“该策略基于自适应移动平均规则交易标普500指数，通过4年滚动选择期每日优化短期和长期区间，识别趋势信号进行交易。”
资产类别：差价合约（CFDs）、交易所交易基金（ETFs）、期货 | 地区：美国 | 频率：每日 | 市场：股票市场 | 关键词：自适应移动平均线、市场时机
I. 策略概述
该策略利用简单移动平均线（MA）规则交易标普500指数，动态优化短期和长期移动平均线的区间参数：
- 短期移动平均线（SMA）：计算范围为1至100天。
- 长期移动平均线（LMA）：计算范围为5至990天。
当短期移动平均线高于长期移动平均线时，视为上升趋势，进行多头交易；当短期移动平均线低于长期移动平均线时，视为下降趋势，进行空头交易。策略采用滚动4年历史数据的优化期每日选择最佳MA规则，并将其应用于次日交易周期。通过自适应规则调整，策略动态适应市场条件，可通过期货或ETF实现执行。
II. 策略合理性
趋势跟随系统是金融市场中的经典策略，利用市场中波动聚集现象进行交易。此类系统通过简单规则识别趋势，在高波动期（通常伴随低收益）时避免持有高风险资产，而在低波动期（通常伴随高收益）时积极参与市场。
引入自适应层使策略能够根据历史数据动态调整，以区分高波动低收益状态和低波动高收益状态，从而优化风险管理与收益捕捉。通过每日更新的规则选择，策略在快速变化的市场环境中具备更高的灵活性和准确性，从而提高整体表现。
III. 论文来源
Technical Analysis with a Long Term Perspective: Trading Strategies and Market Timing Ability [点击浏览原文]
- 作者：Dušan Isakov 和 Didier Marti
- 机构：瑞士弗里堡大学管理、经济与社会科学学院
<摘要>
本文从三个方向扩展了关于技术分析盈利能力的研究。首先，我们研究了基于较长时间段移动平均线计算的复杂交易规则的表现。通过对标普500指数的日价格模拟不同的交易规则，研究发现，当交易信号基于更长时间的移动平均线生成时，策略的盈利能力显著增强。
此外，研究验证了这些规则的市场时机能力，即在波动率较高或趋势反转时有效规避风险，并在趋势持续时最大化收益。这些发现表明，动态优化的技术分析方法可为投资者提供显著的风险调整后收益，特别是在长期视角下。
IV. 回测表现
| 年化收益率 | 14.6% |
| 波动率 | 17.41% |
| Beta | -0.247 |
| 夏普比率 | 0.61 |
| 索提诺比率 | -0.14 |
| 最大回撤 | N/A |
| 胜率 | 43% |
V. 完整python代码
import numpy as np
from AlgorithmImports import *
class AdaptiveMovingAveragesMarketTiming(QCAlgorithm):
def Initialize(self):
self.SetStartDate(2010, 1, 1)
self.SetCash(100000)
data = self.AddEquity('SPY', Resolution.Daily)
data.SetLeverage(5)
self.symbol = data.Symbol
self.period = 4 * 12 * 21
self.SetWarmUp(self.period, Resolution.Daily)
self.data = RollingWindow[float](self.period)
self.ma = {}
self.ma_signal = {}
sma_periods = [x for x in range(1, 101, 4)]
lma_periods = [x for x in range(5, 991, 20)]
ma_combinations = [[i, j] for i in sma_periods for j in lma_periods if i<j]
for sma, lma in ma_combinations:
self.ma[sma,lma] = [self.SMA(self.symbol, sma, Resolution.Daily), self.SMA(self.symbol, lma, Resolution.Daily)]
self.ma_signal[sma,lma] = RollingWindow[float](self.period)
def OnData(self, data):
# Update SPY price every day.
symbol_obj = self.Symbol(self.symbol)
if symbol_obj in data and data[symbol_obj]:
self.data.Add(data[symbol_obj].Value)
# Store vector value for current day and optimize from previous values.
avg_return = {}
for sma_lma in self.ma:
sma = self.ma[sma_lma][0]
lma = self.ma[sma_lma][1]
if sma.IsReady and lma.IsReady:
sma_value = sma.Current.Value
lma_value = lma.Current.Value
# MA SIGNAL = if short term MA is OVER long term MA == 1 else -1
self.ma_signal[sma_lma].Add(1 if sma_value > lma_value else -1)
# 4 years of SPY data is ready.
if self.data.IsReady:
values = np.array([x for x in self.data])
daily_changes = values[:-1] / values[1:] - 1
# Find optimal sma_lma pair.
if self.ma_signal[sma_lma].IsReady:
# Multiply both vectors to get daily performance for sma_lma pair.
# Ignore last value from ma_signal since it's today's value. It will be used to trade decision for next day.
ma_signal_vector = [x for x in self.ma_signal[sma_lma]][1:]
return_vector = ma_signal_vector * daily_changes
# Store avg daily performance for sma_lma pair.
avg_return[sma_lma] = np.average([x for x in return_vector])
else:
# MA is not ready yet.
self.ma_signal[sma_lma].Add(0)
if self.IsWarmingUp: return
if len(avg_return) == 0: return
# Optimalization
optimal_sma_lma = max(avg_return, key=avg_return.get)
# Trading
last_signal = self.ma_signal[optimal_sma_lma][0]
if last_signal == 1:
self.SetHoldings(self.symbol, 1)
elif last_signal == -1:
self.SetHoldings(self.symbol, -1)
