不知如何选股？不知哪种指标策略可靠？量化分析比较DBCD、ROC、VROC、CR、PSY指标策略收益情况

本文主要是介绍不知如何选股？不知哪种指标策略可靠？量化分析比较DBCD、ROC、VROC、CR、PSY指标策略收益情况，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！

前言

从股票市场开始到现在，已经研究出了众多的指标，但是在使用的时候会发现，由于第二天股价的未知波动，指标显示的情况并不一定每次都准确，总是会存在误判的情况。对于这种不可避免的情况而言，我们只能想办法将其量化、计算根据策略操作后的收益率、估计误判的概率等

本文先选择了 DBCD、ROC、VROC、CR、PSY 五种指标来量化（一共会考虑了三十多种指标，由于篇幅问题一次讨论五种），然后用十支股票来测试这五种策略的效果（实际情况是用了 3600+ 股票来统计策略效果，目前不方便展示结果）

免责声明

此构想和分析中的任何内容均不应解释为投资建议，过去的表现并不一定表示未来的结果。

指标策略量化分析

前言
免责声明
数据准备
指标介绍
- DBCD指标
- ROC指标
- VROC指标
- CR指标
- PSY指标
最后的量化结果

数据准备

选择了 600519 贵州茅台、600031 三一重工、002594 比亚迪、601633 长城汽车、002074 国轩高科、300750 宁德时代、300014 亿纬锂能、000591 太阳能、002475 立讯精密、600862 中航高科这十支股票 2020年1月1日 ~ 2021年1月15日 的数据来测试

部分代码片段

import pandas_datareader.data as web
import datetimestart = datetime.datetime(2020, 1, 1)
end = datetime.datetime(2021, 1, 15)
df = web.DataReader(ticker, "yahoo", start, end)

指标介绍

sma是平滑移动指标的计算函数
_ma是移动平均线的计算函数
_md是标准差的计算函数
_ema是指数移动平均线的计算函数

DBCD指标

def dbcd(df, n=5, m=16, t=76):_dbcd = pd.DataFrame()_dbcd['date'] = df.dateman = _ma(df.close, n)_bias = (df.close - man) / man_dif = _bias - _bias.shift(m)_dbcd['dbcd'] = sma(_dif, t)_dbcd['mm'] = _ma(_dbcd.dbcd, n)return _dbcd

ROC指标

def roc(df, n=12, m=6):_roc = pd.DataFrame()_roc['date'] = df['date']_roc['roc'] = (df.close - df.close.shift(n))/df.close.shift(n) * 100_roc['rocma'] = _ma(_roc.roc, m)return _roc

VROC指标

def vroc(df, n=12):_vroc = pd.DataFrame()_vroc['date'] = df['date']_vroc['vroc'] = (df.volume - df.volume.shift(n)) / df.volume.shift(n) * 100return _vroc

CR指标

def cr(df, n=26):_cr = pd.DataFrame()_cr['date'] = df.date# pm = ((df['high'] + df['low'] + df['close']) / 3).shift(1)pm = (df[['high', 'low', 'close']]).mean(axis=1).shift(1)_cr['cr'] = (df.high - pm).rolling(n).sum()/(pm - df.low).rolling(n).sum() * 100return _cr

PSY指标

def psy(df, n=12):_psy = pd.DataFrame()_psy['date'] = df.datep = df.close - df.close.shift()p[p <= 0] = np.nan_psy['psy'] = p.rolling(n).count() / n * 100return _psy