更多精彩内容，欢迎关注公众号：数量技术宅。想要获取本期分享的完整策略代码，请加技术宅微信：sljsz01
不看广告看疗效，首先我们来看一下我们策略的测试结果，其中，by people numbers是跟随仓位用户数，by holding volumes是跟随仓位持仓数。结果上看都是不错的。
从收益曲线的角度可以看出，跟随成熟交易者的仓位进行操作，仍然不失为是一种不错的间接策略。毕竟如果能够“站在巨人的肩膀上”，直接从他们的持仓中取得“玄机”，也是一种跟随性质的策略。
如何跟踪持仓指标？先清洗数据
持仓数据来源于互联网，但是美中不足的是，获取的数据是图片形式发放，于是我们使用ocr软件进行识别，识别的效果整体不错，数据是准确的，但是汉字识别不尽如人意，这对我们后续数据的处理非常不利。
因此我们在进行策略跟踪之前，必须要先进行数据清洗，把混乱的品种名称归一化，以便我们后续对于数据进行测试。
数据整形，指标跟踪的前提
我们清洗数据之后，各个数据格式基本上做到了均一化。我们要将零碎的数据整合起来，形成一个大表。
同时，我们的另一个大表各个品种的市场当日涨跌幅也读取进来，我们的目的是让两张表合并，方便我们进行指标间计算。
这个计算的结果和处理完毕之后的大表成为了最终测试的前奏。
重要！数据必须是交易日期的前一天
交易中，我们获取持仓数据的时间往往是在收盘之后，许多策略测试效果很好，而实盘滑铁卢的原因是因为测试中有了“未来”，现实中交易是不可能预知“未来”的。因此我们测试严格检查测试中的时间对应情况，使用交易日前一天的持仓数据匹配交易日，排除了测试中的“未来”因素，测试结果更可靠，更可信。
一目了然，数据可视化
最后，我们需要把回测的结果进行可视化，可视化结果已经展示在文章开头，数据可视化实现使用了matpoltlib包，整体策略的收益率情况一目了然。
并未终结，后续策略的强化之路
我们的测试是以构建整体组合的方式来呈现，同时各个品种之间的配比是等权的。大家知道，如果对某些表现较好的品种进行提权，对某些表现较差的品种进行降权，甚至剔除，可以提高整个策略组合的表现。同时，也欢迎读者朋友们联系我们，和我们交流，获取代码后也可以继续改进。
如果你对于自动获取数字货币历史数据的Python代码感兴趣，欢迎添加技术宅微信：sljsz01，与我交流
往期干货分享推荐阅读
【数量技术宅|金融数据分析系列分享】为什么中证500（IC）是最适合长期做多的指数
商品现货数据不好拿？商品季节性难跟踪？一键解决没烦恼的Python爬虫分享
【数量技术宅|金融数据分析系列分享】如何正确抄底商品期货、大宗商品