作者：老余捞鱼
原创不易，转载请标明出处及原作者。
写在前面的话：本文详细介绍了一种基于股票10天低点的交易策略，即在股票达到新的10日低点并且交易价格高于其50日和200日移动平均线时买入。当价格达到新的10日高点、跌破50日移动平均线或已连续10天未平仓时卖出。并会通过数据和图表展示了这种策略的盈利能力。
我最近测试了一种由Larry Connors和Cesar Alvarez提出的交易策略，该策略在股票触及10日低点时买入。测试数据似乎支持这一假设，即这种策略是有利可图的。
大约一个月前，我发布了一篇详细介绍在低点买入、高点卖出的交易策略的文章，我进行了更深入的分析，涉及一个“基准案例”，最终得出了一些有趣的结果。我只是想看看大家对我的分析有什么看法。
1、信号
策略：当股票达到新的10日低点并且交易价格高于其50日和200日移动平均线时买入。当价格达到新的10日高点、跌破50日移动平均线或已连续10天未平仓时卖出。
基本案例：以随机价格买入一只股票，并随机持有1到10天的时间。
2、分析参数
- 初始投资：$5,000
- 交易费用：3.95（OptionsHouse）
- 滑点：目标价格的[99.5%，100.5%]
- 试验次数：10,000
3、图表图例说明
- 灰色：每次试验的交易结束时投资组合价值
- 蓝色：灰色值的中间25%
- 红色：买入并持有标普500的回报
4、数据比对实例
4.1、2007 年数据比对
4.1.1、策略执行（Strategy）
- 平均回报率：44.4%
- 样本标准差：29.8%
- 最大回报率：207%
- 最小回报率：-40%
- 胜场次数：9,552
- 败场次数：448
- 胜率：95%
4.1.2、基础案例（Base Case）
- 平均回报率：1.41%
- 样本标准差：24.5%
- 最大回报率：195%
- 最小回报率：-74%
- 胜场次数：4,581
- 败场次数：5,149
- 胜率：48 %
4.2、2008 年数据比对
4.2.1、策略执行（Strategy）
- 平均回报率：35.3%
- 样本标准差： 23.7%
- 最大回报率：160%
- 最小回报率：-23%
- 胜场次数：9,589
- 败场次数：411
- 胜率：95%
4.2.2、基础案例（Base Case）
- 平均回报率：65.6%
- 样本标准差：31.6%
- 最大回报率：272%
- 最小回报率：-96%
- 胜场次数：1,215
- 败场次数：8,785
- 胜率：12 %
4.3、2009 年数据比对
4.3.1、策略执行（Strategy）
- 平均回报率：87.5%
- 样本标准差： 40.4%
- 最大回报率：327%
- 最小回报率：- 21%
- 胜场次数：9,990
- 败场次数：10
- 胜率：99%
4.3.2、基础案例（Base Case）
- 平均回报率： 30.2%
- 样本标准差：56.6%
- 最大回报率：826%
- 最小回报率：-92%
- 胜场次数：6808
- 败场次数：3192
- 胜率：68%
4.4、2010 年数据比对
4.4.1、策略执行（Strategy）
- 平均回报率：44.4%
- 样本标准差： 25%
- 最大回报率：167%
- 最小回报率：- 27%
- 胜场次数：9,800
- 败场次数：200
- 胜率：98%
4.4.2、基础案例（Base Case）
- 平均回报率： 9.9%
- 样本标准差：25.9%
- 最大回报率：153%
- 最小回报率：-59%
- 胜场次数：6184
- 败场次数：3816
- 胜率：61%
4.5、2011 年数据比对
4.5.1、策略执行（Strategy）
- 平均回报率：6.2%
- 样本标准差：15.7%
- 最大回报率：78%
- 最小回报率：- 37%
- 胜场次数：6305
- 败场次数：3695
- 胜率：63%
4.5.2、基础案例（Base Case）
- 平均回报率： -7%
- 样本标准差：23.3%
- 最大回报率：142%
- 最小回报率：-75%
- 胜场次数：3392
- 败场次数：6608
- 胜率：33%
4.6、2012 年数据比对
4.6.1、策略执行（Strategy）
- 平均回报率：26%
- 样本标准差： 20.5%
- 最大回报率：137%
- 最小回报率：- 27%
- 胜场次数：9,143
- 败场次数：857
- 胜率：91%
4.6.2、基础案例（Base Case）
- 平均回报率： 6.1%
- 样本标准差：24.4%
- 最大回报率：193%
- 最小回报率：-69%
- 胜场次数：5621
- 败场次数：4379
- 胜率：56%
5、方法论
该程序首先通过使用上述买入和卖出信号对预定义的一组股票代码（在本例中为SP500）进行回测。为了减少偏差结果，我采用“逐日回测”的方式，即每天输入程序一个交易日的数据。每天我计算买入信号，如果条件满足，我就会购买该证券，持有它，并继续循环计算接下来的每一天的卖出信号。一旦证券被买入并卖出，我会记录下这笔交易，然后进入下一天。最终结果是一个在预定义日期范围内、与预定义股票代码列表相对应的所有潜在交易的清单。
我将这些条目按购买日期升序排序（最早的在前），所有在同一天的交易被放入一个列表，并存档在一个以购买日期为关键字的字典中。结果是一个我可以查询的数据结构，可以提取出在指定日期可能发生的所有交易列表。
然后，我获得了进行实际回测所需的所有信息。我从第一个可能的购买日期开始，搜索字典以获取当天可能发生的所有交易列表，随机选择一笔交易，记录下该交易的信息，然后进入下一个可用的购买日期。
一旦所有日期都用尽，我通过计算全年交易的乘积来得出年回报率。我进行了10,000次这样的计算，以获得年回报的平均值和标准差。由于我的数据并没有告诉我每笔交易的具体时间，因此我无法定义交易的确切顺序。我的想法是，如果我获得足够多的随机交易序列，我可以创建一个可能的场景，其中最可能的场景是最常见的——这是一种让我计算回报并同时覆盖所有基础的方法。
6、观点总结
策略盈利性：数据显示这种策略在大多数情况下都能获得正向回报，获胜交易的比例通常超过90%。
对比基准：与随机交易策略（基本情况）相比，本文提出的策略在平均回报率和获胜比例上都有显著优势。
数据分析方法：采用了一种随机抽样的回溯测试方法，通过大量的交易模拟来计算年收益率的平均值和标准偏差。
风险管理：策略中设定了卖出条件，包括股价创出新高、跌破50天移动平均线或持仓达到10天，以减少潜在风险。
本文内容仅仅是技术探讨和学习，并不构成任何投资建议。
转发请注明原作者和出处
Be First to Comment