配对交易（搬砖）

最新推荐文章于 2021-09-06 14:52:11 发布

转载最新推荐文章于 2021-09-06 14:52:11 发布 · 1.6k 阅读

量化专栏收录该内容

16 篇文章

订阅专栏

本文介绍了一种基于两只高度相关的股票进行配对交易的策略。该策略利用Pearson相关系数评估股票价格的相关性，并据此做出买入或卖出决策。文中通过实际案例——000159和000967两只股票在2012年的价格走势——演示了如何实现这一策略。

首先，历史前五日的Pearson相关系数若大于给定的阈值。

如果两只股票走势趋同，则按上涨（下跌）趋势买入（卖出）股票。

如果两只股票走势背离，则买入下跌股票，卖出上涨股票。

首先需要在A股中寻找走势相关性很大的股票，这是一项很繁复的工作。为简单起见，这里直接使用了一个现成的结果：000159和000967在2012年的走势十分相似，这一点可以通过复权收盘价曲线来验证。

df = DataAPI.MktEqudAdjGet(secID = '000159.XSHE', field = 'closePrice', beginDate = '20120101', endDate = '20130101')
df['000159'] = df['closePrice']
df = df.loc[:, ['000159']].reset_index()
df2 = DataAPI.MktEqudAdjGet(secID = '000967.XSHE', field = 'closePrice', beginDate = '20120101', endDate = '20130101')
df2['000967'] = df2['closePrice']
df2 = df2.loc[:, ['000967']].reset_index()
df = df.merge(df2, left_on=['index'], right_on=['index'])
df = df.loc[:, ['000159', '000967']]
df.plot()

回测：

from scipy.stats.stats import pearsonr

start = '2013-01-01'
end = '2014-01-01'
benchmark = 'HS300'
universe = ['000159.XSHE', '000967.XSHE']
capital_base = 1000000

def initialize(account):
    account.cutoff = 0.9
    account.prev_prc1 = 0
    account.prev_prc2 = 0
    account.prev_prcb = 0

def handle_data(account):
    if len(account.universe) < 2: return

    clsp = account.get_attribute_history('closePrice', 5)
    stk1, stk2 = universe
    px1, px2 = clsp[stk1], clsp[stk2]

    prc1, prc2 = px1[-1], px2[-1]
    prcb = account.get_symbol_history('benchmark', 1)['return'][0]

    if account.prev_prc1 == 0: