投信買賣超選股策略｜時空序列分析的秘招｜停損怎麼設？

Post author:Ben
Post published:2022-11-15
Reading time:6 mins read

帝牙盧卡有著控制時間的能力，被稱作時間之神。牠可以扭曲時間以讓時間加快或減慢甚至停止。
帕路奇亞擁有扭曲空間的能力，在神奧地區的神話裡被描述成神。它可以憑藉自己操縱空間的連接從而能夠移動到遠處的異空間～寶可夢

交易者和寶可夢訓練家的世界其實有異曲同工之妙，如果你收服「帝牙盧卡」和「帕路奇亞」，等同擁有掌握時間與空間的能力，在對戰上佔盡優勢。
在交易的世界裡，時間與空間指的是什麼呢？股海有句老話是「獲利是等出來的」，然而真的每個催化劑都適合等嗎？什麼樣的換股間隔才最適合？為什麼有些策略是用一週，有些用每月底？
在股價波動的空間裡，什麼樣的停損才適當？如何保留多數獲利、減低多數虧損？
如果你掌握投資市場分析時空序列的能力，等同在擁有犯規的神獸啊～

看過FinLab的「投信大哥跟屁蟲」教學影片了嗎？沒看過的人，請先趕緊去看。相信看過的人都能快速掌握 Python 語法，了解策略的設定，看完後再來學這篇文章進階的小工具，了解投信大哥跟屁蟲的秘密。

時間分析

為什麼投信大哥跟屁蟲換股是3天，而不是5天、10天、20天？
要分析其實很簡單，使用FinLab模組的 ReportCollection 即可取得回測報告集合，判斷策略組合數據優劣，從策略海中快速找到體質最強的策略。也可以觀察在同條件下的策略疊加更多條件後會有什麼變化？以下程式範例將策略程式封裝成函數，變數為換股間隔，來跑跑看2~20天不同換股週期的回測效果。

from finlab.backtest import sim
from finlab import data

def run_strategy(interval:int):
    close = data.get("price:收盤價")
    vol = data.get('price:成交股數')
    投信買賣超股數 = data.get('institutional_investors_trading_summary:投信買賣超股數')

    c1 = 投信買賣超股數 >= 800000
    c2 = 投信買賣超股數/vol >= 0.05

    position = c1 & c2 
    position = position * close
    position = position[position>0]
    position = position.is_smallest(8)

    # 每3個交易日再平衡，與resample='3D'差異在後者是隔3日，而非3個交易日。
    position = position.loc[list(position.index)[::interval]]
    report = sim(position,trade_at_price='open', position_limit=1/3, fee_ratio=1.425/1000/3, upload=False, mae_mfe_window=40)
    return report 

from finlab.optimize.combinations import ReportCollection

# 回測2~20間隔
reports = {i:run_strategy(i) for i in range(2,21)}
# 回測報告視覺化
collection = ReportCollection(reports)
collection.plot_creturns()

跑完後發現當間隔為3天時，累積報酬率明顯優於其他天數表現。為了更確認分析，我們可以再執行reports[3].display_mae_mfe_analysis()來看 Edge Ratio (下圖第一排中間子圖)的表現，Edge Ratio 簡而言之是綜合交易時間與波動關係的判斷指標，可以發現投信策略在一開始進場就有優勢 (大於1) ，但優勢隨著持有時間 (x軸) 拉長急速下降，直到第20天後才又拉升到持有3天時的高峰，可見投信買賣超的因子在短期較具有影響性，考量換股效率，持有3天是不錯的選項，可以用多次小獲利不斷去滾。

空間分析

勝敗手MAE分佈圖

分析完時間，我們把換股週期3天保留下來，接下來要研究停損怎麼設定才好？好的停損是保留多數獲利，避免提早被洗掉，並能將大虧損變小虧損，降低損失，進而優化策略體質。
分析的第一步可以先看勝敗手的 MAE Distribution (若不知道 MAE ，請見此篇教學文章)，MAE簡單說是每筆交易持有歷程的最大虧損。
數據呈現一樣用 display_mae_mfe_analysis() 可以叫出。我們將圖片放大來看，可以發現贏錢的交易(藍色)的第75百分位數很小，只有0.51%，代表多數贏錢的交易在持有過程中很少碰到虧損，而輸錢的交易(紅色)的第75百分位數也不大，只有 4.2%，代表有 25% 的虧損交易的 MAE 大於 4.2%。由上述分析，我們合適的停損應落於 0.51%~4.2% 之間，只要停損設超過 0.51%，就能保留多數獲利，因為這些少數的獲利交易才會超過 0.51%，而停損設小於 4.2% ，可以將MAE 高的標地往內縮，降低潛在損失。

停損回測集

依據上述分析，可以知道波動空間與合適的停損範圍大概在 0.51%~4.2%(可在後推一點)上下，我們一樣用前面示範過的方法，改將停損設定設為變數，再看停損哪一個數字最棒。FinLab 模組的 ReportCollection 有熱力圖與統計數據可以幫握們分析，使用方式如下：

from finlab.backtest import sim
from finlab import data

def run_strategy_with_stop_loss(stop_loss:float):
    close = data.get("price:收盤價")
    vol = data.get('price:成交股數')
    投信買賣超股數 = data.get('institutional_investors_trading_summary:投信買賣超股數')

    c1 = 投信買賣超股數 >= 800000
    c2 = 投信買賣超股數/vol >= 0.05

    position = c1 & c2 
    position = position * close
    position = position[position>0]
    position = position.is_smallest(8)

    # 每3個交易日再平衡，與resample='3D'差異在後者是隔3日，而非3個交易日。
    position = position.loc[list(position.index)[::3]]
    report = sim(position,trade_at_price='open', position_limit=1/3, fee_ratio=1.425/1000/3, upload=False, mae_mfe_window=40, stop_loss=stop_loss)
    return report 

from finlab.optimize.combinations import ReportCollection

stop_loss_reports = {i/1000:run_strategy_with_stop_loss(i/1000) for i in range(0,50,5)}
stop_loss_collection = ReportCollection(stop_loss_reports)
stop_loss_collection.plot_creturns().show()
stop_loss_collection.plot_stats(mode='heatmap', heatmap_sort_by='daily_mean').show()