量化交易30天
本系列文章是紀錄一位量化交易新手的學習過程，除了基礎的Python語法不說明，其他金融相關的東西都會一步步地說明，希望讓更多想學習量化交易但是沒有學過相關金融知識的朋友們，透過這系列的文章，能夠對量化交易略知一二，也歡迎量化交易的高手們多多交流。
上一篇的最後將RSI指標的計算寫成一個函數，本篇將介紹如何使用RSI做交易，並且以2019年的資料實際回測計算報酬率。
# 串接API取資料
import os
import pandas_datareader as pdr
SPY = pdr.get_data_tiingo('SPY', api_key='YOUR API KEY')
SPY = SPY.reset_index(level=[0,1])
SPY.index = SPY['date']
SPY_adj = SPY.iloc[:,7:12]
SPY_adj.columns = ['Close','High','Low','Open','Volume']
# 篩選2019年收盤價資料
Close = SPY_adj.Close
Close2019 = Close['2019']
Close2019
------
date
2019-01-02 00:00:00+00:00 242.960053
2019-01-03 00:00:00+00:00 237.162341
2019-01-04 00:00:00+00:00 245.106275
2019-01-07 00:00:00+00:00 247.038845
2019-01-08 00:00:00+00:00 249.359872
...
2019-12-24 00:00:00+00:00 317.861656
2019-12-26 00:00:00+00:00 319.553725
2019-12-27 00:00:00+00:00 319.474564
2019-12-30 00:00:00+00:00 317.713229
2019-12-31 00:00:00+00:00 318.485050
Name: Close, Length: 252, dtype: float64
# RSI函數
def RSI(Close, period=12):
# 整理資料
import pandas as pd
Chg = Close - Close.shift(1)
Chg_pos = pd.Series(index=Chg.index, data=Chg[Chg>0])
Chg_pos = Chg_pos.fillna(0)
Chg_neg = pd.Series(index=Chg.index, data=-Chg[Chg<0])
Chg_neg = Chg_neg.fillna(0)
# 計算平均漲跌幅度
import numpy as np
up_mean = []
down_mean = []
for i in range(period+1, len(Chg_pos)+1):
up_mean.append(np.mean(Chg_pos.values[i-period:i]))
down_mean.append(np.mean(Chg_neg.values[i-period:i]))
# 計算 RSI
rsi = []
for i in range(len(up_mean)):
rsi.append( 100 * up_mean[i] / ( up_mean[i] + down_mean[i] ) )
rsi_series = pd.Series(index = Close.index[period:], data = rsi)
return rsi_series
上一篇有提到用來計算RSI的天數，是根據個人需求而設定的，這邊我們先用14天來計算，因為這個天數還蠻多人使用的，之後會再說明天數最佳化的部分。
# 觀察2019年的RSI14
import matplotlib.pyplot as plt
RSI14_2019 = RSI(Close2019, 14)
plt.plot(RSI14_2019)
plt.title('2019年 RSI14')
plt.axhline(y=80, color='red')
plt.axhline(y=30, color='green')
來分析一下這張圖吧，可以看出2019年的RSI14大概會在20~100內波動，在這張圖內，我覺得超過80(紅色橫線的位置)就算是蠻高的，低於30(綠色橫線的位置)就算是偏低，我們用這兩個數字來試試看做交易，交易的策略是，在RSI14遇到綠色線的時候，代表相對股價較低，就將買入標的，一直到下一次遇到紅色線的時候，就將上次買入的部位全部賣掉，然後就重複這個步驟操作，直到最後一次賣出為止。
# 策略： RSI14 < 30 買進，RSI14 > 80 賣出
# 訊號標籤
sig = []
# 庫存標籤，只會是0或1，表示每次交易都是買進或賣出所有部位
stock = 0
# 偵測RSI14訊號
for i in range(len(RSI14_2019)):
if RSI14_2019[i] > 80 and stock == 1:
stock -= 1
sig.append(-1)
elif RSI14_2019[i] < 30 and stock == 0:
stock += 1
sig.append(1)
else:
sig.append(0)
# 將訊號整理成dataframe
rsi_sig = pd.Series(index = RSI14_2019.index, data = sig)
import numpy as np
from matplotlib import gridspec
import pandas as pd
fig = plt.figure(figsize=(15,10))
# set height ratios for sublots
gs = gridspec.GridSpec(2, 1, height_ratios=[2, 1])
# the fisrt subplot
ax0 = plt.subplot(gs[0])
# line0 = ax0.plot(x, y, color='r')
ax0.plot(RSI14_2019)
ax0.axhline(y=80, color='red')
ax0.axhline(y=30, color='green')
#the second subplot
# shared axis X
ax1 = plt.subplot(gs[1], sharex = ax0)
rsi_sig = pd.Series(index = rsi_sig.index, data = list(rsi_sig.values))
ax1.plot(rsi_sig)
這張圖其實就是將上一張圖，加上下面藍色的訊號線的部分，可以看到這個訊號的確有照上面說的策略買賣，不過要記得，我們只能在訊號出現後的隔天交易，接下來就可以用這些買賣點，搭配開盤價的資料，計算報酬率。
# 回測2019年 RSI14訊號 績效
# 取開盤價資料做回測，因為我們是在前一天收盤後看到訊號，隔天開盤才能買進
Open = SPY_adj.Open
Open2019 = Open['2019']
# 每次買賣的報酬率
rets = []
# 是否仍有庫存
stock = 0
# 當次交易買入價格
buy_price = 0
# 當次交易賣出價格
sell_price = 0
# 每次買賣的報酬率
for i in range(len(rsi_sig)):
if rsi_sig[i] == 1:
# 隔日開盤買入
buy_price = Open2019[rsi_sig.index[i+1]]
stock += 1
elif rsi_sig[i] == -1:
# 隔日開盤賣出
sell_price = Open2019[rsi_sig.index[i+1]]
stock -= 1
rets.append((sell_price-buy_price)/buy_price)
# 清除上次買賣的價格
buy_price = 0
sell_price = 0
# 總報酬率
total_ret = 1
for ret in rets:
total_ret *= 1 + ret
print(str(round((total_ret - 1)*100,2)) + '%')
------
15.72%
最後算出來，2019年用RSI14去做交易的報酬率，回測大概是15.72%左右(不含手續費及稅費)。
本篇總結
這篇就先說明簡單的RSI交易策略，可以看到有幾個參數可以調整，包括：RSI的天數、回測的時間長度、判斷RSI過高與過低的標準...等等，下一篇就來實驗最佳化這些參數，看看能不能得到更好的報酬率吧。
P.S.
如果大家對於量化交易有興趣的話，我自己有上過以下這門課，課程內容從串接股市資料API、儲存至資料庫、將自己的策略轉化成程式碼、自動下單，並且可以把整個流程自動化，每天早上執行一次，一整天就不用看盤了，覺得是蠻實戰的，可以參考看看。
筆者 Sean
奈米戶投資人 / Python愛用者
喜歡用Python玩轉金融數據，從個股基本面、技術面、籌碼面相關資料，一直到總體經濟數據，都是平常接觸到的素材；對於投資，除了研究歷史數據，也喜歡瞭解市場上大家在玩些什麼。
iThome鐵人賽
看影片追技術