如何利用平均趋向指数辅助MACD策略
如何利用平均趋向指数辅助MACD策略,相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。
成都创新互联专业网站设计制作、成都网站制作,集网站策划、网站设计、网站制作于一体,网站seo、网站优化、网站营销、软文发稿等专业人才根据搜索规律编程设计,让网站在运行后,在搜索中有好的表现,专业设计制作为您带来效益的网站!让网站建设为您创造效益。
前言
“趋势是你的朋友”这是每一个交易者都耳熟能详的箴言。但做过交易的朋友可能会有体会,趋势总是在毫无预警地开始并突然结束。那么在CTA策略中,如何抓住趋势并过滤震荡行情,是许多主观和量化交易者孜孜不倦的追求。在本节课程中,我们将以平均趋向指数(ADX)为滤网,分析在它量化交易中的应用。
什么是平均趋向指数
平均趋向指数是衡量趋势的技术工具,简称ADX(average directional indicator),它是由韦尔斯·怀尔德在1978年提出,与其他技术分析工具不同的是,ADX并不能判断多空方向,更不能提示精确的买卖点位,它只是衡量当前趋势的强弱。
ADX的默认周期参数是14,通常在K线图的副图中显示。它的值是在0~100之间,数值越大说明上涨或下跌趋势越强力,通常当ADX的值大于40时,说明趋势强力,此时使用趋势交易才具有最大的回报潜力;当ADX的值小于20时,说明趋势疲软,并警告交易者不要使用趋势跟踪交易策略。
ADX的计算方式
ADX的计算方式比较复杂,它涉及到了:价格正向移动距离(+DM)、价格负向移动距离(-DM)、真是波动幅度(TR)、正向方向性指数(+DI), 负向方向性指数(-DI)等很多中间变量:
计算动向变化
up:今天的最高价 – 昨天的最高价
down:昨天的最低价 – 今天的最低价
+DM:如果up大于max(down, 0),则+DM等于up,否则等于零
-DM:如果down大于max(up, 0),则-DM等于down,否则等于零
计算真实波幅
TR:max(今天最高价与今天最低价的差值,今天最高价与昨天收盘价差值的绝对值,今天最低价与昨天收盘价差值的绝对值)
计算动向指数
+DI(14):+DM(14)/TR(14)*100
-DI(14):-DM(14)/TR(14)*100
计算ADX
DX:((+DI14)- (-DI14)/(+DI14)+(-DI14))*100
ADX:MA(DX,14)
虽然ADX的计算比较复杂,但其逻辑还是比较清晰的:up和down分别代表了价格正向和负向移动距离;+DI和-DI分别代表用波动率修正后上涨和下跌趋势。不管趋势是上涨还是下跌,只要存在明显的趋势行情,那么+DI和-DI中总有一个是较大的,因此DX的值会随着趋势的强弱指示在0~100之间;最后ADX则是DX的14天平均线。
当+ DI高于-DI时,表明价格处于上升趋势。 相反,当-DI高于+ DI时,价格处于下降趋势。 交易者可以通过检查同一时间点的ADX值来确定上升趋势或下降趋势的强度。
策略逻辑
在前几节中,我们使用MACD指标创建了一个简单的策略,虽然该策略在趋势行情中表现还可以,但是在震荡行情入不敷出,甚至在长期的震荡行情中资金回撤比较大。因此我们将在本节中将之前的MACD策略加入ADX滤网,我们来看下效果到底如何?
原策略逻辑
多头开仓:DIF大于零轴
空头开仓:DIF小于零轴
多头平仓:DIF向下突破DEA
空头平仓:DIF向上突破DEA
改进后的策略逻辑
多头开仓:DIF大于零轴,并且ADX大于20
空头开仓:DIF小于零轴,并且ADX大于20
多头平仓:DIF向下突破DEA,或者ADX下降
空头平仓:DIF向上突破DEA,或者ADX下降
我们在原策略逻辑基础之上,对开仓和平仓分别加入ADX滤网,控制在行情进入震荡时期的开仓次数。在开仓的时候ADX的数值必须大于指定的数值;当开仓之后一旦ADX下降就平仓出局。整个策略逻辑就设计成一个严进宽出的模式,以此来控制震荡时期的回撤幅度。
策略编写
原始策略
# 回测配置 '''backtest start: 2015-02-22 00:00:00 end: 2019-10-17 00:00:00 period: 1h exchanges: [{"eid":"Futures_CTP","currency":"FUTURES"}] ''' mp = 0 # 定义一个全局变量,用于控制虚拟持仓 # 判断数组是否上升 def is_up(arr): arr_len = len(arr) if arr[arr_len - 1] > arr[arr_len - 2] and arr[arr_len - 2] > arr[arr_len - 3]: return True # 判断数组是否下降 def is_down(arr): arr_len = len(arr) if arr[arr_len - 1] < arr[arr_len - 2] and arr[arr_len - 2] < arr[arr_len - 3]: return True # 判断两根两个数组是否金叉 def is_up_cross(arr1, arr2): if arr1[len(arr1) - 2] < arr2[len(arr2) - 2] and arr1[len(arr1) - 1] > arr2[len(arr2) - 1]: return True # 判断两根两个数组是否死叉 def is_down_cross(arr1, arr2): if arr1[len(arr1) - 2] > arr2[len(arr2) - 2] and arr1[len(arr1) - 1] < arr2[len(arr2) - 1]: return True # 程序主函数 def onTick(): exchange.SetContractType("rb000") # 订阅期货品种 bar_arr = exchange.GetRecords() # 获取K线数组 if len(bar_arr) < long + m + 1: # 如果K线数组长度太小,就不能计算MACD,所以直接返回跳过 return all_macd = TA.MACD(bar_arr, short, long, m) # 计算MACD值,返回的是一个二维数组 dif = all_macd[0] # 获取DIF的值,返回一个数组 dif.pop() # 删除DIF数组最后一个元素 dea = all_macd[1] # 获取DEA的值,返回一个数组 dea.pop() # 删除DEA数组最后一个元素 last_close = bar_arr[len(bar_arr) - 1]['Close'] # 获取最新价格(卖价),用于开平仓 global mp # 全局变量,用于控制虚拟持仓 # 开多单 if mp == 0 and dif[len(dif) - 1] > 0: exchange.SetDirection("buy") # 设置交易方向和类型 exchange.Buy(last_close, 1) # 开多单 mp = 1 # 设置虚拟持仓的值,即有多单 # 开空单 if mp == 0 and dif[len(dif) - 1] < 0: exchange.SetDirection("sell") # 设置交易方向和类型 exchange.Sell(last_close - 1, 1) # 开空单 mp = -1 # 设置虚拟持仓的值,即有空单 # 平多单 if mp == 1 and is_down_cross(dif, dea): exchange.SetDirection("closebuy") # 设置交易方向和类型 exchange.Sell(last_close - 1, 1) # 平多单 mp = 0 # 设置虚拟持仓的值,即空仓 # 平空单 if mp == -1 and is_up_cross(dif, dea): exchange.SetDirection("closesell") # 设置交易方向和类型 exchange.Buy(last_close, 1) # 平空单 mp = 0 # 设置虚拟持仓的值,即空仓 def main(): while True: onTick() Sleep(1000)
根据上面更改的策略逻辑,我们可以直接在原始策略的基础之上把ADX滤网加入进去,虽然ADX的计算方法比较复杂,但可以借助talib库只需要几行代码就可以把ADX的值计算出来。因为计算ADX需要用带talib,而计算talib库又需要用到numpy.array数据类型,所以我们需要在代码开头导入talib库和numpy库。
import talib import numpy as np
在使用talib库计算ADX的时候,一共需要4个参数:最高价、最低价、收盘价、周期参数。所以我们还需要写一个get_data函数,这个函数的目的是从K线数组中提取出最高价、最低价、收盘价。
# 把K线数组转换成最高价、最低价、收盘价数组,用于转换为numpy.array类型数据 def get_data(bars): arr = [[], [], []] for i in bars: arr[0].append(i['High']) arr[1].append(i['Low']) arr[2].append(i['Close']) return arr
然后我们使用numpy库把普通的数组转换为numpy.array类型数据,最后使用talib库就可以计算出ADX的值,具体的写法可以看下面代码中的注释:
np_arr = np.array(get_data(bar_arr)) # 把列表转换为numpy.array类型数据,用于计算ADX的值 adx = talib.ADX(np_arr[0], np_arr[1], np_arr[2], 20); # 计算ADX的值
在策略逻辑中,需要判断ADX的大小和是否上升下降。判断大小很简单,只需要把ADX具体某一天的值提取出来就可以了,跟判断MACD一样,我们只取倒数第二根K线的ADX值;但判断时候上升下降则需要只取倒数第二根和第三根K线的ADX值。
adx1 = adx_arr[len(adx_arr) - 2] # 倒数第二根K线的ADX值 adx2 = adx_arr[len(adx_arr) - 3] # 倒数第三根K线的ADX值
最后修改下单逻辑:
# 开多单 if mp == 0 and dif[len(dif) - 1] > 0 and adx1 > 40: exchange.SetDirection("buy") # 设置交易方向和类型 exchange.Buy(last_close, 1) # 开多单 mp = 1 # 设置虚拟持仓的值,即有多单 # 开空单 if mp == 0 and dif[len(dif) - 1] < 0 and adx1 > 40: exchange.SetDirection("sell") # 设置交易方向和类型 exchange.Sell(last_close - 1, 1) # 开空单 mp = -1 # 设置虚拟持仓的值,即有空单 # 平多单 if mp == 1 and (is_down_cross(dif, dea) or adx1 < adx2): exchange.SetDirection("closebuy") # 设置交易方向和类型 exchange.Sell(last_close - 1, 1) # 平多单 mp = 0 # 设置虚拟持仓的值,即空仓 # 平空单 if mp == -1 and (is_up_cross(dif, dea) or adx1 < adx2): exchange.SetDirection("closesell") # 设置交易方向和类型 exchange.Buy(last_close, 1) # 平空单 mp = 0 # 设置虚拟持仓的值,即空仓
完整策略代码
# 回测配置 '''backtest start: 2015-02-22 00:00:00 end: 2019-10-17 00:00:00 period: 1h exchanges: [{"eid":"Futures_CTP","currency":"FUTURES"}] ''' # 导入库 import talib import numpy as np mp = 0 # 定义一个全局变量,用于控制虚拟持仓 # 把K线数组转换成最高价、最低价、收盘价数组,用于转换为numpy.array类型数据 def get_data(bars): arr = [[], [], []] for i in bars: arr[0].append(i['High']) arr[1].append(i['Low']) arr[2].append(i['Close']) return arr # 判断两根两个数组是否金叉 def is_up_cross(arr1, arr2): if arr1[len(arr1) - 2] < arr2[len(arr2) - 2] and arr1[len(arr1) - 1] > arr2[len(arr2) - 1]: return True # 判断两根两个数组是否死叉 def is_down_cross(arr1, arr2): if arr1[len(arr1) - 2] > arr2[len(arr2) - 2] and arr1[len(arr1) - 1] < arr2[len(arr2) - 1]: return True # 程序主函数 def onTick(): exchange.SetContractType("rb000") # 订阅期货品种 bar_arr = exchange.GetRecords() # 获取K线数组 if len(bar_arr) < long + m + 1: # 如果K线数组长度太小,就不能计算MACD,所以直接返回跳过 return all_macd = TA.MACD(bar_arr, short, long, m) # 计算MACD值,返回的是一个二维数组 dif = all_macd[0] # 获取DIF的值,返回一个数组 dif.pop() # 删除DIF数组最后一个元素 dea = all_macd[1] # 获取DEA的值,返回一个数组 dea.pop() # 删除DEA数组最后一个元素 np_arr = np.array(get_data(bar_arr)) # 把列表转换为numpy.array类型数据,用于计算ADX的值 adx_arr = talib.ADX(np_arr[0], np_arr[1], np_arr[2], 20); # 计算ADX的值 adx1 = adx_arr[len(adx_arr) - 2] # 倒数第二根K线的ADX值 adx2 = adx_arr[len(adx_arr) - 3] # 倒数第三根K线的ADX值 last_close = bar_arr[len(bar_arr) - 1]['Close'] # 获取最新价格(卖价),用于开平仓 global mp # 全局变量,用于控制虚拟持仓 # 开多单 if mp == 0 and dif[len(dif) - 1] > 0 and adx1 > 40: exchange.SetDirection("buy") # 设置交易方向和类型 exchange.Buy(last_close, 1) # 开多单 mp = 1 # 设置虚拟持仓的值,即有多单 # 开空单 if mp == 0 and dif[len(dif) - 1] < 0 and adx1 > 40: exchange.SetDirection("sell") # 设置交易方向和类型 exchange.Sell(last_close - 1, 1) # 开空单 mp = -1 # 设置虚拟持仓的值,即有空单 # 平多单 if mp == 1 and (is_down_cross(dif, dea) or adx1 < adx2): exchange.SetDirection("closebuy") # 设置交易方向和类型 exchange.Sell(last_close - 1, 1) # 平多单 mp = 0 # 设置虚拟持仓的值,即空仓 # 平空单 if mp == -1 and (is_up_cross(dif, dea) or adx1 < adx2): exchange.SetDirection("closesell") # 设置交易方向和类型 exchange.Buy(last_close, 1) # 平空单 mp = 0 # 设置虚拟持仓的值,即空仓 def main(): while True: onTick() Sleep(1000)
以上贴出本节已经改进过的策略完整源代码,或者你也可以到 https://www.fmz.com/strategy/174672 发明者量化官网的策略中复制下载,无需配置直接在线回测。
看完上述内容,你们掌握如何利用平均趋向指数辅助MACD策略的方法了吗?如果还想学到更多技能或想了解更多相关内容,欢迎关注创新互联行业资讯频道,感谢各位的阅读!
文章题目:如何利用平均趋向指数辅助MACD策略
新闻来源:http://scyanting.com/article/picoho.html