Бэктестинг: купи и держи со скользящими средними

В этот раз «подкрутим»🔧 стратегию «купи и держи» с помощью скользящих средних на основе этой статьи💡. Там говорится, что при входе выше 200-дневной средней и выходе под ней, мы можем получить аналогичную доходность📈 и сократить просадки📉. Дополнительно появляется возможность припарковать свободный капитал, например, в банк🏦.

Будет приведено несколько алгоритмов:

• пересечение SMA200 и цены;
• пересечение SMA200 и SMA10;
• пересечение SMA200 и SMA50;
• пересечение EMA200 и EMA50;
• пересечение EMA200 и EMA50 плюс покупка облигаций.

Все происходит на платформе Quantopian, о которой я подробнее пишу в этом посте. Период тестирования для всех алгоритмов — с 01.01.2004 до 29.12.2016. Связано это с тем, что у EMA есть нестабильный период, который необходимо пропустить.

«Купи и держи» за выбранный период

Для наглядности размещу здесь результат стратегии «Купи и держи». Можно заметить, что результат хуже бенчмарка на ~3%, что связано с механизмом просадок и комиссий, используемым по умолчанию в платформе. Об этом поговорим в отдельном обзоре.

Внизу видно, что было много транзакций — это связано с реинвестированием дивидендов.

👎Пересечение SMA200 и цены

Справа на картинке не впечатляющие результаты тестирования. Мы входим над 200-дневной скользящей средней и выходим, когда цена опускается под нее. Внизу видно увеличившееся число произведенных транзакций, которые с аппетитом поедали средства на комиссии и проскальзывания. За 50% доходности мы получили сокращение на 22% времени удержания позиции и уменьшение просадки до -22%, что положительно скажется на нервах. Результаты всех измерений доступны в конце статьи, в таблице.

Внизу видно, что транзакции на покупку и продажу сконцентрированы в нескольких местах. Объясняется это тем, что цена очень часто колеблется вокруг 200-дневной средней, являющейся очень сильным уровнем поддержки или сопротивления. Для сокращения колебаний воспользуемся второй короткой средней, SMA(10), и будем входить когда она над длинной, а выходить — наоборот.

Ниже размещен код на Python. Все последующие тесты используют этот же код с минимальными изменениями, которые будут показаны без повторения нетронутых строк.

import talib # библиотека для технического анализа


# функция, выполняемая перед началом тестирования
def initialize(context):
    # сохраняем актив, с которым будем работать
    context.asset = symbol('SPY')
 
    # ставим событие для ребалансировки на открытии рынка
    schedule_function(rebalance, date_rules.every_day(), time_rules.market_open())
 
 
# ежедневная ребалансировка
def rebalance(context, data):
    # текущая цена актива
    current_price = data.current(context.asset, 'price')
 
    # история для расчета средних за последние 500 торговых дней
    price_hist = data.history(context.asset, 'price', 500, '1d')
    # средние: длинная и короткая
    ma_long = talib.SMA(price_hist, timeperiod=200)[-1]
    #ma_short = talib.SMA(price_hist, timeperiod=10)[-1]
 
    # сигнал к открытию или закрытию позиции
    allow = current_price > ma_long
 
    # получаем количество акций в портфеле
    current_amount = context.portfolio.positions[context.asset].amount
 
    # проверяем возможность торговли активом
    if data.can_trade(context.asset):
        if allow:
            # покупаем актив на 100% портфеля, если разрешено
            order_target_percent(context.asset, 1.00)
 
        # закрываем всю позицию, если открыты
        elif current_amount > 0:
            order_target(context.asset, 0)

Для использования этого кода, перейдите на страницу своих алгоритмов, нажмите кнопку «New Algorithm», в названии укажите «Buy and hold SMA200» и нажмите «OK». Скопируйте текущий код и на открывшейся странице вставьте его в левое поле, стерев предварительно все что там было. Для запуска алгоритма нажмите «Build Algorithm».

👎Пересечение SMA200 и SMA10

В этот раз удалось отыграть 20% доходности и сократить просадку до -19%.

В следующем тесте проведем проверку с пересечением SMA(50) и SMA(200). Данное пересечение является фактом долгосрочного бычьего или медвежьего трендов. По этому пересечению многие трейдеры держат консервативную часть своего капитала в индексах широкого рынка, таких как S&P 500 (SPY).

В коде тестирования SMA(200) X SMA(10) были поменяны только три строчки, которые представлены ниже:

    ...
    ma_long = talib.SMA(price_hist, timeperiod=200)[-1]
    ma_short = talib.SMA(price_hist, timeperiod=10)[-1]
 
    # сигнал к открытию или закрытию позиции
    allow = ma_short > ma_long
    ...

👌Пересечение SMA200 и SMA50

Результаты стали значительно лучше. Не хватает только 9% доходности, а на другой чаше весов сокращение времени удержания позиции на 23%, сокращение просадки на 35% и даже сокращение количества сделок.

В следующем тесте попробуем заменить обычные на экспоненциальные скользящие средние. Ведь они быстрее реагируют на изменения цены, что может позволить нам улучшить результаты теста.

Изменения кода SMA(200) X SMA(50):

    ...
    ma_short = talib.SMA(price_hist, timeperiod=50)[-1]
    ...

👌Пересечение EMA200 и EMA50

За последние 12 лет грааль🏆 вроде найден и содержит он простое пересечение EMA(50) и EMA(200). Нам удалось обыграть рынок на 2%, сократить просадку до 18%, сократить количество сделок и сократить время удержания на 18%. И это при учете проскальзываний и комиссий (об этом подробнее в будущих статьях), которые автоматически учитываются на Quantopian.

Изменения кода EMA(200) X EMA(50):

    ...
    ma_long = talib.EMA(price_hist, timeperiod=200)[-1]
    ma_short = talib.EMA(price_hist, timeperiod=50)[-1]
    ...

Помня, что в первый час открытия рынка торговать не рекомендуется из-за повышенной волатильности, мы установим условие, что на рынок будем выходить спустя 1 (один) час после открытия. Данный не хитрый способ позволил нам отыграть еще 4%. Код изменения ниже:

    ...
    schedule_function(rebalance, date_rules.every_day(), time_rules.market_open(hours=1))
    ...

Сейчас мы видим последнюю проблему, которая поражает наш алгоритм — это резкое падение, которое было в августе 2015. Есть несколько возможных решений, например:

• Закрывать позицию при резком падении на определенное кол-во процентов от цены.
• Оставлять допуск на разворот в области пересечения ±2%. То есть закрывать позицию, когда EMA50 на 2% ниже EMA200, а открывать, когда на 2% выше EMA200.

В принципе, улучшать любой алгоритм можно до бесконечности. Попробуйте самостоятельно. На десерт, рассмотрю пример со входом в облигации в момент слабости рынка.

👍Пересечение EMA200 и EMA50, при выходе сидим в TLT

Каждый раз на слабом рынке мы выходили в кэш. А что будет, если при выходе в кэш искать возможность войти в облигации, а именно в ETF на 20-летние облигации TLT? А все будет значительно лучше, что показывают результаты в таблице ниже. Доходность вырастает до 198%, что на 40% выше эталона, а деньги находятся в рынке 94% времени.

Остаются проблемы августа 2015, решая которые можно скорее навредить, подогнав алгоритм под историю, нежели улучшить.

import talib  # библиотека для технического анализа


# функция, выполняемая перед началом тестирования
def initialize(context):
    # сохраняем актив, с которым будем работать
    context.asset = symbol('SPY')
    
    # добавим облигации
    context.bond = symbol('TLT')
    
    # ставим событие для ребалансировки на открытии рынка
    schedule_function(rebalance, date_rules.every_day(), time_rules.market_open(hours=1))
    
    
# ежедневная ребалансировка
def rebalance(context, data):
    # история для расчета средних за последние 500 торговых дней
    price_hist = data.history(context.asset, 'price', 500, '1d')
    # средние: длинная и короткая
    ma_long = talib.EMA(price_hist, timeperiod=200)[-1]
    ma_short = talib.EMA(price_hist, timeperiod=50)[-1]
    
    # сигнал к открытию или закрытию позиции
    allow = ma_short > ma_long
    
    # получаем количество акций в портфеле
    current_amount = context.portfolio.positions[context.asset].amount
    
    # проверяем возможность торговли активом
    if data.can_trade(context.asset):
        if allow:
            # покупаем актив на 100% портфеля, если разрешено
            order_target_percent(context.asset, 1.00)
                
        # закрываем всю позицию, если открыты
        elif current_amount > 0:
            order_target(context.asset, 0)
                
    # попробуем купить/продать облигации
    trade_bonds(context, data, asset_allow=allow)
    

def trade_bonds(context, data, asset_allow=False, asset_amount=0):
    # проверяем возможность торговать облигациями
    if not data.can_trade(context.bond):
        return
        
    # получаем количество акций в портфеле
    bond_amount = context.portfolio.positions[context.bond].amount
    
    # получаем историю цен
    price_hist = data.history(context.bond, 'price', 500, '1d')
    
    # считаем средние
    ma_long = talib.EMA(price_hist, timeperiod=100)[-1]
    ma_short = talib.EMA(price_hist, timeperiod=26)[-1]
    
    # проверяем растущий тренд
    allow = ma_short > ma_long and not asset_allow
    
    if allow:
        order_target_percent(context.bond, 1.)
    elif bond_amount > 0:
        order_target(context.bond, 0)

🥇Результаты

• Время торгов — время, когда алгоритм начинает торговать: Open — открытие рынка, Open+1 — через 1 час после открытия рынка.
• Кол-во сделок — количество сделок на покупку и продажу. В поле указаны Покупки/Продажи. Реинвестиция дивидендов считается отдельными сделками.
• Срок в позиции — количество дней в позиции. В первый день мы начинаем закупаться, отсюда 99%.

🏁Заключение

Исследование показывает, что стратегия «Купи и держи» с легкостью может быть улучшена обычными скользящими средними. При этом не надо ни ума, ни активного робота. Достаточно заглядывать на графики раз в неделю и уже только это позволит иметь приличные результаты по доходности. В следующий раз я опишу стратегии при использовании индикатора MACD.

💬Напишите в комментариях, что можно улучшить в данных алгоритмах. Или предложите, какие стратегии стоит рассмотреть в будущем.