最近，文章分享了很多使用技术指标构建的通常交易策略的回测，今天，羊羊看到一篇关于剥皮策略的文章，我们尝试一下这个策略，并在 Python 中进行了回测。

在本文中，我们将介绍如何使用 Python 实现的策略以及如何开发一个策略。因此，我们将首先了解我们的交易策略的一些背景知识，然后我们将进入代码部分，我们将使用 FinancialModelingPrep （FMP） API 获取历史和日内数据，并在 Python 中回测我们的策略。

在深入研究我们的交易策略机制之前，有必要首先对剥头皮交易的概念有一些很好的了解。

剥头皮交易

剥头皮交易是一种非常规的交易方法，交易者旨在从小幅价格变动中获利。例如，跟随剥头皮交易的交易者将以 170 美元的价格购买大量苹果 （AAPL） 股票，并打算以 170.5 美元或 171 美元等非常小的价格卖出股票。

**以小幅价格变化快速卖出股票的原因是每笔交易涉及大量资金。**只有当以巨额资金完成剥头皮交易时，才能看到可观的利润。

交易策略

因此，剥头皮交易的基本思想是从小的价格变化中获利。显然，我们不能将其用作我们的策略，因为它太生硬了，但我们可以做的是将其作为我们交易策略的基础，我们在此基础上创建有效的剥头皮策略。

以下是我们交易策略的机制：

进入市场条件：市场开盘价较前一天收盘价上涨1%。

退出市场条件：股票价格比当天的开盘价买入价上涨 1%。如果股票未能达到其价格的 1% 涨幅，我们将在交易日结束时以收盘价退出。

重要的事情，我们说三遍：我们的目的是：**建一个简单的策略来理解剥头皮交易的本质，而不是依靠这个策略赚钱！（三遍！）

第一步也是最重要的一步是将所有必需的包导入到我们的 Python 环境中。在本文中，我们将使用四个包，它们是：

• Pandas — 用于数据格式化、清除、操作和其他相关目的

• Matplotlib — 用于创建图表和不同类型的可视化

• 请求 — 用于进行 API 调用以提取数据

• Termcolor — 自定义 Jupyter 笔记本中显示的标准输出

• 数学 — 用于各种数学函数和运算

• NumPy — 用于数值和高级数学函数

以下代码将上述所有包导入到我们的 Python 环境中：

import requests
import pandas as pd
import matplotlib.pyplot as plt
from termcolor import colored as cl
import numpy as np
import math

请确保这些库都正确的进行了安装。

获取股票的历史数据对于回测过程非常重要。为了数据的准确性和可靠性，我们将使用 FinancialModelingPrep （FMP） 的历史数据端点，该端点允许提取任何特定股票的日终数据。我们将对特斯拉股票的剥头皮策略进行回测，以下代码提取了 2014 年初的历史数据：

api_key = 'YOUR API KEY'
tsla_json = requests.get(f'https://financialmodelingprep.com/api/v3/historical-price-full/TSLA?from=2014-01-01&apikey={api_key}').json()
tsla_df = pd.DataFrame(tsla_json['historical']).drop('label', axis = 1)
tsla_df = tsla_df.set_index('date')
tsla_df = tsla_df.iloc[::-1]
tsla_df.index = pd.to_datetime(tsla_df.index)
tsla_df

代码非常简单。我们首先将 API 密钥存储在变量中。请确保替换为您的秘密 API 密钥，您可以在创建 FMP 开发人员帐户后获得该密钥。

然后，使用 Requests 包提供的功能，我们进行 API 调用以获取 TSLA 的历史数据。最后，我们将提取的 JSON 响应转换为可行的 Pandas 数据帧以及一些数据操作。

根据交易策略，如果当天的开盘价比前一天的收盘价高1%，我们就会进入市场。为此，我们首先需要借助获得的历史数据计算价格的百分比变化。以下代码执行相同的操作：

tsla_df['pclose_open_pc'] = np.nan
for i in range(1, len(tsla_df)):
    diff, avg = (tsla_df.close[i-1] - tsla_df.open[i]) , (tsla_df.close[i-1] + tsla_df.open[i])/2
    pct_change = (diff / avg)*100
    tsla_df['pclose_open_pc'][i] = pct_change
tsla_df = tsla_df.dropna().drop(['change', 'changePercent', 'changeOverTime'], axis = 1)
tsla_df = tsla_df[tsla_df.pclose_open_pc > 1]
tsla_df

首先，我们将创建一个新列，用于存储百分比变化值。然后是for循环。这个for循环背后的主要思想是复制Pandas提供的函数的功能。

在for循环的帮助下，我们在这里所做的唯一更改是计算两个不同变量之间的百分比变化。即，当天的开盘价和前一天的收盘价是不可能的，这允许计算单个变量的当前值和旧值之间的百分比变化。

之后，我们删除一些列，并使用一个条件对数据帧进行切片，该条件选择百分比变化大于 1 的行，即当天的开盘价比前一天的收盘价高 1%。

这是所有处理后的最终数据帧：

现在我们已经准备好了数据，是时候实际构建和测试我们的剥头皮交易策略了。我们已经到达了本文中最重要和最有趣的步骤之一。现在我们知道了交易策略的来龙去脉，让我们构建它并在 Python 中对其进行回测。为了简单起见，我们将遵循一个非常基本和直接的回溯测试系统。以下代码对剥头皮策略进行了回测：

investment = 100000
equity = investment
earning = 0

earnings_record = []

for i in range(len(tsla_df)):
    
    # EXTRACTING INTRADAY DATA
    date = str(tsla_df.index[i])[:10]
    intra_json = requests.get(f'https://financialmodelingprep.com/api/v3/historical-chart/1min/TSLA?from={date}&to={date}&apikey={api_key}').json()
    intra_df = pd.DataFrame(intra_json)
    intra_df = intra_df.set_index(pd.to_datetime(intra_df.date)).iloc[::-1]
    
    # ENTERING POSITION
    open_p = tsla_df.iloc[i].open
    no_of_shares = math.floor(equity/open_p)
    equity -= (no_of_shares * open_p)

    # EXITING POSITION
    intra_df['p_change'] = np.nan
    
    for i in range(len(intra_df)):
        diff, avg = (intra_df.close[i] - open_p), (intra_df.close[i] + open_p)/2
        pct_change = (diff / avg)*100
        intra_df['p_change'][i] = pct_change
    intra_df = intra_df.dropna()
    greater_1 = intra_df[intra_df.p_change > 1]
    
    if len(greater_1) > 0:
        sell_price = greater_1.iloc[0].close
        equity += (no_of_shares * sell_price)
    else:
        sell_price = intra_df.iloc[-1].close
        equity += (no_of_shares * sell_price)
    
    # CALCULATING TRADE EARNINGS
    investment += earning
    earning = round(equity-investment, 2)
    earnings_record.append(earning)
    
    if earning > 0:
        print(cl('PROFIT:', color = 'green', attrs = ['bold']), f'Earning on {date}: ${earning}; Bought ', cl(f'{no_of_shares}', attrs = ['bold']), 'stocks at ', cl(f'${open_p}', attrs = ['bold']), 'and Sold at ', cl(f'${sell_price}', attrs = ['bold']))
    else:
        print(cl('LOSS:', color = 'red', attrs = ['bold']), f'Loss on {date}:

基本上，代码可以分为四个部分（从代码的注释中可以看出）：

• 第一个是使用 FMP 的日内数据端点提取我们进入市场时的日内数据。

• 第二部分是我们通过以当天的开盘价买入股票来进入我们的头寸。

• 第三部分是退出头寸的代码，我们首先计算价格变化的百分比，然后在价格上涨 1% 时立即平仓。

• 第四部分专门用于计算每笔交易的收益并将结果打印在输出终端中。

该程序进行了很多交易，虽然不可能显示其中之一，但以下是已执行交易的一瞥：

输出包括所有必要的详细信息，例如股票数量、买入价、卖出价、日期和收益。虽然有一些亏损的交易，但大多数是盈利的交易，收益合理。

在本节中，我们将深入探讨该策略的绩效。让我们从策略回报和投资回报率的基本指标开始。以下代码计算策略的总收益和 ROI：

print(cl(f'TSLA BACKTESTING RESULTS:', attrs = ['bold']))
print(' ')
strategy_earning = round(equity - 100000, 2)
roi = round(strategy_earning / 100000 * 100, 2)
print(cl(f'EARNING: ${strategy_earning} ; ROI: {roi}%', attrs = ['bold']))

代码非常简单。我们只是实施了计算总收益和投资回报率 （ROI） 的数学公式，以得出最终数字，这是最终输出：

因此，我们的剥头皮交易策略在十年（2014-2024 年）期间产生了 110 美元的总收入和 110% 的投资回报率。这还不错。

现在让我们使用一些基本指标来评估我们的交易策略。但是为了计算这些指标，让我们首先创建和处理数据：

earnings_df = pd.DataFrame(columns = ['date', 'earning'])
earnings_df.date = tsla_df.index
earnings_df.earning = earnings_record
earnings_df.tail()

此代码的主要目的是创建一个数据帧，其中包含每个交易日策略产生的收益的详细信息。借助我们在回测代码中创建的用于记录收益数据的列表，我们可以轻松地从中创建一个 Pandas 数据帧，这正是我们在代码中所做的。

现在我们有了所需的数据，我们现在可以继续计算评估我们的交易策略的必要指标。在此之前，以下是我们将用于评估的指标列表：

• 最大损失：最差交易的收益

• 最大利润：最佳交易的收益

• 总交易：策略生成的交易总和

• 胜率：策略成功的概率

• 每月平均交易和每月平均收入

以下代码计算上述所有指标：

max_loss = earnings_df.earning.min()``max_profit = earnings_df.earning.max()``no_of_wins = len(earnings_df.iloc[np.where(earnings_df.earning > 0)[0]])``no_of_losses = len(earnings_df.iloc[np.where(earnings_df.earning < 0)[0]])``no_of_trades = no_of_wins+no_of_losses``win_rate = (no_of_wins/(no_of_wins + no_of_losses))*100``print(cl('MAX LOSS:', color = 'red', attrs = ['bold']), f'${max_loss};', ``       cl('MAX PROFIT:', color = 'green', attrs = ['bold']), f'{max_profit};',  ``      cl('TOTAL TRADES:', attrs = ['bold']), f'{no_of_trades};',`      `cl('WIN RATE:', attrs = ['bold']), f'{round(win_rate)}%;',`      `cl('AVG. TRADES/MONTH:', attrs = ['bold']), f'{round(no_of_trades/120)};',`      `cl('AVG. EARNING/MONTH:', attrs = ['bold']), f'${round(strategy_earning/120)}'`     `)``plt.style.use('ggplot')``earnings_df.earning.hist()``plt.title('Earnings Distribution')``plt.show()``earnings_df = earnings_df.set_index('date')``earnings_df.earning.cumsum().plot()``plt.title('Strategy Cumulative Returns')``plt.show()

除了计算指标之外，代码中还涉及一些可视化，我们将在一分钟内讨论。这是输出：

我们先来谈谈指标。最大损失为 $15.1k，而最大利润为 $5K。问题是，最大损失的绝对值总是小于最大利润的绝对值更好，因为它降低了策略的风险。

在十年的时间里，该策略产生的交易总数为 501 笔，一个月内执行的平均交易数量为 4 笔，这同样是合理的交易数量。每月的平均回报率为 923 美元，这是一个可靠的数字。

策略的胜率为74%。这意味着我们的策略有 74% 的机会执行有利可图的交易，胜率大于 50% 的策略被认为是有效且风险较小的。但是，如果没有适当的风险管理系统，这个数字仍然没有任何意义。单纯追求胜率毫无意义。

来到图表，在上面表示的输出中可以看到其中的两个。第一个是直方图，显示了我们策略的收益分布。可以看出，大多数交易产生的收益约为 1500-2500 美元。

第二张图表是折线图，显示我们交易策略的累积回报。首先可以注意到的是线路的不稳定运动。这表明该策略的收益波动很大，这意味着我们的策略在某些情况下是不稳定和有风险的。最好避免图表中可以看到的那些突然下跌。

一个好的交易策略不仅应该能够产生有利可图的回报，而且必须足够有效，必须超越买入/持有策略。对于那些不知道买入/持有策略是什么的人来说，对于tlsa这样的牛股来说，只是持有就能获得非常不错的收益。

如果我们的策略击败了买入/持有策略，可以说我们提出了一个很好的交易策略。然而，如果它不能做到这一点，我们必须对策略进行相当多的改变。

以下代码实现买入/持有策略并计算回报：

max_loss = earnings_df.earning.min()
max_profit = earnings_df.earning.max()
no_of_wins = len(earnings_df.iloc[np.where(earnings_df.earning > 0)[0]])
no_of_losses = len(earnings_df.iloc[np.where(earnings_df.earning < 0)[0]])
no_of_trades = no_of_wins+no_of_losses
win_rate = (no_of_wins/(no_of_wins + no_of_losses))*100
print(cl('MAX LOSS:', color = 'red', attrs = ['bold']), f'${max_loss};', 
      cl('MAX PROFIT:', color = 'green', attrs = ['bold']), f'{max_profit};', 
      cl('TOTAL TRADES:', attrs = ['bold']), f'{no_of_trades};',
      cl('WIN RATE:', attrs = ['bold']), f'{round(win_rate)}%;',
      cl('AVG. TRADES/MONTH:', attrs = ['bold']), f'{round(no_of_trades/120)};',
      cl('AVG. EARNING/MONTH:', attrs = ['bold']), f'${round(strategy_earning/120)}'
     )
plt.style.use('ggplot')
earnings_df.earning.hist()
plt.title('Earnings Distribution')
plt.show()
earnings_df = earnings_df.set_index('date')
earnings_df.earning.cumsum().plot()
plt.title('Strategy Cumulative Returns')
plt.show()

在上面的代码中，我们再次使用 FMP 的历史数据端点提取 Tesla 的历史数据，因为我们对之前提取的数据进行了一些更改。经过一些数据操作，我们使用简单的数学来计算回报，这是最终的输出：

在比较买入/持有策略和我们的剥头皮交易策略的结果后，买入/持有策略的表现优于我们的，投资回报率相差 333%。这意味着在将剥头皮策略推向市场之前，我们必须在剥头皮策略上做很多工作。

文章提出了交易策略，使用FMP的API获取历史和日内数据，并对策略进行了回测，但我们仍然未能超越买入/持有策略。但本文的目的不是展示借助这些策略的任何赚钱方法，而是对剥头皮交易进行温和的介绍。

如果你真的想把这个策略变成一个高利润的策略，并将其部署到市场上，你可以做一些改进来实现这一目标。首先是调整策略参数。尝试调整进入和退出条件，并测试哪个是交易策略的最佳条件。其次是建立适当的风险管理系统。这是我们在本文中没有介绍的内容，但它非常关键，尤其是当您想将该策略推向现实世界市场时。最后最重要的当然是在A股市场进行模拟盘试盘，要知道大多数在美股看起来有效的策略，放在A股都和开玩笑一样。

关于Python学习指南

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

包括：Python激活码+安装包、Python web开发，Python爬虫，Python数据分析，人工智能、自动化办公等学习教程。带你从零基础系统性的学好Python！

👉Python所有方向的学习路线👈

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。（全套教程文末领取）

👉Python学习视频600合集👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉Python70个实战练手案例&源码👈

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉Python大厂面试资料👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉Python副业兼职路线&方法👈

学好 Python 不论是就业还是做副业赚钱都不错，但要学会兼职接单还是要有一个学习规划。

👉 这份完整版的Python全套学习资料已经上传，朋友们如果需要可以扫描下方CSDN官方认证二维码或者点击链接免费领取【保证100%免费】