Table of Contents
超級趨勢指標 ( SuperTrend Indicator ) 是一種技術分析工具，用於識別金融市場中的趨勢走向，幫助投資人判別波段的相對高點及低點，進而做出買賣決策，因此超級趨勢指標特別適合無法判別股價走向，或是常常太早退場、錯過波段漲幅的投資人。不過超級趨勢指標也有在盤整階段會失靈的缺點，所以本文我們將使用平均趨向指標 ( Average Directional Index, ADX 指標 ) 來優化超級趨勢策略。
ADX 指標是由 J. Welles Wilder 於 1978 年研發，代表價格趨勢強度的指標，ADX 指標介於 0~100，數值越大，即代表趨勢越強。因此我們將結合超級趨勢指標與 ADX 指標，有效判斷出趨勢與盤整區間，藉此建構超級趨勢策略，並利用 TQuant Lab 回測其績效，幫助投資人深入了解超級趨勢策略如何賺取波段收益。
上圖為超級趨勢指標於價格曲線上的示意圖，我們可以看到超級趨勢指標能有效地判別出趨勢上漲的區間；但相對的，在盤整區間超級趨勢指標便會失靈，產生交易上的雜訊，因此本文我們將超級趨勢指標搭配可以為我們判斷趨勢強度的 ADX 指標，建構出超級趨勢策略。以下我們將分別介紹超級趨勢指標與 ADX 指標的計算公式，讓我們一窺這兩種指標的奧秘！
雖然在以上的示意圖中，超級趨勢指標看似只由一條曲線組成，不過實際上超級趨勢指標擁有上軌與下軌——當收盤價突破上軌，代表價格突破壓力，即將形成上漲趨勢，此時下軌將成為新的支撐；反之，當收盤價跌破下軌，代表價格跌破支撐，即將形成下跌趨勢，此時上軌則成為新的壓力，因此我們看到的超級趨勢指標即為上漲趨勢中的支撐 ( 下軌 ) 與下跌趨勢中的壓力 ( 上軌 ) 所形成。
為了計算超級趨勢指標的上下軌，我們需要以下三個步驟：
Step1: 計算 ATR
ATR ( Average True Range, 真實波動幅度均值 ) 的計算基於 TR ( True Range, 真實波動幅度 )。TR 代表特定時間內的最大價格變動範圍，通常由以下三個差值中絕對值的最大值來決定：
將 TR 進行一段時間 ( window length ) 的移動平均，即可取得 ATR，一般為 14 日 ATR。
p.s. 更多關於 ATR 的應用可以參考：TQuant Lab 損失規避策略 — 真實波動幅度均值。
Step2: 計算基準上軌與下軌
基準上、下軌公式：
其中，Multiplier 是一個用來調整基準線距離的倍數，一般為 2 或 3。
Step3: 計算最終上軌與下軌
ADX 指標的數值範圍在 0 到 100 之間，其數值的涵義如下：
ADX 指標的計算包含以下四個步驟：
Step1: 計算 ATR
同超級趨勢指標中 ATR 的計算方法。
Step2: 計算 +DM, -DM ( Directional Movement )
Step3: 計算 +DI, -DI ( Directional Indicator )
Step4: 計算 ADX
DX = 100 × ( |+DI – (-DI)| / |+DI + (-DI)| )
將 DX 進行一段時間 ( window length ) 的移動平均，即可取得 ADX。
以下，我們將透過 TQuant Lab 來生成超級趨勢策略所需的交易訊號。
本文使用 Windows 11 並以 Jupyter Lab 作為編輯器。
import os
import numpy as np
import pandas as pd
# tej_key
tej_key = 'your key'
api_base = 'https://api.tej.com.tw'
os.environ['TEJAPI_KEY'] = tej_key
os.environ['TEJAPI_BASE'] = api_base根據超級趨勢指標的特性，我們希望選取具有成長性且容易形成趨勢的股票，因此我們使用 get_universe 函式取得 2018 年底電子工業的上市股票清單，並透過 TEJ Tool API 篩選市值前 10 名的股票。
from zipline.sources.TEJ_Api_Data import get_universe
pool = get_universe(start = '2018-12-28',
end = '2018-12-28',
mkt_bd_e = 'TSE', # Listed stock in Taiwan
stktp_e = 'Common Stock',
main_ind_c = 'M2300 電子工業' # Electronics Industry
)import TejToolAPI
mktcap_data = TejToolAPI.get_history_data(start = '2018-12-28',
end = '2018-12-28',
ticker = pool,
columns = ['Market_Cap_Dollars']
)
tickers = mktcap_data.nlargest(10, 'Market_Cap_Dollars')['coid'].tolist()資料期間從 2019-01-01 至 2024-07-01，並導入上述 10 檔股票的價量資料與加權股價報酬指數 ( IR0001 ) 作為績效比較基準。
start = '2019-01-01'
end = '2024-07-01'
os.environ['mdate'] = start + ' ' + end
os.environ['ticker'] = ' '.join(tickers) + ' ' + 'IR0001'
!zipline ingest -b tquant有了價量資料，我們就能使用 CustomFactor 函式建構出我們所需的超級趨勢指標上下軌，以及 ADX 指標。此外，為了藉由超級趨勢指標最佳化地判斷出趨勢區間，減少短期的交易雜訊，我們將超級趨勢指標的 ATR 計算區間設為 50 日，並將計算基準上下軌的 Multiplier 設為 4；ADX 指標的計算區間則設為 14 日，以便及時判讀趨勢強弱。
詳細 CustomFactor 因子建構方式可參考 GitHub 原始碼：TQuant Lab 超級趨勢策略。
Pipeline() 提供使用者快速處理多檔標的的量化指標與價量資料的功能，於本次案例我們用以處理：
from zipline.data import bundles
from zipline.pipeline import Pipeline
from zipline.TQresearch.tej_pipeline import run_pipeline
from zipline.pipeline.filters import StaticAssets
bundle = bundles.load('tquant')
benchmark_asset = bundle.asset_finder.lookup_symbol('IR0001',as_of_date = None)
def make_pipeline():
close = TWEquityPricing.close.latest
supertrend = Supertrend()
adx = ADX()
return Pipeline(
columns={
'close': close,
'final_upperband': supertrend.final_upperband,
'final_lowerband': supertrend.final_lowerband,
'ADX': adx.adx
},
screen = ~StaticAssets([benchmark_asset])
)
pipeline_result = run_pipeline(make_pipeline(), start, end)
pipeline_result
initialize() 函式用於定義交易開始前的每日交易環境，與此例中我們設置：
from zipline.finance import slippage, commission
from zipline.utils.calendar_utils import get_calendar
from logbook import Logger, StderrHandler, INFO
from zipline.api import *
# Set up 'log' so we can see trading details when backtesting.
log_handler = StderrHandler(format_string='[{record.time:%Y-%m-%d %H:%M:%S.%f}]: ' +
'{record.level_name}: {record.func_name}: {record.message}',
level=INFO)
log_handler.push_application()
log = Logger('Algorithm')
def initialize(context):
set_slippage(slippage.VolumeShareSlippage())
set_commission(commission.Custom_TW_Commission())
set_benchmark(symbol('IR0001'))
attach_pipeline(make_pipeline(), 'mystrategy')
context.has_ordered = {}handle_data() 為構建交易策略的重要函式，會在回測開始後每天被呼叫，主要任務為設定交易策略、下單與紀錄交易資訊。
如文章開頭所述，我們希望透過 ADX 指標判別出夠強的趨勢再進行交易，以減少超級趨勢指標無法判讀盤整區間的劣勢，不過在建構買進訊號時，我們並不會避開盤整區間，原因是盤整區間可視為股市休息、能量累積的階段，不失為進場布局的好時機；反之，在建構賣出訊號時，我們才需要搭配 ADX 指標，確保進入下行趨勢再賣出持股，以免錯過先前的波段漲勢。
超級趨勢策略的進出場規則如下：
def handle_data(context, data):
out_dir = pipeline_output('mystrategy')
for i in out_dir.index:
sym = i.symbol
price = out_dir.loc[i, 'close']
ADX = out_dir.loc[i, 'ADX']
final_upperband = out_dir.loc[i, 'final_upperband']
final_lowerband = out_dir.loc[i, 'final_lowerband']
cash_position = context.portfolio.cash
stock_position = context.portfolio.positions[i].amount
buy, sell = False, False
if context.has_ordered.get(f'{i}') is None:
context.has_ordered[f'{i}'] = False
record(
**{
f'price_{sym}': price,
f'buy_{sym}': buy,
f'sell_{sym}': sell
}
)
if stock_position == 0:
if (context.has_ordered[f'{i}'] == False) and (price > final_upperband):
order_target_percent(i, 1/len(tickers))
buy = True
context.has_ordered[f'{i}'] = True
record(**{f'buy_{sym}': buy})
elif stock_position > 0:
if (context.has_ordered[f'{i}'] == True) and (price < final_lowerband) and (ADX > 50):
order_target_percent(i, 0)
sell = True
context.has_ordered[f'{i}'] = False
record(**{f'sell_{sym}': sell})使用 run_algorithm() 執行上述設定的超級趨勢策略，設置交易期間為 start_dt ( 2019-01-01 ) 到 end_dt ( 2024-07-01 )，所使用資料集為 tquant，初始資金為 10,000,000 元。其中輸出的 results 就是每日績效與交易的明細表。
start_dt = pd.Timestamp(start, tz = 'utc')
end_dt = pd.Timestamp(end, tz = 'UTC')
from zipline import run_algorithm
results = run_algorithm(
start = start_dt,
end = end_dt,
initialize = initialize,
bundle = 'tquant',
analyze = analyze,
capital_base = 1e7,
handle_data = handle_data
)
results
import pyfolio as pf
returns, positions, transactions = pf.utils.extract_rets_pos_txn_from_zipline(results)
benchmark_rets = results.benchmark_return
# Creating a Full Tear Sheet
pf.create_full_tear_sheet(returns=returns,
positions=positions,
transactions=transactions,
benchmark_rets=benchmark_rets
)
透過上表我們可以看到超級趨勢策略的年化報酬率達到 25.88%，年化波動度則約為相對較低的 13%。若進一步觀察績效指標，夏普比率為 1.84，索提諾比率則為 2.82，顯示超級趨勢策略能有效迴避下行風險，並在承受較低的風險下賺取超額報酬。觀察報酬曲線圖，雖然超級趨勢策略並沒有明顯超過大盤的績效，不過我們可以發現 2021 年初達到波段高點後的報酬趨於水平到 2022 年中，成功避免了 2022 熊市的大回檔，並且在 2023 年後也有不錯的回升趨勢，可見超級趨勢策略鎖住波段獲利、提前規避下行趨勢風險的特性。
在回檔比率圖中，可見最大的兩次回檔發生在 2020 年初的疫情恐慌以及 2022 年的熊市，不過相較於大盤兩次皆有約 30% 的回檔，超級趨勢策略的 16% 及 14 % 回檔已是相對較小的了。
我們藉由 Pipeline 輸出的資料表，以及 run_algorithm() 產出的 results 交易明細表額外建立了一個函式 graph() 幫助我們了解個別股票於超級趨勢策略的表現。
graph() 建構方式可參考 GitHub 原始碼：TQuant Lab 超級趨勢策略。
上圖中紅點為進場點，綠點為出場點。可以看到超級趨勢策略在 2019 到 2020 年的上行趨勢中成功獲利，不過在 2021 年的盤整階段以及 2022 年的下行趨勢中卻有買在相對高點的失靈狀況，所幸我們透過 ADX 指標優化的賣點限縮了部分的跌幅，最後於 2023 年的買點也成功抱住波段獲利到 2024 年 7 月。
本次策略由超級趨勢指標進行發想，而有鑑於超級趨勢指標於盤整階段的失靈現象，我們也使用 ADX 指標來優化策略，減少短期的交易雜訊。透過 Pyfolio 產出的績效分析圖表，我們觀察到超級趨勢策略有效規避下行趨勢的特性；另外我們也查看台積電在本策略的表現，結果發現策略確實有把握波段漲幅的效果。
需要提醒投資朋友的是，本文在策略建構上涉及股票池的選定以及指標計算的參數設定，不同股票池與參數皆可能對績效表現有所影響，對本策略有興趣的投資朋友可以嘗試不同的設定，建構最有效益的投資策略。
溫馨提醒，本次策略與標的僅供參考，不代表任何商品或投資上的建議。之後也會介紹使用 TEJ 資料庫來建構各式指標，並回測指標績效，所以歡迎對各種交易回測有興趣的讀者，選購 TQuant Lab 的相關方案，用高品質的資料庫，建構出適合自己的交易策略。
