揭秘”智能定投“ | 数量技术宅

揭秘”智能定投“-LMLPHP

更多精彩内容，欢迎关注公众号：数量技术宅，也可添加技术宅个人微信号：sljsz01，与我交流。

什么是智能定投

大家如果打开某某宝的基金理财界面，选择某一个基金标的的定投，往往会在选择定投方式时出现两个选项，一是普通定投、二是智能定投。而且往往智能定投的收益率会高于普通定投，那么，究竟什么是智能定投，它是怎么个智能法，使得收益率高于普通定投？我们将通过这篇文章来揭开智能定投的面纱。

揭秘”智能定投“-LMLPHP

在介绍智能定投前，我们先简要回顾普通定投，普通定投，用一句话解释，即以固定金额、固定间隔时间，定期、定额投资于基金或其他想要投资标的。普通定投有如下几个优点：一是定期投资，积少成多，二是不需要进行择时，避免了低买高卖，三是平均投资，分散风险，四是复利效果，长期可观。

而智能定投，其实是普通定投的一种改进方式，其核心逻辑是在定投标的的价格低位、价值低估区域尽可能多投资，而在定投标的价格高位、价值高估区域少投资或不投资，从而使得其平均成本低于普通定投、收益率高于普通定投。

于是，智能定投的关键点聚焦在了如何判断价格的高低位，对于这个问题，某宝也给出了它自己的判断方式，其设置了一个参考指数的多日均线，当价格低于均线，且距离位置越远，定投金额越大，即低位多买。

揭秘”智能定投“-LMLPHP

反过来，当价格高于均线，且距离位置越远，定投金额越小，即高位少买。这样的低位多买、高位少买逻辑，使得智能定投的收益率，比普通定投高了约3%以上的年化收益率。

揭秘”智能定投“-LMLPHP

Python实现智能定投策略

我们参考某宝的智能定投逻辑，并加以改进，同样实现的是低位多买、高位少买的大逻辑。并根据投资标的的历史波动，将标的划分为4个区域，分别是：价格低位区域、价格中等偏低区域、价格中等偏高区域、价格高位区域，并依次减小这4个区域的定投金额，即价格低位区域定投金额最大，价格高位区域定投金额最小。

数据准备

为实现这样的定投策略，我们首先需要准备好定投标的的历史数据，以BTC为例，我们准备好了BTC从2017年到最新的日K数据。

揭秘”智能定投“-LMLPHP

这里需要说明的是，我们的定投程序支持所有金融标的的历史回溯测试，只需要将数据格式准备的与上述BTC数据样例的字段一样，即可运行程序得到相应的测试结果。

逻辑实现

读入数据后，我们逐日依次判断，当前日期的最新价格，位于价格低位区域、价格中等偏低区域、价格中等偏高区域、价格高位区域的哪个位置，并且根据价格所在的区域位置，设定投资金额的大小。

首先通过两个参数adj_1、adj_2，调整定投金额的比例，参数可以按需修改。

adj_1 = 0.4
adj_2 = 0.8

然后，通过确定价格定投区域的哪个位置，确定定投金额的大小。如果价格位于价格低位区域，则定投金额为正常金额的（1+adj_2）倍，如果价格位于价格中等偏低区域，则定投金额为正常金额的（1+adj_1）倍，其他依次类推。

condition1 = XXX
df.loc[condition1, 'invest_val'] = base_invest_fun * (1 - adj_1)

condition2 = XXX
df.loc[condition2, 'invest_val'] = base_invest_fun * (1 - adj_2)

condition3 = XXX
df.loc[condition3, 'invest_val'] = base_invest_fun * (1 + adj_1)

condition4 = XXX
df.loc[condition4, 'invest_val'] = base_invest_fun * (1 + adj_2)

结果可视化

通过每期定投金额，我们可以计算出总投资金额、以及总投资市值、盈利情况、盈利比例等结果，并将其中关键的结果，采用可视化的形式呈现出来，回测结果呈现于下一小节。

fig, ax1 = plt.subplots()
ax1.plot(df['date'], df['net_value'], 'r-', label='Market Value')
ax1.plot(df['date'], df['total_invest_val'], 'y-', label='My Total Cost')
ax1.set_xlabel("year")
ax1.set_title("BTC 定投")
plt.legend(loc='best')
plt.show()