【策略编写系列七】多指数轮动策略(进阶)

# 概要：


　　在【策略编写系列六】中，详细的讲述了如何用Python语言编写出一个简单的双板块效应策略。本章内容讲解如何用Python语言编写出一个简单的多指数轮动策略，希望给有需要的同学提供一些帮助。内容主要分为：轮动策略介绍、构建简单多指数轮动策略、运用Python编写出策略、策略回测结果分析。

# 正文：

## 一、轮动策略介绍
　　在【系列六】中已经详细的讲到了板块轮动效应，当时整个策略的不完善之处在于板块太少，无法完全解释大盘的涨跌逻辑，因为本人在【系列七】中特意创建了一个多指数轮动策略，目的就是通过对大量指数的强弱判断，从而来解析整个大盘的上涨逻辑。
　　

　　通俗的讲，每段时期的大盘涨跌逻辑都是有所不同的，比如：前段时间蓝筹股的上涨，这段时间周期股暴涨等等，说白了，每个时期的大盘在上涨过程中，总有一个板块或者是指数、行业是推动大盘上涨的，除非是在大牛市，每个行业、板块都在涨，但是都在涨的同时，必定有一个板块或者行业是涨幅最喜人的。从以上的逻辑，我们可以得出：多指数（行业）轮动策略可以最大程度上解释大盘的涨跌逻辑！
　　

　　轮动策略的优势非常明显，在任何一段时间内，买入最强势的指数，而这个指数正是带动整个大盘上涨的核心力量。当然，策略中还会判断指数强弱，如果没有一个指数达到强势标准，则直接空仓。这也就是说，轮动策略本身就具备良好的风控措施，而且因为买入的是指数，其不需要考虑非系统性风险。
　　

　　多指数轮动策略的重点在于以下四点：
　　

一：必须具备足够多的指数，也就是这些指数包含很多行业、指数，这样可以在任何一个时期来解释大盘内在涨跌逻辑。


二：必须有一个严格的强弱判断逻辑，一个指数的表现如何量化成强弱关系并与其它指数进行对比。


三：确定调仓周期，策略应该是一个月调仓一次，还是一周调仓一次，或者其它，这个调仓逻辑与你选择指数的类型、数量有关。


四：确定持仓指数数量，当策略判断出各个指数的强弱并排序后，策略持仓最强表现的一个指数，还是前几个指数，这会直接影响到策略的最终结果。

## 二、构建多指数轮动策略
　　本章为了达到编写教学效果和策略逻辑完善，本人选取了9个指数ETF基金来解释大盘涨跌逻辑：159901 深100ETF，510050 50ETF，159915创业板ETF，510300 沪深300ETF，510500 500ETF，510180 180ETF，159902 中小板ETF，159905深红利ETF，150019银华锐进。
　　

　　其次定义板块强弱，采用当日收盘价与20日前的收盘价进行涨跌幅计算，如果当日收盘价相对于20日前的收盘价是上涨的，则表明该板块较为强势，由于一共9个指数，选取其中最强的一个作为交易标的。如果出现9个指数都下跌，那么我们则空仓避险。
　　

　　板块强弱的调仓周期为一月。



## 三、运用Python编写出策略
第一步：设置初始条件：



第二步：创建判断指数强弱的函数


1.def bankuai(account,data):


这行代码用来定义函数
2.df={'security':[],'qd':[]}

这行代码用来创建字典，security是键，[]放值
3.stocks=account.security

将初始条件中的9个指数植入stock
4.for i in stocks:

for in 循环函数，从stock中逐一取出指数
5.df['security'].append(i)

将取出的指数存放在security的键的[]中，
6.price = data.attribute_history(i, ['close'], 25, '1d')

获取历史数据函数，这里是25日收盘价，对象是取出的指数
7.p20=price['close'].iloc[-20]

获取20日前的收盘价
8.p1=price['close'].iloc[-1]

获取昨日收盘价
9.m=(p1-p20)/p20

计算昨日收盘价相对于20日前的涨跌幅。
10.df['qd'].append(m)

将计算结果植入 qd键的[]中。
11.df = pd.DataFrame(df).sort_values(by ='qd', ascending=False)

将字典转化成DataFrame的形式，并以 qd的值排降序。
12.x=df['qd'].iloc[0]

获取qd中值最大的那个
13.y=['123']

创建一个y，y=['123']
14.if x >0 :

if判断函数，判断x是否大于0
15.return df['security'].iloc[0]

如果大于0，则说明我们应该买入最强指数，由此输出函数结果为，最强指数
16.else:

如果不大于0 ，则说明我们应该空仓避险。
17.return y

输出函数结果为y
第三步：创建交易系统

1.def trade(account,data):

这行代码用来创建交易函数
2.n=bankuai(account,data)

将bankuai这个函数的结果植入n
3.d=len(n)

取n的长度
4.b=list(account.positions)

将持仓个股植入b
5.if d==1:

if判断函数，如果d是1，说明bankuai函数输出结果是 y ,应该空仓
6.if len(account.positions) > 0:

if判断函数，如果个股持仓数量大于0
7.for stock in list(account.positions):

从持仓个股冲逐一取出
8.order_target(stock, 0)

清仓持仓个股
9.else:

第5行代码不成立，也就是bankuai函数输出结果是9，应该买入最强指数
10.if n not in list(account.positions):

判断函数，如果买入的指数不是持仓指数
11.for stock in list(account.positions):

则先清仓，与7.8同理

12.order_target(stock, 0)



13.if len(account.positions) < 1:

if判断，如果个股持仓小于1，也就是已清仓就买对应的最强指数。
14.order_target_value(n, account.cash)

买入最强指数n，全仓。

第四步：扩张交易系统

1.def handle_data(account,data):

这行代码用来每日运行，来判断当初买入的最强指数是否变差了。
2.n=bankuai(account,data)

将bankuai函数的结果植入n
3.d=len(n)

取n的长度
4.b=list(account.positions)

将持仓个股形成列表，植入b
5.if d==1:

如果d等于1，说明bankuai函数输出结果为y,需要空仓避险
6.if len(account.positions) > 0:

如果持仓数量大于0
7.for stock in list(account.positions):

则清仓，同第三步的第7.8行代码同理
8.order_target(stock, 0)







## 四、策略回测结果分析。



三年回测结果图（按月调仓）



三年回测（按周调仓）


　　从回测结果看，按月调仓的收益明显高于按周调仓的收益，总体上9个指数能较好的解释大盘内在的涨跌逻辑，当然小伙伴可以直接复制我的代码，在开头添加更多的指数上去，还不动手试试>>>