从零开始的量化交易 | 02 模拟：参加阿里web3交易黑客松（已信息脱敏）量化交易这玩意从回测数据来看就像抢钱，年回

黑客松.jpg 我参加的是交易赛道

前置问题一：本金是多少？

答：10000U

前置问题二：数据回测范围？

已有数据的时间范围：170817 —— 230216
比赛范围需回测 21.1.1 - 22.12.31

一、3.31讨论情况汇总

TODO 0

双均线，跟大家普及一下概念；

TODO 1

市面上的研报，会把他的交易策略介绍的很清楚，为什么会这么买。

我们可以通过收集研报，给ChatGPT4去筛选分析：

收集研报
GPTPDF
GPT分析

TODO 2

老猫：狼喵论坛（币圈大V）：关注的十个交易因子

同理，搜索类似大V的交易观念

TODO 3

双均线模型用改成代码实现

需要注意的误差参数：滑点、手续费

二、关键指标计算

最终会综合评价

收益率
最大回撤
夏普比率
胜率
盈亏比

以及有效性等各方面赛出最有效的策略。

01 | 收益率

（卖出价格 - 买入价格）/ 买入价格

02 | 最大回撤

最大回撤是衡量一个投资组合或资产价格走势波动的风险指标。它表示资产价格在任何一个时间段内从高点到低点的最大跌幅。计算最大回撤的步骤如下：

首先找到该资产或组合的历史最高点，记为Peak。
然后在Peak之后找到最低点，记为Trough。
最大回撤就等于（Peak - Trough）/ Peak

举个例子，假设某股票价格的历史最高点是100美元，之后价格下跌到了50美元，然后又反弹到了80美元。

那么最大回撤就等于（100美元 - 50美元）/ 100美元 = 0.5 = 50%。这意味着该股票价格在历史最高点之后曾经跌幅了50%。

03 | 夏普率

Sharpe Ratio = (Rp - Rf) / σp

其中，Rp是投资组合的预期收益率，Rf 是无风险收益率，σp 是投资组合收益率的标准差。

夏普率越高，表示在相同的风险水平下，投资组合的收益越好。通常来说，夏普率在1.0以上被认为是好的表现，而在2.0以上则被认为是非常好的表现。夏普率在0.5以下则被认为是风险过大的投资组合。

无风险收益率：无风险收益率是指在没有任何风险的情况下，投资者所能获得的收益率。在实际应用中，通常将国债利率或银行存款利率作为无风险收益率的参考值

投资组合收益率的标准差：投资组合收益率的标准差是衡量该投资组合风险的一种常用方法，其计算公式如下：

标准差 = SQRT(∑(Ri - Rp)^2 / (n-1))

其中，Ri表示第i个资产的收益率，Rp表示投资组合的平均收益率，n表示投资组合中资产的数量。

具体计算步骤如下：

计算投资组合的平均收益率Rp，即将所有资产的收益率加总，然后除以资产数量n，即：Rp = (R1 + R2 + ... + Rn) / n。
对于每个资产，计算其收益率与投资组合平均收益率之差（即(Ri - Rp)），然后将差的平方加总，得到∑(Ri - Rp)^2。
将∑(Ri - Rp)^2除以(n-1)，然后再开平方，即可得到投资组合收益率的标准差。

04 | 胜率

胜率是指在一定的交易次数中，盈利交易所占的比例。胜率通常用百分比表示，计算公式如下：

胜率 = 盈利交易次数 / 总交易次数

需要注意的是，胜率不能单独作为交易策略的评价指标，因为它忽略了每次交易的盈亏比例。

如果每次盈利交易的盈利幅度小于亏损交易的亏损幅度，那么高的胜率并不意味着交易策略是优秀的。因此，在评价交易策略时，还需要考虑其他指标，例如平均盈亏比、期望收益等。

05 | 盈亏比

盈亏比是指在交易中获得的平均盈利与平均亏损之间的比率。它可以用以下公式来计算：

盈亏比 = 平均盈利 / 平均亏损

其中，平均盈利指的是所有盈利交易的平均收益，平均亏损指的是所有亏损交易的平均亏损。

盈亏比越高，表示获得盈利的可能性越大，风险也越小。

举个例子，假设你进行了20次交易，其中10次盈利，10次亏损。在盈利交易中，平均收益为100美元，在亏损交易中，平均亏损为50美元。那么你的盈亏比就是：

盈亏比 = 100美元 / 50美元 = 2

这意味着在这20次交易中，你获得盈利的可能性是亏损的 2 倍。

三、最终展示内容

📈 收益情况展示

💡 灵感来源

感觉炒币的时候我们会有一种感觉，比特币涨，其他币种也会涨，比特币跌，其他币种也会跌，主流币和小币种间好像总是有同上同下的关系。

机会但会有时差，就是比特币涨了，小币种还没有启动，我们就用比特币买入小币种，等小币种涨上来；等比特币跌了，小币种还没有跟上，我们就用小币种换回比特币，那么我们赚到的比特币就会越来越多。

🔥 验证猜想

优先级: 1 通过研报信息，发现LTC、LINK和DOT与BTC有强烈的相关性

优先级: 2 同时我们自己通过Johansen协整检验通过长时间序列协整检验，得到协整性验证

# 进行Johansen协整检验
result = coint_johansen(df, det_order=0, k_ar_diff=1)

# 输出结果
print('Eigenvalues:')
print(result.eig)

print('Trace statistic:')
print(result.lr1)

print('Max eigenvalue statistic:')
print(result.lr2)

# 获取置信水平为 95% 的 Trace 级别和 Max Eigenvalue 级别的临界值
trace_critical_values = result.trace_stat_crit_vals[:, 1]
max_eig_critical_values = result.max_eig_stat_crit_vals[:, 1]
print('trace critical values：')
print(trace_critical_values)
print('max eig critical values')
print(max_eig_critical_values)