【回測系列】KD 指標買台股 (二)
繼 上一篇 文章嘗試使用坊間常見的 KD 指標來進行投資，會發現實際上單純使用 日 K＜20 時買進，日 K＞80 時賣出 的策略在實際執行上交易的成果並不好，那我們有什麼方法可以來進化這個策略呢？最常見的辦法就是使用 Grid Search 來找出最佳的策略參數。
▍Grid Search 網格搜索
網格搜尋的想法其實非常的單純，就是透過窮舉的方式來找出所有參數組合之中的最佳組合，以我們現在要最佳化的 KD 指標為例，我們在上一篇文章之中有提出一個質疑，為什麼我們的交易訊號得是 20 跟 80 呢？有沒有可能是 10 跟 90 ? 還是有任何更好的組合，那我們會透過窮舉的方式來找出最佳組合。
以下我們使用 Fastquant 來進行 Grid Search ， Fastquant 是 2020 年才開始發展的回測系統，目標是可以快速地幫助你回測策略。 Fastquant 有提供很方便的 Grid Search 的功能，只要你輸入要窮舉的 python list object，就能快速的進行 Grid Search。另外我們也會利用 TA 來計算技術指標的數值， TA 是一套提供技術指標數學計算的套件，可以減少我們得自己手寫技術指標數學計算的好用工具。
以下是 Grid Search 的程式碼，基本的設定跟上一次我們在第一篇文章的設定是一樣的，也會嘗試慢慢加碼買進。
import pandas as pd
from fastquant import backtest, get_stock_data
from ta.momentum import StochasticOscillator# Fastquant 套件會使用 Yahoo Finance 來取得股價
df = get_stock_data("0050.TW", "2008-01-01", "2020-10-15", format='ohlcv')# 透過 TA 底下的 KD 函式來計算 K 值
indicator = StochasticOscillator(close=df['close'], high=df['high'], low=df['low'], n=14)df_k = indicator.stoch()
df['k'] = df_k# 透過 range 建立 list object 來搜尋最佳參數
backtest("custom", df, upper_limit=range(10, 90, 5), lower_limit=range(10, 90, 5), custom_column='k', buy_prop=0.1, commission=0.003)
▍Grid Search 搜尋結果
執行過後的結果，由機器進行 Grid Search 後會發現，最佳的參數其實是 日 K＜10 時買進，日 K＞50 時賣出 ，反而是比較好的參數，不過從 2008 年交易到 2020–10–15 日的成績，其實也是只能有 103991 元，看來這個策略只要遇到金融海嘯都不會有太好的結果。
如果還有讀者真的想要試試看各種不同的參數，甚至也想要搜尋 KD 指標計算天數的最佳範圍的話，可以嘗試安裝 Fastquant 來試試看不同的組合。
▍結論
其實單純使用技術指標是很難取得太好的回報，大多看起來好的回測結果，只是透過窮舉參數取得最佳答案，非常有可能是 Over-fitting (過度擬合) 的結果，因為我們始終都是 用過去的歷史去找未來可能的答案，單純只是使用單一技術指標找出過去最佳化的參數，只是對過去的結果找出最好的獲利罷了，事實上我們並不能確定在未來也能取得一樣好的回報。 筆者其實更傾向透過 資產配置 的方式來取得獲利，對大部分的投資人來說，更容易執行，更容易讓自己專注在生活！
很抱歉讓大家失望了，我們其實沒辦法只透過 Grid Search 來改進 KD 的策略，不過至少讓大家了解，以日為觀察基礎的單一技術指標的策略，既耗費精神，甚至因為交易成本過高的關係其實是很難取得獲利的！
謝謝您的閱讀！如果有任何回饋或有興趣的主題，歡迎留言給 CAGR.RUN !如果單純想給我一點鼓勵，請給我 1–10 個拍手
如果覺得文章對你有點幫助，請給我 11-30 個拍手
如果想看更多資料科學或是投資的秘密，請盡情長按拍手（max 50）讓我們知道 👏🏻想要持續追蹤 CAGR.RUN 的最新文章，請記得訂閱，雖然沒有小鈴鐺。
我們每個週末都會認真更新文章，持續設計程式小工具或是提供新的知識！所有設計的工具可以到 https://www.cagr.run/ 來尋寶喔！
