交易系统

illusion

交易策略：包括自身不同品种投资还是投机左侧还是右侧，选品种与择时，仓位管理，卖出的艺术，止盈止损。
包括情绪管理，复盘习惯，api数据获取，定期程序报告，使用的软件工具，看书的习惯
包括家庭关系(财产分配与话语权，共患难的能力)，社会关系，家庭资产抗风险能力，税务与稽查等

illusion

左侧vs右侧：

左侧和右侧在相同估值水平下，右侧在时间成本上优于左侧(左侧要承担更长时间的套牢)，左侧在建仓成本上优于右侧(因为会有更深的下跌更低的估值，能建更多更便宜的仓位)
左侧抄底需要更强大的内心，更多等待的耐心(比如等到真的低估再建仓而不是刚跌一点就下手)，更先进的仓位管理技巧，而且钱的流动性更差(很长时间不能用)。优点是潜在收益更大，缺点是风险更高等待周期更长
左侧的流动性低于右侧，所以右侧在估值不高风险较低的品种(右侧风险：突然暴跌，没有流动性，不在交易时间跳空低开)可以允许较低的现金仓位，但是左侧必须留足够的现金仓位

illusion

左侧抄底策略

注意要点

不要急于抄底,等到暴跌之后进入价值区域再逐渐行动
尽可能左侧操作指数而不是个股,而且留有一定的安全边际,左侧风险高难度高
别人都在抄底的时候往往不是底,而要等到更靠后的时候没人敢与抄底的时候
失败案例: 恒生科技ETF抄底在9000点就开始,直到5000点左右子弹就基本上打完了,在5000-3000的过程中只能用少量的工资进行抄底,后来又涨到5600点也还是亏30%
- 原因1: 低估了下跌的时间和长度,没有为极端情况做好准备过于乐观,导致子弹过早打光
- 原因2: 下手过早.没有等暴跌深跌后才逐渐考虑进场,而是直接高位入场过于心急

抄底策略优劣性评估

无限子弹: 这种抄底策略能否应对极端行情,在超级极端的事件中仍然能保持有子弹(比如21-24年的恒生科技暴跌70%,1930s美国大萧条暴跌90%)
摊薄成本效率: 是否更多的仓位买在了相对低点,摊薄了持仓成本
可操作性: 新手是否能够简单操作还是需要一定的水平,以及钱是否好规划
机会成本: 买入之后被套多长时间盈利,反面案例如2014年抄底黄金,黄金底部横盘8年直到2022年才开始主升浪相当于钱浪费了8年的投资机会

常见左侧策略评估

策略	生存能力	摊薄成本	可操作性	资金管理
时间定额定投	强	中等	强	简单
空间定额定投	中等	中等	弱	中等
空间正金字塔	弱	强	弱	难
一次性买入	很弱	/	弱	/

时间VS空间: 如果先快速暴跌后缓慢阴跌,那么时间策略摊薄成本更优; 反之如果先高位震荡后突然暴跌,那么空间策略更优
资金管理: 时间VS空间为例,如果按照时间每个月定投10000块很好被执行,但是如果我设定空间定投每个整数都投10000元,但是突然市场3天内暴跌了两个整数关口导致钱不到位没有办法买入(比如在国债逆回购),资金管理就很难了

illusion

估值打分交易系统

基本步骤(用作战游戏类比)

黑暗时代(获取原材料,比如皮革/石头等): 获取全部股票的历年财报数据,指数成分股占比,比例复权和定点复权的OHLC数据等
封建时代(矿石冶炼和标准件生产,比如制造剑鞘/螺丝钉/铁锭等): 计算股票的e/p,d/p,cf/p以及指数e/p,d/p,cf/p
合成时代(将标准件设计组合成自己的兵器不断打磨翻新): 将各个初级估值指标合成综合的一个估值指标,考虑多个维度
混战时代(沙盘推演与战术制定) 用自己打磨好的兵器(比如估值指标)在历史中进行量化回测,压力测试,策略优化等,改进自己的作战方案.
帝王时代: 前期经过原材料开采(数据源),标准件和工具生产(基本指标和工具开发),神兵锻造(合成量化指标),沙盘推演和战术制定(量化回测优化策略),小规模部队尝试作战(beta测试),最终进入大远征(大规模资金开始跟投策略)游戏结束

初加工阶段

股息率(d/p)

计算股息率: 最新的分红送股列表中查看过去1年的end_date对应的cash_div(税后实际分红现金)
- 过去一年现金分红 = 对cash_div求和(条件: end_date<=最新的end_date && end_date>最新的end_date-1年)
- 股息率 = 过去一年现金分红 /实时股价(不复权)
- 示例 2025年02月end_date列表: 2024-09-30,2023-12-31,2023-09-30,2022-12-31. 选取其中的(2023-09-30,2024-09-30]部分求cash_div总和
注意:
- 使用过去三年的分红总和,平滑分红波动或者只看去年的数据
- 可以考虑融资对应的真实股东回报率而不是仅仅看分红
- 使用end_date(分红送股对应的利润分配年度)而不是ann_date(预案公告日)或者ex_date(除权除息日),因为后者不规律
- 使用cash_div而不是其他数据
- 每年年报的数据到第二年4月左右才会更新,但是end_date写的是去年的12.31
实施公告日之前,理论上是不能够知道股票分红数据(比如2025年初不能知道2024年年报对应的分红).回测的时候为了避免引入未来函数,比如假设在实施公告日之前,分红数据我都是不知道的

for dt in OHLC.index:
	#只能看到今天之前的分红送股数据
	dividend = div[pd.to_datetime(div['imp_ann_date'])<dt]
	if len(dividend) == 0: #如果没有分红送股数据
    		OHLC.loc[dt, 'div_1Y'] = 0 #过去1年股息率为0
    		continue
	# 查看最新的一次分红季度,记录前一年的分红总和(包含这次)
	end_date = pd.to_datetime(dividend.iloc[0]['end_date'])
	end_date = end_date - relativedelta(years=1)
	cash_div = 0
	for index,row in dividend.iterrows():
		if pd.to_datetime(row['end_date']) <= end_date: 
			break #不记录一年前之前的分红数据
		cash_div += row['cash_div']
	OHLC.loc[dt, 'div_1Y'] = cash_div / OHLC.loc[dt,'close'] #记录股息率

指数估值数据

计算出每个个股的e/p,d/p,cf/p,之后加权平均一下(权重就是指数成分股的占比)
理解: 指数每部分钱生钱的速度都不一样,需要加权平均一下就是所有平均钱生钱的速度
注意: 可以用e/p但是不能用pe