使用python定义量化指标公式

使用python自定义量化指标公式

量化数据来源：baostock，tushare
主要量化数据来自baostock，因为没有积分要求，但是数据多样化暂时不及tushare，但是对于基础量化数据工作，已经足够，刚刚上手操作，tushare的积分并不足够的朋友们建议使用baostock，如果是已经具有wind api接口且拥有基础数据量以上的数据权限的，可以忽略这个。

库：pandas，numpy，talib，baostock，pymongo

使用的数据库为pymongo，实际上mysql也可以，但是使用了MongoDB的应该会知道，MongoDB的语法简单，和代码很类似，增删改查的方便程度mysql之类并不能比拟，所以用了之后就觉得很喜欢……学习难度评价：和mysql没有区别的简单

pandas，numpy是基础

baostock是数据源

talib集成了很多指标公式，里面有的，只要和你自己的目标指标数据数值一样，或者区别可以调整，就可以直接使用，比如MACD

MACD

    def CalculateMACD(self,df,short = 12,long = 26,mid = 9):
        """
        计算MACD指标，使用talib接口
        参数：
        param： short 默认12
        param： long  默认26
        param： mid   默认9
        使用特征：close
        return:
            DataFrame
            columns = "code","date","DIF","DEA","MACD"
        说明：
            异同移动平均线
            其意义和双移动平均线基本相同，即由快、慢均线的离散、聚合表征当前的多空状态和股价可能的发展变化趋势
        """
        DIF,DEA,MACD = talib.MACD(df.close,fastperiod = short,slowperiod = long,signalperiod = mid)
        df.loc[:,"DIF"] = DIF
        df.loc[:,"DEA"] = DEA
        df.loc[:,"MACD"] = MACD * 2  
        # 只保存结论值
        df = df.loc[:,["code","date","DIF","DEA","MACD"]]
        return df

这里直接使用talib的数据，但是和同花顺等数据相比，其MACD没有乘2，其实就是更好看一点，但是为了对比纠错方面的方便，对MACD进行乘2处理。

KDJ

    # 计算KDJ 
    def CalculateKDJ(self,df,m = 9,m1 = 3,m2 = 3):
        """
        计算KDJ指标
        使用特征：close，low，high
        index： code，date
        return:
            DataFrame
            columns = "code","date","K","D","J"
        说明：
            KDJ指标的中文名称又叫随机指标。
            融合了动量观念、强弱指标和移动平均线的一些优点，能够比较迅速、快捷、直观地研判行情，被广泛用于股市的中短期趋势分析。
        """
        low_list = df['low'].rolling(m).min()
        high_list = df['high'].rolling(m).max()
        rsv = (df['close'] - low_list) / (high_list - low_list) * 100
        df['K{}/{}'.format(m,m1)] = pd.DataFrame(rsv).ewm(adjust = False,alpha = 1 / m1).mean()
        df['D{}/{}'.format(m,m2)] = df['K'].ewm(adjust = False,alpha = 1 / m2).mean()
        df['J{}'.format(m)] = 3 * df['K'] - 2 * df['D']
        
        # 只取结论值和index值
        df = df.loc[:,["code","date",'K{}/{}'.format(m,m1),'D{}/{}'.format(m,m2),'J{}'.format(m)]]
        return df

百度了很久这个公式，有采用ewm使用com = 2的，但是如果使用com = 2在默认值的情况下KDJ值是正确的，但是非默认值，比如调整参数，尝试慢速KDJ时就不对了，最终采用alpha = 1/m的情况，对比同花顺数据，是正确的。

W%R

    def CalculateWillR(self,df):
        """
        计算WILLIAMS%R指标
        参数：constant = 14
        使用特征：close，high，low
        return:
            DataFrame
            columns = "code","date","WILLR{}".format(constant)
        说明：
            利用摆动点来量度股市的超买卖现象，可以预测循环期内的高点或低点，从而提出有效率的投资讯号
        """
        for wr in self.paramWillR:
            df["WILLR{}".format(wr)] = (df.high.rolling(wr).max() - df.close)/(df.high.rolling(wr).max() - df.low.rolling(wr).min()) * (100) 
        # 按照标准计算应该是负100，但是和同花顺的计算方式不一致，所以采用同花顺的计算方式以便核对。
        return df.loc[:,["code","date"] + ["WILLR{}".format(wr) for wr in self.paramWillR]]

CCI

    def CalculateCCI(self,df,constant = 14):
        """
        计算CCI指标
        # CCI measures the difference between a security's price change and its average price change. 
        参数：constant = 0.015
        使用特征：high low close
        return:
            DataFram
            columns = "code","date","CCI"
        说明：
            顺势指标
            专门测量股价、外汇或者贵金属交易是否已超出常态分布范围。属于超买超卖类指标中较特殊的一种
            CCI指标的运行区间也分为三类：+100以上为超买区，—100以下为超卖区，+100到—100之间为震荡区
            CCI指标就是专门针对极端情况设计的
            是否应该直接计算命中分类
            
            使用符合同花顺的公式            
        """        
        TP = (df.high + df.low + df.close) / 3
        MA = TP.rolling(14).mean()
        MD = TP.rolling(14).apply(lambda x:pd.Series(x).mad(),raw = False)

        df["CCI"] = (TP - MA) / (0.015 * MD)
        df = df.loc[:,["code","date","CCI"]]
        return df

自定义参数写了很多，觉得有点意义的就以上一些，以后有更多觉得有意思的再补（希望我不会忘记）