比普通定投高20%的支付宝智能定投策略，30行代码轻松复现
共 2569字，需浏览 6分钟
·
2021-10-15 21:34
今天的文章甚至后期的文章都只是一个阶段性的学习笔记，不敢说文章的方法适合于所有人，所以大家抄作业的时候也多多思考一下
先来说说今天的策略：均线定投策略，我第一次听到这个策略是在B站上，但是后来发现竟然在支付宝已经用上了，细心的同学在支付宝定投的时候应该会看到一个智能定投，对，就是它！
下面开始细说该策略：
首先，人为设置基础定投金额，可以是100、1000 等等，这个根据自己的实际情况来。
之后在每个定投日，根据当前的价格进行定投率的计算，然后通过下面的公式计算在当前定投日的实际投入：
实际投入=基础金额*定投率
定投率可根据偏离均线范围进行设定，例如偏离均线范围 50%及以上，定投率设置为 40%，偏离均线范围 40%-50%，定投率设置为 50%
对应的该B站阿婆主给出了一个参考案例，在A、B、C点根据偏离情况分别计算定投率
上面的数字都是在当前价格超过均线的情况下，也就是在绝对的上涨阶段。对应的，在绝对的下跌阶段，同样可以参考上面的策略计算定投率
类似的参考案例，在D、E、F点根据偏离情况分别计算定投率：
其实说白了，该策略的重点就是计算定投率，而定投率是根据当前价格和近250天的均线的偏离程度计算的。
对应的就有了下图的这个基础策略：
其实这个策略就是我们常说的：大跌大买、小跌小买。
不一样的是，它将跌的程度进行了量化，你买进的份额也就随之可以量化。
这种策略的好处就是你可以在任意位置买进，只要你能坚持跟着策略做定投，最终都会赚钱，而且越到后面赚的越多。
在解释这个原理的时候，该阿婆主用了一个很极端的例子：在最高点的时候买进某数字货币，然后根据策略坚持定投，在经历了下跌和震荡之后，当该货币的趋势趋于平稳并且慢慢开始上涨时，持有的收益已经开始由负转正。
结合下面这张图来看：
在2017年12月末最高点买进，之后坚持策略一直定投，经历了18年整年，直到19年5月的时候，收益开始由负转正。
至于该数字货币后面怎么走，这不是我们今天要关注的内容，你可以看到，即使你在最高点买入，期间经历了 腰斩、膝斩、甚至都斩到脚后跟了，但你跟着策略走，你终究还是会回本。
无非就是 用时间来换金钱
当我在和朋友讨论这个策略的时候，他眼前一亮，告诉我说支付宝有一个智能定投，可以了解一下。
于是我去看了一下支付宝的定投策略，一句话描述一下大概是这样的：
根据参考指数的收盘价和历史均值，动态调整扣款率，高于均线少投，低于均线多投 见下图👇
这不就是我们上面看到的定投策略嘛？再往下看：支付宝将该定投方式命名为均线定投，它的公式如下：
实际定投金额 = 基础定投金额 * 当期扣款率
看到公式的时候我明白了，这就是一个策略，只是设定的定投率和当期扣款率不一样。
为了让大家看的更明白，我从支付宝上直接将均线定投策略的具体扣款率弄了下来：
到这里，这个策略的原理想必大家都已经很清楚了，通过这个策略，你可以去定投基金、场内ETF、大盘指数、甚至是个股。
对了，对于个股我其实不是特别建议用这个策略，毕竟波动性太大，容易受各方面因素的影响。
最后说一下策略复现
在复现的时候因为主要涉及的参数有两个，一个是需要参考的MA均线，一个是需要设置的定投率
在设置MA均线时，B站阿婆主设置的初始MA均线是250，支付宝策略设置的MA均线是500和10。
在设置定投率时，B站阿婆主是通过网格交易的方式设置的固定比例，支付宝策略设置的趋势比例。
如果你是在国内交易，可以参考支付宝的策略参数，或者你可以根据你想要定投的目标搜索一个更加合适的参数。以下是我复现的支付宝策略的核心代码：
以沪深300为例，代码：399300.SZ
首先是获取到 2019年至2021年9月30日的所有数据，进行相应的数据处理（列重命名、时间序列转换、排序、设计辅助列等）
from WindPy import w
start_date = '20190101'
end_date = '20210930'
code = '399300.SZ'
df_data = w.wsd(code, "pre_close,high,low,close,MA", start_date, end_date, "MA_N=500",usedf=True)[1]
df_data1 = df_data.reset_index().copy()
df_data1 = df_data1.rename(columns={'index':'trade_date', 'PRE_CLOSE':'昨收价', 'MA':'MA500', 'CLOSE':'收盘点位', 'HIGH':'最高点位', 'LOW':'最低点位'})
df_data1['trade_date'] = pd.to_datetime(df_data1['trade_date'])
df_data1 = df_data1.sort_values('trade_date',ascending=False).reset_index(drop=True)
df_data1['counter'] = range(len(df_data1))
其次是计算近10日的振幅情况，公式如下：
(本周期最高价-最低价)/上一周期的收盘价
也就是近10天的最高价-最低价，然后除以第前11天的收盘价
代码如下：
"""计算近10日的振幅"""
for index, row in df_data1.iterrows():
counter = row['counter']
if counter+10 > df_data1.shape[0]:
max_price = df_data1.loc[(df_data1['counter']>=counter) & (df_data1['counter']'最高点位'].max()
min_price = df_data1.loc[(df_data1['counter']>=counter) & (df_data1['counter']'最低点位'].min()
pre_close = df_data1.loc[df_data1['counter']==df_data1.shape[0]-1, '昨收价'].iloc[0]
else:
max_price = df_data1.loc[(df_data1['counter']>=counter) & (df_data1['counter']'最高点位'].max()
min_price = df_data1.loc[(df_data1['counter']>=counter) & (df_data1['counter']'最低点位'].min()
pre_close = df_data1.loc[df_data1['counter']==counter+9, '昨收价'].iloc[0]
ten_chg = (max_price-min_price)/pre_close*100
df_data1.loc[df_data1['counter']==index, '近十日振幅(%)'] = ten_chg
最后是计算当前价格的偏离程度，并根据近10日的振幅情况，计算当前的扣款率
代码比较简单，如下：
"""计算偏离程度和振幅，得出扣款率"""
df_data1['均价偏离(%)'] = (df_data1['收盘点位']-df_data1['MA500'])/df_data1['MA500']*100
df_data1 = df_data1.reset_index(drop=True)
df_data1['扣款率(%)'] = df_data1[['均价偏离(%)', '近十日振幅(%)']].apply(lambda x: get_kk_ratio(x), axis=1)
df_data1.head(20)
以上代码块可以直接合并运行，都是同一层级关系
上述代码输出的 9月份 扣款率结果如下所示：
可以看到，如果你是每周4定投，9月份出现的5个周4定投日，都是以90%的比例进行定投。
说直白点，你每次定投初始金额为 1000元，那么这5个定投日会各投 900元进去！
以上就是关于均线定投策略的复现，也仅是针对支付宝的智能定投策略进行策略的设计。
由于篇幅优先，关于沪深300的回测结果、白酒基金的回测结果、甚至部分个股的回测结果，我会在整理之后继续分享出来。
欢迎大家点赞、在看、转发支持，点击在看，下次可以第一时间收到公众号推文～
扫码即可加我微信
老表朋友圈经常有赠书/红包福利活动
学习更多： 整理了我开始分享学习笔记到现在超过250篇优质文章，涵盖数据分析、爬虫、机器学习等方面，别再说不知道该从哪开始，实战哪里找了
