基于均線及統計規律的股票投資策略

王立柱, 宋欽欽

(沈陽師范大學 數學與系統科學學院, 沈陽 110034)

0 引 言

為了能在股票市場上更多套利,需要找到最佳的買賣時機。因此,股票交易中買賣點的選擇是核心問題,尤其是股票交易的買點選擇問題。多數投資者在股票交易中都是根據基本面和技術面對市場做出判斷,形成自己的一套買賣投資策略[1-4]。基本面分析是對股票交易市場的一種宏觀判斷[5-6]。技術面分析對市場的反應比較直接,分析的結果也更接近實際市場的局部現象[7-9]。因此,很多投資者越發關注技術分析。目前,常用的技術分析手段有K線理論、波浪理論、形態理論、趨勢線理論和技術指標分析等[10-12]。

技術面分析中,異同移動平均線(MACD)是投資者普遍使用的一種重要的技術分析工具[13]。尤其當股價走勢呈現較為明確的波動趨勢時,MACD可更好地發揮作用。雖然MACD指標分析工具能夠對買賣信號做出判斷,但在運用的準確性、實效性、可操作性上存在一定的問題。因此,應該挖掘股票的歷史交易數據背后的深層內涵信息,并將其呈現為統計意義下的概率交易策略,以方便投資者獲取最佳買賣時機。

本文從股票歷史交易大數據出發,提出了一種股票買點時機選擇的判斷策略算法。首先,通過歷史交易數據對買點的特征進行提取;其次,統計相應買點在一定周期內獲利的經驗分布函數,根據統計特征形成股票買賣時機的概率交易策略;最后,利用買賣交易策略算法進行測試,以檢驗買點選擇的質量。

1 基礎知識

為第t個交易日的特征平均價格,簡稱第t個交易日的均價。

為t交易日后的第i個交易日的收益率。稱

為t交易日后F個交易日的最大收益率。

本文以L日均價為基礎,根據預期收益率對當前交易日的股票價格進行判斷,給出了具有統計意義下的交易策略算法。

2 交易策略算法

股票交易策略算法以移動平均價格為參考,給出是否買入的交易策略。如果判定買入,該算法可進一步給出在統計意義上達到心里預期收益的概率。

算法描述如下:

輸入:D(歷史交易數據);L(L日均線);T(訓練T個交易日);F(未來F個交易日);M(低于均價階梯數量);OP(每股預期收益);Pt(當前股票價格)。

輸出:N(當前價不是買點)或Y(當前價是買點)及Pro(當前價格買入達到預期收益的近似概率)

過程:

1. 置NumI=[];NumN=[];

2. 執行

Fori=1 toT

Fork=1 toM

NumI(k)=NumI(k)+1;

NumN(k)=NumN(k)+1

End

End

End

End

3. 執行

ThenN

Else {Y;

Fork=1 toM

Then {Pro=NumN(k)/NumI(k)}

End

End;

Pro;}

End

3 實驗及結果分析

以2012年4月27日—2018年5月15日創業板中元股份(300018)共1 400個交易日數據為例,說明交易策略算法的具體應用。表1給出了部分交易日數據。

表1 部分交易日中元股份開盤、最高、最低、收盤價格數據

數據集D為1 400個交易日數據。取t=900,即以第900個交易日2016-04-20為當前時刻執行算法,其中800個交易日用于訓練數據(i=1,2,…,800)。

執行結果見表2。由表2第1行前4列知,L日均價與最低價的差落入區間(0,ε],有108個,其中84個在未來F內達到預期盈利OP。 盈利OP的概率約為0.77。其他行給出落入不同區間的統計數據及相應近似盈利概率Pro。當前交易日t=900,該交易日前60日均價為25.42。當日實時價格高于25.42,則輸出不是買點N;當實時價格低于均價落入某個區間,則輸出是買點Y及相應的達到預期盈利的近似概率。

表2 執行算法的訓練及測試結果Table 2 Training and test results after performing algorithm

為檢驗算法是否優良,測試了t=900后的400個交易日。表2的后4列給出了相關的測試結果。由表2的第4列與第8列的對比可知,當L日均價與最低價的差落入區間(0,ε]時,實際測試達到預期盈利概率約為0.59,略低于訓練預期盈利概率(約0.77);總體上,測試達到預期盈利概率高于訓練預期盈利概率,這在某種程度上表明了算法的有效性。另外,表2第5行表明成功率雖然很高,但實際上很少出現此類買點。上述實驗結果表明了該模型的有效性及可行性。

4 結 語

本文提出的股票投資策略算法以歷史交易數據為依托,對大數據進行訓練,給出了投資策略的定量分析。同時,算法參考均價并利用概率統計方法,在一定程度上解決了股票交易買賣時機選擇存在的隨機性問題。實驗結果表明該方法有效可行。