ASI、VR、ARBR、DPO、TRIX 五种指标量化

前言

从股票市场开始到现在，已经研究出了众多的指标，但是在使用的时候会发现，由于第二天股价的未知波动，指标显示的情况并不一定每次都准确，总是会存在误判的情况。对于这种不可避免的情况而言，我们只能想办法将其量化、计算根据策略操作后的收益率、估计误判的概率等

本文先选择了 ASI、VR、ARBR、DPO、TRIX 五种指标来量化（一共会考虑了三十多种指标，由于篇幅问题一次讨论五种），然后用十支股票来测试这五种策略的效果（实际情况是用了 3600+ 股票来统计策略效果，目前不方便展示结果）

免责声明

此构想和分析中的任何内容均不应解释为投资建议，过去的表现并不一定表示未来的结果。

指标策略量化分析

前言

免责声明

数据准备

指标介绍

ASI指标

VR指标

ARBR指标

DPO指标

TRIX指标

最后的量化结果

数据准备

选择了 600519 贵州茅台、600031 三一重工、002594 比亚迪、601633 长城汽车、002074 国轩高科、300750 宁德时代、300014 亿纬锂能、000591 太阳能、002475 立讯精密、600862 中航高科 这十支股票 2020年1月1日 ~ 2021年1月15日 的数据来测试

部分代码片段

import pandas_datareader.data as web

import datetime

start = datetime.datetime(2020, 1, 1)

end = datetime.datetime(2021, 1, 15)

df = web.DataReader(ticker, "yahoo", start, end)

指标介绍

sma是平滑移动指标的计算函数

_ma是移动平均线的计算函数

_md是标准差的计算函数

_ema是指数移动平均线的计算函数

ASI指标

def asi(df, n=5):

_asi = pd.DataFrame()

_asi['date'] = df.date

_m = pd.DataFrame()

_m['a'] = (df.high - df.close.shift()).abs()

_m['b'] = (df.low - df.close.shift()).abs()

_m['c'] = (df.high - df.low.shift()).abs()

_m['d'] = (df.close.shift() - df.open.shift()).abs()

_m['r'] = _m.apply(lambda x: x.a + 0.5 * x.b + 0.25 * x.d if max(x.a, x.b, x.c) == x.a else (

x.b + 0.5 * x.a + 0.25 * x.d if max(x.a, x.b, x.c) == x.b else x.c + 0.25 * x.d

), axis=1)

_m['x'] = df.close - df.close.shift() + 0.5 * (df.close - df.open) + df.close.shift() - df.open.shift()

_m['k'] = np.maximum(_m.a, _m.b)

_asi['si'] = 16 * (_m.x / _m.r) * _m.k

_asi["asi"] = _ma(_asi.si, n)

return _asi

VR指标

def vr(df, n=5):

_vr = pd.DataFrame()

_vr['date'] = df.date

_vr['vr_'] = df.volume / _ma(df.volume, n).shift(1)

_vr['rr_'] = (df.close - df.close.shift(1)) / df.close.shift(1) * 100

return _vr

ARBR指标

def arbr(df, n=26):

_arbr = pd.DataFrame()

_arbr['date'] = df.date

_arbr['ar'] = (df.high - df.open).rolling(n).sum() / (df.open - df.low).rolling(n).sum() * 100

_arbr['br'] = (df.high - df.close.shift(1)).rolling(n).sum() / (df.close.shift() - df.low).rolling(n).sum() * 100

return _arbr

DPO指标

def dpo(df, n=20, m=6):

_dpo = pd.DataFrame()

_dpo['date'] = df['date']

_dpo['dpo'] = df.close - _ma(df.close, int(n / 2 + 1))

_dpo['madpo'] = _ma(_dpo.dpo, m)

return _dpo

TRIX指标

def trix(df, n=12, m=20):

_trix = pd.DataFrame()

_trix['date'] = df.date

tr = _ema(_ema(_ema(df.close, n), n), n)

_trix['trix'] = (tr - tr.shift()) / tr.shift() * 100

_trix['trma'] = _ma(_trix.trix, m)

return _trix

最后的量化结果

由于篇幅和展示不便，不在文章中展示可视化的买入卖出点位以及资金变动曲线

为了最简洁的了解策略效果，初始资金设置为10000元，并且为了简便不考虑必须整手买入的限制，每次都10000元全部买入，测试五种指标策略效果的同时测试2020.1.1买入并持有到2021.1.15的策略，比较最后资金多少来衡量策略效果

HOLD行是表示2020.1.1买入并持有到2021.1.15的策略最后的资金

数据可视化在这里不作展示，有数据后可以按照自己的习惯绘图制表；更多的评估数据也不作展示

图表中我们注意到

ARBR指标的表现比较优秀，在600031、002564、000591这几只股票上的表现均优于一直持有策略，并且另外七只股票上的表现也不差。但是要研究该指标在整个A股市场上的表现需要考虑上千只股票以及十几年的数据

虽然大部分的情况下按照指标操作的效果并不如长期持有策略，但是策略没有持股的时候作为交易员当然会寻找新的机会，创造收益！