寫策略並模擬回測績效是非常重要的，通過回測，就能一眼看出來你的策略有沒有效。有人說歷史不等於未來，我覺得更正確的說，應該是「歷史不完全等於未來」，每年都有很多不同的黑天鵝，不同的國際政治變化，政黨輪替，然而假如你可以找到一個策略，不論環境如何變化，但是績效一直有穩定的成長，就代表你有可能找到了「歷史與未來會相同的某種選股邏輯」！

KD值

今天我們就來試驗一下KD值程式交易選股，
首先，我傾向於把指標的參數拉長，原因是這樣比較容易抓的到股價的規律（以日K來說）。
不過我個人的研究發現趨勢指標型態不一樣，選出來的股票也會不一樣，
絕對不是只要股價會漲就好，而是要符合某些特定的數學條件。

這邊我選擇使用RSV 50, K 20, D 20，當作是參數（台股通常是9、3、3）。
當K大於D的時候買入，反之賣出，每天選股並重新平衡資產，可以得到以下的績效：

紅色的是有考慮手續費，而藍色的則無。

然而這樣的選法是有一些弊端的！（尤其是手續費很高昂，股票換手率太高）
所以接下來我們就想辦法來解決，順便提高一下程式交易的績效～

長期趨勢漲，可能會買在高點！

當K > D時，股價會衝的很高，但是這時候買入就會買在高點了！
所以我們在使用長線KD值時，可以增加一個條件來確保不會買在高點：

當天股價 < 10日平均

除了股價不能太高，同時股價也不能太低！

股價必須高於年線

我們在此參數下選出來的股票，假如股價沒有過年線的話，很容易漲到年線附近時，就被彈了回去，所以乾脆我們選股的時候，就直接選高於年線的，就不會有這個問題了XD

增加一些常用的財務指標

程式交易除了用技術指標外，我們也可以增加一些財務指標，例如ROE：
ROE近1季大於ROE近4季平均

當然也有很多別的選項，我這邊就選一個好用的入門款XD，

三種條件依序加上後的結果

可以發現，從下到上依序就是：

1. 使用KD值
2. 除了上述以外，額外增加：股價短線別太高
3. 除了上述以外，額外增加：股價長線別太低
4. 除了上述以外，額外增加：財務數據

不過以上是沒有增加手續費的，因為我的回測系統每天都會重新權益平衡，所以有非常多不必要的摩擦成本，此時手續費折扣就非常的重要了！

最後我新增了一些不太重要的條件（為了減少股票檔數），整理成下圖，紅色為有手續費，藍色沒有手續費，只能說以人工調配持股應該會有更好的成果～有興趣可以研究看看！

每日爬蟲

首先，我們將之前一篇：超簡單台股每日爬蟲教學 所分享的程式碼變成以下的function，方便我們多次呼叫，才能爬每一天的股價。

每日股價爬蟲

import requests
from io import StringIO
import pandas as pd
import numpy as np

def crawl_price(date):
    r = requests.post('http://www.twse.com.tw/exchangeReport/MI_INDEX?response=csv&date=' + str(date).split(' ')[0].replace('-','') + '&type=ALL')
    ret = pd.read_csv(StringIO("\n".join([i.translate({ord(c): None for c in ' '}) 
                                        for i in r.text.split('\n') 
                                        if len(i.split('",')) == 17 and i[0] != '='])), header=0)
    ret = ret.set_index('證券代號')
    ret['成交金額'] = ret['成交金額'].str.replace(',','')
    ret['成交股數'] = ret['成交股數'].str.replace(',','')
    return ret

就跟之前是一樣的，只是被包成 function ，它的 input 是日期，output 是 dataframe，寫程式最重要的就是瞭解 input 跟 output 的型態，就會比較簡單了！

呼叫每日爬蟲，連續爬 n 天

接下來我們就來利用這個 function 幫我們爬最近9天的資料，並將數據存在 data 這個 variable 中：

一次爬 n_days 天的股價

import datetime
import time

data = {}
n_days = 9
date = datetime.datetime.now()
fail_count = 0
allow_continuous_fail_count = 5
while len(data) < n_days:

    print('parsing', date)
    # 使用 crawPrice 爬資料
    try:
        # 抓資料
        data[date.date()] = crawl_price(date)
        print('success!')
        fail_count = 0
    except:
        # 假日爬不到
        print('fail! check the date is holiday')
        fail_count += 1
        if fail_count == allow_continuous_fail_count:
            raise
            break
    
    # 減一天
    date -= datetime.timedelta(days=1)
    time.sleep(10)

想要增加天數，只要調整 n_days 這個參數就行了！
一切都順利的話，會顯示成以下這樣：

大部分的天數都是 success 代表成功讀取資料，但是每間隔5天就會顯示兩次 fail，代表那可能是假日，然而不能保證就是了，也可能是你的網路斷掉XD，或是 code 有bug，就要單獨做測試，至少在我的電腦裡，它抓的滿好的。

整理 data 轉成 收盤價 time series

接下來我們來看一下得到了什麼：

我們像上圖一樣，只拿取 “2019-06-05” 號的股價，會像上面這樣，變換不同的日期，可以得到不同的表。但這並不是我們想要的，我們想要有 time series，也就是看到某個欄位隨時間變動的圖表，於是我們做以下的轉換：

close = pd.DataFrame({k:d['收盤價'] for k,d in data.items()}).transpose()
close.index = pd.to_datetime(close.index)
close

在上面的程式中，現在我們只拿所有股票的 收盤價，並建構 close 這個 dataframe，這個 dataframe，假如你還不知道什麼是 dataframe，或對 dataframe 還不熟，可以參考連結學習一下。

輸入後會看到以下成品：

現在整張表都只剩 收盤價 了，而且還是按照日期排列，超讚的！我也覺得很開心，竟然兩行就處理完，可見pandas真的很厲害！

時間序列還有非常多功用！接下來我們就來實做一百種指標吧！