R语言——牛市追涨杀跌模型

一、牛市追涨杀跌模型

2019年，随着贸易战的和谈，国内政策面的刺激，A股迎来了一波比较客观的小牛市。由此，我们选择建立追涨杀跌模型来进行投资。接下去以所选股票池（结语有介绍）内的稳定型股票——中直股份以及活跃型股票——中国应急为例，至于选择这两只股票的原因除了类型不同外，更重要的是这两只股票都属于国防军共板块，因此建模对比效果更佳具有说服力。选择中线追涨杀跌模型]进行分析。区间选择为2019-01-01至2019-04-20。

二、个股实现及对比

我们分别把稳定型股票——中直股份和活跃型股票——中国应急带入模型，结果发现在牛市中，该模型并不是适用于所有股票，稳定型股票可能会亏钱，而活跃型股票赚钱效益明显超越稳定型股票。

1、稳定型——中直股份（附代码）

当股价大于等于20日最高价时作为买入信号点，当股价小于等于10日最低价时作为卖出信号点。我们利用R语言对股票数据的进行操作，实现追涨杀跌模型的实例，并根据模型模拟交易，通过区间收益探究模型的有效性。从而验证我的们投资理论。

具体R代码如下：

1.1 数据准备

#加载需要的R包
library(plyr)
library(xts)
library(TTR)
library(ggplot2)
library(scales)

# 加载数据
df<-read.table("stock.csv",header=T,sep = ",", na.strings = "NULL")       # 读文件
names(df)<-c("code","date","Open","High","Low","Close","Volume")          # 设置列名
dl<-split(df[-1],df$code)      #按ccode分组
data <- lapply(dl,function(row){xts(row[-1],order.by = as.Date(row$date))})   #  换成xts类型数据
class(data)        # data的类型
head(names(data))
length(data)

# 获得时间范围
dateArea<-function(sDate=Sys.Date()-365,eDate= Sys.Date(),before=0){         #   开始日期，结束日期，提单开始时if(class(sDate)=='character') sDate=as.Date(sDate)if(class(eDate)=='character') eDate=as.Date(eDate)  return(paste(sDate-before,eDate,sep="/"))
}

# 查看股票600038.SZ
head(data[['600038.SH']])
title<-'600038.SH'   #
stock<-data[[title]]                                # 获得股票数据
sDate<-as.Date("2019-01-02")                        # 开始日期
eDate<-as.Date("2019-4-19") # 结束日期
cdata<-stock[dateArea(sDate,eDate,365)]$Close       # 获得收盘价
vdata<-stock[dateArea(sDate,eDate,365)]$Volume      # 获得交易量
names(cdata)<-"Value"       # 重置列名
# 交易量
tail(vdata)

1.2 多曲线可视化

#定义画图函数drawLine()，支持画出多条曲线，包括收盘价，最高价，最低价

# 画图函数drawLine<-function(cdata,titie="Stock",sDate=min(index(cdata)),eDate=max(index(cdata)),breaks="1 year"){if(sDate<min(index(cdata))) sDate=min(index(cdata))if(eDate>max(index(cdata))) eDate=max(index(cdata))  cdata<-na.omit(cdata)g<-ggplot(aes(x=Index, y=Value),data=fortify(cdata[,1],melt=TRUE))g<-g+geom_line()if(ncol(cdata)>1){ # 多条线g<-g+geom_line(aes(colour=Series),data=fortify(cdata[,-1],melt=TRUE))  }         g<-g+scale_x_date(labels=date_format("%Y-%m"),breaks=date_breaks(breaks),limits = c(sDate,eDate))g<-g+ylim(min(cdata$Value), max(cdata$Value))g<-g+xlab("") + ylab("Price")+ggtitle(title)g}

# 计算最近20日的最高价和10日的最低价minmax<-function(data,max=20,min=10){d1<-na.locf(data,fromLast=TRUE)d2<-merge(d1,min=runMin(d1,min),max=runMax(d1,max))return(d2[,-1])}

# 画出股价，最高价和最低价
ldata<-cbind(cdata,minmax(cdata))
drawLine(ldata,title,sDate,eDate,'3 month')    # 画图
# 上图中有3条线，黑色线为每日收盘价，蓝色线为最近20日最高价，红色线为最近10日最低价。

1.3 买入信号及可视化

根据模型的计算公式，我们计算买入信号，当股价向上突破最近20日最高价格时买入。


# 买入信号函数buyPoint<-function(ldata){   idx<-which(ldata$Value == ldata$max)return(ldata[idx,])                                  }# 计算买入的点
buydata<-buyPoint(ldata)
buydata

# 画出买入的信号图，让我们可以直观的看到效果。
# 定义画图函数
drawPoint<-function(ldata,pdata,titie,sDate,eDate,breaks="1 year"){ldata<-na.omit(ldata)g<-ggplot(aes(x=Index, y=Value),data=fortify(ldata[,1],melt=TRUE))g<-g+geom_line()g<-g+geom_line(aes(colour=Series),data=fortify(ldata[,-1],melt=TRUE))if(is.data.frame(pdata)){g<-g+geom_point(aes(x=Index,y=Value,colour=op),data=pdata,size=4)}else{g<-g+geom_point(aes(x=Index,y=Value,colour=Series),data=na.omit(fortify(pdata,melt=TRUE)),size=4)  }g<-g+scale_x_date(labels=date_format("%Y-%m"),breaks=date_breaks(breaks),limits = c(sDate,eDate))g<-g+xlab("") + ylab("Price")+ggtitle(title)g}

drawPoint(ldata,buydata$Value,title,sDate,eDate,'1 month')   # 画图

在这里插入图片描述
如上图所示，蓝色的点为股价大于等于最近20日最高价的点，作为买入信号。所有买入信号点，都是出现在单边上行的牛势中，对于2019年以来的行情来说，追涨的信号会被大量触发。接下来，我们继续计算卖出信号点，当股价小于等于最近10日最低价时作为卖出信号点。

1.4 卖出信号及可视化

# 计算卖出的信号点
stopPoint<-function(ldata,buydata){  idx<-which(ldata$Value == ldata$min)idx<-idx[which(c(0,diff(idx))!=1)]     # 第一点用0表示selldata<-ldata[idx,]                # 所有低于最小值的点  idx2<-sapply(index(buydata),function(e){    # 买后的卖点head(which(index(selldata)>e),1)})return(selldata[unique(idx2),])}  
# 卖出信号
selldata<-stopPoint(ldata,buydata)
selldata # 买卖信号，画图
bsdata<-merge(buydata$Value,selldata$Value)
names(bsdata)<-c("buy","sell")
drawPoint(ldata,bsdata,title,sDate,eDate,'1 month')  #画图

在这里插入图片描述

上图中，紫色点为卖出信号点，红色点为买入信号点。我们可以很明显的看出，如果根据交易信号在红色点买入，
紫色点卖出，那么怎么知道到底赚了多少还是亏了多少呢，因此我们需要定义函数计算出来。

1.5 模拟交易

1.5.1 参数定义

# 合并交易信号
signal<-function(buy, sell){selldf<-data.frame(sell,op=as.character(rep("S",nrow(sell))))buydf<-data.frame(buy,op=as.character(rep("B",nrow(buy))))sdata<-rbind(buydf,selldf)                                       # 交易信号数据sdata[order(as.Date(row.names(sdata))),]}
# 合并交易信号
sdata<-signal(buydata,selldata)                                   
sdata

接下来，我们利用交易信号数据，进行模拟交易。我们设定交易参数和规则：

以20万元人民币为本金。
买入信号出现时，以收盘价买入，每次买入价值1万元的股票。若连续出现买入信号，则一直买入。若现金不足1万元时，则跳过买入信号。
卖出信号出现时，以收盘价卖出，一次性平仓信号对应的股票。
手续费为0元

# 定义模拟交易函数
trade<-function(sdata,capital=200000,fixMoney=10000){ # 交易信号，总资金，每次定投资金amount<-0cash<-capital ticks<-data.frame()for(i in 1:nrow(sdata)){row<-sdata[i,]if(row$op=='B'){if(cash<fixMoney){print(paste(row.names(row),"No enough cash"))next}amount0<-floor(fixMoney/row$Value) # 本次交易量amount<-amount+amount0cash<-cash-amount0*row$Value}if(row$op=='S'){cash<-cash+amount*row$Valueamount<-0}row$cash<-round(cash,2)row$amount<-amountrow$asset<-round(cash+amount*row$Value,2)ticks<-rbind(ticks,row)}ticks$diff<-c(0,round(diff(ticks$asset),2))rise<-ticks[intersect(which(ticks$diff>0),which(ticks$op=='S')),]   # 赚钱的交易fall<-ticks[intersect(which(ticks$diff<0),which(ticks$op=='S')),]   # 赔钱的交易return(list(ticks=ticks,rise=rise,fall=fall))}

1.5.2 交易明细

# 交易结果
result<-trade(sdata,200000,10000) 
result$ticks   #每笔明细交易

在这里插入图片描述

从上面的结果我们可以看到，在交易区间内，如果我们根据追涨杀跌模型对中直股份进行操作，我们会亏损729.22元。
这……在牛市里这个模型竟然都不能赚钱？？？

2、中国应急（代码略）

以同样的交易参数和规则，我们对中国应急进行探究。

2.1 买卖信号可视化

在这里插入图片描述
上图中，蓝色点为买入信号指标，并没有出现卖出信号指标，可以很清晰看出如果我们根据买卖指标操作，我们肯定会盈利，不过具体盈利多少还是要通过交易明细来体现。

2.1 交易明细

在这里插入图片描述
从上面的结果我们可以看到，在交易区间内，如果我们根据追涨杀跌模型对中国应急进行操作，我们会盈利31474.52元。

模型小结

对比中直股份和中国应急的区间盈利差异，我们可以得出以下结论：

1、在牛市中，我们的追涨杀跌模型并不是对所有股票都有效；

2、在同一个板块中，不同类型的股票对该模型的适应能力有很大差异；

3、在牛市选择股票时，我们应该选择活跃型股票，如上例的中国应急，这样才能获得更高的收益。

结语

该模型用到的股票池等相关信息，后期会用一篇完整的文章介绍。
1、行业的确定
2、稳定型股票池A确定
3、稳定型股票池B确定
4、整合股票池A、B，得到股票池C
5、寻找潜在潜在风向标个股
6、选取行业与上证的关联性
7、股票池内各股票的内在联系