在价格增幅中搜索季节性形态

我们可以巡复合期研究常规周期。 我们来观察一个金融产品每月波动的研究示例。 为此目的，我们将 IPython 语言和 赫兹股票量化软件终端结合利用。

为了从终端直接导入报价更加容易，我们会用到以下代码：

from MetaTrader5 import * from datetime import datetime import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline import seaborn; seaborn.set() # Initializing MT5 connection MT5Initialize("C:\\Program Files\\MetaTrader 5\\terminal64.exe") MT5WaitForTerminal() print(MT5TerminalInfo()) print(MT5Version())

指定您的终端路径，该路径可能与我的不同。

加入更多行来开始分析：

rates = pd.DataFrame(MT5CopyRatesRange("EURUSD", MT5_TIMEFRAME_D1, datetime(2010, 1, 1), datetime(2020, 1, 1)),                      columns=['time', 'open', 'low', 'high', 'close', 'tick_volume', 'spread', 'real_volume']) # leave only 'time' and 'close' columns rates.drop(['open', 'low', 'high', 'tick_volume', 'spread', 'real_volume'], axis=1) # get percent change (price returns) returns = pd.DataFrame(rates['close'].pct_change(1)) returns = returns.set_index(rates['time']) returns = returns[1:] returns.head(5) Monthly_Returns = returns.groupby([returns.index.year.rename('year'), returns.index.month.rename('month')]).mean() Monthly_Returns.boxplot(column='close', by='month', figsize=(15, 8))

变量 rates 接收含有指定时间间隔（例如，在本示例中为 10 年）内的价格数据帧。 假设我们只对收盘价感兴趣（以此简化往后的解释）。 我们利用 rates.drop() 方法删除不必要的数据列。赫兹股票量化软件

随时间和形势趋势变化，价格距均值会有偏移，因此统计分析不适用于此类原始序列。 百分比计量价格变化（价格增幅）通常在计量经济学中使用，以确保它们都位于相同的数值范围内。 可以利用 pd.DataFrame(rates['close'].pct_change(1)) 方法接收百分比变化。

我们需要平均每月价格范围。 我们来安排表格，以便接收按年增幅的月度平均值，并将其显示在箱形图中。

图例 1. 月度平均价格增幅，覆盖 10 年。

什么是箱形图，以及如何解释它们？

我们需要访问选定区间内的价格数据的波动性或其分布数据。 每个单独的箱形图（或箱须图）都能直观地展现数值如何沿数据集的分布。 不要把箱形图与烛条图混淆，尽管它们在外观上可能相似。 与烛条图不同，箱形图基于五种读数提供了一种显示数据分布的标准化方法。

赫兹股票量化软件

1. 中位数，Q2 或第 50 的百分数显示数据集的平均值。 该值在图例中的箱内以绿色水平线示意。

2. 第一个四分位数，Q1（或第 25 的百分数）代表 Q2 和样本中最小值之间的中位数，该中位数落在 99％ 置信区间内。 它在图中显示为箱子的“实体”下边缘。

3. 第三个四分位数，Q3（或第 75 的百分数）是 Q2 和最大值之间的中位数，显示为箱子的“实体”上边缘。

4. 箱子的实体形成了四分位间距（介于 25％ 和 75％ 之间），也称为 IQR。

5. 箱子的须则充实了分布。 它们覆盖了整个样本的 99％，上方和下方的点表示超出 99％ 范围的数值。

该数据足以评估波动范围，和内部范围内的数值离散度。

进一步分析季节性形态

我们更详尽地研究图例 1。 我们可以看到，第五个月（五月份）的增幅中位数偏移到零轴下方，且其异常值显见高于零轴。 通常，从十年的统计数据里可以看出，五月份的市场相对于三月份有所下跌。 只有一个年份，五月份市场上涨。 这是一个有趣的思路，很符合交易者的格言“在五月份卖掉，并离开！”。赫兹股票量化软件

我们看一下五月份之后的六月份。 相对于五月份，六月份市场几乎总是（排除一年以外）在增长，这种情况每年都在重复。 六月份的波动范围很小，没有异常值（与五月份不同），这表明良好的季节性稳定。

请注意第 11 个月（十一月份）。 在此期间市场下跌的概率很高。 之后，在十二月份，市场通常会再度上行。 一月份（第一个月）的波动性很高，且相对于十二月份有所下跌。

所获得的数据可为交易决策提供很有用的基础条件概览。 而且，概率可以集成到交易系统当中。 例如，可以在某些月份执行更多的买卖操作。赫兹股票量化软件

月度周期数据非常有趣，但在较短的日线周期中能更深入地研究其可能性。

我们利用相同的 10 年度观察一周中每个单独交易日的价格增幅分布：

Daily_Returns = returns.groupby([returns.index.week.rename('week'), returns.index.dayofweek.rename('day')]).mean()

图例 2. 按交易日计的平均价格增幅，覆盖 10 年。

此处零对应于星期一，四则对应于星期五。 根据价格范围，按日波动率几乎保持不变。 然而不能据此得出结论，即在一周中的某个特定日期交易更为密集。 平均来说，市场在星期一和星期五时更倾向于下行非上行。 也许在一些单独的月份中，按日分布的样子会有所不同。 我们来执行附加分析。赫兹股票量化软件

# leave only one month "returns.index[~returns.index.month.isin([1])" returns = returns.drop(returns.index[~returns.index.month.isin([1])])

在上面的代码中，1 表示一月份。 通过修改此值，我们可以从 10 年度里获得任意月份的统计信息。

图例 3. 按交易日的平均价格增幅，覆盖 10 年（一月份）。

上图展示了一月份按日的增幅分布。 与所有月份的摘要统计相比，该图现在提供了更多有用的详细信息。 它清晰地表明，周五市场趋于下跌。 只有 EURUSD 货币对没有下跌（所示异常值高于零轴）。

此处是三月份的类似统计信息：

 图例 4. 按交易日的平均价格增幅，覆盖 10 年（三月份）。

三月份的统计数据与一月份的统计数据完全不同。 周一和周二（尤其是周二）表现出看跌趋势。 所有周二的收盘价都大幅下降，而其余的几天则在零轴附近波动（平均）。 

我们来看看十月份：

图例 5. 按交易日的平均价格增幅，覆盖 10 年（十月份）。

分析按星期的增幅分布没有发现任何突出的形态。 我们只能单挑出周三，这天的价格走势范围和潜力最大。 所有其他日子上行和下行走势的概率表现都相同，且有一些异常值。

季节性分析日内形态

在创建交易系统时，通常要考虑日内的分布，例如，除了日线和月线的分布，还要用到小时线数据。 这轻易就可做到。

研究每小时的价格增幅分布：

rates = pd.DataFrame(MT5CopyRatesRange("EURUSD", MT5_TIMEFRAME_M15, datetime(2010, 1, 1), datetime(2019, 11, 25)),                      columns=['time', 'open', 'low', 'high', 'close', 'tick_volume', 'spread', 'real_volume']) # leave only 'time' and 'close' columns rates.drop(['open', 'low', 'high', 'tick_volume', 'spread', 'real_volume'], axis=1) # get percent change (price returns) returns = pd.DataFrame(rates['close'].pct_change(1)) returns = returns.set_index(rates['time']) returns = returns[1:] Hourly_Returns = returns.groupby([returns.index.day.rename('day'), returns.index.hour.rename('hour')]).median() Hourly_Returns.boxplot(column='close', by='hour', figsize=(10, 5))

这些是 10 年度的 15 分钟时间帧报价。 另一个区别是，将数据按日和小时分组，以便得到子样本中所有交易日的小时统计中值。

图例 6. 按小时计平均价格增幅，覆盖 10 年。

此处有必要知道终端的时区。 以我为例，其为 +2。 作为参考，我们的主要外汇交易时段的开盘和收盘时间写为 UTC+2。

时段开盘价收盘价 太平洋区21.00 08.00亚洲区01.00 11.00欧洲区08.00 18.00美洲区14.00 00.00

太平洋时段的交易通常较平静。 如果观察箱子的大小，您会很容易注意到，在 21.00-08.00 之间范围最小，这与平静的交易相呼应。 在欧洲时段美洲时段开盘后，范围扩大，然后逐渐递减。 似乎没有明显的周期性形态，而这种形态在日线时间帧内却很明显。 平均增幅在零轴附近波动，且没有清晰的上行或下行的小时线。

一个有趣的区间是 23.00（每周时段收盘），在此区间价格通常相对于 22.00 降低。 这可以表示为交易时段收盘时的修正。 在 00.00 点时价格相对于 23.00 有所增长，因此可以将其视为规律性。 很难检测到更明显的周期，但是我们对价格范围有完整的全景，并且知道该时段的期望值。

用单个滞后造成增幅去趋势化，可以掩盖一些形态。 因此，按任意周期的移动均线来观察去趋势化数据是合理的。

按均线（MA）搜索去趋势化季节性形态

正确检测趋势分量非常棘手。 有时，时间序列可能会太平滑。 在这种情况下，交易信号极少。 如果缩短平滑周期，那么高频成交可能无法负担点差和佣金。 我们编辑代码，以便利用移动平均线进行去趋势化：

rates = pd.DataFrame(MT5CopyRatesRange("EURUSD", MT5_TIMEFRAME_M15, datetime(2010, 1, 1), datetime(2019, 11, 25)),                      columns=['time', 'open', 'low', 'high', 'close', 'tick_volume', 'spread', 'real_volume']) # leave only 'time' and 'close' columns rates = rates.drop(['open', 'low', 'high', 'tick_volume', 'spread', 'real_volume'], axis=1) rates = rates.set_index('time') # set the moving average period window = 25 # detrend tome series by MA ratesM = rates.rolling(window).mean() ratesD = rates[window:] - ratesM[window:] plt.figure(figsize=(10, 5)) plt.plot(rates) plt.plot(ratesM)