双均线策略1. 原理均线的“前世今生”

均线，一个进行形态分析时总也绕不过去的指标。

均线最早由美国投资专家Joseph E.Granville(格兰威尔)于20世纪中期提出，现在仍然广泛为人们使用，成为判断买卖信号的一大重要指标。从统计角度来说，均线就是历史价格的平均值，可以代表过去N日股价的平均走势。

1962年7月，Joseph E.Granville在他的书中提出了著名的Granville八大买卖法则。只利用股价和均线即可进行择时，方法简单有效，一经提出，迅速受到市场追捧。尤其是其中的金叉和死叉信号，更是沿用至今。

Granville 八大法则其中有四条是用于判断买进时机，另外四条是用于判断卖出时机。买进和卖出法则一一对应，分布在高点的左右两侧（除买4和卖4以外）。法则内容如下所示：

买1：均线整体上行，股价由下至上上穿均线，此为黄金交叉，形成第一个买点。买2：股价出现下跌迹象，但尚未跌破均线，此时均线变成支撑线，形成第二个买点。买3：股价仍处于均线上方，但呈现急剧下跌趋势。当跌破均线时，出现第三个买点。买4：（右侧）股价和均线都处于下降通道，且股价处于均线下方，严重远离均线，出现第四个买点。

卖1：均线由上升状态变为缓慢下降的状态，股价也开始下降。当股价跌破均线时，此为死亡交叉，形成第一个卖点。卖2：股价仍处于均线之下，但股价开始呈现上涨趋势，当股价无限接近均线但尚未突破时，此时均线变成阻力线，形成第二个卖点。卖3：股价终于突破均线，处于均线上方。但持续时间不长，股价开始下跌，直至再一次跌破均线，此为第三个卖点。卖4：（左侧）股价和均线都在上涨，股价上涨的速度远快于均线上涨的速度。当股价严重偏离均线时，出现第四个卖点。

均线理论为什么有效？

Shiller（1981）在研究中发现，资产的长期价格呈现均值回复的特征，即从长期来看，资产的价格会回归均值。这也是均线理论被广泛应用的前提。

均线理论的缺陷

均线归根到底是一种平均值，平均值在应用过程中存在最大的问题就是其滞后性。当出现买入卖出信号时，最佳时机早已过去。举例来说，如果A股票最新价格出现了较大的涨幅，股价和均线都上涨，但均线的速度慢于股价上涨速度。此时，从形态上来看，金叉出现，为买入信号。次日，股价回调，股价下降的速度快于均线下降的速度，形成死叉，为卖点。这样一买一卖不仅没有盈利，反而出现亏损。

均线理论的改进

针对均线的缺点，市场上提出了各种各样的改进方法。

1.对均线的计算方法进行改正。

加权移动平均线是在移动平均线的基础上按照时间进行加权。越靠近当前日期的价格对未来价格的影响越大，赋予更大的权重；越远离当前日期价格，赋予越小的权重。

2.调整均线周期

利用不同周期均线得到的结果也不同。许多有经验的投资者发现，在不同的市场中，有些均线的效果显著优于其他周期均线。有些长线投资者还会将股价替换成短周期均线进行趋势判断。

2. 策略逻辑

第一步：获取数据，计算长短期均线第二步：设置交易信号

当短期均线由上向下穿越长期均线时做空当短期均线由下向上穿越长期均线时做多

回测数据: SHFE.rb2101的60s频度bar数据回测时间: 2020-04-01 到 2020-05-31回测初始资金：3万

3. 策略代码要求：1. 使用tushare包获取某股票的历史行情数据2. 使用pandas包计算该股票历史数据的5日均线和30日均线3. 使用matplotlib包可视化历史数据的收盘价和两条均线4. 分析输出所有金叉日期和死叉日期5. 如果我从2010年1月1日开始，初始资金为100000元。金叉尽量买入，死叉全部卖出，则到今天为止，我的股票收益率为多少？ import numpy as npimport pandas as pdimport matplotlib as pltimport tushare as ts # 获取财经数据df = ts.get_k_data('601318',start='2000-01-01')df.to_csv('601318.csv') # 读取财经数据并计算五日、三十日的平均收盘价df = pd.read_csv('601318.csv',index_col = 'date',parse_dates = ['date'])[['open','close','low','high']]df['ma5'] = df['close'].rolling(5).mean()df['ma30'] = df['close'].rolling(30).mean()df[['close','ma5','ma30']].plot() # 获取金叉和死叉的日期ar1 = df['ma5'] < df['ma30']ar2 = df['ma5'] >= df['ma30']death_cross = df[ar1 & ar2.shift(1)].indexgolden_cross = df[-(ar1 | ar2.shift(1))].index # 执行交易策略first_money = 100000money = first_moneyhold = 0sr1 = pd.Series(1,index=golden_cross)sr2 = pd.Series(0,index=death_cross)sr = sr1.append(sr2).sort_index() for i in range(0,len(sr)): p = df['open'][sr.index[i]] if sr.iloc[i] == 1: buy = money//(100*p) hold += buy*100 money -= buy*100*p else: money += hold * p hold = 0 # 计算最后余下的金额总和p = df['open'][-1] now_money = hold * p + money print(now_money) 本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。