热门标签 | HotTags
当前位置:  开发笔记 > 运维 > 正文

仓位控制策略(三)

最近一直在做仓位策略主要是吃了一波利润回撤,回撤还挺多的,有点痛苦。痛定思痛开始研究仓位控制。个人觉得仓位控制的好能够很好的控制风险,大盘

最近一直在做仓位策略主要是吃了一波利润回撤,回撤还挺多的,有点痛苦。痛定思痛开始研究仓位控制。个人觉得仓位控制的好能够很好的控制风险,大盘差的时候一个小仓位能减少很多损失,大盘好的时候仓位大买什么都赚钱。
先看3月13号做出来的策略,如下图。
在这里插入图片描述
这个仓位控制策略主要是以均线趋势为主,有个很明显的缺点就是滞后性,均线的滞后性。在超跌之后的大反弹不能及时抓住上涨行情,在逃顶过程中,虽然加了第8条规则,但逃顶能力还不够。

在自己模拟盘操作的过程中,我发现了策略的弱点,比如3月19日走了深V而且估值处于一个阶段性的底部,但是策略显示仍需要空仓(因为没有站上3日线),因此我加了一条规则:

当当日收盘价相比于当日最低价涨了1.5个点,并且当日收盘价与历史180天最低价相差3个点时,加4层仓位(可能有点多,但是是我调出来的)。

在3月20日的操作中,大盘后面上涨很多,我感觉可以稍微加大点仓位,但是策略仍显示轻仓操作(2层仓),直觉告诉我可以再加仓。于是,我就尝试添加了一条规则,结果这条规则加进去之后回测的效果有较大的提升,该规则为:

当日上涨大于1个点时,加3层仓。

在逃顶的过程中,如果4天内暴跌2个点以上,减3层仓。


所有规则设计如下:

(1) 如果大盘收盘指数在3天均线上,加一层仓。

(2) 如果大盘收盘指数在10天均线上,加2层仓。

(3) 如果大盘收盘指数在20天均线上,加2层仓。

(4) 如果大盘收盘指数在30天均线上,加1层仓。

(5) 如果3天均线趋势向上,加1层仓。

(6) 如果10天均线趋势向上,加2层仓。如果走平加1层仓。

(7) 如果20天均线趋势向上,加1.5层仓。如果走平加0.5层仓。

(8) 如果近4天以内(包括当天),有一天暴跌2个点以上,减3层仓。

(9) 当日上涨大于1个点时,加3层仓。

(10) 当当日收盘价相比于当日最低价涨了1.5个点,并且当日收盘价与历史180天最低价相差3个点时,加4层仓位(可能有点多,但是是我调出来的)。

说明:上面的均线计算包括当日收盘价,一般的行情查看软件的均线计算都是不包括当日收盘价的,自己在应用的时候可以以下午2点40分左右的大盘指数近似认为当日收盘指数。

举个例子:3月20日收盘,收盘价大于3日均线,仓位+1;当天涨超1个点,仓位+3;历史底部出现反转信号,仓位+4(第十条规则);一共8层仓。(可能有点多,但是是根据历史调出来的,实际慌的话可以减少点仓位,当然其实这里有很大部分仓位是抓反弹的短期仓位,第二天就会卖出。比如如果第二天收盘没大于1个点,3层仓就会卖出)


回测

回测策略:不买个股,仅买指数。跟买股票不同(至少需要买100股),买指数可以以买入任意的资金(像支付宝基金最低10元那种买入),不考虑手续费。

回测结果1:

回测时间:2004年1月1日至2020年3月16日

账户最终涨幅在642%左右,也就是翻了6倍多,最大回撤24.8%。指数只上涨了69%。差不多年化利率在13.4%左右。
在这里插入图片描述
回测结果2:

那假设我们在最高点买入会是一个什么情况呢?最高点时6100多点,大概在2007年10月到11月之间。

回测时间:2007年11月1日至2020年3月16日

账户的最终涨幅在136%左右,相当于年化利率7.4%左右。账户最大回撤21.4%。指数最终跌了53%,跌了一半多。
在这里插入图片描述


结语

目前的仓位设置策略仍有很大的改进方向,但改进也需要灵感,目前没有较好的灵感,得结合实盘操作再去修改。仓位设置的好能够很好减少回撤,但同时也会降低一定的盈利能力,但从长远来看仓位设置仍是非常重要的。将仓位设置与其他策略结合起来,我觉得能够提高其他策略的盈利能力。

对量化、数据挖掘、深度学习感兴趣的可以关注公众号,本人不定期分享有关这些方面的研究。
在这里插入图片描述
个人知乎:
https://www.zhihu.com/people/e-zhe-shi-wo/activities


推荐阅读
  • 从0到1搭建大数据平台
    从0到1搭建大数据平台 ... [详细]
  • 深入解析Java枚举及其高级特性
    本文详细介绍了Java枚举的概念、语法、使用规则和应用场景,并探讨了其在实际编程中的高级应用。所有相关内容已收录于GitHub仓库[JavaLearningmanual](https://github.com/Ziphtracks/JavaLearningmanual),欢迎Star并持续关注。 ... [详细]
  • CSWS_E_ROB深度估计方法
    论文链接:https:arxiv.orgpdf1708.02287.pdf正文翻译概述……首先,我们把深度估计看做一种多类别的密集标记任务,然后与基于公式的 ... [详细]
  • 尽管深度学习带来了广泛的应用前景,其训练通常需要强大的计算资源。然而,并非所有开发者都能负担得起高性能服务器或专用硬件。本文探讨了如何在有限的硬件条件下(如ARM CPU)高效运行深度神经网络,特别是通过选择合适的工具和框架来加速模型推理。 ... [详细]
  • Coursera ML 机器学习
    2019独角兽企业重金招聘Python工程师标准线性回归算法计算过程CostFunction梯度下降算法多变量回归![选择特征](https:static.oschina.n ... [详细]
  • 由中科院自动化所、中科院大学及南昌大学联合研究提出了一种新颖的双路径生成对抗网络(TP-GAN),该技术能通过单一侧面照片生成逼真的正面人脸图像,显著提升了不同姿态下的人脸识别效果。 ... [详细]
  • 新手指南:在Windows 10上搭建深度学习与PyTorch开发环境
    本文详细记录了一名新手在Windows 10操作系统上搭建深度学习环境的过程,包括安装必要的软件和配置环境变量等步骤,旨在帮助同样初入该领域的读者避免常见的错误。 ... [详细]
  • 图像分类算法的优化策略与实践
    本文探讨了《Bag of Tricks for Image Classification with Convolutional Neural Networks》论文中的多项技术,旨在通过具体实例和实验验证,提高卷积神经网络在图像分类任务中的性能。文章详细介绍了从模型训练加速、网络结构调整到训练参数优化等多个方面的改进方法。 ... [详细]
  • 择要:Fundebug的JavaScript毛病监控插件同步支撑Vue.js异步毛病监控。Vue.js从降生至今已5年,尤大在本年2月份宣布了严重更新,即Vue2.6。更新包含新增 ... [详细]
  • 【转】强大的矩阵奇异值分解(SVD)及其应用
    在工程实践中,经常要对大矩阵进行计算,除了使用分布式处理方法以外,就是通过理论方法,对矩阵降维。一下文章,我在 ... [详细]
  • 本文整理了关于Sia去中心化存储平台的重要网址和资源,旨在为研究者和用户提供全面的信息支持。 ... [详细]
  • 自然语言处理(NLP)——LDA模型:对电商购物评论进行情感分析
    目录一、2020数学建模美赛C题简介需求评价内容提供数据二、解题思路三、LDA简介四、代码实现1.数据预处理1.1剔除无用信息1.1.1剔除掉不需要的列1.1.2找出无效评论并剔除 ... [详细]
  • Python 3 Scrapy 框架执行流程详解
    本文详细介绍了如何在 Python 3 环境下安装和使用 Scrapy 框架,包括常用命令和执行流程。Scrapy 是一个强大的 Web 抓取框架,适用于数据挖掘、监控和自动化测试等多种场景。 ... [详细]
  • 在机器学习领域,深入探讨了概率论与数理统计的基础知识,特别是这些理论在数据挖掘中的应用。文章重点分析了偏差(Bias)与方差(Variance)之间的平衡问题,强调了方差反映了不同训练模型之间的差异,例如在K折交叉验证中,不同模型之间的性能差异显著。此外,还讨论了如何通过优化模型选择和参数调整来有效控制这一平衡,以提高模型的泛化能力。 ... [详细]
  • 如何高效启动大数据应用之旅?
    在前一篇文章中,我探讨了大数据的定义及其与数据挖掘的区别。本文将重点介绍如何高效启动大数据应用项目,涵盖关键步骤和最佳实践,帮助读者快速踏上大数据之旅。 ... [详细]
author-avatar
月光下大手拉S小手
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有