【量化分析】MACD指標回測實戰

以免費資料庫進行技術指標回測

TEJ 台灣經濟新報

Published in

TEJ-API 金融資料分析

9 min readSep 28, 2021

本文重點概要

文章難度：★★☆☆☆
MACD指標回測與視覺化買賣點
閱讀建議：本文針對市場上常用的MACD指標進行更貼近現實的回測，並以視覺化的方式觀察買賣點。而本文主要是提供讀者回測所需考慮的面向與架構，而非支持技術指標的實用性。若讀者欲了解其他常用的技術指標，可閱讀【量化分析(二)】- 技術分析簡介與回測，進而發想出有利可圖的交易策略！

前言

MACD的中文為平滑異同移動平均線，為一種判斷股價中長期趨勢的指標。當快線(DIF)由下而上穿越慢線(MACD)時，代表股價有上漲的動能存在；反之快線(DIF)向下跌破慢線(MACD)時，代表股價下跌的機率相對高。由於此類型的指標有明確的買賣訊號，所以非常適用利用回測來驗證該策略表現。

而一個有效的回測，除了有明確的買賣點之外，買賣股票的成本也必須考量到買賣訊號產生的時機、手續費與證交稅，甚至是最低消費20元的限制，計算報酬率時亦要考慮手中現金部位，才會最貼近實際採用該策略的表現！

編輯環境及模組需求

本文使用 Windows OS 並以 Jupyter Notebook 作為編輯器

#基本功能
import numpy as np
import pandas as pd#繪圖
import plotly.graph_objects as go
from plotly import subplots#TEJ
import tejapi
tejapi.ApiConfig.api_key = "Your Key"
tejapi.ApiConfig.ignoretz = True

資料庫使用

免費資料庫 : 資料庫代碼 ‘ TRAIL/TAPRCD ’，包含上市櫃公司於2020年間的未調整股價

資料處理

Step 1. 股價資料撈取

stock_data = tejapi.get('TRAIL/TAPRCD',
            coid= '3481',
            mdate={'gte': '2020-01-01', 'lte': '2020-12-31'},
            opts={'columns': ['coid', 'mdate', 'open_d','close_d']},
            chinese_column_name=True,
            paginate=True)

本文以撈取以群創光電(3481)於2020年間股價做為示範，欄位選擇開盤價與收盤價，前者計算買賣價格與成本，後者用於計算買賣訊號

Step 2. 訊號撰寫

stock_data['12_ema'] = stock_data['收盤價(元)'].ewm(span = 12).mean()
stock_data['26_ema'] = stock_data['收盤價(元)'].ewm(span = 26).mean()
stock_data['dif'] = stock_data['12_ema']  - stock_data['26_ema']
stock_data['macd'] = stock_data['dif'].ewm(span = 9).mean()

接下來以收盤價計算MACD。首先利用 ewm().mean() 的方式計算12天與26天的指數移動平均線，兩者之間的差即為快線DIF，再以此快線計算9日指數移動平均，則可以得到慢線MACD

stock_data['買賣股數'] = 0 #如果黃金交叉，隔天開盤買進
stock_data['買賣股數'] = np.where((stock_data['dif'].shift(1)>stock_data['macd'].shift(1)) & (stock_data['dif'].shift(2)<stock_data['macd'].shift(2)), 1000, stock_data['買賣股數'])#如果死亡交叉，隔天開盤賣出
stock_data['買賣股數'] = np.where((stock_data['dif'].shift(1)<stock_data['macd'].shift(1)) & (stock_data['dif'].shift(2)>stock_data['macd'].shift(2)), -1000, stock_data['買賣股數'])

有了慢線與快線之後，即可建立買賣股數訊號。當兩日前的DIF仍小於MACD線stock_data[‘dif’].shift(2)<stock_data[‘macd’].shift(2)，但卻於昨日DIF大於MACD stock_data[‘dif’].shift(1)>stock_data[‘macd’].shift(1)，代表昨日出現黃金交叉買點，而因為這個訊號於昨日收盤才能確定，因此於今日開盤才購買1000股，若不符合買點條件，則維持原欄位內容stock_data[‘買賣股數’]。同理，出現死亡交叉時，亦是隔日開盤時才賣出1000股。

Step 3. 計算交易成本

stock_data['手續費'] = stock_data['開盤價(元)']* abs(stock_data['買賣股數'])*0.001425
stock_data['手續費'] = np.where((stock_data['手續費']>0)&(stock_data['手續費'] < 20), 20, stock_data['手續費'])
stock_data['證交稅'] = np.where(stock_data['買賣股數']<0, stock_data['開盤價(元)']* abs(stock_data['買賣股數'])*0.003, 0)
stock_data['摩擦成本'] = (stock_data['手續費'] + stock_data['證交稅']).apply(np.floor)

摩擦成本包含了手續費(0.1425%)與證交稅(0.3%)。當買入股票時，所需負擔的是手續費，但要注意的是如果券商沒有提供相關優惠，則往往會有低消20元限制；而賣出時要負擔的是手續費與證交稅。

報酬率計算

stock_data['股票價值'] = stock_data['買賣股數'].cumsum() * stock_data['收盤價(元)']
stock_data['現金價值'] = 10000 - stock_data['摩擦成本'] + (stock_data['開盤價(元)']* -stock_data['買賣股數']).cumsum() 
stock_data['資產價值'] = stock_data['股票價值'] + stock_data['現金價值']

假設初始現金有10000元台幣，資產價值為股票部位價值與現金部位價值的加總。股票價值隨著股票持有數量、股價波動；現金價值則隨著買賣操作變動，買入股價時減少，賣出時增加，並考慮摩擦成本。

stock_data['當日價值變動(%)'] = (stock_data['資產價值']/stock_data['資產價值'].shift(1) - 1)*100
stock_data['累計報酬(%)'] = (stock_data['資產價值']/10000 - 1)*100

接著即可利用資產價值的每日變化，計算每日報酬率；也能以初始現金計算累計報酬。

視覺化

Step 1. 買賣點觀察(詳見完整程式碼)

可以看到MACD策略的確可以掌握部分波段，但在盤整時有反覆買賣的風險，仍需特別注意。

Step 2. 策略表現(詳見完整程式碼)

可以看到採用MACD策略，資產價值每日的波動在8%上下以內，若波動為0代表目前手中僅有現金部位。最後的累計報酬約為63%，優於同時期0050約30%左右報酬。

結論

讀者應該可以發現，當買賣點觸發過於頻繁時，則累積的摩擦成本不容小覷，導致表現結果可能還不如期初買入並持有。而再反覆調整初始資金後也能發現資產配置的重要性，因為當手中現金部位過大時，會拉低整體的報酬率，但相對地每日價值波動幅度也較低。其實如果要貼近現實的回測，也必須考慮持有期間的除權息，但本文為了搭配當時股價顯示買賣點，才選擇採用未調整的股價計算報酬率；若操作方向為做空的話，更需要考慮保證金問題，而本文首筆交易為買入，故皆為一買一賣操作。若讀者想回測更長的區間、使用調整後的股價，推薦到 TEJ E-Shop 挑選最適合的方案！

【量化分析】MACD指標回測實戰

以免費資料庫進行技術指標回測

本文重點概要

前言

編輯環境及模組需求

資料庫使用

資料處理

報酬率計算

視覺化

結論

完整程式碼

延伸閱讀

相關連結

Written by TEJ 台灣經濟新報