返回介绍

第一部分 新手入门

第二部分 股票量化相关

第三部分 基金、利率互换、固定收益类

第四部分 衍生品相关

4.4 阿隆指标 • 技术指标阿隆( Aroon )全解析

发布于 2022-02-20 22:26:15 字数 16302 浏览 1578 评论 0 收藏 0

一、阿隆指标(Aroon)简介

阿隆指标(Aroon)是由图莎尔·钱德(Tushar Chande)1995 年发明的,它通过计算自价格达到近期最高值和最低值以来所经过的期间数,帮助投资者预测证券价格从趋势到区域、区域或反转的变化。在技术分析领域中,有一个说法,一个指标使用的人越多,其效力越低。这个技术指标还挺冷门的,我们一同来看看它的效果。

from CAL.PyCAL import *
import numpy as np
import pandas as pd
from pandas import DataFrame 
from heapq import nlargest
from heapq import nsmallest

二、Aroon计算方法

Aroon指标分为两个具体指标,分别AroonUpAroonDown。其具体计算方式为:

  • AroonUp = [(计算期天数-最高价后的天数)/计算期天数]*100
  • AroonDown = [(计算期天数-最低价后的天数)/计算期天数]*100
  • AroonOsc = AroonUp - AroonDown

计算期天数通常取20天

def aroonUp(account,timeLength=20):
    #运用heapq包的nlargest函数,可以轻松获得:计算期天数-最高价后的天数
    eq_AroonUp = {}
    history = account.get_attribute_history('closePrice',timeLength)
    for stk in account.universe:
        priceSeries = pd.Series(history[stk])
        eq_AroonUp[stk] = (nlargest(1,range(len(priceSeries)),key=priceSeries.get)[0]+1)*100/timeLength # eq_AroonUp[stk]范围在[5,100]之间
    return eq_AroonUp

def aroonDown(account,timeLength=20):
    #运用heapq包的nsmallest函数,可以轻松获得:计算期天数-最低价后的天数
    eq_AroonDown = {}
    history = account.get_attribute_history('closePrice',timeLength)
    for stk in account.universe:
        priceSeries = pd.Series(history[stk])
        eq_AroonDown[stk] = (nsmallest(1,range(len(priceSeries)),key=priceSeries.get)[0]+1)*100/timeLength # eq_AroonDown[stk]范围在[5,100]之间
    return eq_AroonDown

三、Aroon指标的基本用法

  • AroonUp指标向下跌破50 时,表示向上的趋势正在失去动力;当AroonDown指标向下跌破50时,表示向下的趋势正在失去动力;如果两个指标都在低位,表示股价没有明确的趋势;如果指标在70 以上,表示趋势十分强烈;如果在30 以下,表明相反的趋势正在酝酿。通常来说,AroonOsc在0附近时,是典型的无趋势特征,股票处于盘整阶段。
  • 参考研报《技术指标系列(三)——加入“二次确认”的AROON 阿隆优化指标》中的方法,我们买入AroonOsc > 50的股票。
start = '2009-08-01'                       # 回测起始时间
end = '2015-08-31'                         # 回测结束时间
benchmark = 'HS300'                        # 策略参考标准
universe = set_universe('HS300')             # 证券池,支持股票和基金
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
refresh_rate = 10                          # 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

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
    eq_AroonUp = aroonUp(account,20)
    eq_AroonDown = aroonDown(account,20)
    buyList = []
    for stk in account.valid_secpos:
            order_to(stk, 0)

    for stk in account.universe:
        if  eq_AroonUp[stk] - eq_AroonDown[stk] > 50:
            buyList.append(stk)

    for stk in buyList[:]:
        if stk not in account.universe or account.referencePrice[stk] == 0 or np.isnan(account.referencePrice[stk]):
            buyList.remove(stk)

    for stk in buyList:
        order(stk, account.referencePortfolioValue/account.referencePrice[stk]/len(buyList))

可以看出,策略在股市处于震荡市和牛市中,表现很好;而在熊市和暴跌中,表现的非常差,最大回撤很大。这从阿隆指标的构造中,就可以理解,阿隆指标是一个跟踪趋势的指标,在震荡市和牛市中,都能精选出股票,超越指数;然而在暴跌中,处于上升趋势的股票可能跌的更惨,倾巢之下,焉有完卵。。。

四、运用Aroon指标来择时

前文说到阿隆指标是一个跟踪趋势的指标,既然如此,我们为什么不把它用来择时呢?

def aroonIndex(account,timeLength=20):
    #构建指数阿隆指标
    indexSeries = pd.Series(account.get_symbol_history('benchmark', timeLength)['closeIndex'])
    indexAronUp = (nlargest(1,range(len(indexSeries)),key=indexSeries.get)[0]+1)*100/timeLength
    indexAronDown = (nsmallest(1,range(len(indexSeries)),key=indexSeries.get)[0]+1)*100/timeLength
    indexOsc = indexAronUp - indexAronDown
    return indexOsc

indexOsc > 0时,我们大致认为现在的市场环境没有那么差,可以考虑开仓,编写如下策略。

start = '2009-08-01'                       # 回测起始时间
end = '2015-08-31'                         # 回测结束时间
benchmark = 'HS300'                        # 策略参考标准
universe = set_universe('HS300')             # 证券池,支持股票和基金
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
refresh_rate = 10                          # 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

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
    eq_AroonUp = aroonUp(account,20)
    eq_AroonDown = aroonDown(account,20)
    index_osc = aroonIndex(account,20)
    buyList = []
    for stk in account.valid_secpos:
            order_to(stk, 0)

    if index_osc > 0:
        for stk in account.universe:
            if  eq_AroonUp[stk] - eq_AroonDown[stk] > 50:
                buyList.append(stk)

        for stk in buyList[:]:
            if stk not in account.universe or account.referencePrice[stk] == 0 or np.isnan(account.referencePrice[stk]):
                buyList.remove(stk)

        for stk in buyList:
            order(stk, account.referencePortfolioValue/account.referencePrice[stk]/len(buyList))

可以看出运用阿隆指标来择时的效果还是不错的,震荡市能跑赢指数,牛市的收益基本可以吃到,暴跌也几乎完美的规避了!缺点就是最大回测还是偏大,可以考虑让条件更严格,让indexOsc > 50

start = '2009-08-01'                       # 回测起始时间
end = '2015-08-31'                         # 回测结束时间
benchmark = 'HS300'                        # 策略参考标准
universe = set_universe('HS300')             # 证券池,支持股票和基金
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
refresh_rate = 10                          # 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

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
    eq_AroonUp = aroonUp(account,20)
    eq_AroonDown = aroonDown(account,20)
    index_osc = aroonIndex(account,20)
    buyList = []
    for stk in account.valid_secpos:
            order_to(stk, 0)

    if index_osc > 50:
        for stk in account.universe:
            if  eq_AroonUp[stk] - eq_AroonDown[stk] > 50:
                buyList.append(stk)

        for stk in buyList[:]:
            if stk not in account.universe or account.referencePrice[stk] == 0 or np.isnan(account.referencePrice[stk]):
                buyList.remove(stk)

        for stk in buyList:
            order(stk, account.referencePortfolioValue/account.referencePrice[stk]/len(buyList))

将择时条件设置更严格后,最大回撤果然有所下降,但年化收益率也有大幅下降。从回测图形中,也可以明显看到,指标具有很强的滞后性,往往是指数开始涨了一段时间,策略才开始开仓买入。将indexOsc条件设置的越严格,滞后性表现的就越明显,这样虽然可以提高正确率,减小最大回撤,但有许多收益也错过了。

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。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。
列表为空,暂无数据
    我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
    原文