以茅台和五粮液研究配对交易策略

本文主要是介绍以茅台和五粮液研究配对交易策略，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！

“”"
以茅台和五粮液研究配对交易策略
以茅台和五粮液近4年的行情，分析出两者之间的线性关系，根据y=ax+b+ζ公式，计算出ζ值，ζ趋向于零，表示y和x具有稳定性，ζ过大或者ζ过小，都具有套利机会，ζ都具有回归到零的机会。
“”"
#抓取茅台和五粮液近4年的行情

mt=ts.get_k_data('600519',start='2015-01-01',end='2019-12-31',ktype='D')[['date','close']]
wly=ts.get_k_data('000858',start='2015-01-01',end='2019-12-31',ktype='D')['close']
data=pd.concat([mt,wly],axis=1)
data.set_index('date',inplace=True)
data.index=pd.to_datetime(data.index)
data.columns=(['600519','000858'])#简单地看看两者的价格走势
data.plot(figsize=(10,6))

在这里插入图片描述

#计算出方差和协方差的矩阵 ,计算相关性,并显示出来

data.corr(method='pearson')
plt.figure(figsize=(10,8))
plt.title('Stock Correlation')
plt.plot(data['600519'],data['000858'],'.')
plt.xlabel('600519')
plt.ylabel('000858')
data.dropna(inplace=True)

#从图上可以看出，两者具有很强的相关性。

在这里插入图片描述

#根据y=ax+b+ζ公式，计算ζ值(spread)，寻找套利空间，通过图显示出来

[slope,intercept]=np.polyfit(data.iloc[:,0],data.iloc[:,1],1).round(2)
data['spread']=data.iloc[:,1]-slope*data.iloc[:,0]-intercept
plt.figure(figsize=(10,8))
plt.title('Price Spread')
plt.plot(data['spread'])

在这里插入图片描述

#对ζ值(spread)进行标准化并图表显示出来

data['zscore']=(data['spread']-data['spread'].mean())/data['spread'].std()
data['zscore'].plot(figsize=(10,8),title='Zscore')
plt.axhline(1.5)
plt.axhline(0)
plt.axhline(-1.5)

#计算交易信号点,当一个做多的时候，另外一个做空（不过中国股票不可以做空，只能获得单边收益，这里假设可以做空）.ζ值(spread)标准化后的值，按±2的位置为开仓点位，±0.5之内为平仓点位的策略。

data['trading_point_1']=np.where(data['zscore']>2,1,np.nan)
data['trading_point_1']=np.where(data['zscore']<-2,-1,data['trading_point_1'])
data['trading_point_1']=np.where(abs(data['zscore'])<0.5,0,data['trading_point_1'])
data['trading_point_1']=data['trading_point_1'].fillna(method='ffill')
data['trading_point_2']=-np.sign(data['trading_point_1'])

#统计策略中两股票的年化总收益并可视化显示

data['returns_mt']=np.log(data['600519']/data['600519'].shift(1))
data['returns_wly']=np.log(data['000858']/data['000858'].shift(1))
data['strategy']=data['600519'].mean()/(data['600519'].mean()+data['000858'].mean())*data['returns_mt'].shift(1)*data['trading_point_1']+data['000858'].mean()/(data['600519'].mean()+data['000858'].mean())*data['returns_wly'].shift(1)*data['trading_point_2']
data[['returns_mt','returns_wly','strategy']].dropna().cumsum().apply(np.exp).plot(figsize=(10,8),title='Strategy_returns')