下载掌阅APP，畅读海量书库
立即打开
这里我们先不讲理论，直接进入实践部分。要想验证小瓦的策略是否可以赚到钱，我们就用代码来模拟她的交易过程——使用“低买高卖”策略生成交易信号，并根据交易信号来下单，再计算小瓦的总资产是增加了还是减少了。说干就干，读者朋友可以和我们一起来进行操作。
我们继续使用第1章中的股票数据，并根据小瓦的交易策略，创建交易信号。先导入一些必要的库，输入代码如下：
#导入必要的库
from pandas_datareader import data as dt
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
注意：在本书的写作过程中，每一章对应单独的notebook文件。因此在每章，我们都会导入所需要的库，且已经导入的库在本章内不会重复导入。如果读者朋友不是按章建立notebook文件进行练习的话，请注意库的加载情况，以免程序报错。
运行代码，如果程序没有报错，就说明导入成功。接下来进行数据的下载，输入代码如下：
运行代码，可以得到如表2.1所示的结果。
表2.1 使用datareader下载的股票数据
【结果分析】 和第1章中相同，程序给我们返回了股票数据的前5行。如果读者朋友也看到了表2.1所示的结果，说明数据下载成功。
下面我们就使用新下载的数据来创建交易信号，并根据交易信号的变化进行下单操作。和第1章不同的是，为了更能体现出股票的真实价值，我们选取股票调整后的收盘价Adj Close作为股票的真实价格。同时，为了便于计算下单的数量，我们用0替换掉数据表中第一行的空值NaN，并且用0标记股价上涨或无变化，用1标记股价下跌。输入代码如下：
运行代码，会得到如表2.2所示的结果。
表2.2 创建交易信号并下单
【结果分析】 从表2.2中可以清晰地看到，在2020年1月6日这一天，股价下跌了大约6角，程序给出交易信号“1”，这时下单买入100股；而到了1月7日，股价上涨了约5角5分，程序给出交易信号“0”，此时交易信号的变化为0 –1= –1，因此下单卖出100股。经过这一买一卖的交易，小瓦可以赚到大约55元，看起来还不错。
不要高兴得太早，只是在某一天赚到了钱并不代表策略是长期可行的。下面我们就给小瓦一笔钱，让她计算一下，使用这个策略模拟交易一段时间后总资产的变化情况。输入代码如下：
运行代码，会得到如图2.1所示的结果。
图2.1 使用小瓦的策略进行交易的资产变化情况
【结果分析】 从图2.1中可以看到，从1月初到3月20日，使用小瓦的“低买高卖”策略进行交易，总资产最后略微减少了。虽然从1月中旬到2月中旬，总资产也曾经有一定的增长，但涨幅也并不明显。当然，考虑到在此期间，股市整体表现都不好，在这样的背景下，小瓦的策略没有让总资产大幅缩水，对一个新手来说，这算是不错了。
以上我们和小瓦一起，做了一个非常简单的回测。没错，回测这个词的意思就是：通过模拟算法进行交易的过程，用一些指标对交易策略进行评估。在我们所做的回测当中，所测量的指标就是利润和损失（Profit and Loss，PnL）。不过在刚才的回测当中，我们并没有考虑交易手续费和税费等成本，如果将这些附加成本也添加到模型中参与计算，算出来的就是净利润和损失（net PnL）。常用的指标还有年化收益、交易手数、风险敞口（exposure），以及夏普指数（sharpe ratio）等。
在上述指标中，我们可能需要给小瓦简单介绍一下风险敞口和夏普指数这两个指标。风险敞口指的是未加保护的风险，在股市中，其实就是指投资股票的资金。例如，小瓦有1万元，她拿其中的5000元买了股票，其余5000元买了保本的理财产品，那么买股票的5000元钱就面临着股价下跌的风险。也就是说，她的风险敞口就是5000元。
夏普指数也常被称为夏普比率，是由诺贝尔经济学奖得主威廉·夏普提出的。值得一提的是，威廉·夏普其实就是资本资产定价模型的奠基者。他在1997年提出夏普指数这个概念，其核心思想是，将一组投资组合的回报率与无风险投资回报率（如银行存款或国债）进行对比，看投资组合的回报会超过无风险投资回报率多少。夏普指数越高，说明投资组合的回报率越高；相反，如果投资组合的回报不及无风险投资的回报，就说明这项投资是不应该进行的。
还是以小瓦为例，假设她买保本理财产品的收益是4%，而投资股票的预期收益是100%，同时，投资股票的超额收益标准差是20%，则小瓦进行股票投资的夏普指数是
（100% – 4%）/ 20% = 4.8
在后面的章节中，我们会使用不同的指标进行回测，也会演示详细的计算过程。这里先让小瓦简单了解即可。