Choice量化函数入门指南：从基础原理到实战应用

1次阅读

共计 1591 个字符，预计需要花费 4 分钟才能阅读完成。

对于量化交易新手来说，Choice 函数看似简单，但实际使用中常常会遇到三类典型问题：

参数误解：很多初学者对参数含义理解不准确，比如将窗口期参数当作简单移动平均的天数，导致信号生成出现偏差。
性能瓶颈：在回测大量股票时，循环实现的 Choice 函数会导致计算速度大幅下降。
信号漂移：忽略时区处理和数据对齐问题，造成信号与价格不匹配。

与传统指标相比，Choice 函数有其独特优势：

相比 SMA/EMA，Choice 函数能够更敏感地捕捉趋势变化
对价格波动的响应速度介于 SMA 和 EMA 之间
避免了 EMA 的过度敏感问题
计算复杂度与 SMA 相当，低于 EMA

import numpy as np
import pandas as pd

def choice_quant(data, window=10, threshold=0.5):
    """
    Choice 量化函数实现

    参数:
    data: 价格序列(pd.Series)
    window: 观察窗口(默认 10)
    threshold: 突破阈值(默认 0.5)

    返回:
    signals: 交易信号序列(1: 买入, -1: 卖出, 0: 持有)
    """
    # 计算价格变化率
    returns = data.pct_change()

    # 计算窗口期内的累积变化
    cum_changes = returns.rolling(window).sum()

    # 生成交易信号
    signals = np.where(cum_changes > threshold, 1, 
                      np.where(cum_changes < -threshold, -1, 0))

    return pd.Series(signals, index=data.index)

class ChoiceStrategy(bt.Strategy):
    params = (('window', 10),
        ('threshold', 0.5),
    )

    def __init__(self):
        self.choice_signal = choice_quant(
            self.data.close, 
            window=self.p.window,
            threshold=self.p.threshold
        )

    def next(self):
        if self.choice_signal[0] == 1:
            self.buy()
        elif self.choice_signal[0] == -1:
            self.sell()

确定测试范围：窗口期建议测试 5 -20 天，阈值测试 0.3-0.7
采用网格搜索方法
记录每个参数组合的夏普比率和最大回撤

使用 Walk-Forward 分析
样本外测试比例不低于 30%
采用 k 折交叉验证

# 向量化实现
returns = data.values[1:]/data.values[:-1] - 1
cum_changes = np.convolve(returns, np.ones(window), 'valid')
signals = np.select([cum_changes > threshold, cum_changes < -threshold],
    [1, -1],
    default=0
)

基于沪深 300 指数的回测结果(2015-2020)：