kai云体育app官网版下载官网

全球好开云kaiyun，我是花姐。今天聊一个量化生手陆续忽略的问题：咱们每天究诘的这些本领目标，确切靠谱吗？

图片

掀开本日头条检验图片细目

有时候看着MACD金叉、KDJ拐头、RSI超卖反弹，皆挺有道理，但真确下单后总嗅觉胜率不稳。那问题出在哪？——你从来没考证过它的置信度。

一、什么是置信度？为什么要判断？

“置信度”听起来学术，其实很好领路：

它暗示你对某个目标信号的“实在进度”。

举个例子：淌若往日10次MACD金叉信号中，有6次之后股价高潮，那这个信号的置信度即是60%。

为什么要判断置信度？因为量化的中枢不是掂量畴昔，而是礼貌风险、普及胜率。莫得考证过置信度的目标，实质上即是“拍脑袋往还”；而作念了置信度考证，才算是“数据决议”。

二、如何量化一个目标的置信度？

以MACD为例，咱们来考证它的买入信号到底有多靠谱。

基本逻辑：Step 1：界说信号触发点

当：

DIF 从下进取穿越 DEA → 产生“金叉信号”DIF 从上向下穿越 DEA → 产生“死叉信号”

咱们把金叉视为买入，死叉视为卖出。

Step 2：野心每次信号后的收益

假定咱们在每次金叉买入，直到下次死叉当天卖出，野心区间收益。

Step 3：统计目标胜率与收益散播

然后统计：

胜率 = 盈利次数 / 总次数平均收益、最大回撤、中位收益等目标

这几个目标就能反应出MACD信号的置信度。

底下是花姐写的一个最肤浅可复现版块，行情来自miniQMT

import pandas as pdimport numpy as npimport talibfrom xtquant import xtdatadef get_hq(code, start_time, end_time): xtdata.enable_hello = False xtdata.download_history_data(stock_code=code, period='1d', start_time=start_time, end_time=end_time) history_data = xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose'], stock_list=[code], period='1d', start_time=start_time, end_time=end_time, dividend_type='front_ratio', fill_data=False) df = history_data[code] df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d') df['date'] = df.index return df# 读取行情df = get_hq('xxxxxx.SZ','20200101','')# 野心MACDdf['macd_dif'], df['macd_dea'], df['macd'] = talib.MACD(df['close'], fastperiod=12, slowperiod=26, signalperiod=9)# 金叉、死叉信号df['golden'] = ((df['macd_dif'] > df['macd_dea']) & (df['macd_dif'].shift(1) <= df['macd_dea'].shift(1))).astype(int)df['dead'] = ((df['macd_dif'] < df['macd_dea']) & (df['macd_dif'].shift(1) >= df['macd_dea'].shift(1))).astype(int)# 模拟往还trades = []for i in df.index[df['golden'] == 1]: buy_price = df.loc[i, 'close'] next_dead = df.index[df.index.get_loc(i) + 1:] next_dead = next_dead[df.loc[next_dead, 'dead'] == 1] if len(next_dead) > 0: sell_date = next_dead[0] sell_price = df.loc[sell_date, 'close'] trades.append((sell_price - buy_price) / buy_price)results = pd.Series(trades)print('信号次数：', len(results))print('胜率：', (results > 0).mean())print('平均收益：', results.mean())print('中位收益：', results.median())print('最大回撤：', results.min())

以下是某个股票从2020年于今的一个置信度统计服从：

信号次数： 54胜率： 0.3333333333333333平均收益： 0.004879251982125992中位收益： -0.02139616125923546最大回撤： -0.09598741148701802

看完以后你有什么念念法呢？是不是比念念象中的要低许多。

三、用“N日涨幅”来评估置信度更纯真

虽然咱们也不错换个角度来野心一个目标的置信度，比如不错通过野心信号后的N日涨幅来评估。

比如：

3~5日：短线往还信号的掂量力10~30日：趋势信号的可靠度60日以上：中长线趋势信号的捏久性

基于上头的代码咱们肤浅修改下就不错野心N日涨幅的置信度了。

import pandas as pdimport numpy as npimport talibfrom xtquant import xtdatadef get_hq(code, start_time, end_time): xtdata.enable_hello = False xtdata.download_history_data(stock_code=code, period='1d', start_time=start_time, end_time=end_time) history_data = xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose'], stock_list=[code], period='1d', start_time=start_time, end_time=end_time, dividend_type='front_ratio', fill_data=False) df = history_data[code] df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d') df['date'] = df.index return dfdef calc_macd(df): ''' 野心MACD目标与金叉信号 ''' df['macd_dif'], df['macd_dea'], df['macd'] = talib.MACD( df['close'], fastperiod=12, slowperiod=26, signalperiod=9 ) df['golden'] = ( (df['macd_dif'] > df['macd_dea']) & (df['macd_dif'].shift(1) <= df['macd_dea'].shift(1)) ).astype(int) return dfdef analyze_macd_returns(df, n_days=5): ''' 统计金叉后N日涨幅阐述 ''' results = [] for i in df.index[df['golden'] == 1]: buy_price = df.loc[i, 'close'] # 确保不会超出索引 idx = df.index.get_loc(i) if idx + n_days < len(df): sell_price = df.iloc[idx + n_days]['close'] ret = (sell_price - buy_price) / buy_price results.append({ 'buy_date': df.loc[i, 'date'], 'sell_date': df.iloc[idx + n_days]['date'], 'buy_price': buy_price, 'sell_price': sell_price, f'{n_days}d_return': ret }) results = pd.DataFrame(results) if len(results) == 0: return None # 汇总统计 stats = { 'signal_count': len(results), 'win_rate': (results[f'{n_days}d_return'] > 0).mean(), 'avg_return': results[f'{n_days}d_return'].mean(), 'median_return': results[f'{n_days}d_return'].median(), 'max_return': results[f'{n_days}d_return'].max(), 'min_return': results[f'{n_days}d_return'].min(), } return results, statsdef run_macd_backtest(code, n_days=5, start='20200101', end=''): ''' 主函数：扩充金叉后N日涨幅分析 ''' df = get_hq(code, start, end) df = calc_macd(df) results, stats = analyze_macd_returns(df, n_days) print(f'\n【{code}】MACD金叉后{n_days}日阐述统计') print(pd.Series(stats)) return results, stats# ============ 示例调用 ============ #if __name__ == '__main__': code = 'xxxxxx.SZ' results, stats = run_macd_backtest(code, n_days=5)

MACD金叉后5日阐述统计

signal_count     55.000000win_rate          0.545455avg_return        0.003531median_return     0.003421max_return        0.171240min_return       -0.197990

MACD金叉后10日阐述统计

signal_count 55.000000win_rate 0.545455avg_return 0.003575median_return 0.006202max_return 0.195783min_return -0.156570

MACD金叉后20日阐述统计

signal_count     54.000000win_rate          0.462963avg_return       -0.009931median_return    -0.004154max_return        0.165404min_return       -0.186467

从上头这3组数据不出丑出，

5日涨幅的置信度最高，也最厚实。10日和20日涨幅的置信度皆在40%以上，但10日的胜率要高一些。20日涨幅的置信度最低，也最不厚实。

是以淌若你念念通过MACD金叉来操作这个股票，临了在出现款叉后5天内卖出，收益是最大的。

四、置信度统计用多久的K线更合理？

看了上头的分析，你是不是会提议这么的一个问题：我用多久的数据来统计置信度更可靠呢?

置信度不是一个数学常数，而是从历史信号统计出来的“培育概率”。是以，样本越多，统计越稳。淌若你只拿1年数据来算，那可能偶然赶上牛市，MACD全胜；但放到5年一看，熊市一来胜率全崩，这就叫“样本偏差”。

不同政策的建议周期①日线级别（中低频政策）

市集

保举周期

原因

A股

5~10年日线数据

能遮掩至少一个完满牛熊周期（高潮、转换、下落再高潮）

好意思股

10年以上日线数据

好意思股趋势更磨叽，需要更长样原本纯属周期性

指数/ETF政策

≥8年

相对厚实、波动小，需要更长历史来显贵化各异

培育值： 至少包含 200~300次信号样本 才有统计趣味。淌若MACD金叉一年只消30次，那就得拉长到5~10年。

②高频政策（分钟线或小时线）

周期

建议样本

剖释

分钟线政策

至少 1~2年

高频信号多，但杂音大，需要大批样本平滑掉顶点波动

小时线政策

至少 3年

信号数相对少，需要时候遮掩不同市集中构

要遮掩“不同市集情状”

单纯说“些许年”还不够，更关节的是你得遮掩至少一个牛熊周期。

以A股为例

图片

掀开本日头条检验图片细目

淌若你的样本区间刚好只在2021–2024（行情相比单边），那野心出来的置信度极有可能被放大。是以最恰当的神色是：

至少包含一个完满牛熊周期，周期越多越稳。

今天对于目标置信度的分析就到这里了，临了送全球一句话：

量化的价值不在“信号多”，而在“信号实在”。学会量化置信度，你的政策才真确站在数据上。

—— 花姐 开云kaiyun

本站仅提供存储做事，统共内容均由用户发布，如发现存害或侵权内容，请点击举报。