1. 原理

1.1 日内回转交易

日内回转交易，顾名思义就是在一天内完成“买”和“卖”两个相反方向的操作（可一次也可多次），也就是“T+0”交易。

日内回转可用于股票和期货。其中期货采用“T+0”交易制度，可以直接进行日内回转交易。由于A股采用的是“T+1”交易制度，无法直接进行日内回转交易，需要先配置一定的底仓再进行回转交易。

1.2 股票的日内回转交易

怎样对股票进行日内回转交易？

首先，在正式交易的前一个交易日配置一定的底仓。以500股为例，记做total = 500。

然后开始正式的日内回转交易。

配置底仓的作用是利用替代法实现“T+0”。由于当天买入的股票当天不能卖出，但底仓是可以卖出的，用底仓替代新买入的股票进行卖出操作。假设在第二个交易日发生了1次买入，5次卖出交易，每次交易买卖数量为100股。利用turnaround = [0,0]变量记录每次交易的数量，也是当天收盘时需要回转的记录。其中第一个数据表示当日买入数量，第二个数据表示当日卖出数量。下表为单个交易日的买卖信号。

假设在表的最后再加一个卖出信号是否可行？

答案是不可行。

因为如果再加一个卖出信号，需要回转的股票数量变为[100,500]，即开多100股，开空500股。这就意味着在当天收盘之前，需要卖出100股，再买入500股进行回转。这个交易日内已经出现5次卖出信号，底仓的500股已经全部卖出，仅有100股今日买入的仓位，这部分股票是不能当日卖出的。所以，不能再添加卖出信号。

因此，在判断买入或卖出信号是否能执行时，隐含一个判断条件。即：

每次交易的数量 + 当日买入的数量（turnaround的第一位）< 底仓数量（以卖出信号为例）。

1.3 MACD指标简介

MACD又称“异移动平均线”，是根据双指数移动平均线发展而来。由快的指数（常12）减去慢的指数（常26）得到DIF，再用2×（快线DIF-DIF的9日加权移动均线DEA）得到MACD柱。

DIF的计算方法为： DIF = 当天的12日指数移动平均值 – 当天的26日指数应对平均值。
注：上市首日的EMA12和EMA26利用当天的收盘价替代。

2. MACE日内交易策略思路探讨

第一步：设置变量
context.first:底仓配置信号，0表示未配置底仓；1表示配置底仓。
context.trade_n:每次交易数量。
context.day:用来获取前一交易日的时间和最新交易日的时间，第一位是最新交易日，第二位是前一交易日。当二者不同时，意味着新的一天，需要初始化其他变量。
context.ending：开始回转信号，0表示未触发；1表示已触发。
context.turnaround：当日买卖股票操作记录，也是回转记录。第一位代表买入股数，第二位代表卖出股数。

第二步：计算MACD指标，设计交易信号
当 MACD 小于 0 时，买入对应股票100手；
当 MACD 大于 0 时，卖出对应股票100手;

第三步：接近收盘时，全部回转

回测标的：SHSE.600000
回测期：2017-09-01 8:00:00 到2017-10-01 16:00:00
回测初始资金：200万

3. MACD 日内交易策略代码

1. # coding=utf-8

2. from __future__ import print_function, absolute_import, unicode_literals

3. import sys

4. try:

5. import talib

6. except:

7. print(‘请安装TA-Lib库’)

8. # 安装talib请看文档https://www.myquant.cn/docs/gm3_faq/154?

9. sys.exit(-1)

10. from gm.api import *

11. def init(context):

12. # 设置标的股票

13. context.symbol = ‘SHSE.600000’

14. # 用于判定第一个仓位是否成功开仓

15. context.first = 0

16. # 订阅浦发银行, bar频率为1min

17. subscribe(symbols=context.symbol, frequency=’60s’, count=35)

18. # 日内回转每次交易100股

19. context.trade_n = 100

20. # 获取昨今天的时间

21. context.day = [0, 0]

22. # 用于判断是否到达接近收盘，所以不再交易

23. context.ending = 1

24. def on_bar(context, bars):

25. bar = bars[0]

26. # 配置底仓

27. if context.first == 0:

28. # 需要保持的总仓位

29. context.total = 10000

30. # 购买10000股浦发银行股票

31. order_volume(symbol=context.symbol, volume=context.total, side=OrderSide_Buy,

32. order_type=OrderType_Market, position_effect=PositionEffect_Open)

33. print(context.symbol, ‘以市价单开多仓10000股’)

34. context.first = 1.

35. day = bar.bob.strftime(‘%Y-%m-%d’)

36. context.day[-1] = int(day[-2:])

37. # 每天的仓位操作

38. context.turnaround = [0, 0]

39. return

40. # 更新最新的日期

41. day = bar.bob.strftime(‘%Y-%m-%d %H:%M:%S’)

42. context.day[0] = bar.bob.day

43. # 若为新的一天,获取可用于回转的昨仓

44. if context.day[0] != context.day[-1]:

45. context.ending = 0

46. context.turnaround = [0, 0]

47. # 如果接近收盘，则不再交易

48. if context.ending == 1:

49. return

50. # 若有可用的昨仓则操作

51. if context.total >= 0:

52. # 获取时间序列数据

53. symbol = bar[‘symbol’]

54. recent_data = context.data(symbol=symbol, frequency=’60s’, count=35, fields=’close’)

55. # 计算MACD线

56. macd = talib.MACD(recent_data[‘close’].values)[0][-1]

57. # 根据MACD>0则开仓,小于0则平仓

58. if macd > 0:

59. # 多空单向操作都不能超过昨仓位,否则最后无法调回原仓位

60. if context.turnaround[0] + context.trade_n < context.total:

61. # 计算累计仓位

62. context.turnaround[0] += context.trade_n

63. order_volume(symbol=context.symbol, volume=context.trade_n, side=OrderSide_Buy,

64. order_type=OrderType_Market, position_effect=PositionEffect_Open)

65. print(symbol, ‘市价单开多仓’, context.trade_n, ‘股’)

66. elif macd < 0:

67. if context.turnaround[1] + context.trade_n < context.total:

68. context.turnaround[1] += context.trade_n

69. order_volume(symbol=context.symbol, volume=context.trade_n, side=OrderSide_Sell,

70. order_type=OrderType_Market, position_effect=PositionEffect_Close)

71. print(symbol, ‘市价单开空仓’, context.trade_n, ‘股’)

72. # 临近收盘时若仓位数不等于昨仓则回转所有仓位

73. if day[11:16] == ’14:55′ or day[11:16] == ’14:57′:

74. position = context.account().position(symbol=context.symbol, side=PositionSide_Long)

75. if position[‘volume’] != context.total:

76. order_target_volume(symbol=context.symbol, volume=context.total, order_type=OrderType_Market,

77. position_side=PositionSide_Long)

78. print(‘市价单回转仓位操作…’)

79. context.ending = 1

80. # 更新过去的日期数据

81. context.day[-1] = context.day[0]

82. if __name__ == ‘__main__’:

83. ”’

84. strategy_id策略ID,由系统生成

85. filename文件名,请与本文件名保持一致

86. mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST

87. token绑定计算机的ID,可在系统设置-密钥管理中生成

88. backtest_start_time回测开始时间

89. backtest_end_time回测结束时间

90. backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST

91. backtest_initial_cash回测初始资金

92. backtest_commission_ratio回测佣金比例

93. backtest_slippage_ratio回测滑点比例

94. ”’

95. run(strategy_id=’strategy_id’,

96. filename=’main.py’,

97. mode=MODE_BACKTEST,

98. token=’token_id’,

99. backtest_start_time=’2017-09-01 08:00:00′,

100. backtest_end_time=’2017-10-01 16:00:00′,

101. backtest_adjust=ADJUST_PREV,

102. backtest_initial_cash=2000000,

103. backtest_commission_ratio=0.0001,

104. backtest_slippage_ratio=0.0001)

4. MACD日内交易回测结果与稳健性分析

设定初始资金200万，手续费率为0.01%，滑点比率为0.01%。回测结果如下图所示。

回测期累计收益率为-0.04%，年化收益率为-0.46%，沪深300收益率为0.16%，整体跑输指数。最大回撤为0.23%，胜率为40.07%。

为了检验MACD日内交易策略的稳健性，改变回测期，得到回测结果如下表所示。

结论：可以看出，单通过MACD日内回转交易的最大回撤都维持在较低水平。同时，胜率和年化收益率也相对偏低。

日内回转交易人工做T年化收益率在5%-20%左右，要比日内回转交易策略做T（程序化做T）的年化收益率高很多。

注：此策略只用于对比、学习、交流、演示，不构成任何投资建议。