TQuant Lab MACD交易策略

Sep 01 2023

本文重点概要

文章难度：★★☆☆☆
TQuant Lab 设计MACD交易策略
TQuant Lab 生成绩效报表与视觉化图表

前言

MACD代表“移动平均收敛/发散指标”（Moving Average Convergence Divergence），是一种常用于技术分析的工具，用于衡量一个资产的趋势变化和动能。

MACD由两个主要组件组成：

短期移动平均线：这是一个较短的移动平均线，通常使用较短的时间期间，例如12日移动平均。
长期移动平均线：这是一个较长的移动平均线，通常使用较长的时间期间，例如26日移动平均。

MACD的计算步骤如下：

计算快线和慢线的移动平均。
从快线减去慢线，得到差值，也就是快线。
计算这些差值的移动平均，这就是MACD指标本身，也就是慢线。

MACD的值可以是正值、负值或零，它们之间的相对位置和变化提供了一些关于资产价格趋势的信息。

主要的MACD信号包括：

黄金交叉：当快线上穿慢线时，通常被视为一个上升趋势的信号，可能预示着价格上升。
死亡交叉：当快线下穿慢线时，通常被视为一个下降趋势的信号，可能预示着价格下降。

此外，MACD的柱状图（MACD柱）是快线与慢线之间差值的表示，柱的高度显示了快线和慢线之间的差异。当MACD柱由负变成正，可能暗示着趋势可能正在转为上升。

编辑环境、模组需求与价量资料导入

本文使用 Mac 作业系统以及 jupyter notebook 作为编辑器。
在进入文章主轴之前，我们先传入域名与金钥，接着进行资料导入，
本篇实作使用台积电（2330）作为范例，并设定时间区段为 2018/12/30 ~ 2023/05/26 。

import os
import pandas as pd
import numpy as np

os.environ['TEJAPI_BASE'] = 'https://api.tej.com.tw'
os.environ['TEJAPI_KEY'] = 'your_key'
os.environ['mdate'] = '20181230 20230526'
os.environ['ticker'] = '2330'

# 使用 ingest 将股价资料导入暂存，并且命名该股票组合 (bundle) 为 tquant
!zipline ingest -b tquant

import talib
from zipline.api import order_target, record, symbol
from zipline.finance import commission, slippage
import matplotlib.pyplot as plt

建立 initialize 函式

首先，我们先建立 initialize 函式inintialize 函式用于定义交易开始前的交易环境，与此例中我们设置:

股票代号
持有股数
是否持有部位
交易手续费
流动性滑价

def initialize(context):
context.sym = symbol('2330')
context.i = 0
context.invested = False
context.set_commission(commission.PerDollar(cost=0.00285))
context.set_slippage(slippage.VolumeShareSlippage())

建立 handle_date 函式

handle_data 函式用于处理每天的交易策略或行动，其中:

condition1: 当快线往上突破慢线，且MACD柱由负转正，视为买入信号。
condition2: 当快线向下跌破慢线，且MACD柱由正转负，且持有部位不为0，视为卖出信号。

我们使用talib来计算移动平均，并设定短期平均窗口期为 12 日、长期平均窗口期为 26日、MACD 线的窗口期为 9 日。

而除了预设输出的报表资讯，我们还想记录在交易策略执行时的收盘价、快线指数、慢线指数、是否买入、是否卖出等资讯，因此在最后的record增加输出栏位。

def handle_data(context, data):
trailing_window = data.history(context.sym, 'price', 35, '1d')#35 = 26 + 9
if trailing_window.isnull().values.any():
return

short_ema = talib.EMA(trailing_window.values, timeperiod = 12)
long_ema = talib.EMA(trailing_window.values, timeperiod = 26)
dif = short_ema - long_ema
MACD = talib.EMA(dif, timeperiod = 9)
bar = dif - MACD
buy = False
sell = False

# Trading logic
#condition1
if (dif[-2] < MACD[-2]) and (dif[-1] > MACD[-1]) and (bar[-2] < 0) and (bar[-1] > 0):

order_target(context.sym, 1000)
context.invested = True
buy = True

#condition2
elif (dif[-2] > MACD[-2]) and (dif[-1] < MACD[-1]) and (bar[-2] > 0) and (bar[-1] < 0) and context.invested:
order_target(context.sym, 0)
context.invested = False
sell = True

# Save values for later inspection
record(TSMC = data.current(symbol('2330'), 'close'),
dif = dif[-1],
MACD = MACD[-1],
bar = bar[-1],
buy = buy,
sell = sell)

建立 analyze 函式

在analyze中使用 matplotlib.pyplot 绘製投资组合价值折线图与 MACD 指标图。

我们计画输出两张图表，第一张为投资组合价值折线图，负责记录投资组合价值的变化趋势；第二张为 MACD 指标图，负责记录快线、慢线、MACD柱的趋势变化，以及买卖点的标记。

# Note: this function can be removed if running
# this algorithm on quantopian.com
def analyze(context=None, results=None):
import matplotlib.pyplot as plt
import logbook
logbook.StderrHandler().push_application()
log = logbook.Logger('Algorithm')

fig = plt.figure()
ax1 = fig.add_subplot(211)
results.portfolio_value.plot(ax=ax1)
ax1.set_ylabel('Portfolio value (TWD)')
ax2 = fig.add_subplot(212)
ax2.set_ylabel('MACD')
# If data has been record()ed, then plot it.
# Otherwise, log the fact that no data has been recorded.
if 'dif' in results and 'MACD' in results:
results[['dif', 'MACD']].plot(ax=ax2)
ax2.plot(
results.index[results["buy"] == True],
results.loc[results["buy"] == True, 'MACD'],
'^',
markersize=10,
color='m',
)
ax2.plot(
results.index[results["sell"] == True],
results.loc[results["sell"] == True, 'MACD'],
'v',
markersize=10,
color='k',
)
ax3 = ax2.twinx()
colors = ["red" if i > 0 else "green" for i in results['bar']]
ax3.bar(results.index, results['bar'], color=colors, alpha=0.5, width=0.4, label='MACD Bar')

lines, labels = ax2.get_legend_handles_labels()
bars, bar_labels = ax3.get_legend_handles_labels()
ax2.legend(lines + bars, labels + bar_labels, loc='upper right')

plt.gcf().set_size_inches(18, 8)
else:
msg = 'TSMC - dif and MACD data not captured using record().'
ax2.annotate(msg, xy=(0.1, 0.5))
log.info(msg)
plt.show()

执行交易策略

使用 run_algorithm 执行上述所编撰的交易策略，设置交易期间为 2018-12-30 到 2023-05-26，初始资金为 100,000 元，所使用资料集为 tquant，其中输出的变数 results 就是每日绩效与交易的明细表。

from zipline import run_algorithm

start_date = pd.Timestamp('2018-12-30',tz='utc')
end_date = pd.Timestamp('2023-05-26',tz='utc')
results = run_algorithm(start= start_date,
end=end_date,
initialize=initialize,
capital_base=1e6,
analyze=analyze,
handle_data=handle_data,
data_frequency='daily',
bundle='tquant'
)

绩效报表

结论

由上述报表中，我们可以看到投组价值约增加了百分之三十，而经由MACD 指标图可以明确了解每个交易动作的时间点及趋势表现。透过TQuant Lab，能大幅度的减少程式码的複杂度，使用少量程式码即可实现複杂回测系统。然而需要注意的是，虽然MACD是一个流行的技术分析工具，但它并非绝对可靠，单独使用可能会产生虚假的信号。通常，技术分析者会将MACD与其他指标和分析方法结合使用，以做出更准确的判断。

温馨提醒，本次策略与标的仅供参考，不代表任何商品或投资上的建议。之后也会介绍使用TEJ资料库来建构各式指标，并回测指标绩效，所以欢迎对各种交易回测有兴趣的读者，选购 TEJ E-Shop 的相关方案，用高品质的资料库，建构出适合自己的交易策略。

原始码

点此前网 Github