基于Python的指数基金量化投资 - 指数投资技巧（三）不定期定额

小将前行

于 2022-06-20 14:46:05 发布

阅读量451

点赞数

分类专栏：指数基金量化投资文章标签： python 开发语言

本文链接：https://blog.youkuaiyun.com/SocratesNietzsche/article/details/125372346

版权

本文探讨了指数基金投资中的不定期定额策略，该策略基于指数估值百分位触发投资，例如当估值低于30%时启动，高于80%时卖出。通过中证全指数据的量化测试，展示了投资过程和效果，表明这种方式能获得比定期定额和定期不定额更高的收益，但对投资者的情绪控制和耐心有较高要求。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

指数投资方式中有四种基本的方法，分别是定期定额、定期不定额、不定期定额和不定期不定额，这四种方式投资效果不同，对投资者的要求也不同，定期定额最简单，但收益不算高，不定期不定额最复杂，对投资者的要求最高，特别是对情绪的要求非常高，同时收益也是最好的。

在上一篇《基于Python的指数基金量化投资- 指数投资技巧（二）定期不定额》中已经介绍了定期不定额的方式，这里接着介绍第三种不定期定额的情况和具体的量化过程。

不定期定额的方式和前面介绍的定期定额、定期不定额有着本质的区别，定期定额和定期不定额都是固定时间进行投资，而不定期定额投资的时间是不定的，要根据具体的指数估值进行，例如当指数的估值百分位低于某一个阈值，比如30%的时候，就会启动投资，如果一直低于该阈值，则采用类似定投的方式，按日、按周或者按月进行，一般采用按周的方式；如果估值高于该阈值则立即停止投资，直到指数估值再次落入该阈值范围内后会再次启动投资。

这里以沪深300指数进行举例说明，当沪深300指数的估值百分位低于某个阈值，这里以30%作为例子，当低于该阈值后，则开始进行沪深300的投资，每次投入的资金是等量的，同时按周进行投入，只要沪深300当下的估值百分位不高于30%，则一直执行该操作，如果沪深300的估值百分位高于30%则停止投资。

这种方式的好处是能在低位积累更多的筹码，让投资都集中在底部，但对投资的耐心有一定的要求，比如等待指数进行击球区，同时上涨超过该阈值后不进行追高，这两方面都是有点反人性的，所以不定期定额在实际投资过程中会比前面介绍的定期定额、定期不定额更难。

下面通过用中证全指的数据进行量化测试来看看具体的过程。

具体的策略是下面的三个条件：

1）估值百分位低于30%则启动投资；

2）投资按周进行；

3）每次买入1000元；

4）当估值高于80%时全仓卖出；

通过这种方式可以得到下面的量化结果。

在这里插入图片描述

图中上半部分蓝线是指数走势，红点是按估值百分位低于30%并按周投资的位置，每次投资的数额是是一样的；而几个紫色的点表示估值高于80%卖出的位置。

下半部分的图表示总资产、已投入资金和持有基金份额，其中红线时总资产，蓝线是已投入资金，橙线是持有基金份额。开始阶段不断买入持有份额和总资产是重合的，随着买入的增多同时指数上涨，红线橙线逐步高于蓝线，当估值超过预设的门限，则投入的资金暂停，蓝线也不再增长，在2015年初左右估值高于80%则卖出，可以看见橙线变为0，也就是全仓卖出，然后红线、蓝线和橙线持续保持了一段时间的水平走势，也就是这区间没有任何投入，资产、资金和份额都没有变化，接下来在2018年左右又开始进行投资，在2020年底左右卖出。

最后可以看出投入的资金是144000元，整体资产是25148.39，收益是74.62%，比定期定额和定期不定额的收益高出了不少。

在接下来最后一篇的不定期不定额会和大家分享最后一种投资方式，这种方式的投资效果最好，但也最考验投资者。

源码

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

name_index = 'lxr_1000002'
name_index_g = 'g_lxr'
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 = 2500
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]
val_percentage_list = list()

sell_flag_no_regular_quota = 0


def NoRegularQuota(val_percentage, val_data_p, buy_cnt, buy_total_share):
    global sell_flag_no_regular_quota
    if val_percentage <= 0.3:
        sell_flag_no_regular_quota = 0
        buy_each_no_regular_quota = 1000
        buy_each_share = buy_each_no_regular_quota / val_data_p
        buy_total_share = buy_total_share + buy_each_share
        buy_cnt = buy_cnt + 1
        plot_y = val_data_p
        plot_x = i
        plot_flag = 1
    elif val_percentage >= 0.8 and sell_flag_no_regular_quota == 0:
        sell_flag_no_regular_quota = 1
        buy_each_share = -buy_total_share
        buy_total_share = 0
        plot_y = val_data_p
        plot_x = i
        plot_flag = -1
    else:
        buy_each_share =

最低0.47元/天解锁文章