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]
  • 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]
  • 吴恩达推出TensorFlow实践课程,Python基础即可入门,四个月掌握核心技能
    量子位报道,deeplearning.ai最新发布了TensorFlow实践课程,适合希望使用TensorFlow开发AI应用的学习者。该课程涵盖机器学习模型构建、图像识别、自然语言处理及时间序列预测等多个方面。 ... [详细]
  • 本文探讨了图像标签的多种分类场景及其在以图搜图技术中的应用,涵盖了从基础理论到实际项目实施的全面解析。 ... [详细]
  • 随着互联网技术的快速发展,前端用户体验和后端服务性能的要求日益提高,促使前后端开发模式向更加专业化的方向发展。本文探讨了前后端分离的原因、实现方式及其优势,旨在通过明确的接口规范和高效的开发流程,提升项目的整体开发效率。 ... [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]
  • 从理想主义者的内心深处萌发的技术信仰,推动了云原生技术在全球范围内的快速发展。本文将带你深入了解阿里巴巴在开源领域的贡献与成就。 ... [详细]
  • 菜鸟物流用户增长部现正大规模招聘P6及以上级别的JAVA工程师,提供年后入职选项。 ... [详细]
  • 探讨密码安全的重要性
    近期,多家知名网站如CSDN、人人网、多玩、开心网等的数据库相继被泄露,其中大量用户的账户密码因明文存储而暴露无遗。本文将探讨黑客获取密码的常见手段,网站如何安全存储用户信息,以及用户应如何保护自己的密码。 ... [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]
  • 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]
  • SSAS入门指南:基础知识与核心概念解析
    ### SSAS入门指南:基础知识与核心概念解析Analysis Services 是一种专为决策支持和商业智能(BI)解决方案设计的数据引擎。该引擎能够为报告和客户端应用提供高效的分析数据,并支持在多维数据模型中构建高性能的分析应用。通过其强大的数据处理能力和灵活的数据建模功能,Analysis Services 成为了现代 BI 系统的重要组成部分。 ... [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]
  • 探索聚类分析中的K-Means与DBSCAN算法及其应用
    聚类分析是一种用于解决样本或特征分类问题的统计分析方法,也是数据挖掘领域的重要算法之一。本文主要探讨了K-Means和DBSCAN两种聚类算法的原理及其应用场景。K-Means算法通过迭代优化簇中心来实现数据点的划分,适用于球形分布的数据集;而DBSCAN算法则基于密度进行聚类,能够有效识别任意形状的簇,并且对噪声数据具有较好的鲁棒性。通过对这两种算法的对比分析,本文旨在为实际应用中选择合适的聚类方法提供参考。 ... [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