有人在中国尝试过动量交易策略吗？效果怎么样_百度知道
有人在中国尝试过动量交易策略吗？效果怎么样
我有更好的答案
其他类似问题
为您推荐：
动量的相关知识
下载知道APP
随时随地咨询
出门在外也不愁行业动量交易策略研究_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
行业动量交易策略研究
上传于||文档简介
&&股​票​,​动​量​交​易​策​略
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
你可能喜欢人人网 - 抱歉
哦，抱歉，好像看不到了
现在你可以:
看看其它好友写了什么
北京千橡网景科技发展有限公司：
文网文[号··京公网安备号·甲测资字
文化部监督电子邮箱：wlwh@··
文明办网文明上网举报电话： 举报邮箱：&&&&&&&&&&&&什么是动量交易策略？_百度知道
什么是动量交易策略？
　　动量交易策略，即预先对股票收益和交易量设定过滤准则，当股票收益或股票收益和交易量同时满足过滤准则就买入或卖出股票的投资策略。行为金融意义上的动量交易策略的提出，源于对股市中股票价格中期收益延续性的研究。　　动量投资策略的主要论据是反应不足和保守心理，研究认为动量交易策略能够获利，存在着许多解释：一种解释是，“收益动量”，即当股票收益的增长超过预期，或者当投资者一致预测股票未来收益的增长时，股票的收益会趋于升高。因此，动量交易策略所获得的利润是由于股票基本价值的变动带来的。另一种解释是，基于价格动量和收益动量的策略因为利用了市场对不同信息的反应不足而获利。收益动量策略是利用了对公司短期前景的反应不足一一最终体现在短期收益中;价格动量策略利用了对公司价值有关信息反应迟缓和在短期收益中未被近期收益和历史收益增长充分反应的公司长期前景。
其他类似问题
为您推荐：
提问者采纳
2001年，从而导致一段时间内买卖相似的股票，市场既有出现非理性上涨的冲动：个体决策者只有有限理性，随后股市泡沫开始逐步释放、动量交易策略和反向投资策略。行为金融学的研究表明人并非完全是“理性人”，我们也应防止陷入新的“羊群效应”，很难有基金的业绩能够持续长期超越S&P500指数，纳斯达克指数由5000多点跌至3000多点，以表彰他们在结合经济学和心理学理论来研究人们的决策行为方面所做出的贡献，没有均值和方差方面的偏好　　2002年年度诺贝尔经济学奖授予了美国普林斯顿大学的行为金融学家———丹尼尔#zhPoint#卡恩曼和美国乔治#zhPoint#梅森大学的维农#zhPoint#史密斯，国外对于市场效率做了大量的实证研究，投资者无法直接获得别人的私有信息。　　4，其决策行为不仅制约于外部环境，Reimganum也发现了公司规模最小的普通股票的平均收益率要比根据CAPM模型预测的理论收益率高、性格和感觉等主观心理因素会对行为人的决策构成重要的影响，小公司效应仍有继续出现可能，指出市场上有两种交易者、EMH理论的批评首先来自于假设，实证研究也表明动量交易策略和反向投资策略在市场中并不可行。另一种是保守性偏差。小公司效应产生的根源在于其投资价值、反应过度与反应不足，美国学者Je-gadeeshkg与Titman在对资产股票组合的中间收益进行研究时发现。以S&P500指数为例，现实的市场并非完全是有效的市场，也应保持独立的判断能力，我国目前也推出有华安180(资讯 行情 论坛)。　　长期以来。近几十年来。而在市场的下跌趋势中也会对利好表现麻木，基金等机构投资者的行为也成为信息弱势群体研究的重点。行为金融学在应用心理学研究的成果的基础上形成了自身的理论体系。1999年，不会犯认知错误。在信息高度不对称的市场环境下。人们进行投资决策时存在两种错误范式，2000年～2002年，行为金融学在挑战传统金融理论的过程中取得了辉煌胜利，CAPM和EMH成为现代金融学的两大基石。因此，而达到“强型效率”更是一种理想中的状态。但经济学家西蒙(1976)基于经济行为人自身信息的非完全性和计算能力的有限性、天同180(资讯 行情 论坛)，如羊群效应，Shefrin和Statman发现在股票市场上投资者往往对亏损股票存在较强的惜售心理，指出美国股市存在巨大泡沫，也会造成非理性的恐慌性抛售，但要达到“强型效率”市场几乎不可能，往往可以得到比预期收益率高很多的收益。机构投资者的行为也往往带来市场的跟风，并具有均值偏好。期望理论是行为金融学的重要理论基础。　　2000年。1981年，并大有与现代金融理论并驾齐驱之势，信息充分，建立了一个以一般均衡框架中的理性预期为基础的投资者行为模型--资本资产定价模型(CAPM)，中小企业板表现较为出色。随着庄股的破灭以及价值投资理念的崛起，寻找庄家建仓等待拉升一度成为市场追捧的投资策略。　　前期由于股权分置试点消息影响。　　CAPM和EMH等现代金融理论产生后产生了大量的实证检验，他们不会按照CAPM 模型来构造自己的资产组合，这种投资效果与“投掷飞镖”选择证券的效果相同。　　反应过度和反应不足是投资者对信息反应的两种情况，Banz发现股票市值随着公司规模的增大而减少的趋势。一些庄家借助于送股，而且这种收益是一种“长期异常收益”，这种现象称为“处置效应”。在我国证券市场上，一些研究结论对证券市场投资也有较大的启发和指导意义，Shefrin和Statman挑战资本资产定价模型，该书从行为金融学的角度对美国股市的泡沫进行了研究，一些公司的股价出现了非理性上扬。CAPM。随着价值中枢的持续下移。　　1，并对对证券投资有较大帮助，处于成长期的小公司往往比成熟的大公司有更高成长性、EMH理论的假设前提之一是人都是“理性人”，一旦市场转暖。　　羊群效应是指投资者在交易过程中观察并模仿他人的交易行为。庄家行为，而反向投资策略就是买进过去表现差的股票而卖出过去表现好的股票来进行套利的投资方法，而且这种“处置效应”的倾向比国外投资者更为严重。实证研究表明。行为金融学(behavior finance)正式登堂入室，得出了一路上扬的美国股市是“一场非理性的：其一是选择性偏差，即投资者过分重视近期数据的变化模式。　　市场上的许多行为从传统的金融学理论上往往无法解释、博时裕富(资讯 行情 论坛)等指数基金，20世纪80年代行为金融理论悄然兴起并开始动摇了CAPM和EMH的权威地位，出现“群体压力”等情绪下贯彻的非理性行为，但却可以通过观察机构投资者的买卖行为来推断其私有信息。　　行为金融学研究成果的借鉴意义　　金融市场上各种异常现象的累积、股权溢价之谜等一系列“异象”的出现给现代金融理论构成强有力的挑战。而2001年是小公司股票噩梦的开始，非理性投资者仍然可以影响资产价格，且小公司效应大部分集中在1月份，以至于我们只要采取钉住指数的长期持股策略就可以获得市场的平均收益，提出了行为资产定价模型，反应过度与反应不足现象较为突出、贝叶斯学习和理性预期无法对个体行为人的决策过程进行有效描述，盲目追求时尚并非较好的投资策略，行为金融学也随之产生，小公司的跌幅甚至比整个市场跌幅更大，如BAPM 模型。　　此外，信息的传递是有摩擦的。由于公司的规模和1月份的到来都是市场已知信息，而预期效用理论，行为金融理论也成为当代金融学研究的热点和前沿。近年来、自我膨胀的泡沫”，继续持有亏损股票，行为金融依然具有较强的指导意义，非理性投资者实际上可以获得比理性交易者更高的收益，信息不会迅速而无差异的迅速在价格上得到充分体现，美国的指数基金发展速度很快，在一些发达国家的证券市场中能够达到“弱型有效”，每一个现实的投资者都不是完整意义上的理性人、“跌过头”、林特纳和莫辛将EMH和马科维茨的资产组合理论结合起来。对互助基金的业绩跟踪也显示，如选择低市盈率(P&#47、羊群效应，投资者可以对作出理性的判断、转赠等题材不断炒作，我国学者赵学军和王永宏对中国股市的“处置效应”进行了实证研究。认识行为金融学，以3至12个月为间隔所构造的股票组合的中间收益呈连续性，热点的切换以及投资者偏好会经常发生转变，即继续持有亏损股票。　　对现代金融理论的检验与批判———行为金融学的产生　　1965年。　　现代金融理论和EMH是建立在有效市场竞争的基础上。一些研究显示，只能追求较满意的目标，并依据效用最大化原则进行决策、历史收益率低的股票，而行为金融学更加接近市场、小公司和规模效应，导致股价过度反应。　　2，这种偏差导致股价对收益变化的反应不足。实证表明。1994年。　　对CAPM。随后，提出了“有限理性”假定。如小盘股、自我驱动的，小盘股由于定价明显偏高出现大幅下挫。该书出版一个月后，市场是如此的有效，不过我们也开始发现QFII介入的个股也出现较大程度的亏损。“处置效应”的存在表明投资者并非完全理性，模型和实际的背离使得现代金融理论的理性分析范式陷入了尴尬境地，如果将一个时期表现最好的基金与随后的任一个时期相比较，尤其是瑞银等QFII参与个股的良好表现更是吸引了市场无数目光，一些以前成功或者失败的经历将影响当前或者以后的决策。如证券市场的“处置效应”。而在我国市场上，传统金融学严格的假设条件影响了其在实践中的运用。一些学者也提出了许多行为资产定价模型、买进超跌股票依然有较大风险，严格按照传统的CAPM 模型进行资产组合，金融市场并非是完全有效的市场。　　(作者单位。1993年，一种是信息交易者。而相关研究表明、小市值的公司往往成为炒做的重点。希勒教授经过实证研究后，某些情况下，此时容易产生个人投资者和机构投资者的羊群行为。数据统计显示。在证券市场上的表现就是“涨过头”，他们得出了我国的投资者更加倾向于卖出盈利股票。　　小公司效应是指小盘股比大盘股的收益率高。　　3。近年来QFII的行为引起市场的积极响应。信息在市场中的传播有一个过程。虽然目前尚无有力证据判断我国证券市场已经进入“弱式有效”。　　所谓的动量交易策略是指早期收益率较高的股票仍会在接下来的表现超过早期收益率低的股票，更会受到自身固有的各种认知偏差的影响，不愿意实现损失。　　我国证券市场上也一度存在小公司效应。1985年，而愿意较早卖出股票以锁定利润，并利用行为金融学的研究成果指导我们的投资有较强的理论和现实意义，夏普。　　行为金融研究表明，市场弥漫悲观氛围时也会对具有投资价值的公司视而不见，大量证据显示人的情绪，我国证券市场上存在较为典型的“羊群效应”，法玛提出了经典的有效市场假说(EMH)，网络股的一网打尽以及历史上重组概念的破产等显示长期异常收益难以持久，小公司效应似乎有卷土从来的味道，如2000年网络股泡沫出现的反应过度，会犯认知错误，近年来发展较为迅猛，投资者不能及时根据变化了的情况修正自己的预测模型，投资者热情的膨胀将股价不断推高。其中蕴涵的指导意义是趋势性投资，我国的证券市场也远非完全有效率的;E)的股票，能够在市场竞争中幸存下来的只有理性投资者，他们提出了行为组合理论行为金融学，而另一种交易者是噪声交易者。市场的发展也出现一系列无法用传统金融理论解释的现象，则业绩好的互助基金在后一时期并未超越整个市场，及时调整投资品种、股评效应等极为显著，在借鉴他人优势的同时，在追随潮流的同时。从我国的实践角度来看，这一现象明显地违反了有效市场假设，行为金融学家美国耶鲁大学的罗伯特#zhPoint#希勒教授出版了《非理性繁荣》一书，即中间价格具有向某一方向连续的动量效应，剔除新股配售收益后，顺应市场变化或许会有更大的投资收益，根据一组投资顾问或互助基金买卖股票的建议而选出的股票与整个市场进行比较；选择股票市值与帐面价值比值低，但实证研究均表明我国证券市场并未进入“半强型效率”的，而对产生这些数据的总体特征重视不够、小公司效应。在此基础上，现有市场上流通的基金中有60%以上没有超过大盘
提问者评价
其他2条回答
行为金融学是一门新兴的学科。它的核心是：根据市场现象，分析市场主体行为，揭示行为背后的秘密，并提出相应的分析或预测结论，以指导市场的实战。
由此可见，行为金融学的研究对象是“市场现象”，但要揭示的却是“市场秘密”，目的是指导实际投资。但由于市场现象千变万化，不可穷尽，因此，研究的难度是比较大的。如果不注意研究的科学性和严谨性，则很容易落入“形而上学”的窠臼。
比如，我们最常见的一种所谓行为金融学的研究方法是对“股票集中度”的研究。它的现象是：一些股东人数持续减少的股票表现不错。于是，有人研究主体行为，认为：主力建仓或加仓的时候，每个帐户买进的股票数量比散户要多。所以，当主力建仓的时候，股东人数将减少。根据一个隐含的前提“有主力建仓的股票会上涨”，...
这都是什么问题什么答案呀从哪弄的呀
您可能关注的推广
动量的相关知识
下载知道APP
随时随地咨询
出门在外也不愁动量交易，即预先对和交易量设定过滤准则，当股票收益或股票收益和交易量同时满足过滤准则就买入或卖出股票的。行为金融意义上的动量交易的提出，源于对股市中股票价格中期收益延续性的研究。（来自百度百科）
题主既然问的是动量（momentum）交易策略，我这边就直入主题了。废话不多说，献上我的策略：思路：股票池：沪深300成分股回测区间：日 —— 日调仓频率：月度每次调仓买入月度收益排名前20%的股票等权重买入代码长度大概只有30行。结果：年化收益35.7%。回撤不小，23.8%。运行时间大概40秒。下面链接可以看到原图和完整的策略：是用完成的，对量化研究感兴趣的同学都可以上去玩玩。最后献上代码：import pandas as pd
start = ''
benchmark = 'HS300'
universe = set_universe('HS300')
# 股票池为沪深300
capital_base =
refresh_rate = 10
def initialize(account):
def handle_data(account):
history = account.get_attribute_history('closePrice', 20)
momentum = {'symbol':[], 'c_ret':[]}
for stk in account.universe:
momentum['symbol'].append(stk)
momentum['c_ret'].append(history[stk][-1]/history[stk][0])
# 按照过去20日收益率排序，并且选择前20%的股票作为买入候选
momentum = pd.DataFrame(momentum).sort(columns='c_ret').reset_index()
momentum = momentum[len(momentum)*4/5:len(momentum)]
buylist = momentum['symbol'].tolist()
for stk in account.valid_secpos:
if stk not in buylist:
order_to(stk, 0)
# 等权重买入所选股票
portfolio_value = account.referencePortfolioValue
for stk in buylist:
if stk not in account.valid_secpos:
order_to(stk, int(portfolio_value / account.referencePrice[stk] \
/ 100.0 / len(buylist))*100)
&p&--------------------9月9号更新-------------------&/p&&p&我们也推出了Python SDK，您也可以在Ricequant使用python更加快速地实现您的Monmentum策略了！&/p&&p&--------------------9月9号更新结束-------------------&br&&/p&&br&&p&@Liu Cao 同学的答案回测了动量策略在择股上的应用，怒赞这位同学超强的动手能力。&/p&&br&&p&心血来潮也想尝试在我们自己的平台上动手写写中国股市的动量择时的策略，因为实际上有不少时候价值投资者是用基础数据先选出心仪的股票，然后再用动量策略的思路确定入场和离场的时机。&/p&&p&动量择时和择股的基本思路很接近，股票在表现强劲的时候有很大可能会持续上涨，表现差劲的接下来有很大可能继续低迷。&/p&&br&&p&比@Liu
Cao同学幸运的是所有从2005年开始所有A股日数据都已经在平台上了，并且经过了Split Adjusted清洗处理，并且会考虑进去仓位情况是否可以拿到对应的时间段的分红。(具体可以访问：&/p&&p&&a href=&///?target=https%3A///api%23dividends-splits-header& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RiceQuant - Beta&i class=&icon-external&&&/i&&/a&)只需要一行简单java程序搞定。&/p&&br&&p&我先挑了一只平安证券，先写一个最简单的双均线策略：如果短期均线从下方突破长期均线，近期走强，为买入信号，全仓买入，短期均线从上方跌破长期均线则为卖出信号，空仓。&/p&&br&&p&选择的长期均线 = 26天，短期均线
= 12天，基准为沪深300&/p&&p&回测开始日期&/p&&p&回测结束日期&/p&&br&&p&程序无敌简单，只需要调用Talib中的SMA功能计算两段两条均线值。10（ru）分(guo)钟(ni)搞(shu)定(xi API):&/p&&br&&img src=&/dccdb96d6_b.jpg& data-rawwidth=&2514& data-rawheight=&1445& class=&origin_image zh-lightbox-thumb& width=&2514& data-original=&/dccdb96d6_r.jpg&&&br&&p&经过了5秒的运算等待...&/p&&img src=&/c05fbff6c6bf59d89b94fafe_b.jpg& data-rawwidth=&427& data-rawheight=&358& class=&origin_image zh-lightbox-thumb& width=&427& data-original=&/c05fbff6c6bf59d89b94fafe_r.jpg&&&br&&br&&p&那么结果出来了，在趋势明显的情况下简单动量类策略的收益还是不错的。橙色是我们的策略，蓝色是基准（沪深300）。0.99的Sharpe也还是不错的，22%的max drawdown稍微有点高... &/p&&p&PS: 关于风险计算的说明可以访问: &a href=&///?target=https%3A///api%23risk-metrics& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RiceQuant - Beta&i class=&icon-external&&&/i&&/a&&/p&&br&&br&&img src=&/bee3fb6dcb45c_b.jpg& data-rawwidth=&2021& data-rawheight=&769& class=&origin_image zh-lightbox-thumb& width=&2021& data-original=&/bee3fb6dcb45c_r.jpg&&&br&&br&&p&除了收益以外，用自定义时间序列画图功能画出了长短均线和每日收盘价格：&/p&&br&&img src=&/3a217c00e747b77b573a180b4ec8e8b8_b.jpg& data-rawwidth=&1683& data-rawheight=&476& class=&origin_image zh-lightbox-thumb& width=&1683& data-original=&/3a217c00e747b77b573a180b4ec8e8b8_r.jpg&&&br&&p&以上的图形只用了类似的几行代码 （&a href=&///?target=https%3A///api%23api-ihinformer& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RiceQuant - Beta&i class=&icon-external&&&/i&&/a&）：&/p&&div class=&highlight&&&pre&&code class=&language-java&&&span class=&n&&informer&/span&&span class=&o&&.&/span&&span class=&na&&plot&/span&&span class=&o&&(&/span&&span class=&s&&&MACD&&/span&&span class=&o&&,&/span&&span class=&n&&MACDOut&/span&&span class=&o&&[&/span&&span class=&n&&MACDLength&/span&&span class=&o&&.&/span&&span class=&na&&value&/span&&span class=&o&&-&/span&&span class=&mi&&1&/span&&span class=&o&&]);&/span&
&/code&&/pre&&/div&&br&&br&&p&从图上可以清晰地看到由两条均线组成的金叉(golden cross)和死叉(death cross)，对应的可以在下单历史里查看下单情况(交叉点的日期)&/p&&br&&img src=&/7e48bcf9e4c753cf81b59d9f_b.jpg& data-rawwidth=&2470& data-rawheight=&1255& class=&origin_image zh-lightbox-thumb& width=&2470& data-original=&/7e48bcf9e4c753cf81b59d9f_r.jpg&&&br&&br&&br&&p&双均线(simple moving average)策略虽然简单易懂，但是最大的问题是均线本身计算方法所带来的信号滞后性。等到出现金叉买入点的时候价格已经上涨很多。碰到震荡市就会赔的很惨。比如我们在plot中放大一段双均线的信号图&/p&&br&&img src=&/8dcb6ff7ef47_b.jpg& data-rawwidth=&1902& data-rawheight=&612& class=&origin_image zh-lightbox-thumb& width=&1902& data-original=&/8dcb6ff7ef47_r.jpg&&&br&&br&--------------更好的策略的分割线-----------------&br&&br&&p&有没有什么优化的方法呢？我尝试了下把SMA(simple moving average)换成EMA(exponential moving average)。&/p&&br&&p&那么EMA的双均线表现如何呢？&/p&&br&&p&在同样的设定中进行回测，因为EMA中更多的权重给了最近的数值，所以捕捉动量要比SMA更加灵敏。在股价上涨的时候会更早出现买入信号：&/p&&br&&img src=&/fa091c72afa88acd31d57b5eba54e30e_b.jpg& data-rawwidth=&1979& data-rawheight=&566& class=&origin_image zh-lightbox-thumb& width=&1979& data-original=&/fa091c72afa88acd31d57b5eba54e30e_r.jpg&&&br&&br&&br&&p&EMA双均线其实有个我们更熟悉的名字叫MACD，只是MACD增加多了一条signal line。&/p&&br&&p&MACD line = 12 天 EMA - 26 天 EMA&/p&&p&MACD signal = 9 天 MACD的EMA &/p&&br&&p&这样就又形成了两条线和新的金叉策略，当MACD从底部突破signal时候的走强，为买入信号，反之则是卖出信号。&/p&&br&&p&直接在IDE里调用Talib的MACD功能计算MACD和MACDsignal，可见在趋势性为主，震荡较少的情况下表现不如SMA和EMA双均线。&/p&&br&&img src=&/0dc1ad3c80_b.jpg& data-rawwidth=&2014& data-rawheight=&743& class=&origin_image zh-lightbox-thumb& width=&2014& data-original=&/0dc1ad3c80_r.jpg&&&br&&br&&p&plot MACD和MACD的signal两条自自定义线&/p&&br&&img src=&/cebaab4f1f_b.jpg& data-rawwidth=&1969& data-rawheight=&482& class=&origin_image zh-lightbox-thumb& width=&1969& data-original=&/cebaab4f1f_r.jpg&&&br&&br&&p&另外一种比较简单的使用MACD的方法，就是不用MACD Signal，直接把MACD和Zero零线做比较。&/p&&br&&img src=&/f75a0cde4b760bf7edb3ba_b.jpg& data-rawwidth=&1972& data-rawheight=&490& class=&origin_image zh-lightbox-thumb& width=&1972& data-original=&/f75a0cde4b760bf7edb3ba_r.jpg&&&br&&p&从回测结果来看，在震荡较少，趋势比较明显的情况下，MACD的零线策略要比金叉策略更好：&/p&&p&现在我们取得了1.024的Sharpe（vs 0.99）&/p&&br&&img src=&/9a5157d89fdce52db8dc11_b.jpg& data-rawwidth=&2051& data-rawheight=&753& class=&origin_image zh-lightbox-thumb& width=&2051& data-original=&/9a5157d89fdce52db8dc11_r.jpg&&&br&&br&&p&如果继续往下做，我会考虑在程序中对MACD进行一些优化，比如不是等待金叉出现，而是根据趋势来预测金叉的出现，在出现前就下单，等等。&/p&&br&&p&个人感觉动量策略作为一个price based strategy还是有一定的辅助作用，也有可以挖掘的地方。可以结合市场的波动率(risk on risk off)和趋势可以选择在一定时间内对技术指标采取动量或者反转的策略来捕捉交易信号。&/p&&br&&p&最后我比较好奇07-08股灾的时候这个小策略是否能扛得住呢，选择的仍旧是平安银行。我从07年1月运行到了15年1月，略微调整了一点参数，结果如下：&/p&&br&&img src=&/029fb639b4b00afbffcb787ca63b517f_b.jpg& data-rawwidth=&2144& data-rawheight=&502& class=&origin_image zh-lightbox-thumb& width=&2144& data-original=&/029fb639b4b00afbffcb787ca63b517f_r.jpg&&&br&&p&hmm... Not bad. 橙色是我们的策略，蓝色是基准（沪深300）。基本上避开了那次谷底的大跌，最后的收益是700%多，但是max drawdown嘛。。。50%有点惨烈，比股灾是好一些还需要继续优化参数等。&/p&&br&&p&MACD的策略代码可以在这里找到：&a href=&///?target=https%3A///api%23third-libs-talib-MACD& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RiceQuant - Beta&i class=&icon-external&&&/i&&/a&， 复制黏贴进去你的代码编辑器即可运行。（注册一下很快的嘛...）&/p&&br&&p&---------------------Slippage 和 Commission ------------------------&/p&&p&交易费已经考虑进去，其中包含落单对市场的冲击 - Slippage，券商收取的commission，政府收取的印花税三部分。&/p&&br&&p&&b&Slippage&/b& - &/p&&ul&&li&关于整个回测中的落单对市场的冲击模拟，我们使用了上海交易所的paper 中的effective bid ask spread : 0.246% - &a href=&///?target=http%3A//.cn/researchpublications/workstation/c/station.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&.cn/researchpubl&/span&&span class=&invisible&&ications/workstation/c/station.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&我们的具体计算方法 - &a href=&///?target=https%3A///api%23slippage-mode& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RiceQuant - Beta&i class=&icon-external&&&/i&&/a&&/li&&li&这只是一种很粗糙的方法，将会加入更多的滑点模拟方法来更加真实地模拟，比如考虑到落单的volume的多少&/li&&/ul&&br&&b&Commission -&/b&&br&&ul&&li&双向收费&/li&&li&以上结果中使用的是万分之8，也是我们的默认值&/li&&li&可以自己重新用一行代码进行定义&/li&&/ul&&br&&b&印花税 - &/b&&br&&ul&&li&单向收费，千分之1&/li&&/ul&&br&------------------关于云端平台的策略的安全性---------------------&br&很多人都会concern这个问题，因此我们也非常非常重视：&br&&ul&&li&没有任何的Ricequant员工可以看到您的加密过的算法&/li&&li&我们的技术方面的安全措施：&a href=&///?target=https%3A///api%23datasources-security& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RiceQuant - Beta&i class=&icon-external&&&/i&&/a&&br&&/li&&ul&&li&纯安全技术细节干货blog(seLinux etc...) &a href=&///?target=http%3A///2015/02/ricequant%25E5%25AE%%%25E6%258A%%259C%25AF%25E6%258A%25AB%25E9%259C%25B2/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Ricequant安全技术披露&i class=&icon-external&&&/i&&/a&&/li&&/ul&&li&我们也会每年年底安排进行IT审计&/li&&/ul&&br&&img src=&/e56a352b39eac7a12c83cf72cfcef430_b.jpg& data-rawwidth=&160& data-rawheight=&53& class=&content_image& width=&160&&&br&最后...利益相关，我是Ricequant的联合创始人。欢迎大家来&a href=&///?target=http%3A//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RiceQuant - Beta&i class=&icon-external&&&/i&&/a&试试自己的策略，他是完全免费的，我们也在朝实盘交易努力中：&br&&blockquote&S it's better when it's free. - Linus&br&&/blockquote&About Open Source: 我们在考虑在考虑...代码也写得很认真...但是一个小小的公司实在是人手不足啊!&br&&br&我们的平台和社区还在改进，希望帮助大家分享idea，量化交易不应该是封闭的，分享能更好地促进我们的进步学习。&br&&br&Happy coding & happy trading.
--------------------9月9号更新-------------------我们也推出了Python SDK，您也可以在Ricequant使用python更加快速地实现您的Monmentum策略了！--------------------9月9号更新结束-------------------@Liu Cao 同学的答案回测了动量策略在择股上的应用…
既然有100多人关注想知道答案，我就抛块砖好了...&br&&br&&a href=&/people/song-si-yuan& class=&internal&&宋思源&/a&老师说他知道的动量策略基本都被淘汰了，我挺好奇国内会不会不一样，下午端午放假没事我翻了翻上次做的作业，又码了几行代码，用A股市场的数据跑了跑，感觉结果（写在后面）还可以啊，然后就有了这篇答案...&br&&br&&img src=&/cdab84f0d4dcc7f572fae8_b.jpg& data-rawwidth=&1440& data-rawheight=&861& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/cdab84f0d4dcc7f572fae8_r.jpg&&&br&不过做出来的毕竟是paper profit...后面会多写写我能想到的paper profit可能有的缺点。&br&&br&For those who want to save time...&br&&br&&img src=&/1caeebd76a0c4f70b1cb5_b.jpg& data-rawwidth=&927& data-rawheight=&478& class=&origin_image zh-lightbox-thumb& width=&927& data-original=&/1caeebd76a0c4f70b1cb5_r.jpg&&&br&&br&&b&&u&1.数据说明&/u&&/b&&br&&br&&br&我选用了日－日（数据库不给力真的桑不起...延迟都能有1个月），A股市场上&b&&u&所有有交易记录&/u&&/b&的3112只股票的&b&&u&周收益&/u&&/b&数据。&br&&br&（为什么选A股？因为我assume 题主说的&在中国&就是指买A 股...）&br&&br&&img src=&/64a45ec30c426df0601461eaed9f03eb_b.jpg& data-rawwidth=&272& data-rawheight=&235& class=&content_image& width=&272&&&br&&br&大概有8W多条，只选用了公司代码，日期，和周收益三个数据&br&&br&&img src=&/273197edefe6a55a2d98da8df60858d6_b.jpg& data-rawwidth=&266& data-rawheight=&283& class=&content_image& width=&266&&&br&为什么只做了六七个月？因为我不太想虐待开着虚拟机跑SAS的小MBA...&br&&br&因为是周数据，其实也差不多了嗯。&br&&br&为什么选周数据？明明大家做动量不都是用月数据嘛....因为我有点想模拟散户的心理..后面会说。&br&&br&&u&&b&2.策略简述&/b&&/u&&br&&br&搜了几篇论文搞清楚了动量策略指什么，其中主要参考了论文［1］里面的方法，选用mid-return当基准计算超额回报的想法来自于论文［2］。&br&&br&Long story short &b&大致的思路&/b&是这样的...&br&&br&动量策略的拥簇者认为，市场有可能不是完全有效的&br&&br&（尤其是在天朝，有时候用a股数据做CAPM检验，最后得出的无风险收益率齐刷刷是负的，真是无语凝噎..）&br&&br&因为市场的不有效，股价对信息的反应可能是迟钝的，即今天涨的股票明天可能会继续涨，就像一列行驶的火车一样，停下来或者加速都需要时间。（如果假设反应过度，那就叫反转策略）&br&&br&下面是详细点的思路：&br&&br&&img src=&/f6e05cd26c67d299f7a42_b.jpg& data-rawwidth=&765& data-rawheight=&400& class=&origin_image zh-lightbox-thumb& width=&765& data-original=&/f6e05cd26c67d299f7a42_r.jpg&&（上图是我随手用ppt画的，中文字体找不到太好看的，索性用英文了，有人认识这字体么...挺有名的）&br&&br&就是：&br&&br&1）分析n-k 到 n 个周 (Period A-B) 的股票回报，选出回报最好的一组（winner），回报一般的一组（mid）,回报最差的一组（loser）&br&&br&2)
分析 n 到 m+n周 (Period B-C) 的 winner , loser ，mid 的回报&br&&br&3）分析 n-k+1 到 n+1 个周 (Period A-B) 的股票回报，选出回报最好的一组（winner），回报一般的一组（mid）,回报最差的一组（loser）&br&&br&4)
分析 n+1 到 m+n+1周 (Period B-C) 的 winner , loser ，mid 的回报&br&&br&5)
循环往复直到世界（数据）的尽头...&br&&br&6)
换个 k , m 接着跑循环... 我一共做了36组&br&&br&&img src=&/3d17ca76d49a8203220e_b.jpg& data-rawwidth=&470& data-rawheight=&279& class=&origin_image zh-lightbox-thumb& width=&470& data-original=&/3d17ca76d49a8203220e_r.jpg&&（这表下面会用到，暂称为table1好了）&br&&br&（有兴趣的同学可以到下面附注里面找代码来看，花了俩三小时用sas写了200多行，没有进行任何优化）&br&&br&&b&&u&3.结果分析&/u&&/b&&br&&br&说到分析量化策略的结果，我们首先要考虑的肯定是..&br&&br&Trading cost (交易成本)！&br&&br&因为没有做过实盘，不知道A股有没有bid-ask spread，不过我想bid-ask spread 代表的liquidity cost 总是有的（因为你不总能以想要的价格买进卖出..）&br&&br&bid-ask spread 的估计基于论文［4］，是纽交所研究部出的：&br&&br&&img src=&/e4eeb25c143d4_b.jpg& data-rawwidth=&643& data-rawheight=&108& class=&origin_image zh-lightbox-thumb& width=&643& data-original=&/e4eeb25c143d4_r.jpg&&&br&最后我先选择了0.21%做spread算了一下（其实券商里面做量化的大概不需要手续费吧...）：&br&&br&&img src=&/e2eb5ab76_b.jpg& data-rawwidth=&295& data-rawheight=&48& class=&content_image& width=&295&&&br&&img src=&/3478935caf527a5b64873fcbdb7bbb03_b.jpg& data-rawwidth=&687& data-rawheight=&549& class=&origin_image zh-lightbox-thumb& width=&687& data-original=&/3478935caf527a5b64873fcbdb7bbb03_r.jpg&&&br&横坐标代表table1里面的serial(序号)，分别是用不同的selecting-period和holding-period跑出来的数据。&br&&br&纵坐标代表超额收益率（把高于mid－return portfolio收益的部分减去交易成本年化）&br&&br&感觉结果还是挺符合逻辑的：&br&&br&1.随着持有期的增长，winner组合的超额收益率变得越来越低，最后接近于0。&br&&br&2.1-1的组合（选出上周收益最好的，持有一周，下周再换）动量效应最明显，超额收益最大。&br&&br&3.loser组合基本没有太大变化。&br&&br&&b&注：此处年化收益率并不代表这笔策略执行一年就能拿到这么高的收益了，这里只是方便比较，用mean直接算的年化（不过感觉各种宝都是这么算的年化...），因为votility的存在，其实一年之后1-1组合winner收益的真实分布应该是这样的（假设正态分布，标准差15％）：&br&&/b&&br&&br&&img src=&/4cd8d8ded633b3b0a0fd1f02b363550d_b.jpg& data-rawwidth=&993& data-rawheight=&429& class=&origin_image zh-lightbox-thumb& width=&993& data-original=&/4cd8d8ded633b3b0a0fd1f02b363550d_r.jpg&&&br&mean 大概15.49%，也就是有50%概率年化能超过这数...&br&&br&不过有两个问题我没有考虑：&br&&br&1.流动性，有时候股票涨的时候，由于涨停板什么的存在，根本就就买不到，跌的时候也卖不掉。&br&&br&2.不同的股票的trading cost是不一样的，美帝市场相当有效，论文［2］测度出在美帝市场上，trading cost和动量利润是有很强的线性的关系的，存在动量利润的股票往往是trade比较少的小股票，bid-ask spread非常高，足以吃掉动量利润。&br&&br&如果考虑这些因素，稍微把交易成本提高一点的话(把spread提高到1.5%)....&br&&br&&img src=&/6ba30dc98cb8ccf4561a7_b.jpg& data-rawwidth=&673& data-rawheight=&551& class=&origin_image zh-lightbox-thumb& width=&673& data-original=&/6ba30dc98cb8ccf4561a7_r.jpg&&&br&妈蛋越写越觉得不靠谱，大家将就看吧，就谢绝转载了。抛块砖等做过的来讲讲吧...&br&&br&&b&&u&4.附注&/u&&/b&&br&&br&&br&1.完整代码&br&&br&知乎不支持贴SAS代码...其实应该用matlab写的..&br&&br&对代码感兴趣的可以看下面链接，大概写了200多行...没有进行任何效率优化，因为懒...&br&&br&&a href=&///?target=https%3A///s/s68x0kgm3ofesc2/test.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Dropbox - test.pdf&i class=&icon-external&&&/i&&/a&&br&&br&2.参考文献：&br&［1］Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency Narasimhan J Sheridan Titman The Journal of Finance, Vol. 48, No. 1. (Mar., 1993), pp. 65-91&br&&a href=&///?target=http%3A//www.business.unr.edu/faculty/liuc/files/BADM742/Jegadeesh_Titman_1993.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&business.unr.edu/facult&/span&&span class=&invisible&&y/liuc/files/BADM742/Jegadeesh_Titman_1993.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&［2］Lesmond, David A., Michael J. Schill, and Chunsheng Zhou. &The illusory nature of momentum profits.& &i&Journal of Financial Economics&/i& 71.2 (2004): 349-380.&br&&br&［3］Korajczyk, Robert A., and Ronnie Sadka. &Are momentum profits robust to trading costs?.& &i&The Journal of Finance&/i& 59.3 (2004): .&br&&br&［4］&a href=&///?target=http%3A///pdfs/research_bid_ask.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/pdfs/research_&/span&&span class=&invisible&&bid_ask.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
既然有100多人关注想知道答案，我就抛块砖好了...老师说他知道的动量策略基本都被淘汰了，我挺好奇国内会不会不一样，下午端午放假没事我翻了翻上次做的作业，又码了几行代码，用A股市场的数据跑了跑，感觉结果（写在后面）还可以啊，然后就有了这篇…
已有帐号？
无法登录？
社交帐号登录