短线etf赚多少个点适合清仓（择时策略-双均线-手续费）

1、数字货币不同于传统股票，没有最低交易手续费，不同交易所费率也不相同；拿OKEX为例，现货手续费看起来还是很高的，期货手续费跟现在股票市场相比也没有太大的优势，加上数字货币市场是7 * 24小时不间断交易，交易所简直赚到手软，手续费如下图：

2、部分高频交易，看似回测收益率很高，但是考虑手续费后，很有可能收益率惨不忍睹，也就是说策略是交易所家的长工，到头来啥也没捞到；

3、部分交易所鼓励挂单，挂单送手续费，吃单承担高额手续费，例如bitmex，bybit等

回测标的：btcusdt

回测区间：2019年-至今

回测频度：小时

手续费、滑点：0.050%（交割合约吃单手续费） 0.1%（滑点：指下单的点位和最后成交的点位有差距）

操作方向：只做多，不做空

考虑手续费后，策略收益率出现明显的下滑，而且不如基准收益率。

友情提示：行情数据自行准备，涉及行情调取代码不展示

1、使用模块

import pandas as pd import pymssql import numpy as np import datetime import talib as ta import matplotlib.pyplot as plt

2、展示格式调整

pd.set_option('expand_frame_repr', False) # 当列太多时不换行 pd.set_option('display.max_rows', 10000) #最多显示多少行 pd.set_option('display.float_format', lambda x: '%.8f' % x) #为了直观的显示数字，不采用科学计数法 #中文 plt.rcParams['font.sans-serif']=['SimHei'] #负号 plt.rcParams['axes.unicode_minus']=False

3、策略函数（与上一版本略微差别）

def strategy_ma(pdatas,win_short,win_long): """ pdatas：ohlc 格式数据 win_short：短均线周期 win_long:长均线周期 """ #复制数据，避免在原数据中改动 datas = pdatas.copy() #计算方法：N日移动平均线=N日收市价之和/N #长均线计算 datas['lma'] = ta.MA(datas['close'], timeperiod=win_long) #短均线计算 datas['sma'] = ta.MA(datas['close'], timeperiod=win_short) datas['flag'] = 0 # 记录买卖信号 datas['pos'] = 0 # 记录持仓信号 pos = 0 # 是否持仓，持多仓：1，不持仓：0，持空仓：-1 #剔除长均线长度之前的空数据和最后一行数据 for i in range(max(1,win_long),datas.shape[0] - 1): # 当前无仓位，短均线上穿长均线，做多 if (datas.sma[i-1] < datas.lma[i-1]) and (datas.sma[i] > datas.lma[i]) and pos==0: #买卖信号置为1，表示买入 datas.loc[i,'flag'] = 1 #买卖信号后一个K线开始持仓，标为1 datas.loc[i 1,'pos'] = 1 pos = 1 # 当前持仓，死叉，平仓 elif (datas.sma[i-1] > datas.lma[i-1]) and (datas.sma[i] < datas.lma[i]) and pos==1: #买卖信号置为-1，表示卖出 datas.loc[i,'flag'] = -1 #买卖信号后一个K线开始持仓，标为0，如果要做空，标志为-1 datas.loc[i 1 ,'pos'] = 0 pos = 0 # 其他情况，保持之前仓位不变 else: datas.loc[i 1,'pos'] = datas.loc[i,'pos'] #剔除长均线计算之前的空数据，并重置索引，并将原索引删除 datas = datas.loc[max(0,win_long):,:].reset_index(drop = True) return datas

4、资金曲线（刑老师版本）

# 计算资金曲线 def equity_curve(df, leverage_rate=1, c_rate=1.5 / 1000, min_margin_rate=0.015): """ :param df: 带有pos的原始数据 :param leverage_rate: okex交易所最多提供100倍杠杆，leverage_rate可以在(0, 100]区间选择 :param c_rate: 手续费，按照吃单万5，滑点千一计算 :param min_margin_rate: 低保证金比例 :return: """ # =====基本参数 init_cash = 100 # 初始资金 min_margin = init_cash * leverage_rate * min_margin_rate # 最低保证金 # =====根据pos计算资金曲线 # ===计算涨跌幅 df['change'] = df['close'].pct_change(1) # 根据收盘价计算涨跌幅 df['pct'] = (df['change'].fillna(0) 1).cumprod() #计算原始收益率 df['buy_at_open_change'] = df['close'] / df['open'] - 1 # 从今天开盘买入，到今天收盘的涨跌幅,开仓时的计算方法 df['sell_next_open_change'] = df['open'].shift(-1) / df['close'] - 1 # 从今天收盘到明天开盘的涨跌幅,正常平仓价差计算 df.at[len(df) - 1, 'sell_next_open_change'] = 0 #最后一根K不处理 # ===选取开仓、平仓条件 #开仓 condition1 = df['pos'] != 0 condition2 = df['pos'] != df['pos'].shift(1) #针对直接多空互换的情况 open_pos_condition = condition1 & condition2 #平仓 condition1 = df['pos'] != 0 condition2 = df['pos'] != df['pos'].shift(-1) #针对直接多空互换的情况 close_pos_condition = condition1 & condition2 # ===对每次交易进行分组 df.loc[open_pos_condition, 'start_time'] = df['date'] df['start_time'].fillna(method='ffill', inplace=True) df.loc[df['pos'] == 0, 'start_time'] = pd.NaT # ===计算仓位变动 # 开仓时仓位, 建仓后的仓位 df.loc[open_pos_condition, 'position'] = init_cash * leverage_rate * (1 df['buy_at_open_change']) # 开仓后每天的仓位的变动 group_num = len(df.groupby('start_time')) if group_num > 1: t = df.groupby('start_time').apply( lambda x: x['close'] / x.iloc[0]['close'] * x.iloc[0]['position'] ) t = t.reset_index(level=[0]) df['position'] = t['close'] elif group_num == 1: t = df.groupby('start_time')[['close', 'position']].apply( lambda x: x['close'] / x.iloc[0]['close'] * x.iloc[0]['position']) df['position'] = t.T.iloc[:, 0] # 每根K线仓位的最大值和最小值，针对最高价和最低价 df['position_max'] = df['position'] * df['high'] / df['close'] df['position_min'] = df['position'] * df['low'] / df['close'] # 平仓时仓位 df.loc[close_pos_condition, 'position'] *= (1 df.loc[close_pos_condition, 'sell_next_open_change']) # ===计算每天实际持有资金的变化 # 计算持仓利润 df['profit'] = (df['position'] - init_cash * leverage_rate) * df['pos'] # 持仓盈利或者损失 # 计算持仓利润最小值 df.loc[df['pos'] == 1, 'profit_min'] = (df['position_min'] - init_cash * leverage_rate) * df[ 'pos'] # 最小持仓盈利或者损失 df.loc[df['pos'] == -1, 'profit_min'] = (df['position_max'] - init_cash * leverage_rate) * df[ 'pos'] # 最小持仓盈利或者损失 # 计算实际资金量 df['cash'] = init_cash df['profit'] # 实际资金 df['cash'] -= init_cash * leverage_rate * c_rate # 减去建仓时的手续费，因为前面计算收益率的时候是没有剔除手续费的，所以每个里面剔除即只剔除了一次 df['cash_min'] = df['cash'] - (df['profit'] - df['profit_min']) # 实际最小资金 df.loc[df['cash_min'] < 0, 'cash_min'] = 0 # 如果有小于0，直接设置为0 df.loc[close_pos_condition, 'cash'] -= df.loc[close_pos_condition, 'position'] * c_rate # 减去平仓时的手续费 if len(df[df['cash_min']<= min_margin]['date'].tolist())>0: print(df[df['cash_min']<= min_margin]['date'].tolist()) # ===判断是否会爆仓 _index = df[df['cash_min'] <= min_margin].index if len(_index) > 0: print('有爆仓',len(_index)) df.loc[_index, '强平'] = 1 df['强平'] = df.groupby('start_time')['强平'].fillna(method='ffill') df.loc[(df['强平'] == 1) & (df['强平'].shift(1) != 1), 'cash_强平'] = df['cash_min'] # 此处是有问题的 df.loc[(df['pos'] != 0) & (df['强平'] == 1), 'cash'] = None df['cash'].fillna(value=df['cash_强平'], inplace=True) df['cash'] = df.groupby('start_time')['cash'].fillna(method='ffill') df.drop(['强平', 'cash_强平'], axis=1, inplace=True) # 删除不必要的数据 # ===计算资金曲线 df['equity_change'] = df['cash'].pct_change() df.loc[open_pos_condition, 'equity_change'] = df.loc[open_pos_condition, 'cash'] / init_cash - 1 # 开仓日的收益率 df['equity_change'].fillna(value=0, inplace=True) df['equity_curve'] = (1 df['equity_change']).cumprod() # ===判断资金曲线是否有负值，有的话后面都置成0 if len(df[df['equity_curve'] < 0]) > 0: neg_start = df[df['equity_curve'] < 0].index[0] df.loc[neg_start:, 'equity_curve'] = 0 # ===删除不必要的数据 df.drop(['change', 'buy_at_open_change', 'sell_next_open_change', 'position', 'position_max', 'position_min', 'profit', 'profit_min', 'cash', 'cash_min'], axis=1, inplace=True) return df

5、回测

#用30日，10日均线进行回测 result = strategy_ma(data,10,30) #计算单K收益率,pct_change默认为1,可为空 result['ret'] = result.close.pct_change(1).fillna(0) #计算基准收益率 result['nav'] = (result['ret'] 1).cumprod() #计算策略收益率 result['strategy_return'] = (1 result.ret*result.pos).cumprod() #设置时间索引 result.set_index('date',inplace=True) #用30日，10日均线进行回测 result_fee = strategy_ma(data,10,30) #剔除手续费后的资金曲线计算 result_fee = equity_curve(result_fee,leverage_rate=1) #设置时间索引 result_fee.set_index('date',inplace=True) #调整画布的大小 plt.figure(figsize = (19,8)) #基准画图 result_fee.pct.plot(c = 'black',label = '基准',linewidth=0.8) #策略画图-考虑手续费 result_fee.equity_curve.plot(c = 'blue',label = '策略-含手续费',linewidth=0.8) #策略画图-不考虑手续费 result.strategy_return.plot(c='red',label = '策略-不含手续费',linewidth=0.8) #显示标签 plt.legend() #展示图片 plt.show()

6、回测效果

结尾：文章代码仅做交流学习，切勿直接使用进行投资，所产生盈亏概不负责！

文章首发于公众号(CLOUD打怪升级)，喜欢可以关注下！