FED 打通膨不擇手段地升息，開始影響到實體經濟，除了一連串財爆，10-11月許多著名科技業如 Twitter、Meta都開始為了蹲節而裁員滾滾，從 裁員統整網站 資料可以見到一串觸目驚心的數字，10月的美國失業率是3.7%，還不是特別高，這個月失業率會不會噴出要等12月初才知道。究竟美國失業率要如何應用到策略上？FinLab量化平台能否支援 S&P 500指數 的回測？本篇文章帶給你相關洞見與程式撰寫方法。
資料取得
透過FinLab資料庫即可一行取得失業率資料data.get('us_unemployment_rate_seasonally_adjusted:value)'
如果你對抓取美國就業相關總經數據有興趣，可以參考此篇爬蟲教學。
圖表觀測
美國數據比台灣數據好的地方在資料很早就有統計，可以做長時間回測，圖中可以發現失業率指標大致在3~10%擺盪，歷史失業率接近10%時，往往是股市低點，有人說目前的通盤環境類似1983年，但目前的失業率還在低檔，離10%高檔還很遠，是不是還沒末跌段？
失業率循環的週期普遍在5年以上，是蠻長線的指標，2000年以後，失業率與股市表現有明顯負相關，2000年以前股市和失業率關聯不大，S&P 500幾乎一路往上衝。。
為了方便長短期失業率趨勢，我們可將失業率化成均線，看MA6與MA2的差額，讓我們更能方便觀測短期失業率是否變嚴重，負值越高代表短期失業率越嚴重，可以發現指標由正轉負時，會領先預告股價崩跌，但由於訊號週期長，由負轉正也往往會錯過V轉反彈，2022由於就業市場太好，死叉訊號落後股市崩跌很多。
總經指標回測
程式範例
若我們想要用失業率回測 S&P 500 指數，第一個面臨到的問題是 FinLab 量化平台可否回測台股以外的交易資料？
答案是可以的，只要繼承MarketInfo類別，客製化回測市場的資料，修改一下市場類別回傳的方法，最後將新類別傳入sim的market參數即可。範例將台股的資料換成世界指數的資料。
訊號條件只有一個失業率 MA2 小於 MA6 時持有 S&P 500 指數
from finlab import data
from finlab.market_info import MarketInfo
from finlab.backtest import sim
import pandas as pd
class WorldIndexMarketInfo(MarketInfo):
@staticmethod
def get_benchmark():
world_index = data.get('world_index:close')
sp500 = world_index['^GSPC'].ffill()
return sp500
@staticmethod
def get_asset_id_to_name():
return {}
@staticmethod
def get_price(trade_at_price, adj=True):
if isinstance(trade_at_price, pd.Series):
return trade_at_price.to_frame()
if isinstance(trade_at_price, pd.DataFrame):
return trade_at_price
if isinstance(trade_at_price, str):
if trade_at_price == 'volume':
return data.get('world_index:vol')
if adj:
table_name = 'world_index:adj_'
price_name = trade_at_price
else:
table_name = 'world_index:'
price_name = trade_at_price
price = data.get(f'{table_name}{price_name}')
return price
raise Exception(f'**ERROR: trade_at_price is not allowed (accepted types: pd.DataFrame, pd.Series, str).')
from finlab import data
unemployment_rate = data.get('us_unemployment_rate_seasonally_adjusted:value')
close = data.get('world_index:close')
cond1 = (close.ffill() > 0)[['^GSPC']]
cond2 = (unemployment_rate.average(2) < unemployment_rate.average(6))['美國失業率(季調)'].reindex(cond1.index,method='ffill')
position = cond1 & cond2
report = sim(position,resample='D', market=WorldIndexMarketInfo, name='us_unemplyment_rate', tax_ratio=0, fee_ratio=0, upload=False)
report.benchmark = close['^GSPC'].ffill()
report.display()回測結果
全歷史
使用失業率指標來擇時，沒有比一直持有好，但橘線的回檔曲線明顯優於一直持有，閃崩要閃V轉，報酬率與穩定度你選哪一個？
2000年至今
2000年以後的回測，失業率指標就明顯有效果，報酬率和回檔曲線都比一直持有好。
結論
colab 範例檔
world_index 資歷集內還有其他指數資料，趕快來探索更廣的應用！如果你對總經指標回測有興趣，可以參考參考之前類似的文章「用Python回測總經指標(1)｜M1B & M2 年增率」，如果有想要的總經指標，卻在 FinLab資料庫找不到，也歡迎到 Discord 與我們討論與許願喔。
失業率指標何時噴上來？會是末跌段一個重要指標，讓我們繼續看下去。
