研报复制（三）：基于相对强弱指标的大小盘轮动

发表: 2018-12-18 浏览: 1300

Python

作者：量化小白H

个人公众号：量化小白上分记

本文是对报告《20100210-华泰证券-数量化策略：大小盘轮动》、《20161218-中金公司-价量视角下的市值风格轮动策略》部分内容的复制，文章为个人理解，不保证正确性，请理性看待，欢迎指正。

大小盘轮动

A股市场上存在着明显的大小盘轮动的现象，一段时间大盘表现强势，一段时间小盘表现强势，所谓二八轮动。这种现象提供了构建大小盘轮动策略的可能，目前常见的两种构建大小盘轮动策略的方式分别为

宏观层面出发，分析影响市场价格变动的政策、利率、GDP、供需数据等，以此构建模型分析市场当前的大小盘风格；
技术角度出发，通过量价数据构建指标，分析市场当前的大小盘风格。

两种方式各有优劣，本文复制的两篇报告均属于第二种方式。

左侧交易&右侧交易

以交易时点划分，可以将市场上的交易行为划分为两类：左侧交易与右侧交易。

左侧交易：在价格即将达到某个支撑点时逆向进入市场，做反转。

右侧交易：在价格走出趋势之后进入市场，做动量，也就是常说的追涨杀跌。

本文选取的两种策略分别属于这两种策略，比较说明在同一指标下，这两种交易行为的优劣，但不具有普遍性。

数据提取

大盘指数：HS300

小盘指数：ZZ500

回测区间：2015年1月1日 - 2018年12月2日

数据来源：WIND

注：后台回复“代码”可获取代码文件和研报

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc',size = 20) 
from WindPy import *
w.start()

dateStart =  date(2005,1,1)
dateEnd = date(2018,12,2)

IndexClose = w.wsd("000300.SH,000905.SH", "close", "{}".format(dateStart), "{}".format(dateEnd), "")
Indexprice = pd.DataFrame(np.array(IndexClose.Data).T,columns=['hs300','ZZ500'],index = IndexClose.Times)

相对强弱指标

通过大小盘指数收盘价格构造相对强弱指数：

其中P1是中证500点位，P2是沪深300点位，回测区间内的相对强弱指标如图所示

代码（全文作图代码基本相同，之后不再列出）

Indexprice['P'] = np.log(Indexprice.ZZ500) - np.log(Indexprice.hs300)
X = np.arange(Indexprice.shape[0])
xticklabel = Indexprice.index
xticks = np.arange(0,Indexprice.shape[0]+1,np.int((Indexprice.shape[0]+1)/5))

plt.figure(figsize = [20,4])
SP = plt.axes()      
P1 = SP.plot(X,Indexprice.hs300,linewidth = 2,label = 'HS300',color = 'darkred')
P2 = SP.plot(X,Indexprice.ZZ500,linewidth = 2,label = 'ZZ500',color = 'cornflowerblue')
SP1 = SP.twinx()
P3 = SP1.plot(X,Indexprice['P'],color = 'orange',linewidth = 2,label = u'相对强弱指数')   
SP.set_xticks(xticks)
SP.set_xticklabels(xticklabel[xticks],size = 20)
p = P1+P2+P3
lns = [l.get_label() for l in p]

plt.legend(p,lns,prop=font)
plt.show()

相对强弱指标的值大小没有意义，并不是说大于0就倾向于小盘，小于0就倾向于大盘，两个指数的点数之间数量上有差异，因此要关注指标的变化趋势。

指标呈上升趋势，说明当前市场为小盘风格，应该投资小盘指数，反之应投资大盘指数

策略1：参见华泰研报

策略1为左侧交易，首先计算指标的MA10对数据进行平滑，通过函数updownbound计算MA10的布林带，若MA10上穿下轨，做多小盘股，若MA10下穿上轨，做多大盘。

布林带定义

def updownbound(data,n,c):   
   data['upbound'] = data['P'].rolling(window = n, center = False).mean() + c * data['P'].rolling(window = n, center = False).std()
   data['upbound'] = data['upbound'].shift(1)
   data['downbound'] = data['P'].rolling(window = n, center = False).mean() - c * data['P'].rolling(window = n, center = False).std()
   data['downbound'] = data['downbound'].shift(1)
   for i in range(2,n):
       data.loc[i,'upbound'] = data.loc[0:i - 1,'P'].mean() + c * data.loc[0:i - 1,'P'].std()
       data.loc[i,'downbound'] = data.loc[0:i - 1,'P'].mean() - c * data.loc[0:i - 1,'P'].std()
   data.loc[0,'upbound'] = 0
   data.loc[0,'downbound'] = 0 
   data.loc[1,'upbound'] = data.loc[0,'P']
   data.loc[1,'downbound'] = data.loc[0,'P']
   return(data)

相对强弱指数、MA10及布林带如下

策略规则

当 10 日均线从下方上穿下轨，则做多小盘股，卖出大盘股，第二天开始算收益率。
当 10 日均线从上方下穿上轨，则做空小盘股，做多大盘股，第二天开始算收益率。
其他的情形，不需要做什么操作，任何时候都是满仓大盘股或者小盘股。

def strategy(data):
   data['flag_hs'] = 0
   data['flag_zz'] = 0
   data['ret_strategy'] = 0
   data['ret_zz'] = data['ZZ500'].pct_change(1)
   data['ret_hs'] = data['hs300'].pct_change(1)
   data.loc[0,'ret_zz'] = 0
   data.loc[0,'ret_hs'] = 0
   for i in range(1,data.shape[0] - 1):
       # 上穿下轨，做多小盘，卖出大盘
       if data.ma10[i - 1] < data.downbound[i - 1] and data.ma10[i] > data.downbound[i]:
           data.loc[i + 1 ,'flag_zz'] = 1
           data.loc[i + 1 ,'flag_hs'] = 0
#           data.loc[i + 1,'net_zz'] = data.loc[i ,'net_zz']*(1 + data.loc[i + 1,'ret_zz'])
#           data.loc[i + 1,'net_hs'] = data.loc[i ,'net_hs']*(1 - data.loc[i + 1,'ret_hs'])
       # 下穿上轨，做多大盘，卖出小盘
       elif data.ma10[i - 1] > data.upbound[i - 1] and data.ma10[i] < data.upbound[i]:
           data.loc[i + 1 ,'flag_zz'] = 0
           data.loc[i + 1 ,'flag_hs'] = 1
#           data.loc[i + 1,'net_zz'] = data.loc[i ,'net_zz']*(1 - data.loc[i + 1,'ret_zz'])
#           data.loc[i + 1,'net_hs'] = data.loc[i ,'net_hs']*(1 + data.loc[i + 1,'ret_hs'])
       else:
           data.loc[i + 1 ,'flag_zz'] = data.loc[i ,'flag_zz']
           data.loc[i + 1 ,'flag_hs'] = data.loc[i ,'flag_hs']
           
   data.loc[data['flag_zz'] ==1,'ret_strategy'] = data.loc[data['flag_zz'] ==1,'ret_zz']
   data.loc[data['flag_hs'] ==1,'ret_strategy'] = data.loc[data['flag_hs'] ==1,'ret_hs']
   
   data['net_strategy_zz'] = (1 + data['flag_zz']*data['ret_zz']).cumprod()
   data['net_strategy_hs'] = (1 + data['flag_hs']*data['ret_hs']).cumprod()
   data['net_strategy'] = (1 + data['ret_strategy']).cumprod()
   return data

回测结果如下，蓝色为策略收益，浅蓝色为小盘指数的净值，红色为大盘指数的净值，绿色为持仓情况，值为1表示持有的是大盘，值为2表示持有的是小盘。

策略净值为4.96，整体来看，这种策略的优势仅在于交易次数很小，但基本没有超额收益。

再从其他方面考察策略：

上图为策略相对于大盘和小盘指数的表现，可以看出策略在16年之前优于大盘，而在整个区间内与小盘指数基本持平。

分年统计来看，策略并没有表现出持续优于大盘指数或者优于小盘指数。

整体来看，策略效果不尽人意。分析原因，主要在于市场在2008-2015年之间出现了长期的震荡行情，16年之后至今也是震荡下行，没有出现明显的趋势性，因此很难触发策略条件。

策略2：参见中金研报

策略2采取趋势突破的方法，创新高时买入小盘指数，创新低时买入大盘指数。

报告中相对强弱指数定义如下

与前文定义的指标相差一个常数，对结果没有影响，仍采用前文定义。

策略规则：

相对强弱指数创新N1日新高，持有小盘
相对强弱指数创N2日新低，持有大盘

def strategy1(data,N1,N2,fee_ratio = 0):
   data['flag_hs'] = 0
   data['flag_zz'] = 0
   data['ret_strategy'] = 0
   data['buysell'] = 0
   data['ret_zz'] = data['ZZ500'].pct_change(1).fillna(0)
   data['ret_hs'] = data['hs300'].pct_change(1).fillna(0)
   
   for i in range(max(N1,N2),data.shape[0] - 1):
       # 创新高，做多小盘
       if data.P[i] >= np.max(data.P[i - N1:i]):
           data.loc[i + 1 ,'flag_zz'] = 1
           data.loc[i + 1 ,'flag_hs'] = 0
       
#           data.loc[i + 1,'net_zz'] = data.loc[i ,'net_zz']*(1 + data.loc[i + 1,'ret_zz'])
#           data.loc[i + 1,'net_hs'] = data.loc[i ,'net_hs']*(1 - data.loc[i + 1,'ret_hs'])
       # 创新低，做多大盘
       elif data.P[i] <= np.min(data.P[i - N2:i]):
           data.loc[i + 1 ,'flag_zz'] = 0
           data.loc[i + 1 ,'flag_hs'] = 1

#           data.loc[i + 1,'net_zz'] = data.loc[i ,'net_zz']*(1 - data.loc[i + 1,'ret_zz'])
#           data.loc[i + 1,'net_hs'] = data.loc[i ,'net_hs']*(1 + data.loc[i + 1,'ret_hs'])
       else:
           data.loc[i + 1 ,'flag_zz'] = data.loc[i ,'flag_zz']
           data.loc[i + 1 ,'flag_hs'] = data.loc[i ,'flag_hs']
           
   data.loc[data['flag_zz'] ==1,'ret_strategy'] = data.loc[data['flag_zz'] ==1,'ret_zz']
   data.loc[data['flag_hs'] ==1,'ret_strategy'] = data.loc[data['flag_hs'] ==1,'ret_hs']

   data.loc[data['flag_hs'] != data.flag_hs.shift(1),'buysell'] = 1 
   data.loc[0,'buysell'] = 0
   data['ret_strategy'] = data['ret_strategy'] - fee_ratio*data['buysell']
   #data['net_strategy_zz'] = (1 + data['flag_zz']*data['ret_zz']).cumprod()
   #data['net_strategy_hs'] = (1 + data['flag_hs']*data['ret_hs']).cumprod()
   data['net_strategy'] = (1 + data['ret_strategy']).cumprod()
   return data