量化投资系列文章：
Backtrader 教程 — Python 量化投资原来这么简单(1)
Python 量化投资原来这么简单(2) —MACD策略(+26.9%)
Python 量化投资原来这么简单(3) —A股回测MACD策略
Github仓库：https://github.com/Ckend/pythondict-quant
上一回，我们基于简单的MACD策略回测了华正新材这只股票的收益率，发现效果非常好，收益达到了26.9%，但这个策略放到其他股票上会不会有这么高的收益呢？我们今天就来试试看这个策略在不考虑基本面，只考虑技术面的情况下，在A股上的平均表现。
为了回测该策略在A股上的平均表现，我们从A股随机选取了1000只股票，使用MACD策略回测其2010年1月1日至今，使用MACD策略进行投资的表现。其中，以一万元作为本金，佣金为万分之五，每次交易100股。
最终发现，使用该策略最终亏损的股票有626只，盈利的有372只，有2只股票数据不足被去除。最高盈利有84%，最差亏损也达-34%。盈利超过10%的股票有30只，亏损超过30%的有29只。并总结了这30只盈利超过10%的股票的特点。
下面是用Python和backtrader分析这些股票的详细教程。在公众号后台回复：量化投资3 可获得本文全部代码及数据。本系列文章github仓库：
https://github.com/Ckend/pythondict-quant
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。
当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。
在终端输入以下命令安装我们所需要的依赖模块:
pip install backtrader
看到 Successfully installed xxx 则说明安装成功。
2.改造策略
最方便的回测股票数据的形式是将股票数据存储在MySQL数据库中，每次回测从数据库中拉取数据即可。但为了能够方便地让大家复现实验，我们将这些股票的数据以文件的形式存储下来。
策略上，我们不需要做改变，但是需要将运行策略的这一部分封装起来，用于批量执行策略：
def run_cerebro(stock_file, result):
"""
运行策略
:param stock_file: 股票数据文件位置
:param result: 回测结果存储变量
"""
cerebro = bt.Cerebro()
cerebro.addstrategy(TestStrategy)
# 加载数据到模型中
data = bt.feeds.GenericCSVData(
dataname=stock_file,
fromdate=datetime.datetime(2010, 1, 1),
todate=datetime.datetime(2020, 4, 25),
dtformat='%Y%m%d',
datetime=2,
open=3,
high=4,
low=5,
close=6,
volume=10,
reverse=True
)
cerebro.adddata(data)
# 本金10000，每次交易100股
cerebro.broker.setcash(10000)
cerebro.addsizer(bt.sizers.FixedSize, stake=100)
# 万五佣金
cerebro.broker.setcommission(commission=0.0005)
# 运行策略
cerebro.run()
# 剩余本金
money_left = cerebro.broker.getvalue()
# 获取股票名字
stock_name = stock_file.split('\\')[-1].split('.csv')[0]
# 将最终回报率以百分比的形式返回
result[stock_name] = float(money_left - 10000) / 10000然后遍历所有股票，运行策略，结果保存在result变量中：
files_path = 'stocks\\'
result = []
# 遍历所有股票数据
for stock in os.listdir(files_path):
modpath = os.path.dirname(os.path.abspath(sys.argv[0]))
datapath = os.path.join(modpath, files_path + stock)
print(datapath)
try:
run_cerebro(datapath, result)
except Exception as e:
print(e)最后，我们使用pickle将变量结果保存为文件，以方便后续分析：
f = open('./batch_macd_result.txt', 'wb')
pickle.dump(result, f)
f.close()随后，我们就可以随意分析这个结果，而不用重新跑一遍策略了。
3.结果分析
接下来，使用最简单的方法分析结果：
import pickle
# 加载保存的结果
f = open('./batch_macd_result.txt', 'rb')
data = pickle.load(f)
f.close()
# 计算
pos = []
neg = []
ten_pos = []
ten_neg = []
for result in data:
res = data[result]
if res > 0:
pos.append(res)
else:
neg.append(res)
if res > 0.1:
ten_pos.append(result)
elif res < -0.1:
ten_neg.append(result)
max_stock = max(data, key=data.get)
print(f'最高收益的股票： {max_stock}, 达到 {data[max_stock]}')
print(f'正收益数量: {len(pos)}, 负收益数量:{len(neg)}')
print(f'+10%数量: {len(ten_pos)}, -10%数量:{len(ten_neg)}')
print(f'收益10%以上的股票: {ten_pos}')随机抽取的1000千股票，回测结果如下：
D:\CODE\stock\backtrader>python analysis.py 最高收益 600745.SH, 达到 0.8413365999999998 正收益数量: 372, 负收益数量:626 +10%数量: 30, -10%数量:29 收益10%以上的股票: ['000403.SZ', '000858.SZ', '002271.SZ', '002311.SZ', '002475.SZ', '002555.SZ', '002568.SZ', '002605.SZ', '002714.SZ', '300007.SZ', '300136.SZ', '300220.SZ', '300347.SZ', '300476.SZ', '300482.SZ', '300566.SZ', '300601.SZ', '300613.SZ', '300630.SZ', '300725.SZ', '600570.SH', '600585.SH', '600745.SH', '601231.SH', '601799.SH', '603297.SH', '603378.SH', '603655.SH', '603737.SH', '603823.SH']
显然，在不考虑基本面的情况下，该策略的收益并不高，因此不建议用该策略进行A股整体回测并作交易。但是我们可以观察一下收益10%以上的股票的基本面特点。
你会发现大部分使用MACD策略收益10%以上的股票，其同比年利润增长都是大于0的，只有2只股票例外。此外，大部分股票平均年利润同比增长都在20%到30%左右，而且不会有太大的波动。
所以，MACD策略只有在股票的基本面优秀的情况下，才能发挥最大的价值。而在股票基本面比较差的情况下，这个策略的表现非常差，因此对于投机者而言，它并不是一个好的策略，但是对于价值投资者而言，其具备一定的参考价值。
好了，我们关于MACD策略的分析就到这里，如果大家有进一步的兴趣的话，记得关注Python实用宝典哦，我们将每周更新一期量化投资相关的推送，希望大家喜欢，本文的代码及数据，请在公众号后台回复：量化投资3 下载。
我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。
有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。
原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！
Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典
