小散量化炒股记｜股价如波浪起伏，教你用量化识别波段的极值点

前言

​ 相信大家都听说了量化交易这个东西了吧！

量化交易是一种新兴的系统化金融投资方法，它综合多个学科的知识，用先进的数学模型代替人的主观思维制定交易策略，利用计算机强大的运算力从庞大的股票、债券、 期货等历史数据中回测交易策略的盈亏“概率”，通过管理盈亏的“概率”帮助投资者做出准确的决策。

那么，什么才是普通股民所适合的量化交易打开方式呢？

本文就用一个接地气的股票分析场景 —— 用量化方法识别股价波段的极值点 来和大家分享一下，普通股民如何去使用量化交易！

识别波段极值点 

股票的走势不是一条单一的直线，而是像海水的浪潮一样有高有低。于是股价的高低起伏走势会形成一个个波段。

很多经典的策略都是基于波段的分析。比如艾略特的波浪理论、低买高卖的波段操作、 寻找支撑位和压力位等等。

然而这些策略的共同基础就是识别出波段，也就是股价的极值点。

通常我们是用肉眼在行情软件上去识别和标记的，那么所谓的量化就是把极值点的特点归纳成一种算法模型，用量化程序去识别。

第一步是识别金叉和死叉。（关于实现原理在往期的《小散量化炒股记》中已经介绍，此处不在赘述）

此处我们是先识别MACD的金叉和死叉。如图所示，标记G为金叉（GLOD缩写），而标记D为死叉（DEATH缩写）。

第二步则是基于金叉和死叉去找到极值点。原理其实很简单：一个金叉和死叉之间必然存在一个最大值，同理一个死叉和一个金叉之间也存在一个最小值。如下所示：

以寻找最大值为例，关键代码如下所示：

# 找出上一个的金叉 这个金叉和下一个死叉之间会出现股价最大值
df_temp_1 = df_stockload[(df_stockload.index <= df_stockload.index[i])]
df_temp_2 = df_temp_1[df_temp_1.cross_m > 0]


if df_temp_2.empty == False:
    df_temp_3 = df_temp_1[(df_temp_1.index >= df_temp_2.index[-1])]
    close_val = df_temp_3["High"].max() #
    df_temp_4 = df_temp_3[df_temp_3["High"].values == df_temp_3["High"].max()]
    time1 = df_temp_4.index.to_pydatetime()[0].strftime("%Y-%m-%d")
    posit = df_stockload.index.get_loc(time1)
    df_stockload.loc[df_temp_4.index, "Max"] = True

寻找之后再用Matplotlib库的annotate方法标记，效果图如下所示：

标记了波段的最大值和最小值之后，有什么好处呢？

首先是得到波段最大值对应的压力位大小，以及波段最小值对应的支撑位大小，这个数值可以参考该日对应的成交量。

以及可以把一段时间内的压力位所对应的成交量进行累加，作为当前突破压力位所受到的阻力值。

其次，我们可以把波段的最大值和最小值分别连接起来，作为趋势的判断依据。如下图所示：

比如，我们识别到连续波段的高点和低点都在一个数值附近，那么可以判断当前处于震荡走势之中。当连续的波段高点和低点不断抬高，那么当前正处于上升趋势之中，同理为下跌趋势的判断亦然。这个正是大方向上的把握。

总结

通过这个简单而又实用的股票量化场景，希望能够给广大朋友对于量化交易有一个直观的感受。

然后，我们应该升级自己的炒股方式了，把自己以前炒股的那套方法，抽象成策略模型，用量化的方法去全市场回测评估，然后让程序帮助我们监测行情的走势。

这个才是普通股民所适合的量化交易打开方式！

———————————————————————————————————————————————— 大家如果想对涉及到的知识点进行更全面、更体系的从0-1方式的介绍，这里推荐给大家我的书籍《Python股票量化交易从入门到实践》！天猫、京东、当当全面开售！

同时也欢迎大家关注我的微信公众号【元宵大师带你用Python量化交易】了解更多Python量化交易相关内容

例程中的代码，上传至《玩转股票量化交易》知识星球（知识星球的目录可点击【阅读】查看）。