Hikyuu教程：简单波动率（EMV）择时交易系统的构建与实现

本文主要是介绍Hikyuu教程：简单波动率（EMV）择时交易系统的构建与实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

今日，我们将探讨如何借助 hikyuu 框架实现简单波动指标 EMV 的择时系统。与以往稍有不同的是，本次我们将采用策略部件仓库的写法来完成示例代码，以便大家进一步了解和熟悉仓库的使用方法。

什么是简易波动指标（EMV）

首先，我们需要了解EMV指标的基本原理。简易波动指标（EMV），是为数不多的考虑价量关系的技术指标。在股价下跌的过程中，由于买盘力量的逐渐减弱，成交量会相应减少，进而导致EMV数值的下降。当股价跌至某一合理的支撑区域时，低价买入的订单会重新激活市场，使得成交量再度增加，此时EMV数值也会相应上升。当EMV数值由负转正并逐渐趋近于零时，这通常意味着有坚定的资金成功扭转了股价的下跌趋势，市场行情开始反转上扬，并发出新的买入信号。

关于EMV的计算方法，具体步骤如下：

计算MID值，MID = (TH + TL) / 2 - (YH + YL) / 2。其中，TH代表当天最高价，TL代表当天最低价，YH代表前日最高价，YL代表前日最低价。MID值大于零意味着当天的平均价格高于前日的平均价格。
计算BRO值，BRO = VOL / (H - L)。其中，VOL代表交易量，H和L分别代表同一天的最高价和最低价。
计算EM值，EM = MID / BRO。
计算EMV值，EMV为EM的N日简单移动平均值。

通过以上步骤，我们可以得到EMV指标的具体数值。

实现 EMV 指标

通过 shell 进入本地 hub 目录，输入如下代码: “python setup.py create -t ind -n emv”，如：
在这里插入图片描述

该命令将在 ind 目录下生成 part.py 和 test.py 两个文件，修改 part.py 来实现 EMV：
在这里插入图片描述

接着可以在 test.py 中进行测试，比如我们在其中绘制 emv 的曲线，如：
在这里插入图片描述

现在，可以直接在 ipython 中使用 emv，比如：

In [6]: s = sm['sh000001']
In [7]: k = s.get_kdata(Query(Datetime(20190101)))
In [8]: ind = get_part("start.ind.emv")
In [9]: ind(k).plot()

在这里插入图片描述

实现 EMV 择时系统

现在，我们使用 EMV 指标来实现一个择时系统：EMV 在0 以下表示弱势，在0 以上表示强势；EMV 由负转正应买进，由正转负应卖出。

同样，在 shell 中键入 “python setup.py create -t sys -n emv择时”，然后修改 part.py 文件：

def part(n: int = 14, tm: TradeManager = None) -> System:"""使用简易波动率指标（EMV）的交易系统。EMV 在0 以下表示弱势，在0 以上表示强势；EMV 由负转正应买进，由正转负应卖出。"""local_hub = get_current_hub(__file__)emv = get_part(f'{local_hub}.ind.emv', n=n)my_sg = SG_Bool(emv > 0, emv <= 0)my_tm = crtTM() if tm is None else tmmy_mm = MM_Nothing()my_sys = SYS_Simple(tm=my_tm, sg=my_sg, mm=my_mm)return my_sys

在 test.py 中，以平安银行为例，来测试这个择时系统策略：

from hikyuu.interactive import *
try:from .part import *
except:from part import *import sys
if sys.platform == 'win32':import osos.system('chcp 65001')if __name__ == "__main__":local_hub = get_current_hub(__file__)update_hub(local_hub)my_sys = get_part(f"{local_hub}.sys.emv择时")print(my_sys)if len(sys.argv) <= 1:import matplotlib.pylab as pltstk = sm['sz000001']my_sys.run(stk, Query(Datetime(20120101)))my_sys.performance()plt.show()

在这里插入图片描述

交易成本的影响

上面的测试中，已平仓交易总数166次，结合之前 EMV 指标图可以看到，这个系统的交易频次是比较高的。众所周知，交易频次越高交易成本的影响就越大，而上面默认创建的 TM 是使用的零成本进行的计算，那么让我们看看加入交易成本后，系统的盈利情况。

使用交易成本，只需要创建一个带有交易成本计算函数的 TM 实例并赋值给 SYS 即可，如下所示。

	my_tm = crtTM(Datetime(20120101), init_cash=100000,cost_func=TC_FixedA2017())my_sys.tm = my_tmmy_sys.run(stk, Query(Datetime(20120101)))my_sys.performance()

在这里插入图片描述
原本还有 0.98% 盈利的系统，现在直接亏到 -53%！

为什么使用 hub 的方式

hub 本质是一种规范的命名和组织方式，实际上使用 python 包和函数也是可以的。但规范的命名和组织会带来一些额外的方便，比如更好的文件目录拷贝粘贴修改，还有像下面这样，我们可以快速比较目前已经完成的 “趋势双均线、趋势布林带、emv择时”系统，下面的示例在 jupyter 中执行：

%matplotlib inline
%time from hikyuu.interactive import *# 定义回测时间
start_date = Datetime(20200101)
end_date = Datetime(20240501)
query = Query(start_date, end_date)# 指定分析对象
stk = sm['sh510050']
k = stk.get_kdata(Query(start_date, end_date))# 定义回测账户，并指定成本算法
my_tm = crtTM(start_date, init_cash=100000, cost_func=TC_FixedA2017())for name in ('趋势双均线', '趋势布林带', 'emv择时'):my_sys = get_part(f"start.sys.{name}")my_sys.tm = my_tmmy_sys.run(stk, query)my_sys.performance()