Python A股 股票 Stock Backtrader 日经ETF

我个人从去年开始就逐步买入日经相关的场外基金, 也同时在场内有看 日经ETF(SH:513520) 这只ETF基金: 在当时我使用 Backtrader 做回测时, 这只基金是我回测最多的, 所以我也针对它做了一些技术面的统计.

其分析结果仅仅是一种技术面的观察, 不能预测未来趋势, 也不保证买了就可以赚钱, 如果你认为只是技术面分析就能稳赚不赔, 我可能会认为你并不适合炒股, 也不适合做我的读者.

如果想要查看部分代码, 以及更加优雅的图形交互, 请打开 Google Colab地址.

亏损盈利分布

当日相比前一日的盈亏情况

计算基于盘中价格相对于前一日最高价和最低价的不同盈亏情景概率。 比如横座标

  • 0.05表明, 今日的最低价相比昨日的收盘价下跌超过5%
  • -0.05表明, 今日的最高价相比昨日的收盘价上涨超过5%

我本来是想使用正态分布做拟合的, 但是当我把数据贴给ChatGPT的时候, 它帮我做了几种不同分布的拟合分析, 发现下面这个分布更加适合 Lorentzian 分布

特性 描述
重尾（fat tails） 比高斯分布的尾部更“厚重”，意味着极端值出现的概率更高
无定义的均值和方差 理论上平均值、方差都不存在，因为积分发散
中心尖锐 峰值区域比高斯更尖锐，快速变化
峰值对称 关于中心对称
多见于物理过程 如共振峰、谱线展宽、傅里叶变换中的响应函数

连续的盈利或亏损

横座标表示连续几天, 5表示连续五天盈利, -5表示连续5天亏损 这张图的统计结果表明, 连续3天以上都盈利或是亏损的概率只有不到10%, 连续5天以上的盈利亏损概率仅1%

收益预期管理

股票降价后的收益率

这里计算得到的图表内容解释

  • Expected Return 的数字表示预期盈利是 4%
  • 以横座标为3为例, 它意味着当日的股票比前一天最高价低了3%以上
  • 纵座标表示的是达到预期收益的, 如果以 14 天这条线为例, 它表示, 在未来14个交易日中, 能达到4%收益的概率接近60%

如果使用更加简单的例子

  • 第0天, high: 1.0(最高价)
  • 第1天: low: 0.97 (存在一个价格比前一天低了3%)
  • 第2天: ….
  • 第3天: ….
  • 第14天: 存在一个价格大于 0.97 * 1.04 的概率接近是60%

可以看到, 随着我们的耐心等待, 从7天,14天,到21天,30天之后, 获利概率其实是逐步提升的.

降价后的收益率-3D

我尝试使用plotly也制作了 3D 的曲面, 可能没那么光滑, 不过只是查询看起来足够了.

平均套牢天数

我这里的评价套牢天数的定义是, 当你用某个价位买入时, 比如1元, 你想要以1.025d的价格卖出, 需要的时间分布. 从图中的数据来看, 在1.41到1.48这段买入后, 平均时间是最短的, 大概是21个交易日内就可以获得2.5%的收益

数据的分析与讨论

以下的观点仅代表个人, 且只针对日经ETF, 我不对任何读者的选择负责. 赚钱赔钱与我无关.

符合直觉的结论

  • 连续上涨, 连续下跌的概率会随着天数增加而快速减少
  • 同一支股票的涨跌情况基本符合正态分布, 不过这里我拟合得到的是柯西分布(洛伦兹分布)
  • 以一个合适的价位买入, 基本不太会被套, 但也不会赚大钱

可能的策略

假设每年的交易日大概240天

  • 根据盈亏的分布

当日跌幅超4%时, 可以考虑买入并持有15-30个交易日, 在一年中买入的时机大概为 240天*2% 约为5个交易日

因为每次交易有7成以上的概率获得4%的收益, 所以一年的预期收益大概为 4% * 0.7 * 5 大约为 14%

  • 根据平均套牢时间

日经的数据中, 从1.41到1.48这段的平均回本时间是最短的, 大概是21个交易日内就可以获得2.5%的收益. 平均的交易周期为21天.

假设你每次都能在1.41到1.48之间买到股票, 那么你每年能交易的次数为 240/21 = 10 次, 那么年化有可能达到 10 * 2.5% = 25% 的收益