R语言构建追涨杀跌量化交易模型

前言

久经股市的老股民，通常都会使用一种常见的交易策略，追涨杀跌交易法。追涨杀跌法，是股市操作的一个重要技巧，就是在股市上涨时买入股票，股市下跌时卖出股票。如果操作得当是很好的赢利手段，在中国股市2015年上半年的牛市中，追涨杀跌交易法就是交易神器法门。

目录

1. 什么是追涨杀跌？
2. 追涨杀跌的建型和实现
3. 模型优化

1. 什么是追涨杀跌？

追涨杀跌是金融市场的专业术语，是金融技术派操盘的一种方式，与抄底摸顶的操作方式刚好相反。追涨杀跌的操作方法是，金融市场中在金融产品(股票，期货，外汇等)价格上涨的时候买入，以期待涨得更多，并以更高的价格卖出获利；在价格下跌的时候卖出进行止损，不管之前金融产品买入的价格是多少，都立刻卖出，以避免更大的损失。

下面以平安银行(000001)股票日K线图为例，截取2005年到2015年7月的股票数据，股价为向前复权的价格。

上图中有3条曲线，黑色线是平安银行向前复权后的每日股价，红色线为20日均线，蓝色线为60日均线。关于均线的介绍，请参考文章 两条均线打天下。图中还有一条红色的水平线虚线，是这10年的股价平均值等于7.14元。这10年间，平安银行股价起起落落，每次上涨都会持续一段时间，那么在我们可以上涨中段追入买进，在大幅下跌之前卖出，就是追涨杀跌法。

追涨

追涨通常有2种情况，短线追涨和中线追涨。以股票交易为例。

• 短线追涨：当天股价已经涨了5个点或更多，这时追进去买入，期待当天收盘涨停，等下一个交易日高价卖出，这就是短线追涨。
• 中线追涨：某只股票的股价已经上涨了一段时间，走势很强，底部上涨已经有30%或更多，这个时追进去买入，期待后势持续上涨，是中线追涨。

不论短线追涨还是中线追涨，我们追涨的理由和判断的标准都是一样的，“涨得好的股票说明走势很强，那么追强势股期待股票持续上涨”。但从另一个角度看，追涨的风险也是很大的，关键在于我们不知道它能涨到什么时候，到什么位置可能会回调，什么时候是庄家出货。所以说追涨技巧性很强，什么情况下能追，什么情况下不能追，都是很有讲究的。

杀跌

杀跌也是一门较深的操作技巧，杀得好的话既可以回避风险。如果不能进行杀跌的准确判断，则很可能会发生硬性止损，导致严重的亏损。

采取杀跌战术，必须掌握以下操作要点：

• 杀跌的重要前提是知变，就是对消息、对量能、对周边各种因素的影响有一个准确的、快速的知变过程。
• 杀跌要善于观察盘面、形态、消息、舆论等方面的细微变化，在对大盘作出准确估量的基础上，迅速作出反应就是确定卖出哪支股票，卖出多少等。
• 杀跌要善于思考大盘与目标股之问的正向、反向的相关性，及目标股的能量能等方向的关系，从中找出变动的规律。
• 当市场利好消息接踵而至时，应随时准备卖出股票。当利好出尽就会转向利空，往往消息明朗时，股价早已下跌大半，导致措手不及。

杀跌的后续操作就比较简单了，只需保持良好的心态，耐心等待见底信号后再抄底。一般只有在底部成功接回股票或换股才算成功的杀跌，否则杀跌会失去意义。应保持耐心，千万不要在股价反弹时贸然介入，否则屡买屡跌、会加大损失，应待股价反转时再介入。

追涨杀跌的技巧

要观大势，看清整个市场多空对决的优势一方是谁。

追涨杀跌的假设条件：

• 市场处于强势交易格局。强势格局赋予个股良好的运作基础；相反，如果市场处于平衡状态，就不适合进行追涨杀跌，更适合高抛低吸。
• 市场形成了鲜明并有持续性上涨能力的热点或板块效应。

追涨操作的对象：

• 市场形成鲜明的可持续性的热点时，可追涨这个热点。从理论上讲，只要把握热点板块就能获利，追涨时应重点关注龙头企业。比如：沪深300指数的成分股，就是不错的选择。
• 形成明显的上涨趋势的个股可以考虑追涨。个股突破重要的压力线，如头肩底形态的颈线位、整理箱体的箱顶位、三角形的上边眼、长期下降趋势线等，待回抽确认其突破的有效性后，可考虑追涨。

追涨杀跌的注意事项:

• 追涨时应设好止盈位和止损位，确定自己的大致盈利目标。
• 追涨杀跌应该注意频率的减少，过于频繁的操作，一旦失误增多会严重影响情绪。
• 追涨杀跌中要多一分平和的心态，少一些侥幸；多一分理性,少一分感性。

追涨杀跌的市场操作

在弱市中，短线追涨往往容易被套，因为弱市里大部分股票的行情只有一天，当天追得高了，第二天多半没有获利逃出的机会。相反，弱市中，中线追涨比较可取，能够在弱市中保持强势的股票不多，但这种强势反而可以持续。但很多时候，弱市中这样的股票反倒不敢追了。

有些人专门追涨停板，追新股开板，追次新股开板等，对于2015年上半年IPO的新股来说收获颇丰，如暴风科技，中超电缆等，其他的时候可能用这套追涨停策略就行不通了。

我自己操作并不会盲目追涨，安全第一，虽然还没有吃过追涨的亏，但由于本人目前还不具备基本面的分析能力，也没有消息的渠道，仅仅从技术指标入手，投机性太重，很容易被庄家玩死的。道理很简单，因为如果追涨了，下跌的空间自然就大了，尤其中线追涨，庄家获利后随时可能出货。这时候就必须要做好杀跌的策略。庄股出货跌个50%太普遍了，而且跌下去就很难再起来，这种时候不杀跌就等于自杀。所以，追涨之前一定要想清楚，务必先设好止损位，不能只憧憬获利的美妙。

杀跌也有讲究，不是一跌就杀，震荡、洗盘是很常见的，问题在于正确地区别震仓与出货是很难的，所以很多人是硬性止损，即预先设定价位或百分比，到这个位置就坚决出局，不管它是震仓还是庄家出货。这个时候如果没有基本面的判断或第一手消息的来源，就容易被震荡出局。当然，和不确定的风险相比，我其实更愿意早点出来。

2. 追涨杀跌的建型和实现

既然我们要进行追涨杀跌的操作，就要定义什么是追涨，什么又是杀跌，需要把追涨杀跌的概念量化出来，从而进行建模和实现。对于短线追涨策略可以简单粗暴地选择当日涨幅超过5%的股票进行买入，第二日开盘卖出或到止损位卖出，并没有太多的技术细节，再计算一下胜率概率，就能知道我们要不要短线追涨。

下文我们将以中线追涨为例，进行建模和程序实现。

那么对于中线追涨的情况，我们核心的策略思路就可以转化为，当股价(成交量)向上突破最近20日最高价格(量)时买入，当股价向下突破最近10日最低价格卖出，并以沪深300成分股做为股票交易的标的。其中，为什么是20日最高和10日最低都是经验值，可以做为模型参数进行训练和优化。选择沪深300成分股为标的，是考虑到这些股票都是各个板块的强势股或龙头股，要符合追涨杀跌的假设条件。

计算公式:

20日最高价 = max(T日股价,T-1日股价 ... , T-19日股价)

20日最高量 = max(T日成交量,T-1日成交量 ... , T-19日成交量)

10日最低价 = min(T日股价,T-1日股价 ... , T-9日股价)

当股价大于等于20日最高价时作为买入信号点，当股价小于等于10日最低价时作为卖出信号点。这样我们就把追涨杀跌的投资理论，变成了一个数学模型。

接下来，我们利用R语言对股票数据的进行操作，来实现一个追涨杀跌模型的实例，从而验证我的们投资理论，是否能发现赚钱的机会。

2.1 数据准备

R语言本身提供了丰富的金融函数工具包，时间序列包zoo和xts，指标计算包TTR，数据处理包plyr，可视包ggplot2等，我们会一起使用这些工具包来完成建模、计算和可视化的工作。关于zoo包和xts包的详细使用可以参考文章，R语言时间序列基础库zoo，可扩展的时间序列xts。

我本次用到的数据是从 况客 直接导出的，况客 会提供各种类型的金融数据API，让开发者可以免费下载。当然，你也可以用quantmod包从Yahoo财经下载数据。

本文用到的数据，包括A股日K线(向前复权)数据，从2014年7月到2015年日8月，以CSV格式保存到本地文件stock.csv。

数据格式如下：

000001.SZ,2014-07-02,8.14,8.18,8.10,8.17,28604171

000002.SZ,2014-07-02,8.09,8.13,8.05,8.12,40633122

000004.SZ,2014-07-02,13.9,13.99,13.82,13.95,1081139

000005.SZ,2014-07-02,2.27,2.29,2.26,2.28,4157537

000006.SZ,2014-07-02,4.57,4.57,4.50,4.55,5137384

000010.SZ,2014-07-02,6.6,6.82,6.5,6.73,9909143

一共7列：

• 第1列，股票代码，code，000001.SZ
• 第2列，交易日期，date，2014-07-02
• 第3列，开盘价，Open，8.14
• 第4列，最高价，High，8.18
• 第5列，最低价，Low，8.10
• 第6列，收盘价，Close，8.17
• 第7列，交易量，Volume，28604171

通过R语言加载股票数据，由于数据所有股票都是混合在一起的，而进行计算时又需要按每支票股计算，所以在数据加载时我就进行了转换，按股票代码进行分组，生成R语言的list对象，同时把每支股票的data.frame类型对象转成XTS时间序列类型对象，方便后续的数据处理。

#加载工具包

> library(plyr)

> library(xts)

> library(TTR)

> library(ggplot2)

> library(scales)



# 读取CSV数据文件

> read<-function(file){ 

+   df<-read.table(file=file,header=FALSE,sep = ",", na.strings = "NULL") # 读文件

+   names(df)<-c("code","date","Open","High","Low","Close","Volume")      # 设置列名

+   dl<-split(df[-1],df$code)                                             # 按ccode分组

+   

+   lapply(dl,function(row){                                              # 换成xts类型数据

+     xts(row[-1],order.by = as.Date(row$date))

+   })

+ }



# 加载数据

> data<-read("stock.csv")



# 查看数据类型

> class(data)

[1] "list"



# 查看数据的索引值

> head(names(data))

[1] "000001.SZ" "000002.SZ" "000004.SZ" "000005.SZ" "000006.SZ" "000007.SZ"



# 查看包括的股票数量

> length(data)

[1] 2782



# 获得时间范围

dateArea<-function(sDate=Sys.Date()-365,eDate= Sys.Date(),before=0){  #开始日期，结束日期，提单开始时

  if(class(sDate)=='character') sDate=as.Date(sDate)

  if(class(eDate)=='character') eDate=as.Date(eDate)  

  return(paste(sDate-before,eDate,sep="/"))

}



# 查看股票000001.SZ

> head(data[['000001.SZ']])

               Open     High      Low    Close   Volume

2014-07-02 8.146949 8.180000 8.105636 8.171737 28604171

2014-07-03 8.171737 8.254364 8.122162 8.229576 44690486

2014-07-04 8.237838 8.270889 8.146949 8.188263 34231126

2014-07-07 8.188263 8.204788 8.097374 8.146949 34306164

2014-07-08 8.130424 8.204788 8.072586 8.204788 34608702

2014-07-09 8.196525 8.196525 7.915596 7.973434 58789114

把数据准备好了，我们就可以来建立模型了。

2.2 追涨杀跌模型

为了能拉近我们对市场的了解，我们取从2015年1月1日开始的数据，来创建追涨杀跌的模型。以乐视网(300104)的为例，画出乐视网自2015年以来的每日收盘价，20日最高价和10日最低价。乐视网作为创业板标杆的上市公司，在2015年7月首次被纳入沪深300指数。

# 日K线数据

> title<-'300104.SZ'

> stock<-data[[title]]                                # 获得股票数据

> sDate<-as.Date("2015-01-01")                        # 开始日期

> eDate<-as.Date("2015-08-24")                        # 结束日期

> cdata<-stock[dateArea(sDate,eDate,360)]$Close       # 获得收盘价

> vdata<-stock[dateArea(sDate,eDate,360)]$Volume      # 获得交易量



# 收盘价

> names(cdata)<-"Value"   # 重置列名

> tail(cdata)

           Value

2015-08-14 49.81

2015-08-17 48.30

2015-08-18 45.57

2015-08-19 46.98

2015-08-20 45.79

2015-08-21 42.14

 

# 交易量

> tail(vdata)

             Volume

2015-08-14 42108324

2015-08-17 35939096

2015-08-18 52745702

2015-08-19 43447844

2015-08-20 32916746

2015-08-21 34802494

定义画图函数drawLine()，支持画出多条曲线，包括收盘价，最高价，最低价。

# 画图函数

> drawLine<-function(cdata,titie="Stock",sDate=min(index(cdata)),eDate=max(index(cdata)),breaks="1 year"){

+     if(sDate<min(index(cdata))) sDate=min(index(cdata))

+     if(eDate>max(index(cdata))) eDate=max(index(cdata))  

+     cdata<-na.omit(cdata)

+     

+     g<-ggplot(aes(x=Index, y=Value),data=fortify(cdata[,1],melt=TRUE))

+     g<-g+geom_line()

+     

+     if(ncol(cdata)>1){ # 多条线

+         g<-g+geom_line(aes(colour=Series),data=fortify(cdata[,-1],melt=TRUE))  

+     }

+     

+     g<-g+scale_x_date(labels=date_format("%Y-%m"),breaks=date_breaks(breaks),limits = c(sDate,eDate))

+     g<-g+ylim(min(cdata$Value), max(cdata$Value))

+     g<-g+xlab("") + ylab("Price")+ggtitle(title)

+     g

+ }



# 画出收盘价

# drawLine(cdata,title,sDate,eDate,'1 month')    # 画图



# 计算最近20日的最高价和10日的最低价

> minmax<-function(data,max=20,min=10){

+   d1<-na.locf(data,fromLast=TRUE)

+   d2<-merge(d1,min=runMin(d1,min),max=runMax(d1,max))

+   return(d2[,-1])

+ }

 

# 画出股价，最高价和最低价

> ldata<-cbind(cdata,minmax(cdata))

> drawLine(ldata,title,sDate,eDate,'1 month')    # 画图

上图中有3条线，黑色线为乐视网的每日收盘价，蓝色线为最近20日最高价，红色线为最近10日最低价。

根据模型的计算公式，我们计算买入信号，当股价向上突破最近20日最高价格时买入。

# 买入信号函数

> buyPoint<-function(ldata){   

+  idx<-which(ldata$Value == ldata$max)

+  return(ldata[idx,])                                  

+ }



# 计算买入的点

> buydata<-buyPoint(ldata)

> buydata

              Value      min      max

2015-01-08 17.43721 13.70164 17.43721

2015-01-09 17.98709 13.74254 17.98709

2015-01-12 19.53222 13.74254 19.53222

2015-01-15 20.21389 14.74232 20.21389

2015-01-16 22.23619 16.08749 22.23619

2015-01-19 23.04056 16.36016 23.04056

2015-01-20 23.89947 16.36016 23.89947

2015-01-26 24.77656 19.22774 24.77656

2015-01-27 25.16284 19.40043 25.16284

2015-02-05 26.91247 21.99533 26.91247

2015-02-10 28.68482 21.99533 28.68482

2015-02-11 31.55239 21.99533 31.55239

2015-02-12 31.87960 21.99533 31.87960

2015-02-13 35.06983 22.72245 35.06983

2015-02-16 38.57817 24.22213 38.57817

2015-02-17 40.99130 24.46753 40.99130

2015-03-16 41.07764 34.32453 41.07764

2015-03-18 41.94564 34.32453 41.94564

2015-03-24 45.34946 37.17393 45.34946

2015-04-23 46.27199 37.06031 46.27199

2015-04-24 50.89829 37.06031 50.89829

2015-04-27 50.90283 37.06031 50.90283

2015-04-28 55.44277 37.06031 55.44277

2015-04-29 60.98705 37.06031 60.98705

2015-05-06 62.25497 45.19495 62.25497

2015-05-07 66.20413 46.27199 66.20413

2015-05-08 67.23573 50.89829 67.23573

2015-05-11 73.96157 50.90283 73.96157

2015-05-12 81.36000 55.44277 81.36000

2015-05-13 82.49000 57.16514 82.49000

画出买入的信号图，让我们可以直观的看到效果。

# 画图函数

> drawPoint<-function(ldata,pdata,titie,sDate,eDate,breaks="1 year"){

+     ldata<-na.omit(ldata)

+     g<-ggplot(aes(x=Index, y=Value),data=fortify(ldata[,1],melt=TRUE))

+     g<-g+geom_line()

+     g<-g+geom_line(aes(colour=Series),data=fortify(ldata[,-1],melt=TRUE))

+     

+     if(is.data.frame(pdata)){

+         g<-g+geom_point(aes(x=Index,y=Value,colour=op),data=pdata,size=4)

+     }else{

+         g<-g+geom_point(aes(x=Index,y=Value,colour=Series),data=na.omit(fortify(pdata,melt=TRUE)),size=4)  

+     }

+     g<-g+scale_x_date(labels=date_format("%Y-%m"),breaks=date_breaks(breaks),limits = c(sDate,eDate))

+     g<-g+xlab("") + ylab("Price")+ggtitle(title)

+     g

+ }



> drawPoint(ldata,buydata$Value,title,sDate,eDate,'1 month')  # 画图

如上图所示，蓝色的点为股价大于等于最近20日最高价的点，作为买入信号。所有买入信号点，都是出现在单边上行的牛势中，对于2015年上半年以来的行情来说，追涨的信号会被大量触发。

接下来，我们继续计算卖出信号点，当股价小于等于最近10日最低价时作为卖出信号点。

> # 计算卖出的信号点

> stopPoint<-function(ldata,buydata){  

+     idx<-which(ldata$Value == ldata$min)

+     idx<-idx[which(c(0,diff(idx))!=1)]   # 第一点用0表示

+     

+     selldata<-ldata[idx,]               # 所有低于最小值的点  

+     idx2<-sapply(index(buydata),function(e){  # 买后的卖点

+         head(which(index(selldata)>e),1)

+     })

+     

+     return(selldata[unique(idx2),])

+ } 



# 卖出信号

> selldata<-stopPoint(ldata,buydata)

> selldata

              Value      min      max

2015-01-30 21.99533 21.99533 25.16284

2015-03-06 34.32453 34.32453 40.99130

2015-04-08 38.01011 38.01011 45.34946

2015-05-28 64.68000 64.68000 82.49000

一共有4笔卖出信号，为了让数据更加直观，我们合并买入信号和卖出信号，进行画图可视化。

# 买卖信号，画图

> bsdata<-merge(buydata$Value,selldata$Value)

> names(bsdata)<-c("buy","sell")

> drawPoint(ldata,bsdata,title,sDate,eDate,'1 month') #画图

上图中，紫色点为卖出信号点，红色点为买入信号点。我们可以很明显的看出，如果根据交易信号在红色点买入，紫色点卖出，我们是应该赚钱的。那么具体赚了多少呢，我需要计算出来？

> # 合并交易信号

> signal<-function(buy, sell){

+     selldf<-data.frame(sell,op=as.character(rep("S",nrow(sell))))

+     buydf<-data.frame(buy,op=as.character(rep("B",nrow(buy))))

+     sdata<-rbind(buydf,selldf)                                       # 交易信号数据

+     sdata[order(as.Date(row.names(sdata))),]

+ }



# 合并交易信号

> sdata<-signal(buydata,selldata)                                   

> sdata

              Value      min      max op

2015-01-08 17.43721 13.70164 17.43721  B

2015-01-09 17.98709 13.74254 17.98709  B

2015-01-12 19.53222 13.74254 19.53222  B

2015-01-15 20.21389 14.74232 20.21389  B

2015-01-16 22.23619 16.08749 22.23619  B

2015-01-19 23.04056 16.36016 23.04056  B

2015-01-20 23.89947 16.36016 23.89947  B

2015-01-26 24.77656 19.22774 24.77656  B

2015-01-27 25.16284 19.40043 25.16284  B

2015-01-30 21.99533 21.99533 25.16284  S

2015-02-05 26.91247 21.99533 26.91247  B

2015-02-10 28.68482 21.99533 28.68482  B

2015-02-11 31.55239 21.99533 31.55239  B

2015-02-12 31.87960 21.99533 31.87960  B

2015-02-13 35.06983 22.72245 35.06983  B

2015-02-16 38.57817 24.22213 38.57817  B

2015-02-17 40.99130 24.46753 40.99130  B

2015-03-06 34.32453 34.32453 40.99130  S

2015-03-16 41.07764 34.32453 41.07764  B

2015-03-18 41.94564 34.32453 41.94564  B

2015-03-24 45.34946 37.17393 45.34946  B

2015-04-08 38.01011 38.01011 45.34946  S

2015-04-23 46.27199 37.06031 46.27199  B

2015-04-24 50.89829 37.06031 50.89829  B

2015-04-27 50.90283 37.06031 50.90283  B

2015-04-28 55.44277 37.06031 55.44277  B

2015-04-29 60.98705 37.06031 60.98705  B

2015-05-06 62.25497 45.19495 62.25497  B

2015-05-07 66.20413 46.27199 66.20413  B

2015-05-08 67.23573 50.89829 67.23573  B

2015-05-11 73.96157 50.90283 73.96157  B

2015-05-12 81.36000 55.44277 81.36000  B

2015-05-13 82.49000 57.16514 82.49000  B

2015-05-28 64.68000 64.68000 82.49000  S

接下来，我们利用交易信号数据，进行模拟交易。我们设定交易参数和规则：

• 以10万元人民币为本金。
• 买入信号出现时，以收盘价买入，每次买入价值1万元的股票。如果连续出现买入信号，则一直买入。若现金不足1万元时，则跳过买入信号。
• 卖出信号出现时，以收盘价卖出，一次性平仓信号对应的股票。
• 手续费为0元

下面我们进行模拟交易。

> # 模拟交易

> trade<-function(sdata,capital=100000,fixMoney=10000){ # 交易信号，总资金，每次定投资金

+     amount<-0

+     cash<-capital

+     

+     ticks<-data.frame()

+     for(i in 1:nrow(sdata)){

+         row<-sdata[i,]

+         if(row$op=='B'){

+             if(cash<fixMoney){

+                 print(paste(row.names(row),"No enough cash"))

+                 next

+             }

+             amount0<-floor(fixMoney/row$Value) # 本次交易量

+             amount<-amount+amount0

+             cash<-cash-amount0*row$Value

+         }

+         

+         if(row$op=='S'){

+             cash<-cash+amount*row$Value

+             amount<-0

+         }

+         

+         row$cash<-round(cash,2)

+         row$amount<-amount

+         row$asset<-round(cash+amount*row$Value,2)

+         ticks<-rbind(ticks,row)

+     }

+     

+     

+     ticks$diff<-c(0,round(diff(ticks$asset),2))

+     

+     rise<-ticks[intersect(which(ticks$diff>0),which(ticks$op=='S')),]   # 赚钱的交易

+     fall<-ticks[intersect(which(ticks$diff<0),which(ticks$op=='S')),]   # 赔钱的交易

+     

+     return(list(

+         ticks=ticks,

+         rise=rise,

+         fall=fall

+     ))

+ }



# 交易结果

> result<-trade(sdata,100000,10000)  

来看一下，每笔交易的明细。

> result$ticks

              Value      min      max op      cash amount    asset      diff

2015-01-08 17.43721 13.70164 17.43721  B  90008.48    573 100000.0      0.00

2015-01-09 17.98709 13.74254 17.98709  B  80025.65   1128 100315.1    315.08

2015-01-12 19.53222 13.74254 19.53222  B  70044.68   1639 102058.0   1742.91

2015-01-15 20.21389 14.74232 20.21389  B  60059.02   2133 103175.2   1117.26

2015-01-16 22.23619 16.08749 22.23619  B  50074.97   2582 107488.8   4313.56

2015-01-19 23.04056 16.36016 23.04056  B  40075.37   3016 109565.7   2076.90

2015-01-20 23.89947 16.36016 23.89947  B  30085.39   3434 112156.2   2590.46

2015-01-26 24.77656 19.22774 24.77656  B  20100.44   3837 115168.1   3011.92

2015-01-27 25.16284 19.40043 25.16284  B  10110.79   4234 116650.2   1482.16

2015-01-30 21.99533 21.99533 25.16284  S 103239.02      0 103239.0 -13411.23

2015-02-05 26.91247 21.99533 26.91247  B  93254.49    371 103239.0      0.00

2015-02-10 28.68482 21.99533 28.68482  B  83272.17    719 103896.6    657.54

2015-02-11 31.55239 21.99533 31.55239  B  73301.62   1035 105958.3   2061.78

2015-02-12 31.87960 21.99533 31.87960  B  63323.30   1348 106297.0    338.66

2015-02-13 35.06983 22.72245 35.06983  B  53328.40   1633 110597.4   4300.43

2015-02-16 38.57817 24.22213 38.57817  B  43336.66   1892 116326.6   5729.13

2015-02-17 40.99130 24.46753 40.99130  B  33375.77   2135 120892.2   4565.63

2015-03-06 34.32453 34.32453 40.99130  S 106658.65      0 106658.6 -14233.54

2015-03-16 41.07764 34.32453 41.07764  B  96676.78    243 106658.6      0.00

2015-03-18 41.94564 34.32453 41.94564  B  86693.72    481 106869.6    210.92

2015-03-24 45.34946 37.17393 45.34946  B  76716.83    701 108506.8   1637.24

2015-04-08 38.01011 38.01011 45.34946  S 103361.92      0 103361.9  -5144.89

2015-04-23 46.27199 37.06031 46.27199  B  93367.17    216 103361.9      0.00

2015-04-24 50.89829 37.06031 50.89829  B  83391.11    412 104361.2    999.28

2015-04-27 50.90283 37.06031 50.90283  B  73414.15    608 104363.1      1.87

2015-04-28 55.44277 37.06031 55.44277  B  63434.45    788 107123.4   2760.29

2015-04-29 60.98705 37.06031 60.98705  B  53493.56    951 111492.2   4368.89

2015-05-06 62.25497 45.19495 62.25497  B  43532.77   1111 112698.0   1205.79

2015-05-07 66.20413 46.27199 66.20413  B  33535.95   1262 117085.6   4387.51

2015-05-08 67.23573 50.89829 67.23573  B  23585.06   1410 118387.4   1301.88

2015-05-11 73.96157 50.90283 73.96157  B  13600.25   1545 127870.9   9483.44

2015-05-12 81.36000 55.44277 81.36000  B   3674.33   1667 139301.5  11430.58

2015-05-28 64.68000 64.68000 82.49000  S 111495.89      0 111495.9 -27805.56

一共发生了34笔交易，其中30笔买入，4笔卖出。最后，资金剩余111495.9元，赚了11495元，收益率11.5%。

3. 模型优化

我们看到在强势格局的大牛市中，通过追涨能让我们获利颇丰。其实我们可以把模型再进一步优化的，在构建卖出信号时，是以最近10日最低价为卖出点来看，应该还有更好的卖出点可以选择。那么我们就要优化一下模型，比如按下面的优化条件。当股价低于前一个买入点价格的时进行卖出，把小于等于最近10日最低价设为止损点。按照这样的优化策略，我们是不是可以有更大的收益呢？

这样的优化思路，会让我们策略对波动更敏感，更容易被震荡出局；当然好外在于，可以更快的触发止盈和止损条件，牛市中收益更大。

# 优化条件，当股价低于前一个买入点价格时进行卖出，小于10日最低价为止损点。

> # 计算卖出的信号点

> sellPoint<-function(ldata,buydata){

+     

+     arr<-c()

+     for(i in 1:nrow(buydata)){

+         

+         if(i>1){ # 跳转第一个点

+             date<-index(buydata[i,])#;print(date)      

+             

+             # 价格 小于 上一次的买入的价格就卖出

+             last<-as.vector(buydata[i-1,]$Value) # 上一次买入的价格

+             lst<-ldata[paste(date,"/",sep="")]$Value      

+             idx<-head(which(lst < last),1)

+             

+             if(length(idx)>0){        

+                 arr<-rbind(arr,index(lst[idx]))

+             }

+         }

+     }

+     selldata<-ldata[as.Date(unique(arr)),]

+     

+     # 过滤多余的卖出点

+     bsdata<-merge(buydata$Value,selldata$Value)

+     names(bsdata)<-c("buy","Value")

+     idx1<-which(!is.na(bsdata$Value))

+     idx2<-idx1[which(c(0,diff(idx1))==1)]

+     bsdata$Value[idx2]<-NA

+     return(bsdata$Value[which(!is.na(bsdata$Value))])

+     

+ }



# 卖出信号

> selldata<-sellPoint(ldata,buydata)

> selldata

              Value

2015-01-21 22.81788

2015-01-28 23.60408

2015-02-25 36.89217

2015-03-17 39.97333

2015-03-19 40.96858

2015-03-26 39.25985

2015-05-14 74.24000

我们重新生成了，卖出的信号点有7个，比上次多出3个点，画出交易信号的图形。

合并买卖的交易信号。

> sdata<-signal(buydata$Value,selldata$Value)                                   # 合并交易信号

> sdata

              Value op

2015-01-08 17.43721  B

2015-01-09 17.98709  B

2015-01-12 19.53222  B

2015-01-15 20.21389  B

2015-01-16 22.23619  B

2015-01-19 23.04056  B

2015-01-20 23.89947  B

2015-01-21 22.81788  S

2015-01-26 24.77656  B

2015-01-27 25.16284  B

2015-01-28 23.60408  S

2015-02-05 26.91247  B

2015-02-10 28.68482  B

2015-02-11 31.55239  B

2015-02-12 31.87960  B

2015-02-13 35.06983  B

2015-02-16 38.57817  B

2015-02-17 40.99130  B

2015-02-25 36.89217  S

2015-03-16 41.07764  B

2015-03-17 39.97333  S

2015-03-18 41.94564  B

2015-03-19 40.96858  S

2015-03-24 45.34946  B

2015-03-26 39.25985  S

2015-04-23 46.27199  B

2015-04-24 50.89829  B

2015-04-27 50.90283  B

2015-04-28 55.44277  B

2015-04-29 60.98705  B

2015-05-06 62.25497  B

2015-05-07 66.20413  B

2015-05-08 67.23573  B

2015-05-11 73.96157  B

2015-05-12 81.36000  B

2015-05-13 82.49000  B

2015-05-14 74.24000  S

一共发生了37笔交易，其中30笔买入，7笔卖出。最后，资金剩余137483.8元，赚了37483元，收益率37.5%。

我们把卖号信号和止损信号，合并画到一张图上。

# 止损信号

> stopdata<-stopPoint(ldata,buydata)



# 合并买卖信号，止损信号

> bsdata<-merge(buydata$Value,selldata$Value,stopdata$Value)

> names(bsdata)<-c("buy","sell","stop")

> drawPoint(ldata,bsdata,title,sDate,eDate,'1 month') #画图

图中红色点为买点，蓝色点为优化的卖点，紫色点为止损点。从图中可以非常清楚的看到，蓝色卖出点要优于紫色的止损点。这样就达到了，模型优化的目的了。虽然只是一个很小的优化，就可以给我们带来不错的收益。

接下来，通过况客平台，我来够建一个每日更新的交易列表，实现把静态图变成了动态图。

追涨杀跌策略在牛市中会让我们赚取非常大的利润，那么对于2015年下半年行情，牛市已经不复存在，震荡市会一直持续，那么我们可以使用均值回归策略，发现逆市中的投资机会。

最后总结，本文从 追涨杀跌 的思路开始，到市场特征检验，再到数学公式，R语言建模，再到历史数据回测。通过R语言，很简单地就实现了一个我们脑子中的投资想法。类似的投资想法其实谁都有，利用IT人的技术优势，可以真正地与实际操作结合起来。

这样就可以更容易地实现，从IT技术到价值的转变。IT人，加油！

作者介绍：

张丹，R语言中文社区专栏特邀作者，《R的极客理想》系列图书作者，民生银行大数据中心数据分析师，前况客创始人兼CTO。

10年IT编程背景，精通R ,Java, Nodejs 编程，获得10项SUN及IBM技术认证。丰富的互联网应用开发架构经验，金融大数据专家。个人博客 http://fens.me， Alexa全球排名70k。

著有《R的极客理想-工具篇》、《R的极客理想-高级开发篇》，合著《数据实践之美》，新书《R的极客理想-量化投资篇》(即将出版)。

《R的极客理想-工具篇》京东购买快速通道：https://item.jd.com/11524750.html

《R的极客理想-高级开发篇》京东购买快速通道：https://item.jd.com/11731967.html

《数据实践之美》京东购买快速通道：https://item.jd.com/12106224.html