再提高点呢?
答案当然是肯定的。
目前市场上,挂钩HS300指数的ETF基金有好几款,其中流通性最好的就是沪市的510300和深市的159919。我的策略思路是:
两只ETF均挂钩HS300指数,估值透明,当A折价大于B时,卖出B买入A,反之同理。
直接上代码:
from CAL.PyCAL import *
start = '2015-01-01' # 回测起始时间
end = '2015-11-26' # 回测结束时间
benchmark = 'HS300' # 策略参考标准
universe = ['510300.XSHG', '159919.XSHE'] # 证券池,支持股票和基金
sh300, sz300 = universe
capital_base = 100000 # 起始资金
freq = 'd' # 策略类型,'d'表示日间策略使用日线回测,'m'表示日内策略使用分钟线回测
commission = Commission(buycost=0.00015, sellcost=0.00015)
refresh_rate = 1 # 调仓频率,表示执行handle_data的时间间隔,若freq = 'd'时间间隔的单位为交易日,若freq = 'm'时间间隔为分钟
cal = Calendar('China.SSE')
def initialize(account): # 初始化虚拟账户状态
pass
def handle_data(account): # 每个交易日的买入卖出指令
# 有停牌的话,今天就跳过。
if len(account.universe) < 2: return
last_date = cal.advanceDate(account.current_date, '-1B').strftime('%Y%m%d')
try:
# 获取两只基金昨日收盘时的折价率
sh300_df = DataAPI.MktFunddGet(ticker=u"510300",beginDate=last_date,endDate=last_date,field=u"discountRatio",pandas="1")
sz300_df = DataAPI.MktFunddGet(ticker=u"159919",beginDate=last_date,endDate=last_date,field=u"discountRatio",pandas="1")
discount_sh = sh300_df.discountRatio[0]
discount_sz = sz300_df.discountRatio[0]
except:
return
# 搬搬搬
if discount_sh - discount_sz > 0.002:
order_pct_to(sh300, 0.99)
order_pct_to(sz300, 0)
elif discount_sz - discount_sh > 0.002:
order_pct_to(sh300, 0)
order_pct_to(sz300, .99)
效果看着还可以吧。
这个策略还比较粗糙,而且市场容量有限,权当抛砖引玉。
有心人可以再研究交流。
有机会会再写一篇(下),做一些更细节的测试。
本文不做任何买入建议,后果概不负责!!!
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论