基于均线及统计规律的股票投资策略

王立柱, 宋钦钦

(沈阳师范大学 数学与系统科学学院, 沈阳 110034)

0 引 言

为了能在股票市场上更多套利,需要找到最佳的买卖时机。因此,股票交易中买卖点的选择是核心问题,尤其是股票交易的买点选择问题。多数投资者在股票交易中都是根据基本面和技术面对市场做出判断,形成自己的一套买卖投资策略[1-4]。基本面分析是对股票交易市场的一种宏观判断[5-6]。技术面分析对市场的反应比较直接,分析的结果也更接近实际市场的局部现象[7-9]。因此,很多投资者越发关注技术分析。目前,常用的技术分析手段有K线理论、波浪理论、形态理论、趋势线理论和技术指标分析等[10-12]。

技术面分析中,异同移动平均线(MACD)是投资者普遍使用的一种重要的技术分析工具[13]。尤其当股价走势呈现较为明确的波动趋势时,MACD可更好地发挥作用。虽然MACD指标分析工具能够对买卖信号做出判断,但在运用的准确性、实效性、可操作性上存在一定的问题。因此,应该挖掘股票的历史交易数据背后的深层内涵信息,并将其呈现为统计意义下的概率交易策略,以方便投资者获取最佳买卖时机。

本文从股票历史交易大数据出发,提出了一种股票买点时机选择的判断策略算法。首先,通过历史交易数据对买点的特征进行提取;其次,统计相应买点在一定周期内获利的经验分布函数,根据统计特征形成股票买卖时机的概率交易策略;最后,利用买卖交易策略算法进行测试,以检验买点选择的质量。

1 基础知识

为第t个交易日的特征平均价格,简称第t个交易日的均价。

为t交易日后的第i个交易日的收益率。称

为t交易日后F个交易日的最大收益率。

本文以L日均价为基础,根据预期收益率对当前交易日的股票价格进行判断,给出了具有统计意义下的交易策略算法。

2 交易策略算法

股票交易策略算法以移动平均价格为参考,给出是否买入的交易策略。如果判定买入,该算法可进一步给出在统计意义上达到心里预期收益的概率。

算法描述如下:

输入:D(历史交易数据);L(L日均线);T(训练T个交易日);F(未来F个交易日);M(低于均价阶梯数量);OP(每股预期收益);Pt(当前股票价格)。

输出:N(当前价不是买点)或Y(当前价是买点)及Pro(当前价格买入达到预期收益的近似概率)

过程:

1. 置NumI=[];NumN=[];

2. 执行

Fori=1 toT

Fork=1 toM

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

NumN(k)=NumN(k)+1

End

End

End

End

3. 执行

ThenN

Else {Y;

Fork=1 toM

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

End

End;

Pro;}

End

3 实验及结果分析

以2012年4月27日—2018年5月15日创业板中元股份(300018)共1 400个交易日数据为例,说明交易策略算法的具体应用。表1给出了部分交易日数据。

表1 部分交易日中元股份开盘、最高、最低、收盘价格数据

数据集D为1 400个交易日数据。取t=900,即以第900个交易日2016-04-20为当前时刻执行算法,其中800个交易日用于训练数据(i=1,2,…,800)。

执行结果见表2。由表2第1行前4列知,L日均价与最低价的差落入区间(0,ε],有108个,其中84个在未来F内达到预期盈利OP。 盈利OP的概率约为0.77。其他行给出落入不同区间的统计数据及相应近似盈利概率Pro。当前交易日t=900,该交易日前60日均价为25.42。当日实时价格高于25.42,则输出不是买点N;当实时价格低于均价落入某个区间,则输出是买点Y及相应的达到预期盈利的近似概率。

表2 执行算法的训练及测试结果Table 2 Training and test results after performing algorithm

为检验算法是否优良,测试了t=900后的400个交易日。表2的后4列给出了相关的测试结果。由表2的第4列与第8列的对比可知,当L日均价与最低价的差落入区间(0,ε]时,实际测试达到预期盈利概率约为0.59,略低于训练预期盈利概率(约0.77);总体上,测试达到预期盈利概率高于训练预期盈利概率,这在某种程度上表明了算法的有效性。另外,表2第5行表明成功率虽然很高,但实际上很少出现此类买点。上述实验结果表明了该模型的有效性及可行性。

4 结 语

本文提出的股票投资策略算法以历史交易数据为依托,对大数据进行训练,给出了投资策略的定量分析。同时,算法参考均价并利用概率统计方法,在一定程度上解决了股票交易买卖时机选择存在的随机性问题。实验结果表明该方法有效可行。