量化交易backtrader实践(三)_指标与策略篇(1)_指标简介与手工双均线策略
01_指标
指标是一个汉语词语，读音是zhǐ biāo，意思是衡量目标的参数；预期中打算达到的指数、规格、标准，一般用数据表示。
统计学术语
指标是说明总体数量特征的概念及其数值的综合，故又称为综合指标。在实际的统计工作和统计理论研究中，往往直接将说明总体数量特征的概念称为指标。
简单理解，概念+数值 = 指标。
在工作上，可以有验收指标，评价指标，销售指标等。因此股票研究中，会产生各种不同的指标，比如MA(移动平均值）,比如30天最高，也可以出现许多的组合或者复杂指标，比如KDJ, MACD。更可以叠加成各种不同的战法指标。注意指标的概念，指标可以是有效的，也可以的错误的。
001_均线类指标
A_平均值与中位数
首先，平均值与中位数是两个概念，需要把它们的差别理解清楚。
平均值（Mean）和中位数（Median）都是描述数据集中趋势的统计量，但它们的定义和计算方式不同，适用于不同类型的数据分布。
平均值（Mean）：
- 定义：所有数值加起来的总和除以数值的数量。
- 计算公式：平均值
- 其中Xi 表示数据集中的每一个数值，n是数值的总数。
- 特点：容易受到极端值（非常高或非常低的数值）的影响。
中位数（Median）：
- 定义：将数据集从小到大排序后位于中间位置的数值。如果数据集中的数值个数是奇数，中位数就是中间的那个数；如果是偶数，则是中间两个数的平均值。
- 计算方法：首先将数据集排序，然后找到中间的数值。
- 特点：不受极端值的影响，更能反映数据的中心位置。
- 敏感性：平均值对极端值敏感，中位数则不敏感。
- 计算方式：平均值是所有数值的总和除以数值的数量，中位数是排序后位于中间位置的数值。
- 数据分布：如果数据分布是对称的，平均值和中位数通常很接近；如果数据分布是偏斜的，两者可能会相差很大。
- 应用场景：在数据分布不均或包含极端值的情况下，中位数通常是一个更稳健的中心趋势度量。
我们用一个简单的例子来说明它们之间的差别，通过python代码随机产生31（中位数是排序后第16个）个介于50~100之间数（某个班的考试成绩），然后计算它们的平均值和中位数，然后在图中绘制散点图作为1号情况；接着我们更改这31个数里的索引为0和1的数值为10和15，打个比方有两个学生生病了，只做了几道题就交卷了，这样的情况下，计算平均值和中位数作为2号情况。
import matplotlib.pyplot as plt
import numpy as np
# 生成31个随机数据(奇数的中位数)
np.random.seed(0) # 设置随机种子以确保结果可复现
data = np.random.normal(70, 6, 31) # 生成31个数据
data2 = np.copy(data) # 第二组数据改动2个值
data2[0] = 10
data2[1] = 20
# 计算平均值和中位数
mean_value = np.mean(data)
median_value = np.median(data)
print('平均值=%.2f,中位数=%.2f'%(mean_value,median_value))
# 对数据进行排序
sorted_data = np.sort(data)
print(sorted_data)
# 绘制散点图
plt.scatter(range(len(data)), data, color='blue', label='Data Points')
# 绘制平均值和中位数的线
plt.axhline(y=mean_value, color='red', linestyle='--', label=f'Mean: {mean_value:.2f}')
plt.axhline(y=median_value, color='green', linestyle='-', label=f'Median: {median_value:.2f}')
# 标记平均值和中位数
plt.scatter(len(data)*1.05, mean_value, color='red', label='Mean')
plt.scatter(len(data)*1.05, median_value, color='green', label='Median')
plt.ylim(50,90)
所以，要提高平均分的方法很简单，那两个生病的不计入，可见极值对平均值的影响有多大，这个在K线上其实也有同样的问题，某些日子的K线它就不是一个正常值，计算到平均值里就会产生一定的误导，如果我们使用中位数则极值的影响就非常小，它只看排在中间的那个的数值就行了。
B_平均值与正态分布
正态分布（Normal Distribution），也称为高斯分布，是连续概率分布的一种，其概率密度函数的形状是对称的钟形曲线，这种分布广泛存在于自然科学和社会科学中。
在正态分布中，平均值是分布的中心，也是分布的峰值所在的位置。正态分布的曲线是关于平均值对称的，这意味着平均值将数据集分为两个相等的部分。
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
mean_value = np.mean(data)
std_value = np.std(data)
print(mean_value,std_value)
mean_value2 = np.mean(data2)
std_value2 = np.std(data2)
print(mean_value2,std_value2)
# 绘制正态分布曲线
x = np.linspace(0, 120, 120)
y = norm.pdf(x,mean_value,std_value)
plt.plot(x, y, 'k', linewidth=2)
# 绘制正态分布曲线
y2 = norm.pdf(x,mean_value2,std_value2)
plt.plot(x, y2, 'r', linewidth=3)
# 设置图例
plt.legend()
# 设置图表标题和坐标轴标签
plt.title('Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Probability Density')
# 显示图表
plt.show()我们把上面的2组数据分别计算后绘制正态分布图在一起，就可以发现，原数据平均值72.6，标准差为6.39，而添加了离谱的10，15的数据后，平均值变到了68.63，标准差增大到了15.45，图形上可以看到原数据（黑线）分布范围小，也就是大家的成绩都差不多，而更改了分布（红线）范围就非常大，也就表示有某些人的成绩跟大家差得太远。
A股市场有5000多支股票，也会遵循着正态分布的规律，所以我们的策略本身应用于这些股票的时候，就会出现偏差，有的股票上表现特别的好，大多数表现一般，某些股票上表现的极差。
在正态分布中，大约68%的数据位于均值（μ）的一个标准差（σ）范围内，大约95%的数据位于两个标准差范围内，大约99.7%的数据位于三个标准差范围内。这些百分比是正态分布的属性，也称为68-95-99.7规则或经验法则。
具体来说：
- 约68%的数据值落在 μ−σ 到 μ+σ之间。
- 约95%的数据值落在 μ−2σ 到 μ+2σ 之间。
- 约99.7%的数据值落在 μ−3σ到 μ+3σ 之间。
对于股票来说，大多数的情况下都在2个标准差之内运行，只有少数情况下会跳到2个标准差之外，但是另外一个帕累托原则（Pareto Principle），简称2-8规律却告诉我们在任何一组事物中，最重要的只占一小部分，约20%，而其余80%尽管是多数，却往往是次要的。联想一下，看看是不是大多数情况下行情都是小涨小跌，只有极少数的情况下会有大行情？再想一下，是不是在大行情里才能赚取超额利润？
布林线指标就是根据正态分布进行计算的指标，对它的理解也可以这样认为，大多数情况下股价会在2个标准差之间波动，极少数情况穿出2个标准差可能就是极致行情。
C_移动平均线
关于移动平均线的定义，可以直接问AI得到：
移动平均线（Moving Average，简称MA）是技术分析中的一种常用工具，它有助于平滑价格数据，展现价格趋势的方向和强度。“移动”这个词在这里有两层含义：
数据的滚动性：移动平均线不是固定不变的，它随着时间的推移而“移动”。在计算移动平均值时，你会选择一个特定的时间周期（如5天、10天、30天等），然后计算这个周期内的平均价格。随着新的数据点加入和旧的数据点退出，移动平均线会相应地更新，从而“移动”。
平均的计算方式：移动平均线是对过去某个特定时间周期内的价格数据进行平均。随着新的交易日的结束，最旧的数据点会被新的数据点替换，然后重新计算平均值。这个过程就像是计算平均的过程在时间序列上“移动”。
移动平均线可以帮助交易者识别市场趋势，因为它们可以过滤掉短期的价格波动，使主要趋势更加明显。当价格在移动平均线之上时，通常被视为上升趋势；当价格在移动平均线之下时，通常被视为下降趋势。
移动平均线有几种不同的类型，包括简单移动平均线（SMA）、指数移动平均线（EMA）和加权移动平均线（WMA）。每种类型都有其特定的计算方法，但它们的核心目的都是提供对市场趋势的洞察。
其中我们使用最多的SMA和EMA，关于它们的区别也可以直接问AI
计算方法:
SMA（简单移动平均线）: SMA是通过计算特定时间周期内的数值的平均值来得到的。例如，如果你计算10天的SMA，你会将过去10天的收盘价相加然后除以10。随着时间的推移，你会移动这个窗口一天，再次计算平均值，这样你就得到了一个SMA的数据点。SMA给予所有数据点相同的权重。
EMA（指数移动平均线）: EMA也计算平均值，但它使用指数衰减的方式，给予最近的数据点更大的权重。EMA的计算稍微复杂一些，它使用一个平滑因子（通常是周期的倒数加一的一半，例如对于10天EMA，平滑因子是2/(10+1)）来确定最近数据点的权重。EMA的计算需要一个初始值，通常取为第一天的值或周期内的平均值。
对价格变化的响应:
- SMA对价格变化的响应比较慢，因为它给予所有数据点相同的权重，所以它对最近的价格变动不太敏感。
- EMA对价格变化的响应更快，因为它给予最近的价格更大的权重，所以它能够更快地适应价格的变化。
趋势跟踪:
- 由于SMA的滞后性，它更适用于识别已经确立的趋势。
- EMA由于其敏感性，更适用于捕捉趋势的早期变化。
可以用excel的公式来了解： MA5相当于C2:C6的累加再除以5，EMA5相当于C6*2/(5+1) + F5*(1-2/(5+1)) ，这里2/(N+1)就是平滑因子，1-2/(N+1) = 1- 2/6 = 4/6
002_双均线策略的简单实现
在基本了解了移动平均线这类指标后，我们在不使用backtrader的前提下，自己动手实现一个双均线策略，也通过这个实践过程，去对应感受backtrader的功能。
A_数据获取
一支股票的数据获取在第一篇里有详细的过程，这里直接用第二篇里准备好的代码
# Notebook 数据准备
import akshare as ak
import pandas as pd
def get_df_from_stock(code1):
stock_df = ak.stock_zh_a_hist(symbol=code1, period="daily", start_date="20220901", adjust="qfq")
stock_df.rename(columns={
'日期':'date', '开盘':'open', '收盘':'close',
'最高':'high', '最低':'low', '成交量':'volume',
},inplace=True)
stock_df.index = pd.to_datetime(stock_df.date)
stock_df['openinterest'] = 0
stock_df = stock_df[['open','high','low','close','volume','openinterest']]
return stock_df
myStockList = ['001287','002179','600860','300233','002774']
df_stock_list = []
for x in myStockList:
df_tmp = get_df_from_stock(x)
df_stock_list.append(df_tmp)
df = df_stock_list[1]
df
-----------------------
openhighlow closevolumeopeninterest
date
2022-09-0145.9047.1245.6446.75961280
2022-09-0246.9047.9046.5547.18598480
2022-09-0547.1547.8646.7546.98424560
2022-09-0646.9848.4046.8248.19715770
2022-09-0748.1848.5847.8848.37561440
.....................
2024-09-1937.3137.4236.3036.92478570
2024-09-2036.9937.1936.3036.82520960
2024-09-2336.6037.6936.5836.87687540
2024-09-2436.8738.3136.6538.16936530
2024-09-2538.1639.0537.3937.791608480
501 rows × 6 columnsB_简单数据处理_in_pandas
1) SMA数据
SMA的数据由rolling(滚动）和mean（平均）两个部分组成，pandas里也的确是这么用的
import pandas as pd
import numpy as np
df['Short_MA'] = df['close'].rolling(window=5).mean() # 例如5天移动平均线
df['Long_MA'] = df['close'].rolling(window=10).mean() # 例如10天移动平均线
df.head(20)
-------------------------
openhighlow closevolumeopShort_MA Long_MA
date
2022-09-0145.9047.1245.6446.75961280NaN NaN
2022-09-0246.9047.9046.5547.18598480NaN NaN
2022-09-0547.1547.8646.7546.98424560NaN NaN
2022-09-0646.9848.4046.8248.19715770NaN NaN
2022-09-0748.1848.5847.8848.3756144047.494NaN
2022-09-0848.0849.0448.0848.8061370047.904NaN
2022-09-0948.9849.0547.5348.3756915048.142NaN
2022-09-1348.2149.0747.9048.7850211048.502NaN
2022-09-1448.5950.9848.2250.45113593048.954NaN
2022-09-1550.2850.6748.3848.9968075049.07848.286
2022-09-1648.9850.9048.7549.1585685049.14848.526
2022-09-1949.1650.1348.3548.8858896049.25048.696
2022-09-2049.3649.9648.7349.3855072049.37048.936
2022-09-2149.0649.4647.8847.9450475048.86848.911
2022-09-2247.9049.2647.6548.7367467048.81648.947
2022-09-2349.3650.9348.4949.11136230048.80848.978
2022-09-2648.7348.8247.2947.6374714048.55848.904
2022-09-2747.6747.8246.9447.2361429048.12848.749
2022-09-2847.2347.8645.1345.32109959047.60448.236
2022-09-2945.3246.3644.8345.0276422046.86247.839
我们看到，SMA的特点就在于N-1日是没有计算数据的，比如5日均线前4天为NaN，10日均线则前9天为NaN。有些时候我们会把NaN用close的值替代掉或者去掉N-1天的数据，这也是上一节看到在股票软件评测系统中有增加100天数据用于计算的选项。增加100天就可以避免做这些操作。
df["Long_MA"][:9] = df['close'][:9]
# 或者
df = df.loc[9:,:]2）同列当天与前一天比较
这个最典型的就是日收益的计算，拿今天收盘价减去昨天收盘价，在pandas里用shift(x)来实现，
df['c_prev'] = df.close.shift(1)
df['c_next'] = df.close.shift(-1)
df['day_change'] = df.close - df.close.shift(1) # 当天收盘价 - 昨日收盘价
df = df.tail(120)
df.head(10)
---------------------
openhighlow closevolumeoShort_MALong_MAc_prevc_nextday_change
date
2024-04-0133.8834.3533.7834.08151838033.91234.98233.8133.400.27
2024-04-0234.0934.1033.2333.40125136033.63234.65134.0832.82-0.68
2024-04-0333.2133.3032.6132.82141144033.55234.30033.4032.83-0.58
2024-04-0832.6832.9632.2532.83118979033.38834.03332.8232.650.01
2024-04-0932.8333.0532.4832.6592947033.15633.66832.8332.35-0.18
2024-04-1032.5032.5831.8432.3598752032.81033.36132.6531.70-0.30
2024-04-1132.0032.3331.6131.70137972032.47033.05132.3530.79-0.65
2024-04-1231.6131.8630.6130.79224733032.06432.80831.7032.27-0.91
2024-04-1530.7032.3330.5832.27251100031.95232.67030.7932.071.48
2024-04-1632.2932.8032.0132.07206348031.83632.49632.2732.51-0.20
3) Cross判断
有了移动平均线，又有了上一个，下一个数据的比较，我们就可以制作cross判断了。
从之前的基础中我们知道，cross交叉是由2组条件相与得到的，无论是股票软件的cross(line1,line2)还是backtrader中的crossover(line1,line2)都需要2条线的数据，这里以5日和10日平均线为例，MA5上穿MA10就是意味着当天的MA5>MA10，而且昨天的MA5.shift(1)<MA10.shift(1) ，所以我们可以得到上穿（金叉）买点和下穿（死叉）卖点。
df['crs_up'] = (df['Short_MA'] > df['Long_MA']) & (df['Short_MA'].shift(1) < df['Long_MA'].shift(1))
df['crs_dn'] = (df['Short_MA'] < df['Long_MA']) & (df['Short_MA'].shift(1) > df['Long_MA'].shift(1))
从输出的数据可以看到，当前一天的MA5<MA10，而当天的MA5>MA10时，crs_up就会置True，表示这里发生了金叉，我们的买卖策略在这里做买入，买入价格使用当天的收盘价。
之后，当前一天的MA5>MA10，而当天的MA5<MA10，crs_dn就会置True，这里就是卖出。
4) EMA的计算及使用上一个值
EMA的计算在上面已经学习过了，它要使用到前一天的EMA和当天的close并根据平滑因子计算，因此EMA不管是多少（5或者10），都只需要计算当天的close和前一天的ema，不像MA5那样前4个都是NaN。
在pandas中可以直接使用ewm和mean()来计算得到：
df['EMA_5'] = df['close'].ewm(span=5, adjust=False).mean()
df[['close','volume','EMA_5']]
-----------------
closevolumeEMA_5
date
2022-09-0146.759612846.750000
2022-09-0247.185984846.893333
2022-09-0546.984245646.922222
2022-09-0648.197157747.344815
2022-09-0748.375614447.686543
............
2024-09-2036.825209637.085958
2024-09-2336.876875437.013972
2024-09-2438.169365337.395981
2024-09-2537.7916084837.527321
2024-09-2637.697275537.581547
如果没有这么一个函数，我们可以尝试自己来制作。由于是当天的值需要使用到前一天的值，这个比较适合用循环来做，类似于backtrader里的next()中来完成，而不太合适直接用DataFrame的列计算的直接方式。
calc_days = 5
smooth_factor = 2.0/(calc_days + 1)
print('smooth_factor',smooth_factor)
df['calc_ema5'] = 0
# 计算累积值
for i in range(len(df)):
if i == 0:
# 第一个元素就是当天的Close值
df.at[df.index[i], 'calc_ema5'] = df.at[df.index[i], 'close']
else:
# 从第二个元素开始，累加当天的Close值和前一天的累加值
df.at[df.index[i], 'calc_ema5'] = df.at[df.index[i], 'close'] * smooth_factor + df.at[df.index[i - 1], 'calc_ema5'] * (1-smooth_factor)
df[['close','volume','EMA_5','calc_ema5']]
---------------------------
closevolumeEMA_5 calc_ema5
date
2022-09-0146.759612846.75000046.750000
2022-09-0247.185984846.89333346.893333
2022-09-0546.984245646.92222246.922222
2022-09-0648.197157747.34481547.344815
2022-09-0748.375614447.68654347.686543
...............
2024-09-2036.825209637.08595837.085958
2024-09-2336.876875437.01397237.013972
2024-09-2438.169365337.39598137.395981
2024-09-2537.7916084837.52732137.527321
2024-09-2637.697275537.58154737.581547
从输出结果上看，我们自己做的calc_ema5与使用ewm和mean()得到的EMA5的值是一模一样的。
C_绘图与收益计算
对于一个双均线的策略，前面已经计算得到了短均线 SMA5和长均线SMA10，然后根据金叉买入死叉卖出（Cross的计算）得到的买点和卖点，在这样的基础上已经可以计算策略的收益了，也可以使用绘图的模块来绘制K线和买卖位置。
参考文档：
1）Mpl_finance模块简单绘图
在backtrader里我们都不需要去考虑绘图的问题。这里简单过一下怎么使用mpl_finance模板进行快速绘图。
使用mpl_finance进行K线图绘制非常的简单，只要把dataframe的数据传进去就行了。
import mplfinance as mpf
mpf.plot(df, type='candle',style='charles',volume=True) 
需要注意，mpf绘图的df是有格式要求的，但它又恰好与我们制作的准备给backtrader的数据格式相同，即 open,high,low,close,volume五个数据必须按顺序来
openhighlow closevolume
date
2022-09-0145.9047.1245.6446.7596128
2022-09-0246.9047.9046.5547.1859848
2022-09-0547.1547.8646.7546.9842456
2022-09-0646.9848.4046.8248.1971577
2022-09-0748.1848.5847.8848.3756144
..................
2）添加均线
这里添加上SMA5和SMA10的均线，添加线或点都用addplot，这里数据有点多，添加的图线会看不清，于是数据量截取只保留80天的K线来显示。addplot可以是一个数据，也可以是个list（list里也可以只有一个数据）
import mplfinance as mpf
add_plot= [mpf.make_addplot(df.Long_MA,color='r'),
mpf.make_addplot(df.Short_MA,color='g'),]
mpf.plot(df,addplot=add_plot, type='candle',style='charles',volume=True)
这样就把K线和SMA5/SMA10的线都画出来了。
3）添加买卖点图标
在买点和卖点位置画图标，则需要买点的最低价和卖点的最高价进行图标绘制，数据可以是list，也可以直接是np.ndarray类型。
基于前面已经有了crs_up和crs_dn的列，先通过np.where的使用得到买点和卖点的数据，以买点buy_list为例，当df['crs_up']为True的时候，取df['low']的值，否则就是空。
# 画图标需要有价格，买画在low下，卖画在high上
buy_list = list(np.where(df['crs_up'], df['low'], np.nan)) # list
sell_list = np.where(df['crs_dn'], df['high'], np.nan) # np.ndarray
print(type(buy_list))
print(type(sell_list))
----------------------------
<class 'list'>
<class 'numpy.ndarray'>然后，把买卖点图标加入到addplot中，就能绘制出带买点卖点的图了。
import mplfinance as mpf
add_plot= [mpf.make_addplot(df.Long_MA,color='r'),
mpf.make_addplot(df.Short_MA,color='g'),
mpf.make_addplot(buy_list,scatter=True,marker='^',markersize=80,color='r'),
mpf.make_addplot(sell_list,scatter=True,marker='v',markersize=80)]
mpf.plot(df,addplot=add_plot, type='candle',style='charles',volume=True)
4）计算收益和成功率
收益计算采用在买点的位置记录close价格，在卖点的位置的close减去买点的价格，最后再乘上一个股票数量（假设为1200股，接近5W）；而成功次数用一次买卖计数加1，如果收益为正则成功次数加1的方式计算。
def calcu_profit(df):
df.loc[:,'profit'] = 0.0
total_times = 0
win_times = 0
buyPrice = 0
for index, row in df.iterrows():
if row.crs_up == True:
buyPrice = row.close
if row.crs_dn == True and buyPrice!=0:
total_times += 1
df.loc[index,'profit'] = round(row.close - buyPrice,2)
if row.close -buyPrice >0:
win_times +=1
pct = (win_times/total_times)*100
profit = round(df['profit'].sum(),2)
print('总交易次数', total_times)
print('成功次数', win_times)
print('胜率 %.2f%%'%pct)
print('收益',profit*1200)
calcu_profit(df)
------------------
总交易次数 4
成功次数 2
胜率 50.00%
收益 -3108.0D_使用ta-lib的指标
双均线比较简单，用pandas直接可以实现，但有些指标像KDJ,MACD,BOLL,RSI等就不是那么容易的实现，我们也不需要重复造轮子，可以直接用ta-lib中的指标。
ta-lib直接pip install安装容易出问题，可以在网站上搜索ta-lib找到通用的离线安装包下载安装
使用起来也非常方便，以布林线指标为例，直接调用talib.BBANDS即可
import talib
df['Upper'], df['Middle'], df['Lower'] = talib.BBANDS(df['close'],
timeperiod=20,
nbdevup=2,
nbdevdn=2, matype=0)
003_手工实现与backtrader的对比
A_数据获取
数据获取方面，都是需要借助第三方库或者爬虫等，步骤上没什么差别。
手工实现上，直接使用pandasData就可以了，而在backtrader中，还需要通过feeds把pandasData处理成backtrader自己的结构，我们在第二篇里详细介绍了关于Datas，Data，lines等内容，这些是手工简单实现所没有的，也是比较复杂的部分。
B_交易系统设置
手工实现最关键的是没有backtrader的交易系统设置的部分。
持仓position判断，交易规模sizer，手工的代码里没有。
交易手续费与滑点计算，手工的代码里也没有。
交易时机管理，backtrader以第二日开盘价成交，如果要以当日收盘价则为cheat-on_close。
手工代码没有订单的概念，订单的类型，撤单等。
C_观测器与绘图
backtrader有观测器模块observers，可以统计回测信息并进行可视化展示，手工代码没有。
D_参数优化
手工代码没有参数优化功能。
E_评价
手工代码没有内置评价模块，虽然也可以自己计算日收益然后交给第三方库例如quantstats进行评价。
F_绘图增强
手工代码的绘图还处于比较初级的阶段，远远没有backtrader的图形那样实用，不过这些都不是大问题，毕竟股票软件有着更好的视觉体验，我们可以结合着股票软件来进行图形显示。
G_内置指标
backtrader有很多的内置指标，可以直接使用，指标这一块也没有太大的问题，因为手工代码也可以借助ta-lib的库来获取指标计算数据，并且backtrader也内置了ta-lib指标的调用。
小结
手工做一个双均线策略，或者再来一个布林线策略，能让我们对策略实现的流程有更深刻的理解，也细致的复习了关于pandas的典型应用。同时我们也看到了，我们所有想到的和没有想到的，backtrader基本上已经全部帮我们实现了，所以借助backtrader，我们就不需要把时间和精力放在重复造轮子这件事上，而是在弄清楚它的运行机制和原理后，好好利用它去得到适合的标的、适合的策略、适合的时机，赚取相对而言较好的收益。
原文地址：https://blog.csdn.net/baidu_24190413/article/details/142461199
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！