什么是指數增強

　　 什么是指數增強?

　　 指數增強策略并不是被動的跟蹤某個指數波動，而是采用量化增強模型，利用多因子alpha模型預測股票超額回報，同時力求進行有效的風險控制、降低交易成本、優化投資組合。指數增強策略不會對跟蹤標的成分股進行完全復制，而是會對部分看好的股票增加權重，不看好的股票則減少權重，甚至完全去掉。通過對交易成本模型的不斷監測，盡可能讓交易成本降到最小。綜合來看，就是既做到超額收益，又控制主動風險。

　　策略實現(基于掘金量化平臺)

　　策略思想

　　? 本策略以0.8為初始權重跟蹤指數標的滬深300中權重大于0.35%的成份股。

　　? 個股所占的百分比為：(0.8 X 成份股權重) /選擇的成分股權重總和 X 100%。

　　? 然后根據個股是否連續上漲5天;連續下跌5天，來判定個股是否為強勢股/弱勢股,并對其把權重由0.8調至1.0或0.6

　　策略主要步驟實現

　　獲取滬深300成分股及信息

　　stock300 = get_history_constituents(index='SHSE.000300',

　　start_date=last_day,end_date=last_day)[0]['constituents']

　　獲取指數成分股可調用函數get_history_constituents或者get_constituents，返回值類型為list[dict]，字典的鍵為股票代碼，值為所占權重。這里調用get_history_constituents是因為再回測時需要獲取上一交易日的成分股，而get_constituents只能獲取最新的成分股：

　　? index需要設置獲取指數的代碼。

　　? start_date和end_date需設置獲取成分股的開始與結束日期。

　　訂閱數據

　　subscribe(symbols=stock300_symbol, frequency='1d', count=5, wait_group=True)

　　訂閱數據需要在定義init函數里面設置，并調用subscribe函數，這里注意，我們需要通過計算前三十根bars來作為開平倉的標準，并在當前bar上做出開平倉操作，所以需要獲取31根bar：

　　? symbols 需要設置訂閱的標的代碼。

　　? frequency需設置訂閱數據的周期級別，這里設置1d 表示以一天為周期。

　　? count需要設置獲取的bar的數量

　　數據獲取

　　recent_data = context.data(symbol=symbol, frequency='1d', count=5, fields='close')['close'].tolist()

　　訂閱數據之后，需要獲取已經訂閱的數據來進行操作，這時需調用context.data函數：

　　? symbols 需要設置訂閱的標的代碼。

　　? frequency需設置訂閱數據的周期級別，這里設置1d表示以一天為周期。

　　? count需要設置獲取的bar的數量

　　? fields需要設置返回值的種類

　　獲取持倉信息

　　position = context.account().position(symbol=symbol, side=PositionSide_Long)

　　在判斷平倉或者加倉條件時，需要獲取持倉信息，這就需要調用context.account().position函數：

　　? symbols 需要設置訂閱的標的代碼。

　　? side需要設置持倉方向，有PositionSide_Long和PositionSide_Short兩個選擇。

　　回測報告

　　分析

　　 我們選取了2017年10月至2017年12月作為回測周期，可以看出：

　　? 勝率(具有盈利的平倉次數與總平倉次數之比)達到了66%。

　　? 卡瑪比率(年化收益率與歷史最大回撤之比)是使用最大回撤率來衡量風險。采用最大回撤率來衡量風險，關注的是最極端的情況。卡瑪比率越高表示策略承受每單位最大損失獲得的報酬越高。在這里卡瑪比率達到了6.7。

　　? 夏普比率(年化收益率減無風險收益率的差收益波動率之比)達到2.77。

　　? 策略收益曲線與滬深三百指數具有很大相關性，指數增強策略的關鍵點在于選出成分股中優質的股票，以達到增強指數收益的目的。

　　附：指數增強策略源碼

　　# coding=utf-8

　　from __future__ import print_function, absolute_import, unicode_literals

　　import numpy as np

　　from gm.api import *

　　from pandas import DataFrame

　　'''

　　本策略以0.8為初始權重跟蹤指數標的滬深300中權重大于0.35%的成份股.

　　個股所占的百分比為(0.8*成份股權重)*100%.然后根據個股是否

　　連續上漲5天;連續下跌5天

　　來判定個股是否為強勢股/弱勢股,并對其把權重由0.8調至1.0或0.6

　　回測數據為:SHSE.000300中權重大于0.35%的成份股

　　回測時間為:2017-07-01 08:50:00到2017-10-01 17:00:00

　　'''

　　def init(context):

　　# 資產配置的初始權重,配比為0.6-0.8-1.0

　　context.ratio = 0.8

　　# 獲取滬深300當時的成份股和相關數據

　　stock300 = get_history_constituents(index='SHSE.000300', start_date='2017-06-30', end_date='2017-06-30')[0][

　　'constituents']

　　stock300_symbol = []

　　stock300_weight = []

　　for key in stock300:

　　# 保留權重大于0.35%的成份股

　　if (stock300[key] / 100) > 0.0035:

　　stock300_symbol.append(key)

　　stock300_weight.append(stock300[key] / 100)

　　context.stock300 = DataFrame([stock300_weight], columns=stock300_symbol, index=['weight']).T

　　context.sum_weight = np.sum(stock300_weight)

　　print('選擇的成分股權重總和為: ', context.sum_weight)

　　subscribe(symbols=stock300_symbol, frequency='1d', count=5, wait_group=True)

　　def on_bar(context, bars):

　　# 若沒有倉位則按照初始權重開倉

　　for bar in bars:

　　symbol = bar['symbol']

　　position = context.account().position(symbol=symbol, side=PositionSide_Long)

　　if not position:

　　buy_percent = context.stock300['weight'][symbol] / context.sum_weight * context.ratio

　　order_target_percent(symbol=symbol, percent=buy_percent, order_type=OrderType_Market,

　　position_side=PositionSide_Long)

　　print(symbol, '以市價單開多倉至倉位:', buy_percent * 100)

　　else:　無錫婦科醫院排名 http://www.csfk0731.com/

　　# 獲取過去5天的價格數據,若連續上漲則為強勢股,權重+0.2;若連續下跌則為弱勢股,權重-0.2

　　recent_data = context.data(symbol=symbol, frequency='1d', count=5, fields='close')['close'].tolist()

　　if all(np.diff(recent_data) > 0):

　　buy_percent = context.stock300['weight'][symbol] / context.sum_weight * (context.ratio + 0.2)

　　order_target_percent(symbol=symbol, percent=buy_percent, order_type=OrderType_Market,

　　position_side=PositionSide_Long)

　　print('強勢股', symbol, '以市價單調多倉至倉位:', buy_percent * 100)

　　elif all(np.diff(recent_data) < 0):

　　buy_percent = context.stock300['weight'][symbol] / context.sum_weight * (context.ratio - 0.2)

　　order_target_percent(symbol=symbol, percent=buy_percent, order_type=OrderType_Market,

　　position_side=PositionSide_Long)

　　print('弱勢股', symbol, '以市價單調多倉至倉位:', buy_percent * 100)

　　if __name__ == '__main__':

　　'''

　　本策略基于掘金量化交易平臺 網址：www.myquant.cn

　　strategy_id策略ID,由系統生成

　　filename文件名,請與本文件名保持一致

　　mode實時模式:MODE_LIVE回測模式:MODE_BACKTEST

　　token綁定計算機的ID,可在系統設置-密鑰管理中生成

　　backtest_start_time回測開始時間

　　backtest_end_time回測結束時間

　　backtest_adjust股票復權方式不復權:ADJUST_NONE前復權:ADJUST_PREV后復權:ADJUST_POST

　　backtest_initial_cash回測初始資金

　　backtest_commission_ratio回測傭金比例

　　backtest_slippage_ratio回測滑點比例

　　'''

　　run(strategy_id='c722244f-eaa9-11e7-8618-9cd21ef04ea9',

　　filename='指數增強.py',

　　mode=MODE_BACKTEST,

　　token='c395247a76e8a5caeee699d668d6f550213bc418',

　　backtest_start_time='2017-10-01 08:50:00',

　　backtest_end_time='2017-12-01 17:00:00',

　　backtest_adjust=ADJUST_PREV,

　　backtest_initial_cash=10000000,

　　backtest_commission_ratio=0.0001,

　　backtest_slippage_ratio=0.0001