！！以下说明或结论不构成任何建议，且难免有错误之处，仅是个人感兴趣点以及学习过程。
策略代码
生成随机涨跌趋势，这里假设是以周为单位，并且限定了涨跌最大幅度为10%，win_rate表示平均胜率，表示一个周期（周）中，有win_rate的概率是盈利的。
1
2
3
| def rand_rate(win_rate : float, time_steps : int):
import random
return [(-1 if random.random() > win_rate else 1) * random.random() / 10 for _ in range(time_steps)]
|
sim是仿真执行函数，执行cases中的策略，并放回最终的收益率。
1
2
| def sim(rates, cases):
return [case(rates) for case in cases]
|
以下是模拟的三种策略。
策略一， 起始投入1000, 设定周定投500, 但是会根据上周的涨跌幅浮动，定投额度为500减去浮动金额。所以，如果上周上涨了，本周就少定投，上周下跌了，本周就多定投，上下限分别是0和1000。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
| def case1(rates):
base = 1000
wadd = 500
wadd_max = 1000
nbase = base
addon = 0
for ra in rates:
base = base + addon
nbase = nbase + addon
fb = nbase * ra
nbase = nbase + fb
addon = max(wadd - fb, 0)
addon = min(addon, wadd_max)
return (nbase - base) / base
|
策略二，一次性全部投入。
1
2
3
4
5
6
| def case2(rates):
base = 1000
nbase = base
for ra in rates:
nbase = nbase + nbase * ra
return (nbase - base) / base
|
策略三，类似策略一，但是是固定金额定投，不浮动。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
| def case3(rates):
base = 1000
wadd = 500
nbase = base
addon = 0
for ra in rates:
base = base + addon
nbase = nbase + addon
fb = nbase * ra
nbase = nbase + fb
addon = wadd
return (nbase - base) / base
|
仿真策略。模拟3年，市场盈利概率40%～60%的情况，每个盈利概率下模拟10000次，计算平均盈利率。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
| def rsim():
import numpy as np
for r in range(40, 60, 1):
win = []
rates = []
for _ in range(10000):
rates = rand_rate(r / 100, 52 * 3)
win.append(sim(rates, [case1, case2, case3]))
win = np.array(win)
for i in range(len(win[0])):
for j in range(len(win), 0, -1):
win[j - 1, i] = win[:j, i].mean()
paint_rate(rates)
paint(
t = r,
y=[
{
'data': win[:,0],
'color': 'r',
},
{
'data': win[:,1],
'color': 'b',
},
{
'data': win[:,2],
'color': 'y',
},
]
)
|
结论
以上仿真的结果是：
- 一次性投入可以获得很高的盈利，但是亏损在这三者中也是最大的
- 浮动定投比定额定投可以获得更少的亏损，也比定额定投有更高的盈利
更具体的情况可以下载源码