國光生、中天、亞諾法、合一，這些妖怪股最近的漲跌每天都是10％上下，非常的可怕，要如何才能買在低點、賣在高點？本文教你怎麼設計策略，在 2008 ～2020 年翻 6 倍的穩定策略，獲利不錯且風險小，從零開始研究生技股策略？讓 FinLab 做實驗跟你分享！請原諒我標題殺人，這篇還滿學術且實用的，但往往最有用的東西反而沒人看，只好標題殺人吸引你的目光，看完後保證你值回票價。
生技股 ，漲停又跌停，如何判斷？
上禮拜問大家最想看什麼股票的回測，很多人都說「國光生」、「合一」，這些生技股。在我的機器學習策略中，上禮拜也出現非常多檔，像是「亞諾法」、「中天」等等，當時打開看盤軟體，跌停好幾天了，看到真的會怕，一邊買手一邊抖。
但對我來講，科學比賺錢還要重要，假如我主觀的干預，就算獲利了，也不會開心，不相信自己的策略，就等於背棄量化交易的信仰，等於無時無刻都要檢查策略是否出錯，檢驗股票，汲汲營營於股市，會犧牲很多時間！還是要交給量化交易，資金才能有系統的放大！
所以無論如何我都不想干預它選出的結果，咬緊牙關低接，事後發現，報酬相當不錯，果然，別人恐慌我貪婪，是股票中的真理。雖然我也很恐慌，但我相信自己做出來的策略。上述經驗，是上禮拜的持股，這禮拜我並沒有建議買生技股呀！
雖然大家可能沒有機器學習策略，但是也想要買生技股，那
要如何判斷對的時機加碼呢？
這篇文章就帶大家來設計一個簡單的策略，雖然設計的簡單，但過程不簡單，我們只要由上次「如何買台積電？」這篇文章的範例改寫而來，加入了一個回測上的技巧，來防止過擬合，找到適當的參數，同時避免優化雜訊的風險！
生技股策略研發
策略人人都會寫，特別是用 multicharts ，提供簡單好用的功能，10行以內就可以有績效不錯的策略。只要參數夠多，想要績效多好就有多好，只要透過參數優化就可以了！但是重點就在於，參數優化真的是有效的嗎？還是你只是優化了歷史，沒有優化未來呢？
優化歷史不等於優化未來？
為什麼策略上線後，績效表現不好？為什麼無法優化未來？主要可以分成以下幾個原因：
- 策略參數維度太大，相較之下，樣本太少，有點像是買樂透，只要買夠多張，一定會中獎，但不代表你會知道下一期的開獎號碼！更學術的講法，就是策略誤將歷史雜訊當成規律來優化（overfitting）。
- 第二種可能是，策略雖然有抓到股價的型態，但是隨著越來越多人用一樣的策略，導致市場效率上升，獲利空間被壓縮。
- 商品因為基本面和消息面、黑天鵝事件，有重大的變化，導致價格的特性跟以往不一樣。
要如何避免優化失敗呢？
針對上述的 1 跟 2 點的問題，我們可以用以下的方式，在策略研發時，避免 overfitting：
- 限制策略的維度：研發策略時，不要用太多參數，或是參數盡量重複使用，讓可調整的維度盡量縮小。
- 限制回測的次數：當你手動修改策略時，也是一種最佳化，所以盡量避免盲目的修改程式碼並回測的過程，有些人把「大於」換成「小於」，就測一次，參數隨便改一改，也測一次，條件拿掉一個，再測一次，濾網增加一個，又測一次。在這樣不斷的測試中，其實是「工人」智慧的最佳化，也會導致 overfitting 喔！
- 增加樣本數量：我們可以取不同的商品，將所有商品用同一個策略來優化，這樣針對單獨商品的績效會變差，但是整體來說，由於樣本數量變多，商品之間的correlation比較小，找到的 pattern 更 robust（不知道中文怎麼翻：魯棒性？超詭異的）不容易 overfitting。
- 使用 hold-out method：將資料分成樣本內（in-sample IS）跟樣本外（out-of-sample OOS）並且在 IS 做最佳化後，再用 OOS 驗證。
- 但 hold-out method 會讓 samples 變少，所以也有其他更複雜的方法，可以參考「策略最佳化是有效的嗎？」這篇文章
- 驗證近期績效，當你研發出來的策略報酬是凸狀，這種策略可能在近期就不管用了，假如是股票策略，尤其是選股策略，一定要將兩三年的績效，跟大盤做均一化（normalize、rebase）後的比較，才能確保策略在近年是有效的，也有人會用 rolling n years 的方式，來看近期績效是否下滑。
上述這麼多種方法，我們今天先簡單挑幾個，接下來就可以開始實做策略囉！
生技股策略實做
為了避免 overfitting，我們遵守上面「避免優化失敗」的前三個要點：
- 首先，我們使用最傳統的均線策略即可，不用作任何修改，上次怎麼買台積電，就怎麼買生技股！由於是均線策略，只有兩個維度，就是短週期、長週期的均線參數而已。
- 增加了停損 -30%，畢竟生技股大漲大跌還是挺可怕的，使用 – 30％最主要是防止策略由於基本面、消息面的因素，產生巨幅下跌。此參數是靠經驗設定，不太需要重新回測，所以不太會造成研發策略時的過擬合。
- 使用多商品回測，來確保參數的 robustness ，避免 overfitting。
我們跟上次一樣，使用 Colab 進行回測，Colab 是一個免費線上運行 Python 的平台，請大家打開 Colab，跟我們一起運行程式吧！（只要複製貼上就可以囉！）文末附上完整程式碼，假如你連複製貼上都懶，拉到下方，也可以直接運行喔！
安裝 Packages
這個步驟跟上次一樣，是股票回測最基本的起手勢：
# 要一小段時間安裝 Packages
!pip install yfinance > log.txt
!pip install Backtesting==0.2.0 > log.txt
!pip install talib-binary接下來，使用 yahoo finance 下載各種股票的數據來回測，這次的標的有：
| 股票名稱 | Yahoo 股票代碼 |
|---|---|
| 國光生 | 4142.TW |
| 中天 | 4124.TWO |
| 亞諾法 | 4133.TW |
| 合一 | 4743.TW |
上述股票的 yahoo 代碼，假如是上市，就是「TW」結尾，假如是上櫃，就是「TWO」，我們將上述股票的代碼列出來(stocks)，並且使用 get_historical_data 來取得歷史資料，將歷史資料存在 dfs 裡面：
import yfinance as yf
import pandas as pd
def get_historical_data(ticker):
d = yf.Ticker(ticker)
df = d.history(period="max")
df.columns = df.columns.str.lower()
df.columns = pd.Series(df.columns).str.capitalize().values
return df.dropna()
stocks = ['4142.TW', '4743.TWO', '4128.TWO', '4133.TW']
dfs = {s:get_historical_data(s) for s in stocks}接下來就是本篇的重頭戲，要如何一次考慮所有股票進行優化呢？當然我們可以一檔一檔優化，並將結果（如 sharpe ratio）平均起來，但是這樣的方式，要修改不少程式，還要加入 for 迴圈，會讓程式碼不好維護。
所以我用了一個簡單的方法，把它取名為「price fusion」，顧名思義，就是將所有商品的開高低收整合起來，融合成一個商品，這樣就可以用一樣優化方法，但是最後的結果同時考慮了上述 5 檔股票，是不是方便很多呢？
由於程式碼稍微複雜，所以我就不詳細介紹是怎麼寫的，有興趣的人可以自行研究，假如你時間有限，可以直接呼叫下方的「price_fusion」這個 function，就可以了。
import numpy as np
def price_fusion(ohlcv, symbols):
start_bar = 0
close_ref = pd.Series(np.concatenate([ohlcv[s].Close.astype(float).pct_change().values[start_bar:] for s in symbols]))
close_ref[close_ref.abs() > 0.1] = 0
ret_close = (close_ref + 1).cumprod()
close = pd.Series(np.concatenate([ohlcv[s].Close.astype(float).values[start_bar:] for s in symbols]))
high = pd.Series(np.concatenate([ohlcv[s].High.astype(float).values[start_bar:] for s in symbols]))
low = pd.Series(np.concatenate([ohlcv[s].Low.astype(float).values[start_bar:] for s in symbols]))
open_ = pd.Series(np.concatenate([ohlcv[s].Open.astype(float).values[start_bar:] for s in symbols]))
volume = pd.Series(np.concatenate([ohlcv[s].Volume.astype(float).values[start_bar:] for s in symbols]))
ret_high = ret_close * high / close
ret_low = ret_close * low / close
ret_open = ret_close * open_ / close
return pd.DataFrame({
'Open': ret_open.values,
'High': ret_high.values,
'Low': ret_low.values,
'Close': ret_close.values,
'Volume': volume.values,
}, index=pd.date_range('2000-1-1', periods=len(ret_close), freq='1h')).dropna().astype(float)
df = price_fusion(dfs, stocks)
print('price dataframe shape', df.shape)
df.head()
我們可以發現，原本六檔股票，已經整合成同一個商品了，總共有11861天，大約是47年的績效！你可以想像一下，假如你可以找到一個策略，長達 47年有效，是不是覺得這個策略的可靠性變高很多，對這個策略更有信心了呢？這就是有效增加sample的方法！
回測生技股
融合完以上的商品，我們可以來回測了，回測的策略跟「研發台積電策略」的文章是一模一樣的，所以我們在這邊只列出程式碼，不額外講解，假如對於下方的程式碼有任何不清楚，都可以前往該篇文章詳讀喔！
from backtesting import Backtest, Strategy
class Strategy(Strategy):
n1 = 40
n2 = 30
def init(self):
super().init()
# Precompute the two moving averages
close = pd.Series(self.data.Close)
sma1 = talib.SMA(close, timeperiod=self.n1)
sma2 = talib.SMA(close, timeperiod=self.n2)
# Precompute signal
signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
signal_short = ((sma1 < sma2) & (sma1.shift() > sma2.shift()))
# combine signal
signal = signal_long
signal[signal_short] = -1
# plot sma
self.I(lambda x: sma1, 'sma1')
self.I(lambda x: sma2, 'sma2')
# set signal to trade
self.signal = self.I(lambda x: signal, 'signal')
def next(self):
super().next()
entry_size = self.signal[-1]
if entry_size > 0:
self.buy()
elif entry_size < 0:
for trade in self.trades:
trade.close()
for trade in self.trades:
if self.data.Close[-1] < trade.entry_price * 0.7:
trade.close()
bt = Backtest(df, Strategy)
result1 = bt.run()
bt.plot()下圖就是回測跑完的結果，我偷偷先使用了最佳化參數，但你這個階段理論上，不應該得到如此好的績效，這是優化後的結果，為了省去大家設參數的辛勞！
策略優化
可以回測後，我們就可以做策略的最佳化，這邊要注意的地方是，為了避免 overfitting，在參數枚舉時（列舉所有參數時），不要間格太密，例如「5」，我覺得就是很剛好的數字，不用到「1」，不然容易 overfitting。
result2 = bt.optimize(n1=range(10, 60, 5),
n2=range(10, 60, 5))
print(result2._strategy)
# plot results
result2._equity_curve.Equity.plot(use_index=False, logy=True)下圖是最後策略的結果，我們可以看到47年總共獲利30000％！由於數字太大了，所以我們用 log 將數值變得比較有可看性，以一個粗糙的策略來說，我覺得很棒了，事實是，有時候均線策略，只要用對的方法來製作策略，就能夠有不錯的績效！你可以說我研發策略返璞歸真，也可以說我懶，但不論如何，有效最重要！
上圖中有一行「Strategy(n1=49, n2=30)」可以看到優化後，程式設定最佳參數為（n1=40, n2=30）這兩條均線，代表30日均線跌到40日下方時，我們可以購買這些生技股，停損一律是30％，直到股價回升，均線黃金交叉為止。歷史績效會有不錯的表現。雖然使用融合商品，得到不錯的績效，但在個股單一表現實用上，究竟能不能重現這樣驚人的績效呢？
回到單檔股票回測
上述是我們用融合的商品，回測47年的狀況，但是我們實際交易時，應該是會有很多商品，而商品的價格是同步進行的，怎麼修正呢？最終還是得一檔一檔測測看，使用 for 迴圈測，不過這時候因為策略都研發完了，所以只是做最後的檢驗動作：
eqs = {}
for s in stocks:
bt = Backtest(dfs[s], Strategy)
r = bt.run()
eqs[s] = r._equity_curve.Equity
eqs = pd.DataFrame(eqs)
eqs.plot()下圖是跑出來的結果，可以看到這個策略在單一商品上，也表現的還算OK，但當然偶爾虧損還是滿大的，例如 4128（綠色）這檔股票 2018 年的跌幅，目測應該三個月虧損了快30％，這樣的策略是不能使用的！太危險！
多商品合併以降低風險
最後，為了將風險降低，我們來寫一個資產分配的回測，模擬將資產平均分配到這 4 個商品上，每個月重新再平衡，會得到如何的報酬率呢？
(eqs.resample('M')
.last()
.pct_change()+1
).mean(axis=1).cumprod().plot()
從2009年到2019年，總共將資產翻了6倍，drawdown 看起來不大，我不會覺得太差，送給大家囉！由於此策略是擇時策略，所以會有很多閒置資金，所以績效應該比 6 倍好很多。另外，由於我們對多商品都用同一個策略，所以過擬合的機率算低，而此策略又是大家最舒服的逆勢加碼，相信除了學術練習外，實用上也會有一定的價值，不過任何策略都有失效和過擬合的可能，我們只能將其機率降低，無法保證 100％有效。假如大家有興趣看那個產業的策略，請在下方留言！我會不定時參考一下，決定之後要出的文章喔！
最後我們可以任意觀看其中一檔標的，是否值得買入，例如法諾亞（4133.TW）：
s = '4133.TW'
bt = Backtest(dfs[s], Strategy)
r = bt.run()
bt.plot()法諾亞最近五筆交易，使用此策略，勝率為80％！雖然大波段沒抱到，但是也賺了4～50％，很不錯了啦（畢竟是逆勢策略）！不過當前的股價，由於均線沒有死亡交叉，所以對此策略來說，價格偏高，不適合買入，大家可以隨時跑程式，來觀察是否有生技股有均線死亡交叉，都會是很好的買入時機喔（根據歷史統計來說）！這就是簡單但又不簡單的均線最佳化策略！
接下來一系列，我會介紹加密貨幣。其實早在 2020 年 04 月 20 號，我就低調開始撰寫一系列 BTC 的文章，當時價格為 6838 BTC/USDT，現在已經破 12000了！要是你那時候有追蹤 finlab，就算放著不動，可能已經獲利 70％。
我自己也有不少資產放在 BTC，並且用 Python 自動交易，因為 BTC 是新商品，算是非效率市場（個人回測時的感覺），尤其是其他的加密貨幣（alternative coin 簡稱 altcoin），用量化交易操作，就像就是用坦克跟原始人打仗一樣！現在開始，使用量化投資做低風險的BTC交易，為時不晚，下一篇，我們從加密貨幣的基本面開始講起。可以追蹤 finlab 粉絲團，收到最新的文章喔！
