基于Python的指数基金量化投资 - 微笑曲线

什么是微笑曲线

什么是微笑曲线，顾名思义，这条曲线看起来像微笑的样子，像人开心时微笑的嘴唇。

这只是它表面的意思，更深层次的意思是进行左侧交易，在指数左侧下跌的过程中不断的买入，当进入右侧指数上升的过程中会有不同程度的收益。

先来分析下微笑曲线是怎么给我们带来收益的。

左侧下跌过程中不断买入会摊薄我们的投资成本，右侧上涨过程中达到一定阶段就会产生正收益。上面图中的例子，从1开始买入一份，接下来0.78、0.65、0.52、0.47、0.52、0.65、0.78、1各买入一份，一共买入9份，当买到第8份0.78时，这个时候的成本是0.6713，在这个时候已经获得了16.19%的收益，而买到第9份1时，获得的收益是41.28%。

随着指数不断下跌，买入的份额会更多，成本会越来越低，所以不用等指数回到初始的位置就能获得正收益。

另外，投资过程中是不可能准确找到市场最低点来进行投资的，而依靠微笑曲线能在底部区间不断买入积累低成本的筹码，投资者需要做的非常简单，执行微笑曲线左侧买入即可。

但上面介绍的微笑曲线过程是一个非常理想的投资的过程，在实际的投资过程中需要解决两个问题：

微笑曲线并不微笑

上面举的例子中微笑曲线的左侧和右侧是完全对称的，实际情况中有很多类似微笑曲线的时间段，但这些时间段并不是左右对称的，有些时间断是极不规则的。

从上面沪深300的指数走势可以看出，有些位置时左侧陡右侧缓，有些又是反过来的，同时左右的持续长度也不完全对称。

同样中证消费也是一样的。

在实际的投资过程中只要把握整体的走势类似微笑曲线即可，这样的投资过程就能获得收益。

但大家可能发现一个问题，微笑曲线都是从现在看过去，这样是能准确的找到左侧下跌和右侧上涨的过程，但实际的投资过程是并不知道明天未来会发生什么。下面第二点就来讨论这个问题。

微笑曲线的操作

今天的投资没有人能预测明天到底是赚钱还是亏损。投资者能做的就是尽量的买得便宜，让自己的成本足够低，在未来获利的概率更大，这个更大的概率是通过估值来进行量化的，当估值进入低估区间就可以开始投资指数，这就是微笑曲线投入的起点，当估值离开低估区间就可以停止投资指数，也就是微小曲线投入的终点。

下面给出沪深300从2010年到2020年底十年来通过微笑曲线投资的收益，投资起始点设定为估值低于50%百分位，结束点设定为估值高于50%百分位。这里为了简单起见，没有考虑卖出（当估值达到高估时卖出，收益会比不卖出大得多）。

上图是通过下面Python的源码运行的结果，大家有兴趣可以参考。

从上面的投资过程中可以看出，基本经历了三次微笑曲线，上半部分中蓝线是沪深300的指数走势，红圈是每次定投1000元的点，可以看到第一次微笑曲线从2010年2月份左右开始，结束于2015年4月左右，第二次微笑曲线开始于2016年1月左右，结束于2017年7月左右，第三次微笑曲线开始于2018年7月左右，结束于2020年7月。三次微笑曲线总共投入资金405000，最终基金总额是665467.32，总的投资收益是64.31%，如果考虑在高估区域卖出的话，投资收益会超过100%。

源码

下面是通过沪深300指数结合估值进行历史的一个简单演示，其中smile_curve函数中的thd_valuation = 0.5，这个大家可以修改进行比较，这个值是估值的历史百分位，越高则持续买入的时间越长，越低则持续买入的时间越短。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import math as math

name_index = 'sh.000300'
name_index_g = 'g_hs300'
all_data_index = pd.read_csv('./exportfile/indexDataAll/' + name_index + '.csv')
all_data_index_g = pd.read_csv('./importfile/indexSeries/indexValuation/g/' + name_index_g + '.csv')

calc_range = 2572
calc_gap = 5
data_index_p = all_data_index['close'].values[len(all_data_index['close']) - calc_range:len(all_data_index['close']):calc_gap]
data_index_g = all_data_index_g['pe'].values[len(all_data_index_g['pe']) - calc_range:len(all_data_index_g['pe']):calc_gap]

def smile_curve(val_percentage, val_data_p, buy_cnt):
    thd_valuation = 0.5
    buy_each_regula