TQuant Lab 趨勢跟蹤策略，基金經理人都會用的趨勢交易法
本文重點概要
- 文章難度：★★★☆☆
- 探討趨勢交易法與股票期望報酬率之間的關係。
- 以 TQuant Lab 回測平台撰寫趨勢跟蹤交易策略並回測風險與績效。
前言
在過去二十年，趨勢跟蹤交易法一直是許多基金經理人、專業交易者和全球宏觀對沖基金成功應用在全球期貨市場上進行盈利交易的一種交易策略。而近年來關於應用於股票的趨勢跟蹤策略，公開發表的研究及文章也如雨後春筍般增加。越來越多文獻顯示，應用在期貨市場的趨勢效應也同樣能在股票市場上取得類似的效果。
美國知名的趨勢跟蹤公司（TrendFollowing.com）創辦人邁克爾·W.卡沃爾（Michael W. Covel）認為：「在資本市場中，投資者總是渴望尋找漲跌間的『因果關係』，認為這樣能給自己的策略更多的安全感。但趨勢跟蹤策略卻反其道而行之，它不能預測市場的走向，而是更強調自律與精准的交易規則，還有嚴密的風控以應對市場的波動性。」
此外，Cole Wilcox, Eric Crittenden (2005）提及關於美股的趨勢跟蹤策略設置條件：
- 投資範圍設定：投資範圍包括 100 支最具流動性的美國股票，且股價不小於 5 美元。
- 入場條件：如果今天的收盤價高於或等於該股票整個歷史上的最高收盤價，則發出入場信號。
- 出場條件：使用 10 期的平均真實範圍（ATR）作為跟蹤停損信號。當股票的價格低於當前價格減去ATR時，執行出場。
本文將根據以上觀點，設計出適配台股市場之趨勢跟蹤策略，供投資人參考。
趨勢跟蹤策略
- 投資範圍設定：投資台股最具流動性的股票，且股價不小於新台幣 10 元。
- 入場條件：若今日收盤價高於該股票一年來最高收盤價，則發出入場信號。
- 出場條件：使用 10 日平均真實波幅（ATR）作為跟蹤停損信號。當股票的價格低於當前價格減去 ATR時，執行出場。
- 持倉管理：投資者持有所有符合入場條件且未被停損的股票。組合等權重，每日再平衡。
- 交易成本：TQuant Lab 台灣手續費模型。
*註：為增加入場機會，本文將「歷史上的最高收盤價」的入場條件改為「一年來最高收盤價」，讀者可自行斟酌是否參考。
編輯環境與模組需求
本文使用 MacOS 以及 Jupyter Notebook 作為編輯器。
資料導入及使用 get_universe 函式取得股票池
import os import tejapi import pandas as pd import numpy as np import matplotlib.pyplot as plt tej_key = 'your key' api_base = 'https://api.tej.com.tw' os.environ['TEJAPI_KEY'] = tej_key os.environ['TEJAPI_BASE'] = api_base start = '2019-04-01' end = '2024-04-01'
使用 get_universe() 抓取股票池
from zipline.sources.TEJ_Api_Data import get_universe pool = get_universe(start, end, mkt = ['TWSE', 'OTC'], stktp_e=['Common Stock-Foreign', 'Common Stock']) tickers = ' '.join(pool) start_dt, end_dt = pd.Timestamp(start, tz='utc'), pd.Timestamp(end, tz='utc') os.environ['ticker'] = ''.join(tickers) +' IR0001' os.environ['mdate'] = start+' '+end !zipline ingest -b tquant
資料期間從 2019-04-01 至 2024-04-01，篩選全台股普通股作為股票池，並加入台股加權指數 IR0001，作為大盤比較。最後 ingest bundle。
*註：由於存取全市櫃普通股，因此需抓取 1890 檔標的資料，資料量龐大，可能會有本地端記憶體不足或 api key 流量大量消耗的情況，請謹慎使用。
建立 Pipeline 函式
建立 Custom Factor 函數
CustomFactor 可以讓使用者自行設計所需的客製化因子，於本次案例我們用以處理：
- 真實波動幅度均值（AverageTrueRange）
- 一年來歷史高價（N_Year_Highest）
Pipeline() 提供使用者快速處理多檔標的的量化指標與價量資料的功能，於本次案例我們用以處理：
- 高於歷史高價、股價大於新台幣 10 元、當日成交量前十之股票（vol_rank）
- 當日收盤價（curr_price）
- 止損點（atr）
- 一年來歷史高價（highest_price）from zipline.pipeline import Pipeline from zipline.TQresearch.tej_pipeline import run_pipeline def make_pipeline(): volume = TWEquityPricing.volume.latest curr_price = TWEquityPricing.close.latest highest_price = N_Year_Highest(inputs = [TWEquityPricing.close]) sample = curr_price.ge(highest_price) # find stocks that >= highest price vol_rank = volume.rank(mask = sample & curr_price.ge(10)) # rank the price that >= 10 and stocks that >= highest price ATR = AverageTrueRange(inputs = [TWEquityPricing.high, TWEquityPricing.low, TWEquityPricing.close]) return Pipeline( columns = { 'vol_rank':vol_rank, 'curr_price': curr_price, 'highest_price': highest_price, 'atr': ATR.ATR, 'sample': sample, 'volume':volume }, screen = ~StaticAssets([benchmark_asset]) ) my_pipeline = run_pipeline(make_pipeline(), start_dt, end_dt) my_pipeline
建立 initialize 函式
initialize() 函式用於定義交易開始前的每日交易環境，與此例中我們設置：
- 滑價成本
- 台股市場手續費模型
- 加權報酬指數 ( IR0001 ) 作為大盤指數
- 將 Pipeline 設計的策略因子導入交易流程中
- 設定 context.stop_loss 變數，將回測中的止損點紀錄from zipline.finance import slippage, commission from zipline.api import * def initialize(context): set_slippage(slippage.VolumeShareSlippage(volume_limit=1, price_impact=0.01)) set_commission(commission.Custom_TW_Commission(min_trade_cost = 20, discount = 1.0, tax = 0.003)) attach_pipeline(make_pipeline(), 'mystrats') set_benchmark(symbol('IR0001')) context.stop_loss = {}
建立 handle_data 函式
handle_data() 為構建策略的重要函式，會在回測開始後每天被呼叫，主要任務為設定交易策略、下單與紀錄交易資訊。
關於本策略的交易詳細規則請至：趨勢跟蹤.ipynb
def handle_data(context, data): context.df = pipeline_output('mystrats') space = 10 - len(context.portfolio.positions) open_orders = get_open_orders() if space != 0: context.latest_target = pipeline_output('mystrats').query("sample == 1") context.latest_target['vol_rank'] = pd.to_numeric(context.latest_target['vol_rank'], errors='coerce') context.latest_target = context.latest_target.nlargest(space, 'vol_rank') for symbol, atr in zip(context.latest_target.index, context.latest_target['atr']): if symbol not in context.portfolio.positions and symbol not in open_orders and len(context.portfolio.positions) < 10 and atr is not None: order_target_percent(symbol, 1 / 10 * 0.95) context.stop_loss[f'{symbol}'] = data.current(symbol, 'close') - atr * 1.25
執行趨勢跟蹤策略
使用 run_algorithm() 執行上述設定的策略，設置交易期間為 start_dt(2019-04-16) 到 end_dt(2024-04-01)，使用資料集 tquant，初始資金為一百萬元。其中輸出的 results 就是每日績效與交易的明細表。
from zipline import run_algorithm start = '2019-04-16' end = '2024-04-01' start_dt, end_dt = pd.Timestamp(start, tz='utc'), pd.Timestamp(end, tz='utc') results = run_algorithm( start = start_dt, end = end_dt, initialize = initialize, bundle = 'tquant', analyze = analyze, capital_base = 1e6, handle_data = handle_data )
利用 Pyfolio 進行績效評估
import pyfolio as pf returns, positions, transactions = pf.utils.extract_rets_pos_txn_from_zipline(results) benchmark_rets = results['benchmark_return'] pf.tears.create_full_tear_sheet(returns=returns, positions=positions, transactions=transactions, benchmark_rets=benchmark_rets )
可以看到股價動能因子策略在這 57 個月中我們獲得了約 31.1% 的年化報酬，累積報酬 266.536%，除了在回測初期有小幅落後大盤的情況，整體獲利優於大盤；而在 β 值上，β 值在 0.79 代表該策略波動相對總體市場的波動不那麼敏感，反映出趨勢跟蹤本身不關注總體市場波動和不預測市場走向的核心概念，不過相對來說因為策略本身關注股價波動之特性，會鎖定股價突破新高的股票進行買進，直覺來說波動性在較高的檔位是比較難避免的，來到 26.1%。不過這個波動性雖高，但是主要是往多頭的方向波動，這個判斷我們從索提諾比率（Sortino Ratio）上可以得知（Sortino Ratio 越低則表示策略承擔單位風險的負報酬越高），而本次策略來到 1.17，算是理想的數字。
可以看到除了 2022 空頭年，其餘交易年都是處於正報酬。
在長短部位持有變化圖這邊，由於策略的設置，最多持有 10 檔的情況下，我們的最大持有股數大多也在 10 檔左右，最低來到 4 檔。
由於策略進行每日再平衡，換股較為頻繁，週轉率偶爾會有較高的情況發生，可能需要額外注意交易手續費問題。
結論
本次策略應用 Cole Wilcox, Eric Crittenden (2005）之研究，驗證趨勢跟蹤在台股市場之可獲利性，有以下結果：
- 優點：獲利表現優，進出場條件直覺簡單。
- 缺點：每日再平衡導致週轉率較高，須額外注意。
歡迎投資朋友參考。之後也會持續介紹使用 TEJ 資料庫來建構各式指標，並回測指標績效，所以歡迎對各種交易回測有興趣的讀者，選購 TQuant Lab 的相關方案，用高品質的資料庫，建構出適合自己的交易策略。
溫馨提醒，本次策略僅供參考，不代表任何商品或投資上的建議。
【TQuant Lab回測系統】解決你的量化金融痛點
全方位提供交易回測所需工具