《R的极客理想——高级开发篇 A》一一2.3　二条均线打天下

2.3　二条均线打天下

问题
如何用R语言编写金融算法模型？

引言
移动平均线（MA）是股市中最常用的一种技术分析方法，用来在大行情的波动段找到有效的交易信号。移动平均线不仅简单，而且有效，对股市操作具有神奇的指导作用。据金融从业人员说，均线模型有效地打败了大部分的主观策略，是炒股、炒期货的必备基本工具。那么本节将深入研究一下均线模型如何在股市中发挥作用。
2.3.1　移动平均线
移动平均（moving average，MA）线是以道·琼斯的“平均成本概念”为理论基础，采用统计学中“移动平均”的原理，将一段时期内的股票价格平均值连成曲线，用来显示股价的历史波动情况，进而反映股价指数未来发展趋势的技术分析方法。它是道氏理论的形象化表述。在技术分析领域中，移动平均线是必不可少的指标工具。移动平均线的计算方法就是求连续若干天的收盘价的算术平均，天数就是MA的参数。
计算公式是MA=(C1+C2+C3+C4+C5+…+Cn)/n，其中C为收盘价，n为移动平均周期数。例如，5日移动平均价格计算方法为：
MA5 = （前四天收盘价+前三天收盘价+前天收盘价+昨天收盘价+今天收盘价）/5
移动平均线依时间长短可分为三种，即短期移动平均线、中期移动平均线、长期移动平均线。短期移动平均线一般以5日或10日为计算期间，中期移动平均线大多以30日、60日为计算期间，长期移动平均线大多以100日和200日为计算期间。
移动平均线根据对数据的处理方法，又可分为3种。
（1）简单移动平均线（simple moving average，SMA）：又称“算术移动平均线”，是指对特定期间的收盘价进行简单平均化的意思。一般所提到的移动平均线即指简单移动平均线，本节中介绍的算法模型，也是用的简单移动平均线。
（2）加权移动平均线（weighted moving average，WMA）：是一种按时间进行加权运算的移动平均线。时间越近，价格的权重越大。计算方式是基于加权移动平均线日数，将每一个之前日期比重提升。每个价格会乘以一个权重，最新的价格会有最大的比重，其之前的每一日的比重将会递减。加权移动平均线是移动平均线的改良。
（3）指数平滑移动平均线（exponential moving average，EMA）：是以指数式递减加权的移动平均。各数值的加权影响力随时间而指数式递减，越近期的数据加权影响力越重，但较旧的数据也给予一定的加权值。
2.3.2　均线模型
在交易软件日K线图中，除了标准的价格K线以外，通常还有4条线，分别是白线、黄线、紫线、绿线，依次分别表示5日、10日、20日和60日移动平均线。通过这4条线与价格K线的交叉，就可以形成不同的均线模型。以乐视网（300104）股票日K线图为例，截取2012年8月到2014年7月的股价数据，如图2-4所示。
从图2-4中，我们看到乐视网股价最低价是13.91元，出现在2012年12月；最高价55.50元，出现在2014年1月。这段时期，乐视网的股价一路震荡向上，波动最小的绿色线为60日均线平滑的股价，趋势性比较明显。

图2-4　乐视网股票日K线图
利用均线平滑的特点，可以发现均线与价格K线会有交叉，各均线之间也有交叉，我们可以通过这些交叉点判断交易信号。
黄金交叉，当10日均线由下往上穿越20日均线，10日均线在上，20日均线在下，其交叉点就是黄金交叉，黄金交叉是多头的表现，出现黄金交叉后，后市会有一定的涨幅空间，这是进场的最佳时机。
死亡交叉，当20日均线与10日平均线交叉时，20日均线由下住上穿越10日均线，形成20日平均线在上，10日均线在下时，其交点称为“死亡交叉”，“死亡交叉”预示空头市场来临，股市将下跌，此时是出场的最佳时机。
如果很好地运用移动平均线理论，再掌握行情的真正趋势，就能获取可观利润。但移动平均线理论也有局限性，具体如下：
移动平均线是股价定型后产生的图形，反映较慢，只适用于日间交易；
移动平均线不能反映股价在当日的变化及成交量的大小，不适用于日内交易；
移动平均线是趋势性模型，如果股价未形成趋势，只是频繁波动，模型不适用。
2.3.3　用R语言实现均线模型
接下来，我们利用R语言对股票数据进行操作，实现一个均线模型的实例。
1.?从互联网下载数据
R语言本身提供了丰富的金融函数工具包，quantmod包就是最常用的一个，不过quantmod包还要配合时间序列包zoo、可扩展的时间序列包xts、指标计算包TTR和可视包ggplot2等一起使用，关于zoo包和xts包的详细使用可以参考《R的极客理想——工具篇》的2.1节和2.2节。
我们首先利用quantmod包，从互联网下载股票数据，并以CSV格式保存到本地。

加载工具包

library(plyr)
library(quantmod)
library(TTR)
library(ggplot2)
library(scales)

download<-function(stock,from="2010-01-01"){ # 下载数据并保存到本地

  • df<-getSymbols(stock,from=from,env=environment(),auto.assign=FALSE) # 下载数据
  • names(df)<-c("Open","High","Low","Close","Volume","Adjusted")
  • write.zoo(df,f?ile=paste(stock,".csv",sep=""),sep=",",quote=FALSE) # 保存到本地文件
    +}

read<-function(stock){ # 从本地文件读数据

  • as.xts(read.zoo(f?ile=paste(stock,".csv",sep=""),header = TRUE,sep=",",

       format="%Y-%m-%d"))

    +}

stock<-"IBM" # 下载IBM的股票行情数据
download(stock,from='2010-01-01')
IBM<-read(stock) # 把数据加载到内存

class(IBM) # 查看数据类型

[1] "xts" "zoo"

head(IBM) # 查看前6条数据

         Open   High    Low  Close  Volume Adjusted

2010-01-04 131.18 132.97 130.85 132.45 6155300 121.91

2010-01-05 131.68 131.85 130.10 130.85 6841400 120.44
2010-01-06 130.68 131.49 129.81 130.00 5605300 119.66
2010-01-07 129.87 130.25 128.91 129.55 5840600 119.24
2010-01-08 129.07 130.92 129.05 130.85 4197200 120.44
2010-01-11 131.06 131.06 128.67 129.48 5730400 119.18
利用quantmod包的getSymbols()函数，默认会通过Yahoo金融的开放API下载数据，我们选择IBM的股票行情数据，从2010-01-01到2014-07-09的4年多的日间交易数据。数据类型为xts格式的时间序列，数据包括7个列，以日期做索引列，其他6列分别为开盘价（Open）、最高价（High）、最低价（Low）、收盘价（Close）、交易量（Volume）、调整价（Adjusted）。
2.?实现简单的蜡烛图
直接使用quantmod包的chartSeries()函数，我们可以画出可视化效果还不错的蜡烛图。简单的蜡烛图，如图2-5所示。

chartSeries(IBM) # 画IBM股票的蜡烛图

如果你想在蜡烛图上增加一些技术指标也是非常方便的，直接把指标函数以参数传给chartSeries()函数就行了，画出带SMA、MACD、ROC等指标的蜡烛图，所图2-6所示。

chartSeries(IBM,TA = "addVo(); addSMA(); addEnvelope();addMACD(); addROC()")

# 画带指标的蜡烛图

非常简单的2个函数，就可以实现股票数据的可视化。当然，这个功能是封装好的通用的函数，如果我们要自定义策略模型，就需要自己写代码来实现了，比如自定义的支持量机（SVM）分类器模型，不过本节不讲太复杂的模型，而是实现均线模型。
3.?自定义均线图
通过自定义的方式，我们就可以脱离quantmod包自由发挥了。我们首先需要自定义均线指标：
日期时间序列为索引
收盘价作为价格指标
不考虑成交量以及其他维度字段
取2010-01-01至2012-01-01的股票的行情数据
画出价格曲线以及5日均线、20日均线、60日均线
用R语言程序实现代码，如下所示。

ma<-function(cdata,mas=c(5,20,60)){ # 移动平均计算函数

  • ldata<-cdata
  • for(m in mas){
  • ldata<-merge(ldata,SMA(cdata,m))
  • }
  • ldata<-na.locf(ldata, fromLast=TRUE)
  • names(ldata)<-c('Value',paste('ma',mas,sep=''))
  • return(ldata)
  • }

drawLine<-function(ldata,titie="Stock_MA",sDate=min(index(ldata)),eDate=

  • g<-ggplot(aes(x=Index, y=Value),data=fortify(ldata[,1],melt=TRUE))
  • g<-g+geom_line()
  • g<-g+geom_line(aes(colour=Series),data=fortify(ldata[,-1],melt=TRUE))
  • g<-g+scale_x_date(labels=date_format("%Y-%m"),breaks=date_breaks 
          ("2 months"),limits = c(sDate,eDate))
  • g<-g+xlab("") + ylab("Price")+ggtitle(title)
    +
  • if(out) ggsave(g,f?ile=paste(titie,".png",sep=""))
  • else g
  • }

运行程序

cdata<-IBM['2010/2012']$Close # 取收盘价
title<-"Stock_IBM" # 图片标题
sDate<-as.Date("2010-1-1") # 开始日期
eDate<-as.Date("2012-1-1") # 结束日期
ldata<-ma(cdata,c(5,20,60)) # 选择滑动平均指标
drawLine(ldata,title,sDate,eDate) # 画图，如图2-7所示

通过自己封装的移动平均函数和可视化函数，就实现了与交易软件中类似的日K线图和多条均线结合的可视化输出。
4.?一条均线的交易策略
基于上面的定义的均线函数，我们就可以设计自己的交易策略模型了。模型设计思路如下：
（1）以股价和20日均线的交叉，进行交易信号的判断。
（2）当股价上穿20日均线则买入，下穿20日均线则卖出。
画出股价和20日均线图，如图2-8所示。

ldata<-ma(cdata,c(20)) # 选择滑动平均指标
drawLine(ldata,title,sDate,eDate) # 画图

图2-8　20日均线图
以散点覆盖20日均线，红色点为买入持有，蓝色点为卖出空仓，如图2-9所示。

均线图+散点

drawPoint<-function(ldata,pdata,titie,sDate,eDate){

  • g<-ggplot(aes(x=Index, y=Value),data=fortify(ldata[,1],melt=TRUE))
  • g<-g+geom_line()
  • g<-g+geom_line(aes(colour=Series),data=fortify(ldata[,-1],melt=TRUE))
  • g<-g+geom_point(aes(x=Index,y=Value,colour=Series),data=fortify(pdata,melt=TRUE))
  • g<-g+scale_x_date(labels=date_format("%Y-%m"),breaks=date_breaks("2 months"),
    limits = c(sDate,eDate))
  • g<-g+xlab("") + ylab("Price")+ggtitle(title)
  • g
  • }

散点数据

pdata<-merge(ldata$ma20[which(ldata$Value-ldata$ma20>0)],ldata$ma20[which

  (ldata$Value-ldata$ma20<0)])

names(pdata)<-c("down","up")
pdata<-fortify(pdata,melt=TRUE)
pdata<-pdata[-which(is.na(pdata$Value)),]

head(pdata)

   Index Series    Value

1 2010-01-04 down 128.7955

2 2010-01-05 down 128.7955
3 2010-01-06 down 128.7955
4 2010-01-07 down 128.7955
5 2010-01-08 down 128.7955
6 2010-01-11 down 128.7955

drawPoint(ldata,pdata,title,sDate,eDate) # 画图，如图2-9所示

图2-9　20日均线交易信号图
用股价和20日均线价格做比较，把股价大于20日均线的部分用蓝色表示，股价小于20日均线的部分用红色表示。我们看到图中，蓝色点和红色点在20日均线上交替出现，我们可以在每次红色出现的第一个点买入股票，然后在蓝色出现的第一个点卖出股票，这样就构成了交易信号，从直观看上去的感觉还是不错的。
我们要找出这些交易信号点，做量化的统计，看看到底能不能赚钱，能赚多少钱。

Signal<-function(cdata,pdata){ # 交易信号

  • tmp<-''
  • tdata<-ddply(pdata[order(pdata$Index),],.(Index,Series),function(row){
  • if(row$Series==tmp) return(NULL)
  • tmp<<-row$Series
  • })
  • tdata<-data.frame(cdata[tdata$Index],op=ifelse(tdata$Series=='down','B','S'))
  • names(tdata)<-c("Value","op")
  • return(tdata)
  • }

tdata<-Signal(cdata,pdata)
tdata<-tdata[which(as.Date(row.names(tdata))head(tdata)

        Value op

2010-01-04 132.45 B

2010-01-22 125.50 S
2010-02-17 126.33 B
2010-03-09 125.55 S
2010-03-11 127.60 B
2010-04-08 127.61 S

nrow(tdata) # 交易记录

[1] 72
统计发现，一共有72条交易记录，买卖各占一半。
接下来，我们要利用交易信号的数据，进行模拟交易。我们设定交易参数，以10万美元为本金，满仓买入或卖出，手续费为0元。

模拟交易

trade<-function(tdata,capital=100000,position=1,fee=0.00003){

  • amount<-0 # 持股数量
  • cash<-capital # 现金
    +
  • ticks<-data.frame()
  • for(i in 1:nrow(tdata)){
  • row<-tdata[i,]
  • if(row$op=='B'){
  • amount<-floor(cash/row$Value)
  • cash<-cash-amount*row$Value
  • }
    +
  • if(row$op=='S'){
  • cash<-cash+amount*row$Value
  • amount<-0
  • }
    +
  • row$cash<-cash # 现金
  • row$amount<-amount # 持股数量
  • row$asset<-cash+amount*row$Value # 资产总值
  • ticks<-rbind(ticks,row)
  • }
    +
  • ticks$diff<-c(0,diff(ticks$asset)) # 资产总值差
    +

  • 赚钱的操作

  • rise<-ticks[c(which(ticks$diff>0)-1,which(ticks$diff>0)),]
  • rise<-rise[order(row.names(rise)),]
    +

  • 赔钱的操作

  • fall<-ticks[c(which(ticks$diff<0)-1,which(ticks$diff<0)),]
  • fall<-fall[order(row.names(fall)),]
    +
  • return(list(
  • ticks=ticks,
  • rise=rise,
  • fall=fall
  • ))
  • }

result1<-trade(tdata,100000)

查看每笔交易

head(result1$ticks)

        Value op     cash amount     asset     diff

2010-01-04 132.45 B 0.25 755 100000.00 0.00

2010-01-22 125.50 S 94752.75 0 94752.75 -5247.25
2010-02-17 126.33 B 5.25 750 94752.75 0.00
2010-03-09 125.55 S 94167.75 0 94167.75 -585.00
2010-03-11 127.60 B 126.55 737 94167.75 0.00
2010-04-08 127.61 S 94175.12 0 94175.12 7.37

盈利的交易

head(result1$rise)

        Value op     cash amount    asset     diff

2010-03-11 127.60 B 126.55 737 94167.75 0.00

2010-04-08 127.61 S 94175.12 0 94175.12 7.37
2010-07-22 127.47 B 108.79 633 80797.30 0.00
2010-08-12 128.30 S 81322.69 0 81322.69 525.39
2010-09-09 126.36 B 120.40 632 79979.92 0.00
2010-11-16 142.24 S 90016.08 0 90016.08 10036.16

亏损的交易

head(result1$fall)

        Value op     cash amount     asset     diff

2010-01-04 132.45 B 0.25 755 100000.00 0.00

2010-01-22 125.50 S 94752.75 0 94752.75 -5247.25
2010-02-17 126.33 B 5.25 750 94752.75 0.00
2010-03-09 125.55 S 94167.75 0 94167.75 -585.00
2010-04-09 128.76 B 51.56 731 94175.12 0.00
2010-04-12 128.36 S 93882.72 0 93882.72 -292.40
通过模拟交易，我们就能精确地算出每笔交易的盈利情况了。这其中，有56笔交易其实是亏损的，只有16笔交易是有盈利的。查看最后的资金情况。

tail(result1$ticks,1)

        Value op     cash amount    asset     diff

2011-12-21 181.47 S 96363.76 0 96363.76 -3063.87

最后，资金剩余96363.76美元，也就是我们亏了3636.24美元。为什么最后会亏损呢？中间的大波段应该赚到了足够多的钱。通过资金曲线我们可以找到亏损的原因。画出资金曲线，如图2-10所示。

股价+现金流量

drawCash<-function(ldata,adata){

  • g<-ggplot(aes(x=Index, y=Value),data=fortify(ldata[,1],melt=TRUE))
  • g<-g+geom_line()
  • g<-g+geom_line(aes(x=as.Date(Index), y=Value,colour=Series),data=fortify
    (adata,melt=TRUE))
  • g<-g+facet_grid(Series ~ .,scales = "free_y")
  • g<-g+scale_y_continuous(labels = dollar)
  • g<-g+scale_x_date(labels=date_format("%Y-%m"),breaks=date_breaks("2 months"),
    limits = c(sDate,eDate))
  • g<-g+xlab("") + ylab("Price")+ggtitle(title)
  • g
  • }

现金流量

adata<-as.xts(result1$ticks[which(result1$ticks$op=='S'),]['cash'])
drawCash(ldata,adata) # 画图

图2-10　20日均线策略现金曲线
我们把股价和现金流量并排放置，从2010-09开始均线策略开始大幅赚钱，到2011-10到达最高点，并且超过了本金，然后开始下滑，截至2012-01亏损3859.86美元。这是由于我们把赚到的利润继续投资，增大了头寸，以至于2011年年底的震荡市让模型失效，从而赔了更多的钱。
这样就完成一条20日均线的交易策略模型，并用IBM的股票做了测试。
5.?二条均线的交易策略
一条均线模型，在大的趋势下是可以稳定赚钱的，但由于一条均线对于波动非常敏感，如果小波动过于频繁，不仅会增加交易次数，而且会让模型失效。然后，就有二条均线的策略模型，它可以降低对波动的敏感性。
二条均线策略模型，与一条均线模型思路类似，以5日均线价格替换股价，是通过5日均线和20日均线交叉来进行交易的。我们首先画出股价5日均线和20日均线图，如图2-11所示。

ldata<-ma(cdata,c(5,20)) # 选择滑动平均指标
drawLine(ldata,title,sDate,eDate) # 画图

图2-11　5日均线和20日均线图
以散点覆盖20日均线，红色点为买入持有，紫色点为卖出空仓，如图2-12所示。

散点数据

pdata<-merge(ldata$ma20[which(ldata$ma5-ldata$ma20>0)],ldata$ma20[which(ldata$ma5-

  ldata$ma20<0)])

names(pdata)<-c("down","up")
pdata<-fortify(pdata,melt=TRUE)
pdata<-pdata[-which(is.na(pdata$Value)),]

head(pdata)

   Index Series    Value

1 2010-01-04 down 128.7955

2 2010-01-05 down 128.7955
3 2010-01-06 down 128.7955
4 2010-01-07 down 128.7955
5 2010-01-08 down 128.7955
6 2010-01-11 down 128.7955

drawPoint(ldata,pdata,title,sDate,eDate) # 画图，如图2-12所示。

图2-12　5日均线和20日均线交易信号图
用5日均线和20日均线价格做比较，把5日均线小于20日均线的部分用紫色表示，5日均线大于20日均线的部分用红色表示。我们看到图中，紫色点和红色点在20日均线上交替出现。同样，我们可以在每次红色出现的第一个点买入股票，然后在紫色出现的第一个点卖出股票。直观看上去与一条均线模型类似，都是赚钱的。
我们要找出这些交易信号点，做量化的统计，看看到底能不能赚钱。

> tdata<-Signal(cdata,pdata)
> tdata<-tdata[which(as.Date(row.names(tdata))<eDate),]
> head(tdata)
            Value op
2010-01-04 132.45  B
2010-01-26 125.75  S
2010-02-18 127.81  B
2010-03-10 125.62  S
2010-03-16 128.67  B
2010-04-12 128.36  S

> nrow(tdata)         # 交易记录

[1] 36
一共有36条交易记录，买卖各占一半，比一条均线模型少了36笔交易。

模拟交易

result2<-trade(tdata,100000)

查看每笔交易

> head(result2$ticks)
            Value op     cash amount     asset     diff
2010-01-04 132.45  B     0.25    755 100000.00     0.00
2010-01-26 125.75  S 94941.50      0  94941.50 -5058.50
2010-02-18 127.81  B   106.48    742  94941.50     0.00
2010-03-10 125.62  S 93316.52      0  93316.52 -1624.98
2010-03-16 128.67  B    30.77    725  93316.52     0.00
2010-04-12 128.36  S 93091.77      0  93091.77  -224.75

盈利的交易

> head(result2$rise)
            Value op      cash amount     asset     diff
2010-09-10 127.99  B     75.34    649  83140.85     0.00
2010-11-18 144.36  S  93764.98      0  93764.98 10624.13
2010-12-07 144.02  B      2.66    638  91887.42     0.00
2011-02-23 160.18  S 102197.50      0 102197.50 10310.08
2011-03-28 161.37  B    124.70    582  94042.04     0.00
2011-05-20 170.16  S  99157.82      0  99157.82  5115.78

亏损的交易

head(result2$fall)

        Value op     cash amount     asset     diff

2010-01-04 132.45 B 0.25 755 100000.00 0.00
2010-01-26 125.75 S 94941.50 0 94941.50 -5058.50
2010-02-18 127.81 B 106.48 742 94941.50 0.00
2010-03-10 125.62 S 93316.52 0 93316.52 -1624.98
2010-03-16 128.67 B 30.77 725 93316.52 0.00
2010-04-12 128.36 S 93091.77 0 93091.77 -224.75

通过模拟交易，我们精确地算出每笔交易的盈利情况了，有26笔交易是亏损的，16笔交易是有盈利的。
查看最后的资金情况。

tail(result2$ticks,1)

        Value op    cash amount   asset     diff

2011-12-19 182.89 S 96828.9 0 96828.9 -3581.33

利用交易信号数据，进行模拟交易。我们设定交易参数，以100000美元为本金，满仓买入或卖出，手续费为0，传入交易信号。最后，资金剩余96828.9美元，亏了3171.1美元。查看资金曲线，如图2-13所示。
> adata<-as.xts(result2$ticks[which(result2$ticks$op=='S'),]['cash'])
> drawCash(ldata,adata)
![image](https://yqfile.alicdn.com/8f5fe3d0e8297454fd8a96db92a438bf63a6f390.png)

图2-13　5日均线和20日均线策略现金曲线
我们可以发现，虽然最后资金也是赔了3171.1美元，比一条均线策略模型赔的少一点，但二条均线策略模型有3次高于本金的情况，而且最差的情况也比一条均线最差的情况要好。如果我们在获得盈利后，把赚到的钱从账户取出，只保持原来本金的继续交易，那么这部分利润就是可以锁定了。
6.?对比两个模型的盈利情况
我们再进一步对比两个模型的盈利情况，找出两个模型中所有赚钱的交易。
# 盈利的交易

rise<-merge(as.xts(result1$rise[1]),as.xts(result2$rise[1]))
names(rise)<-c("plan1","plan2")

# 查看数据情况
> rise

plan1 plan2
2010-03-11 127.60 NA
2010-04-08 127.61 NA
2010-07-22 127.47 NA
2010-08-12 128.30 NA
2010-09-09 126.36 NA
2010-09-10 NA 127.99
2010-11-16 142.24 NA
2010-11-18 NA 144.36
2010-12-07 NA 144.02
2010-12-08 144.98 NA
2011-02-22 161.95 NA
2011-02-23 NA 160.18
2011-03-25 162.18 NA
2011-03-28 NA 161.37
2011-05-16 168.86 NA
2011-05-20 NA 170.16
2011-06-21 166.22 NA
2011-06-23 NA 166.12
2011-08-02 178.05 NA
2011-08-04 NA 171.48
2011-09-14 167.24 NA
2011-09-16 NA 172.99
2011-09-22 168.62 NA
2011-09-23 169.34 NA
2011-10-18 178.90 NA
2011-10-21 NA 181.63

plan1是一条均线模型，plan2是二条均线模型。plan1比plan2多了6次交易，但从中可以发现，多的这几次交易是由于对波动敏感性引起的，反而减少了趋势行情所带来的收益。
最后，我们画出2个模型盈利部分的交易区间。

均线图+交易区间

drawRange<-function(ldata,plan,titie="Stock_2014",sDate=min(index(ldata)),

  • g<-ggplot(aes(x=Index, y=Value),data=fortify(ldata[,1],melt=TRUE))
  • g<-g+geom_line()
  • g<-g+geom_line(aes(colour=Series),data=fortify(ldata[,-1],melt=TRUE))
  • g<-g+geom_rect(aes(NULL, NULL,xmin=start,xmax=end,f?ill=plan),ymin = yrng[1],
    ymax = yrng[2],data=plan)
  • g<-g+scale_f?ill_manual(values =alpha(c("blue", "red"), 0.2))
  • g<-g+scale_x_date(labels=date_format("%Y-%m"),breaks=date_breaks
    ("2 months"),limits = c(sDate,eDate))
  • g<-g+xlab("") + ylab("Price")+ggtitle(title)
    +
  • if(out) ggsave(g,f?ile=paste(titie,".png",sep=""))
  • else g
  • }
# 盈利区间
> yrng <-range(ldata$Value)
> plan1<-as.xts(result1$rise[c(1,2)])
> plan1<-data.frame(start=as.Date(index(plan1)[which(plan1$op=='B')]),end=
      as.Date(index(plan1)[which(plan1$op=='S')]),plan='plan1')
> plan2<-as.xts(result2$rise[c(1,2)])
> plan2<-data.frame(start=as.Date(index(plan2)[which(plan2$op=='B')]),end=
      as.Date(index(plan2)[which(plan2$op=='S')]),plan='plan2')

> plan<-rbind(plan1)                # plan1的盈利区间
> drawRange(ldata,plan,title,sDate,eDate)    # 画图
plan1的盈利区间，如图2-14所示。
> plan<-rbind(plan1,plan2)            # 合并plan1和plan2的盈利区间
> drawRange(ldata,plan,title,sDate,eDate)    # 画图
plan1和plan2同时存在的盈利区间，如图2-15所示。

![image](https://yqfile.alicdn.com/fe1a429fb80abf59c1704d6bd4b713bce60cb39e.png)

从盈利区间我们可以看到，这印证了一条均线对波动敏感性的问题，二条均线模型是对一条均线模型的优化，这样我们就实现了一个完整均线模型的实例研发。
7.?模型优化
从交易的角度讲，上面的模型还不能算完成，因为还有很多的赔钱交易，要进行更多地优化，减少最大回撤，在更确定的时机做多、反向做空等。模型优化的问题，会在《R的极客理想——量化投资篇》中再进行详细的介绍。
看起来均线模型是如此简单，但实盘交易时真能在趋势行情中跑赢双均线（优化）模型，也真不是一件容易的事情。二条均线打天下，不说是东方不败，也至少是独孤求败。
如果按照我所介绍的方法，赚到钱的朋友，可以请我喝杯茶，分享一下经验；没有赚到钱的朋友，还要继续努力，总有一天可以实现财富自由的目标的。
时间： 2024-10-31 07:17:21

《R的极客理想——高级开发篇 A》一一2.3　二条均线打天下的相关文章

《R的极客理想——高级开发篇 A》一一1.1　R语言知识体系概览

1.1 R语言知识体系概览 问题 如何高效地学习R语言? 引言 最近遇到很多想转行做数据分析的程序员,他们刚开始学习R语言.很多人以为有了其他语言的编程背景,学习R语言就是一件很简单的事情,因而一味地追求速度,但不求甚解.有人说2周就能掌握R语言,但其实掌握的仅仅是R语言的语法,只能算是入门. R语言的知识体系并非语法这么简单,如果都不了解R的全貌,何谈学好R语言呢?本节将介绍R语言的知识体系结构,并告诉读者如何才能高效地学习R语言.1.1.1 R语言的知识体系结构 R语言是一门统计语言,主要用

《R的极客理想——高级开发篇 A》一一2.4　R语言中的遗传算法

2.4 R语言中的遗传算法 问题 如何用R语言进行遗传算法的计算? 引言 人类总是在生活中摸索规律,把规律总结为经验,再把经验传给后人,让后人发现更多的规律,每一次知识的传递都是一次进化的过程,最终形成了人类的智慧.自然界的规律,让人类适者生存地活了下来,聪明的科学家又把生物进化的规律,总结成遗传算法,扩展到了更广的领域中.本节将带你走进遗传算法的世界.2.4.1 遗传算法介绍 遗传算法是一种解决最优化的搜索算法,是进化算法的一种.进化算法最初借鉴了达尔文的进化论和孟德尔的遗传学说,从生物进化的

《R的极客理想——高级开发篇 A》导读

前 言 为什么要写这本书本书是我写的"R的极客理想"系列丛书的第二本,主要介绍了R语言本身的核心技术.R语言的高级开发应用.R语言与其他学科及知识领域的跨学科综合应用.其实,早在我的第一本书<R的极客理想--工具篇>中,就已经介绍了R语言的30多个工具包的使用方法,并以IT人的角度,告诉读者如何高效地使用第三方R包,把原有IT知识运用到R语言的学习过程中.但由于一本书的篇幅有限,<R的极客理想--工具篇>只讲了如何使用R语言,没有讲原理.而本书将弥补这一遗憾,主

《R的极客理想——高级开发篇 A》一一1.5　R语言的导数计算

1.5 R语言的导数计算 问题 如何用R语言进行导数计算? 引言 高等数学是每个大学生都要学习的一门数学基础课,同时也可能是考完试后最容易忘记的一门知识.我在学习高数的时候绞尽脑汁,但始终都不知道为何而学,生活和工作基本用不到,就算是在计算机行业和金融行业,能直接用到高数的地方也少之又少,学术和实际应用真是相差太远了. 不过,R语言为我打开了一扇高数应用的大门,R语言不仅能方便地实现高等数学的计算,还可以很容易地把一篇论文中的高数公式应用于产品的实践中.因为R语言我重新学习了高数,让生活中充满数

《R的极客理想——高级开发篇 A》一一2.1　用R重写Mahout协同过滤算法

2.1 用R重写Mahout协同过滤算法 问题 如何用R语言实现推荐算法? 引言 推荐系统在互联网应用中很常见,比如亚马逊为你推荐购书列表,豆瓣为你推荐电影列表.Mahout是Hahoop家族用于机器学习的分步式计算框架,主要包括三类算法,即推荐算法.聚类算法和分类算法.本节将用R语言来重写推荐部分的基于用户的协同过滤算法.用R语言重写Mahout的基于用户的协同过滤推荐算法,将完全按照Mahout的思路和设计进行实现,并与Mahout的计算结果进行对比.2.1.1 Mahout的推荐算法模型

《R的极客理想——高级开发篇 A》一一2.2　PageRank算法R语言实现

2.2 PageRank算法R语言实现 问题 如何用R语言实现PageRank算法? 引言 Google搜索,早已成为我每天必用的工具,我无数次惊叹它搜索结果的准确性.同时,我也在做Google的SEO,推广自己的博客.经过几个月尝试,我的博客PR到2了,外链也有几万个.总结下来,还是感叹PageRank的神奇.笔者认为PageRank是改变互联网的算法!2.2.1 PageRank算法介绍 PageRank是Google专有的算法,用于衡量特定网页相对于搜索引擎索引中的其他网页而言的重要程度.

《R的极客理想——高级开发篇 A》一一1.2　R语言中的数学计算

1.2 R语言中的数学计算 问题 如何用R语言进行数学计算? 引言 R语言是统计语言,生来就对数学有良好的支持,用R语言做数学的计算题特别方便.如果计算器中能嵌入R语言的计算函数,那么绝对是一种高科技产品.我真的把R语言当成我的计算器了!1.2.1 基本计算 R语言对数学计算有着非常好的支持,本节将完整介绍初等数学中的各种计算操作. 本节的系统环境是: Windows 7 64bit R: 3.1.1 x86_64-w64-mingw32/x64 (64-bit) 用R语言实现四则运算操作,包括

《R的极客理想——高级开发篇 A》一一第2章 R语言的算法实现

第2章 R语言的算法实现 本章用R语言实现了4个算法案例,包括协同过滤算法.PageRank算法.均线模型算法和遗传算法,希望这些案例可以帮助读者理解R语言在实际业务中的应用.

《R的极客理想——高级开发篇 A》一一第1章 R语言知识体系和数学函数

第1章 R语言知识体系和数学函数 本章为全书开篇,主要介绍了R语言知识体系结构及学习资料.利用R语言实现数学计算和统计计算以及连续型分布函数的可视化,可帮助读者全面理解R语言,并利用R语言快速地处理基础学科的计算问题.