量化交易python 文件_python数据分析与量化交易

第一章-学习之前的认知

影响股价的因素

1、公司自身因素2、心理因素3、行业因素4、经济因素5、市场因素6、政治因素

金融量化投资

量化投资的优势1、避免主观情绪,人性弱点和认知偏差,选择更加客观2、能同时包括多角度的观察和多层次的模型3、及时跟踪市场变化,不断发现新的统计模型,寻找交易机会4、在决定投资策略后,能通过回测验证其效果

量化策略

通过一套固定的逻辑来分析、判断和决策,自动地进行股票交易

策略的周期

实现想法、学习知识

实现策略:python

检验策略:回测、模拟交易

实盘交易

优化策略,放弃策略

第二章-科学计算基础包---numpy

量化投资和python

为什么选择python呢?

其他选择:excel、SAS/SPSS(统计软件,无编程)、R(功能太单一,制作数据分析)

量化投资实际上就是分析数据从而做出决策的过程

python数据处理相关模块1、NumPy:数组批量计算2、pandas:灵活的表计算3、Matplotlib:数据可视化

怎么使用python进行量化投资

自己编写

NumPy+ pandas +Matplotlib....

在线平台

聚宽、优矿、米筐、Quantopian....

开源框架

RQAlpha、QUANTAXIS....

IPython的使用

pip3 install ipthon

也可以直接安装anacoda ,集成了ipython、NumPy pandas Matplotlib 等许多python的常用模块和框架

与python解释器的使用方法一致

TAB键自动完成

?内省、查看具体信息

?进行模糊匹配,命名空间搜索

!执行系统命令

某些命令不用加也能执行

??两个问号

快捷键

IPython的魔术命令

%timeit 很费事,他要跑很多次

%paste 执行剪切板中的python代码

%pdb 在异常发生后自动进入调试模式,使用on

然后就可以使用pdb相关的命令,进行调试状态

p命令最常用,打印的意思

%魔术命令

命令的历史可以使用上下方向键,或者%hist查看命令历史

_ 表示上一次的输出

__ 表示上两个命令

_48 第多少的结果

_i48 第多少行的结果的字符串形式

%bookmark 目录标签系统

IPython Notebook-Jupyter的初识

安装jupyter

使用notebook

进入了jupyter的web界面

创建新的notebook

出现一个小问题:编写的代码不能运行且前面的提示符In[*]

查看命令行,出现错误提示

将软件降级安装后,解决问题

可以用notebook写博客,支持makedown,而且他可以将页面直接输出成很多文本形式

正戏-Numpy模块

Numpy简介

实例展示为什么要使用numpy

例子:已知若干家跨国公司的市值,将其换算成人民币

普通的函数方法

1、将公司市值存储成列表或者其他格式2、创建变量,存储汇率2、遍历列表3、做乘法运算,放入新的列表

用numpy

例子2:已知每件商品的价格和每件商品的数量,计算总金额

还是用a作为价格,再创建一个数组作为每件商品的数量

计算每件商品的价格

计算总金额

ndarray-多维数组对象

ndarray-常用属性

In [26]: a.ndim

Out[26]: 1In [27]: a.size

Out[27]: 50In [28]: a.shape

Out[28]: (50,)-----------------------------In [30]: b = np.array([[1,2,3,],[4,5,6]])

In [31]: b.ndim

Out[31]: 2In [32]: b.size

Out[32]: 6In [33]: b.shape

Out[33]: (2, 3)-----------------------------三维-第三个维度相当于笔记本的每一页,翻个页就到另一面

In [35]: c = np.array([[[1,2,3,],[4,5,6]],[[1,2,3],[1,2,3]]])

In [36]: c

Out[36]:

array([[[1, 2, 3],

[4, 5, 6]],

[[1, 2, 3],

[1, 2, 3]]])

In [37]: c.shape

Out[37]: (2, 2, 3)------------------------------------数组的转置

In [39]: c =c.T

In [40]: c

Out[40]:

array([[[1, 1],

[4, 1]],

[[2, 2],

[5, 2]],

[[3, 3],

[6, 3]]])

In [41]: c =c.T

In [42]: c

Out[42]:

array([[[1, 2, 3],

[4, 5, 6]],

[[1, 2, 3],

[1, 2, 3]]])

ndarray-数据类型

查看数据类型

In [24]: a.dtype

Out[24]: dtype('float64')

我们使用的巨大部分都是数字类型,它本身就是用来做计算的

64位数的长度是多少(2**63-1)

In [25]: 2**64-1Out[25]: 18446744073709551615

numpy-array的创建

In [1]: #可以这样创建一个10位全是0的数组

In [2]: importnumpy as np

In [3]: a = np.array([0]*10)

In [4]: a

Out[4]: array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

In [5]: #也可以用zeros创建

In [6]: b = np.zeros(10)

In [7]: b

Out[7]: array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

In [8]: #可以看见都是0.,说明他是一个浮点数,来看一下类型

In [9]: b.dtype

Out[9]: dtype('float64')

In [10]: #创建的时候指定类型,不使用默认的,直接用int

In [11]: c = np.zeros(10,dtype='int')

In [12]: c

Out[12]: array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

In [13]: c.dtype

Out[13]: dtype('int32')

In [14]: #创建全是1的数组

In [15]: d = np.ones(10)

In [16]: d

Out[16]: array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

In [17]: #看一下empty的用法,创建空数组,里面放的都是随机数

In [18]: e = np.empty(50)

In [19]: e

Out[19]:

array([1.23004319e-311, 1.23004150e-311, 2.95806213e-311, 1.26927730e-277,5.54041819e+228, 2.84855906e-311, 5.97288716e-299, 3.28487474e-311,9.43293441e-314, 2.26784710e-308, 1.23004306e-311, 1.23002517e-311,3.38460664e+125, 6.69053866e+151, 6.56693077e-085, 1.03564308e-308,1.33360293e+241, 1.71632673e+243, 5.96115807e+228, 1.71011791e+214,5.67517369e-311, 1.00562508e-248, 2.85308965e-313, 2.14793507e-308,1.38760675e+219, 2.92135768e+209, 2.21211602e+214, 2.28723653e-308,6.96983359e+228, 1.33360298e+241, 2.11280666e+161, 1.29883065e+219,1.11074825e-310, 1.46972270e-200, 4.97508544e-313, 4.65203811e+151,4.66820502e+180, 5.61168418e-313, 3.81674046e-308, 1.33360303e+241,1.54523733e-310, 5.03961303e-266, 3.99046880e-008, 2.08868046e-310,2.53185169e-212, 7.44726967e-251, 1.39069238e-309, 2.75926410e-306,4.90398331e-307, 5.23951796e+202])

In [20]: #这些随机值是,之前内存的残存值。这个empty有什么用呢?

In [21]: #为了之后给里面赋值,因为它相对于zeros和ones创建的时候少了1个步骤,会更快一点

In [22]: #arange可以指定步长为小数,pyton中是不可以的

In [24]: f = np.arange(1,10,0.3)

In [25]: f

Out[25]:

array([1. , 1.3, 1.6, 1.9, 2.2, 2.5, 2.8, 3.1, 3.4, 3.7, 4. , 4.3, 4.6,4.9, 5.2, 5.5, 5.8, 6.1, 6.4, 6.7, 7. , 7.3, 7.6, 7.9, 8.2, 8.5,8.8, 9.1, 9.4, 9.7])

In [26]: #linspace线性空间,和arange非常相,但是完全不一样,把指定的范围数字分成间隔相同的份数,最后一个参数是数组的长度,即份数

In [31]: k = np.linspace(0,5,10) 或者是 np.linespace(0,5,num=10)

In [32]: k #并且linspace不像arange不包含最后一个数,它是包含最后一个数的,可以在最后看见5

Out[32]:

array([0. ,0.55555556, 1.11111111, 1.66666667, 2.22222222,2.77777778, 3.33333333, 3.88888889, 4.44444444, 5. ])

In [27]: g = np.linspace(1,100,100)

In [28]: g

Out[28]:

array([1., 2., 3., 4., 5., 6., 7., 8., 9., 10., 11.,12., 13., 14., 15., 16., 17., 18., 19., 20., 21., 22.,23., 24., 25., 26., 27., 28., 29., 30., 31., 32., 33.,34., 35., 36., 37., 38., 39., 40., 41., 42., 43., 44.,45., 46., 47., 48., 49., 50., 51., 52., 53., 54., 55.,56., 57., 58., 59., 60., 61., 62., 63., 64., 65., 66.,67., 68., 69., 70., 71., 72., 73., 74., 75., 76., 77.,78., 79., 80., 81., 82., 83., 84., 85., 86., 87., 88.,89., 90., 91., 92., 93., 94., 95., 96., 97., 98., 99.,100.])

In [33]: #eye 生成单位矩阵,对角线上都是1,不做线性代数,基本不会遇到

In [37]: w = np.eye(5)

In [38]: w

Out[38]:

array([[1., 0., 0., 0., 0.],

[0.,1., 0., 0., 0.],

[0., 0.,1., 0., 0.],

[0., 0., 0.,1., 0.],

[0., 0., 0., 0.,1.]])

ndarray-批量运算

比较运算最后得到的是布尔值

如何快速生成一个二维数组

In [39]: np.arange(15).reshape((3,5))

Out[39]:

array([[ 0,1, 2, 3, 4],

[5, 6, 7, 8, 9],

[10, 11, 12, 13, 14]])

ndarray-索引

array([[ 0, 1, 2, 3, 4],

[5, 6, 7, 8, 9],

[10, 11, 12, 13, 14]])

In [40]: a = np.arange(15).reshape((3,5))

In [41]: a[2,2]

Out[41]: 12

adarray-切片

也是前包后不包

In [46]: f

Out[46]:

array([1. , 1.3, 1.6, 1.9, 2.2, 2.5, 2.8, 3.1, 3.4, 3.7, 4. , 4.3, 4.6,4.9, 5.2, 5.5, 5.8, 6.1, 6.4, 6.7, 7. , 7.3, 7.6, 7.9, 8.2, 8.5,8.8, 9.1, 9.4, 9.7])

In [48]: f[1:3]

Out[48]: array([1.3, 1.6])

但是数组切片,为了省空间,在切片的时候只是浅拷贝

如果要不影响原数组,切片的时候使用copy

In [55]: b = f[0:5]

In [56]: b

Out[56]: array([1. , 1.3, 1.6, 1.9, 2.2])

In [57]: b[0] = 5In [58]: b

Out[58]: array([5. , 1.3, 1.6, 1.9, 2.2])

In [59]: f

Out[59]:

array([5. , 1.3, 1.6, 1.9, 2.2, 2.5, 2.8, 3.1, 3.4, 3.7, 4. , 4.3, 4.6,4.9, 5.2, 5.5, 5.8, 6.1, 6.4, 6.7, 7. , 7.3, 7.6, 7.9, 8.2, 8.5,8.8, 9.1, 9.4, 9.7])

使用copy

b = f[0:5].copy()

多行切片

In [49]: a

Out[49]:

array([[ 0,1, 2, 3, 4],

[5, 6, 7, 8, 9],

[10, 11, 12, 13, 14]])

In [50]: #多行切片,可以看做是[切行,切列]

In [54]: a[0:2,0:2]

Out[54]:

array([[0,1],

[5, 6]])

ndarray-布尔型索引

需求:选出列表中大于5的数

In [60]: importrandom#用列表的filter方法

In [61]: a = [random.randint(0,10) for i in range(20)]

In [62]: a

Out[62]: [1, 2, 1, 6, 1, 8, 6, 7, 3, 0, 6, 8, 2, 6, 0, 1, 4, 10, 0, 3]

In [63]: list(filter(lambda x:x>5, a))

Out[63]: [6, 8, 6, 7, 6, 8, 6, 10]#用数组的布尔值索引

In [64]: a =np.array(a)

In [65]: a[a>5]

Out[65]: array([ 6, 8, 6, 7, 6, 8, 6, 10])

In [66]: #布尔型索引的原理

In [67]: #第一步 a>5

In [68]: a>5Out[68]:

array([False, False, False, True, False, True, True, True, False,

False, True, True, False, True, False, False, False, True,

False, False])

In [69]: #第二步,返回每一位置为ture的位置的值

In [70]: b = np.array([1,2,3])

In [71]: c =np.array([True,False,True])

In [72]: b[c]

Out[72]: array([1, 3])

需求2:选出数组中大于5的偶数

题外:and 和 & 有什么区别?

ndarray-花式索引

注意:多维数组中,花式索引和花式索引不能出现在,逗号的两边

Numpy-通用函数

abs-批量求绝对值

In [2]: a = np.arange(-5,5)

In [3]: a

Out[3]: array([-5, -4, -3, -2, -1, 0, 1, 2, 3, 4])#直接用abs也可以

In [4]: abs(a)

Out[4]: array([5, 4, 3, 2, 1, 0, 1, 2, 3, 4])#严谨的用法是np.abs

In [5]: np.abs(a)

Out[5]: array([5, 4, 3, 2, 1, 0, 1, 2, 3, 4])

aqrt-开方

#直接使用会报错,没有这个sqrt,找不到

In [7]: sqrt(a)---------------------------------------------------------------------------NameError Traceback (most recent call last) in ()----> 1sqrt(a)

NameError: name'sqrt' is notdefined#math模块下有sqrt

In [8]: importmath#报错,sqrt一次只能处理一个值

In [11]: math.sqrt(a)---------------------------------------------------------------------------TypeError Traceback (most recent call last) in ()----> 1math.sqrt(a)

TypeError: only size-1arrays can be converted to Python scalars#使用np.sqrt ,因为负数不能求开方

In [10]: np.sqrt(a)

F:\Python36\Scripts\ipython3:1: RuntimeWarning: invalid value encountered insqrt

Out[10]:

array([ nan, nan, nan, nan, nan,

0. ,1. , 1.41421356, 1.73205081, 2. ])

把一个小数变成整数-取整和保留小数位

In [12]: a = 1.6

#这种取整,叫做向0取整

In [13]: int(a)

Out[13]: 1

#这种叫做四舍五入

In [14]: round(a)

Out[14]: 2

#向上取整-ceil

In [15]: math.ceil(a)

Out[15]: 2

#向下取整-floor

In [16]: math.floor(a)

Out[16]: 1

#使用np

In [18]: a

Out[18]: array([-5.5, -4.5, -3.5, -2.5, -1.5, -0.5, 0.5, 1.5, 2.5, 3.5, 4.5])#向下取整

In [19]: np.floor(a)

Out[19]: array([-6., -5., -4., -3., -2., -1., 0., 1., 2., 3., 4.])#向上取整

In [22]: np.ceil(a)

Out[22]: array([-5., -4., -3., -2., -1., -0., 1., 2., 3., 4., 5.])#四舍五入

In [23]: np.round(a)

Out[23]: array([-6., -4., -4., -2., -2., -0., 0., 2., 2., 4., 4.])#rint和round是一样的

In [20]: np.rint(a)

Out[20]: array([-6., -4., -4., -2., -2., -0., 0., 2., 2., 4., 4.])#向0取整

In [21]: np.trunc(a)

Out[21]: array([-5., -4., -3., -2., -1., -0., 0., 1., 2., 3., 4.])

注:这里的round用的是"四舍六入五成双,奇进偶不进"的方法。对于大量的计算而言,比普通的四舍五入要更科学

modf-把小数和整数部分分开获取

In [26]: np.modf(a)

Out[26]:

(array([-0.5, -0.5, -0.5, -0.5, -0.5, -0.5, 0.5, 0.5, 0.5, 0.5, 0.5]),

array([-5., -4., -3., -2., -1., -0., 0., 1., 2., 3., 4.]))

In [27]: x,y =_

In [28]: x

Out[28]: array([-0.5, -0.5, -0.5, -0.5, -0.5, -0.5, 0.5, 0.5, 0.5, 0.5, 0.5])

In [29]: y

Out[29]: array([-5., -4., -3., -2., -1., -0., 0., 1., 2., 3., 4.])

isnan和isinf-浮点数特殊值的判定

In [31]: a = np.ones(5)

In [32]: a

Out[32]: array([1., 1., 1., 1., 1.])

In [33]: a[1] =0

In [34]: a

Out[34]: array([1., 0., 1., 1., 1.])

In [36]: b = a/a

F:\Python36\Scripts\ipython3:1: RuntimeWarning: invalid value encountered intrue_divide

In [37]: a

Out[37]: array([1., 0., 1., 1., 1.])

In [38]: b

Out[38]: array([ 1., nan, 1., 1., 1.])

In [39]: 1 inb

Out[39]: True#这样判断对nan是无用的

In [40]: np.nan inb

Out[40]: False#isnan的作用

In [41]: np.isnan(b)

Out[41]: array([False, True, False, False, False])

isnan用来取值

In [42]: b[np.isnan(b)]

Out[42]: array([nan])

In [43]: b[~np.isnan(b)]

Out[43]: array([1., 1., 1., 1.])

inf-比任何数都大

In [44]: np.inf > 1000000000000000000000000000000Out[44]: True

In [45]: float('inf') > 1000000000000000000000000000000000Out[45]: True

inf和isinf的使用

In [46]: a = np.array([3,4,5,6,7])

In [47]: b = np.array([3,0,5,0,7])

In [48]: a/b

F:\Python36\Scripts\ipython3:1: RuntimeWarning: divide by zero encountered intrue_divide

Out[48]: array([ 1., inf, 1., inf, 1.])#和np.nan不一样,是相等的

In [49]: np.inf ==np.inf

Out[49]: True

In [50]: c = a/b

F:\Python36\Scripts\ipython3:1: RuntimeWarning: divide by zero encountered intrue_divide

In [51]: c

Out[51]: array([ 1., inf, 1., inf, 1.])#取出不是inf的值

In [52]: c[c!=np.inf]

Out[52]: array([1., 1., 1.])#取出不是inf的值,用~

In [53]: c[~np.isinf(c)]

Out[53]: array([1., 1., 1.])

二元函数

add 加

substract 减

multiply 乘

divide 除

power 乘方

mod 取模

maximum-对两个数组的每一个都取一个最大值

In [58]: a

Out[58]: array([3, 4, 5, 6, 7])

In [59]: b

Out[59]: array([1, 6, 8, 9, 2])

In [60]: np.maximum(a,b)

Out[60]: array([3, 6, 8, 9, 7])

mininum-和maxinum一样的用法,只是对比取最小的值

更改数组形状-reshape和resize和ravel

a = np.random.random((3,2))

a#reshape 并不改变原始数组

a.reshape(2, 3)

array([[0.91122299, 0.93234796, 0.86025081],

[0.33770259, 0.13627525, 0.78460434]])#查看 a

array([[0.91122299, 0.93234796],

[0.86025081, 0.33770259],

[0.13627525, 0.78460434]])#resize 会改变原始数组

a.resize(2, 3)#查看 a

array([[0.91122299, 0.93234796, 0.86025081],

[0.33770259, 0.13627525, 0.78460434]])

# 展平数组-数组变成一行

a.ravel()

array([0.91122299, 0.93234796, 0.86025081, 0.33770259, 0.13627525,

0.78460434])

拼合数组-vstack和hstack

a = np.random.randint(10,size=(3,3))

b= np.random.randint(10,size=(3,3))

a,b

out:

(array([[1, 4, 7],

[5, 6, 6],

[6, 4, 5]]),

array([[8, 3, 1],

[1, 5, 8],

[5, 0, 6]]))#垂直拼合

np.vstack((a,b))

out:

array([[1, 4, 7],

[5, 6, 6],

[6, 4, 5],

[8, 3, 1],

[1, 5, 8],

[5, 0, 6]])#水平拼合

np.hstack((a,b))

array([[1, 4, 7, 8, 3, 1],

[5, 6, 6, 1, 5, 8],

[6, 4, 5, 5, 0, 6]])

分割数组-vsplit和hsplit

#沿横轴分割数组

np.hsplit(a,3)

[array([[1],

[5],

[6]]),

array([[4],

[6],

[4]]),

array([[7],

[6],

[5]])]#沿纵轴分割数组

np.vsplit(a,3)

[array([[1, 4, 7]]), array([[5, 6, 6]]), array([[6, 4, 5]])]

数组排序

#生成示例数组

a = np.array(([1, 4, 3], [6, 2, 9], [4, 7, 2]))

a

array([[1, 4, 3],

[6, 2, 9],

[4, 7, 2]])#返回每列最大值

np.max(a, axis=0)

array([6, 7, 9])#返回每行最小值

np.min(a,axis=1)

array([1, 2, 2])#返回每列最大值索引

np.argmax(a,axis=0)

array([1, 2, 1])#返回每行最小值索引

np.argmin(a,axis=1)

array([0,1, 2])

numpy-统计方法和随机数生成

#统计中位数

np.median(a, axis=0)#统计各行的算术平均值

np.mean(a, axis=1)#统计各列的加权平均值

np.average(a, axis=0)#统计各行的方差

np.var(a, axis=1)#统计数组各列的标准偏差

np.std(a, axis=0)

数学时间

1 2 3 4 5平均数:3方差 :每个数-3的值的平方,加在一起,再除以数字的个数

标准差:对方差开平方根

方差用来计算数组内数值的范围

平均数加减两倍方差的结果活落在90%的范围上

矩阵乘法

矩阵乘法运算(注意与a*b的区别)

A = np.array([[1,2],[3,4]])

B = np.array([[5,6],[7,8]])

np.dot(A,B)

array([[19, 22],

[43, 50]])

数学函数

#求三角函数

a = np.array([10,20,30,40,50])

np.sin(a)

array([-0.54402111, 0.91294525, -0.98803162, 0.74511316, -0.26237485])#以自然对数为底数的指数函数

np.exp(a)

array([2.20264658e+04, 4.85165195e+08, 1.06864746e+13, 2.35385267e+17,5.18470553e+21])#方根的运算-开平方

np.sqrt(a)

array([3.16227766, 4.47213595, 5.47722558, 6.32455532, 7.07106781])#方根的运算-求立方

np.power(a,3)

array([1000, 8000, 27000, 64000, 125000])

随机数

#创建二维随机数组

np.random.rand(2, 3)

array([[0.46181641, 0.06400509, 0.93763711],

[0.67133387, 0.0801051 , 0.81633397]])#创建二维随机整数数组

np.random.randint(5, size=(2, 3))

array([[4, 2, 2],

[4, 0, 0]])

In [61]: np.random.randint(0,10,10)

Out[61]: array([6, 4, 8, 4, 0, 4, 9, 1, 5, 7])#生成多维随机数组

In [62]: np.random.randint(0,10,(3,5)) 或者如上一个例子所示 使用size参数

Out[62]:

array([[4, 5, 7, 7, 8],

[4, 1, 5, 1, 4],

[2, 3, 9, 6, 8]])#0-1之间的随机数

In [63]: np.random.rand(10)

Out[63]:

array([0.97926997, 0.17454168, 0.52831388, 0.28070782, 0.2715298,0.2749287 , 0.44007621, 0.56472258, 0.53291951, 0.30727733])#指定数组中的随机数

In [64]: np.random.choice([1,2,3,4,5,6],10)

Out[64]: array([1, 2, 5, 5, 2, 1, 5, 1, 3, 1])

In [65]: np.random.choice([1,2,3,4,5,6],(2,3))

Out[65]:

array([[5, 2, 3],

[3, 4, 4]])#uniform 平均分布,出现每一个小数的概率都一样

In [67]: np.random.uniform(2.0,4.0,10)

Out[67]:

array([3.30135597, 2.5034658 , 3.80415042, 3.58323964, 2.82819204,3.45701693, 2.51628589, 3.94588971, 2.46530701, 3.269412])

In [68]: np.random.uniform(2,4,10)

Out[68]:

array([3.99532675, 2.27704994, 2.44378248, 2.33492658, 3.79537452,2.6754694 , 3.04022564, 2.12863367, 3.27047096, 3.70261513])

In [69]: #random中所有的方法都被numpy重写过

fromfunction-依据自定义函数创建数组

>>> deff(x,y):

...return 10*x+y

...>>> b = fromfunction(f,(5,4),dtype=int)>>>b

array([[ 0,1, 2, 3],

[10, 11, 12, 13],

[20, 21, 22, 23],

[30, 31, 32, 33],

[40, 41, 42, 43]])#

np.fromfunction(lambda i,j:i+j,(3,3))

array([[0.,1., 2.],

[1., 2., 3.],

[2., 3., 4.]])#生成的规则就是数组中每一个元素所在位置的索引值作为x和y的值

还有很多高级功能没有说,numpy相对于pandas来说是比较基础的包

接下来请领教pandas

第三章-数据分析核心包---pandas

series-一维数据对象

In [72]: importpandas as pd

In [73]: pd.Series([2,3,4,5])

Out[73]:

02

1 3

2 4

3 5dtype: int64

In [74]: pd.Series([2,3,4,5],index=['a','b','c','d'])

Out[74]:

a2b3c4d5dtype: int64

In [75]: #所以说serries更像是列表和字典的结合体

In [76]: pd.Series(np.arange(5))

Out[76]:

0 01 1

2 2

3 3

4 4dtype: int32

In [77]: #在制定了索引之后,用原来的下标还是能访问

In [82]: sr = pd.Series([2,3,4,5],index=['a','b','c','d'])

In [83]: sr

Out[83]:

a2b3c4d5dtype: int64

In [84]: sr[2]

Out[84]: 4

#所以他有两种索引方式,一种是下标,一种是标签,像字典的key

Series-使用特性

#字典创建Series

In [85]: sr = pd.Series({'a':1,'b':2})

In [86]: sr

Out[86]:

a1b2

#键索引

dtype: int64

In [88]: sr['a']

Out[88]: 1

#in的用法

In [89]: 'a' insr

Out[89]: True#通过字典创建,也能使用下标索引

In [87]: sr[1]

Out[87]: 2

#和字典有一点不一样,写for循环的时候,for字典循环的是key,而Series遍历的是值

In [90]: for i insr:

...:print(i)

...:1

2

#获取索引

In [91]: sr.index

Out[91]: Index(['a', 'b'], dtype='object')

In [93]: sr.index[0]

Out[93]: 'a'

#获取值

In [94]: sr.values

Out[94]: array([1, 2], dtype=int64)

In [95]: sr.values[0]

Out[95]: 1

#花式索引

In [101]: sr = pd.Series(a,index=['a','b','c','d','e'])

In [102]: sr

Out[102]:

a3b4c5d6e7dtype: int32

In [103]: sr[['a','e','c']]

Out[103]:

a3e7c5dtype: int32#标签索引来切片,它是前包后也包的

In [106]: sr['b':'d']

Out[106]:

b4c5d6dtype: int32

Series-整数索引问题

In [107]: sr = pd.Series(np.arange(10))

In [108]: sr

Out[108]:

0 01 1

2 2

3 3

4 4

5 5

6 6

7 7

8 8

9 9dtype: int32

In [111]: sr2 = sr[5:].copy()

In [112]: sr2

Out[112]:5 5

6 6

7 7

8 8

9 9dtype: int32#问题开始了,sr2的下标索引并不是从0开始的

In [113]: sr2[5]

Out[113]: 5

#因为这个时候是有歧义的,所以,如果索引是整数类型,则根据整数进行下标取值的时候,总是面相标签的

解决办法:loc和iloc

In [114]: sr2.loc[5]

Out[114]: 5In [115]: sr2.iloc[-1]

Out[115]: 9

#因为长度只有5,所以使用sr.iloc[5]会报错

Series-数据对齐

按照标签索引进行计算

In [117]: sr1 = pd.Series([12,23,34],index=['c','a','d'])

In [118]: sr2 = pd.Series([11,20,10],index=['d','c','a'])

In [119]: sr1+sr2

Out[119]:

a33c32d45dtype: int64

pandas中长度不一样也可以计算,并引入NaN数据作为数据缺失值

In [120]: sr1 = pd.Series([12,23,34],index=['c','a','d'])

In [121]: sr2 = pd.Series([11,20,10,16],index=['d','c','a','b'])

In [122]: sr1+sr2

Out[122]:

a33.0b NaN

c32.0d45.0dtype: float64

In [123]: sr1 = pd.Series([12,23,34],index=['c','a','d'])

In [124]: sr2 = pd.Series([11,20,10],index=['c','a','b'])

In [125]: sr1+sr2

Out[125]:

a43.0b NaN

c23.0d NaN

dtype: float64

但是有的时候,我不需要他出现NaN

In [126]: sr1.add(sr2,fill_value=0)

Out[126]:

a43.0b10.0c23.0d34.0dtype: float64

Series-缺失数据和处理确实数据

处理缺失数据有两种思路-删除和填充

判断有没有缺失数据-isnull和notnull

In [127]: sr.isnull()

Out[127]:

0 False1False2Falsedtype: bool

删掉缺失数据的方法

#恶意直接利用索引取值的方法

In [132]: sr[sr.notnull()]

Out[132]:

a43.0c23.0dtype: float64#使用dropna 删除

In [134]: sr.dropna()

Out[134]:

a43.0c23.0dtype: float64

填充的方法

#使用fillna填充

In [133]: sr.fillna(0)

Out[133]:

a43.0b0.0c23.0d0.0dtype: float64

有的时候,不喜欢看见0 ,我们可以填充一个平均值

In [135]: sr.fillna(sr.mean())

Out[135]:

a43.0b33.0c23.0d33.0dtype: float64

pandas在计算平均值的时候,会跳过nan。如果不想跳过去,可以加一些参数

Series小结

Series的特性-数组+字典的结合体-整数索引的问题-loc和iloc

数据对齐-面向标签和缺失值

缺失值的处理-删除和填充

pandas的mean求平均值的特点的使用

DataFrame-二维数据对象

#第一种创建范式

In [137]: df=pd.DataFrame({'one':[1,2,3,],'two':[4,5,6]})

In [138]: df

Out[138]:

one two

01 4

1 2 5

2 3 6

#第二种创建方式

In [140]: pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([4,5,6,7],index=['a','b','c','d'])})

Out[140]:

one two

a1.0 4b2.0 5c3.0 6d NaN7

#还有很多种创建的方式...

文件读写操作

vim test.csv

a,b,c1,2,3

4,5,6

7,8,9

读取csv文件

In [145]: pd.read_csv('test.csv')

Out[145]:

a b c

01 2 3

1 4 5 6

2 7 8 9

保存文件为csv

In [147]: df

Out[147]:

a b c

01 2 3

1 4 5 6

2 7 8 9In [148]: df.to_csv('test2.csv')

DataFrame-常用属性

index用来获取行索引,values获取的值是二维数组, 这是和Series一样的地方

In [156]: df =_140

In [157]: df

Out[157]:

one two

a1.0 4b2.0 5c3.0 6d NaN7In [158]: df.index

Out[158]: Index(['a', 'b', 'c', 'd'], dtype='object')

In [159]: df.values

Out[159]:

array([[1., 4.],

[2., 5.],

[3., 6.],

[nan,7.]])

转置T-把行变成列,列变成行,且一列都成了一个属性(所有的转置默认都会)

可以指定属性dtype

In [160]: df.T

Out[160]:

a b c d

one1.0 2.0 3.0NaN

two4.0 5.0 6.0 7.0

获取列索引columns

In [163]: df.columns

Out[163]: Index(['one', 'two'], dtype='object')

快速统计

In [165]: df.describe()

Out[165]:

one two

count3.0 4.000000  个数mean2.0 5.500000  平均数    std1.0 1.290994  标准差min1.0 4.000000  最小值

25% 1.5 4.750000  25%位置的数

50% 2.0 5.500000  中位数

75% 2.5 6.250000  75%位置的数max3.0 7.000000  最大数

DataFrame-索引和切片

#先选列。再选行

In [168]: df

Out[168]:

one two

a1.0 4b2.0 5c3.0 6d NaN7In [169]: df['one']['a']

Out[169]: 1.0In [170]: df['one'][1]

Out[170]: 2.0In [171]: df['one'][0]

Out[171]: 1.0

建议使用loc或者iloc指定,并不建议使用双中括号

In [172]: df.loc['a','one']

Out[172]: 1.0In [173]: df.loc['a',:]

Out[173]:

one1.0two4.0Name: a, dtype: float64

灵活搭配使用

In [174]: df.loc[['a','c'],:]

Out[174]:

one two

a1.0 4c3.0 6

DataFrame-数据对齐与缺失数据

DataFrame在使用dropna时,如果一行有一个缺失值,会将整行都删除

指定how=‘all’,删除全部是nan的行

In [177]: df.loc[['c','d'],'two'] =np.nan

In [178]: df

Out[178]:

one two

a1.0 4.0b2.0 5.0c3.0NaN

d NaN NaN

In [179]: df.dropna(how='all')

Out[179]:

one two

a1.0 4.0b2.0 5.0c3.0NaN#how 默认的值是any,也就是只要有nan就都会删除

如何把有一列中有缺失值的那一列都删除?

axis参数意思是-轴,默认是0,是0的时候,指定的是行,1指定的是列

In [184]: df

Out[184]:

one two

a1.0 4.0b2.0 5.0c3.0NaN

d5.0NaN

In [185]: df.dropna(axis=1)

Out[185]:

one

a1.0b2.0c3.0d5.0

pandas-其他常用方法

排序中的ascending=False是倒序,by是指定排序的行(列)

当排序的列(行)有nan的时候,都默认放在了最后,不参与排序

numpy的所有通用函数都适于用pandas

pandas-时间对象处理

datetime中将时间字符串转化成时间对象

In [186]: importdatetime

In [187]: datetime.datetime.strptime('2010-01-01','%Y-%m-%d')

Out[187]: datetime.datetime(2010, 1, 1, 0, 0)

记忆strptime p--parse 解析

记忆strftime f--format 格式化

但是不是所有人写时间的格式都像这样的,有一个库可以帮我们做这件事

importdateutil

In [191]: dateutil.parser.parse('02/03/2010')

Out[191]: datetime.datetime(2010, 2, 3, 0, 0)

In [192]: dateutil.parser.parse('02-03-2010')

Out[192]: datetime.datetime(2010, 2, 3, 0, 0)

In [193]: dateutil.parser.parse('2010-JAN-10')

Out[193]: datetime.datetime(2010, 1, 10, 0, 0)

pandas中的to_datetime就是引用了这个模块,进行批量转换

In [194]: pd.to_datetime(['02-03-2010','2010-JAN-10'])

Out[194]: DatetimeIndex(['2010-02-03', '2010-01-10'], dtype='datetime64[ns]', freq=None)

注意:得到对象第DatetimeIndex

时间对象生成-date_range

In [195]: pd.date_range('2010-01-01','2010-05-01')

Out[195]:

DatetimeIndex(['2010-01-01', '2010-01-02', '2010-01-03', '2010-01-04','2010-01-05', '2010-01-06', '2010-01-07', '2010-01-08','2010-01-09', '2010-01-10',

...'2010-04-22', '2010-04-23', '2010-04-24', '2010-04-25','2010-04-26', '2010-04-27', '2010-04-28', '2010-04-29','2010-04-30', '2010-05-01'],

dtype='datetime64[ns]', length=121, freq='D')

使用periods指定长度

pd.date_range? 查看帮助中的参数帮助信息

start : str or datetime-like, optional

Left boundforgenerating dates.

end : stror datetime-like, optional

Right boundforgenerating dates.

periods : integer, optional 长度

Number of periods to generate.

freq : stror DateOffset, default 'D' 频率 H-小时 W-周 W-MON W-WENFrequency strings can have multiples, e.g.'5H'. See //B-工作日

:ref:`here` fora list of //1H20min

frequency aliases.

date_range的参数freq可以各种花式定义时间间隔

tz : strortzinfo, optional

Time zone namefor returning localized DatetimeIndex, forexample'Asia/Hong_Kong'. By default, the resulting DatetimeIndex istimezone-naive.

normalize : bool, default False

Normalize start/end dates to midnight before generating date range.

name : str, default None

Name of the resulting DatetimeIndex.

closed : {None,'left', 'right'}, optional

Make the interval closed with respect to the given frequency to

the'left', 'right', or both sides (None, the default).

得到的是Timestamp对象,可以将其用to_pydatetime转换成时间对象

还可以转成字符串

date_range的参数freq可以各种花式定义时间间隔

时间序列

生成的时间对象可以用来构建时间序列的

In [198]: sr = pd.Series(np.arange(5),index=pd.date_range('2010-01-01',periods=5))

In [199]: sr

Out[199]:2010-01-0102010-01-02 1

2010-01-03 2

2010-01-04 3

2010-01-05 4Freq: D, dtype: int32

那么有什么作用呢?直观的好处就是以时间为索引获取指定范围的数据

In [200]: sr = pd.Series(np.arange(100),index=pd.date_range('2010-01-01',periods=100))

In [201]: sr['2010-03']

Out[201]:2010-03-01 59

2010-03-02 60

2010-03-03 61

2010-03-04 62

2010-03-05 63

2010-03-06 64

2010-03-07 65

2010-03-08 66

2010-03-09 67

2010-03-10 68

2010-03-11 69

2010-03-12 70

2010-03-13 71

2010-03-14 72

2010-03-15 73

2010-03-16 74

2010-03-17 75

2010-03-18 76

2010-03-19 77

2010-03-20 78

2010-03-21 79

2010-03-22 80

2010-03-23 81

2010-03-24 82

2010-03-25 83

2010-03-26 84

2010-03-27 85

2010-03-28 86

2010-03-29 87

2010-03-30 88

2010-03-31 89Freq: D, dtype: int32

还比如  sr['2017':'2018']

特别方便

resample函数--重新取样

#以周为单位取和

In [203]: sr.resample('W').sum()

Out[203]:2010-01-03 3

2010-01-10 42

2010-01-17 91

2010-01-24 140

2010-01-31 189

2010-02-07 238

2010-02-14 287

2010-02-21 336

2010-02-28 385

2010-03-07 434

2010-03-14 483

2010-03-21 532

2010-03-28 581

2010-04-04 630

2010-04-11 579Freq: W-SUN, dtype: int32

truncate是类似切片的函数,意义不大,因为都可以通过切片操作来取值

pandas-文件处理

读取文件

例子:

header= none

names的使用

在一个数据表中,如果某一列中有None,这整个列的类型都会变成object,变成了字符串

本来应该是float的

但是因为有none,变成了字符串

nan可以解释成浮点数,但是none无法解释,

解决:用na_values

写入文件

写入文件示例:

Python中读取excel的时候需要安装模块xlrd

......还有很多内容

要多多练习,才能掌握,变成自己的

第四章-数据可视化工具包---matplotlib

如果在命令行或者pycharm中运行,会弹出对话框,可以进行拖动、放大等操作...

plot函数

plot用来绘制点图或者线图,两个参数(即x和y)

还有第三个参数,一个字符串,来决定线的样式(示例:v是小三角,用短线和点连接,显示红色)

也可以使用参数传递(color=‘red’,marker=‘^’,linestyle='-.')

我想画多条线?该如何操作

show函数,调用之后,之前的plot都出现在一张图上了

Matplotlib-图像标注

plt.legend的用法之一

pandas和Matplotlib

直接使用

作业:绘制数学函数图像

画布与子图

fig.add_subplot(2,2,1) 其中 2,2的意思就是把画布分成2x24份,最后的1是第一个位置

Matplotlib支持的图类型

条形图

饼图

折线图-matplot.finance

matplotlib.finance.子包中有许多绘制金融相关图的函数接口

绘制K线图:matplotlib.finance.candlestick_ochl函数

参数的帮助信息

导入模块并给数据添加了一个time字段

第五章-金融数据分析基础实战

tushare包介绍

Tushare是一个免费、开源的财经数据接口包。

练习1-股票数据分析

1、使用tushare包获取某股票的历史行情数据2、输出该股票所有收盘比开盘上涨3%以上的日期3、输出该股票所有开盘比前日收盘跌幅超过2%的日期(用shift错位)4、加入我从2010年1月1日开始,每月第一个交易日买入一手股票,每年最后一个交易日卖出所有股票,

到今天为止,我的收益如何?

tushare接口的使用和shift函数,resample的使用

练习2-查找历史金叉死叉的日期

编写代码

第一个量化策略

initialize函数

handle_data函数,每个单位时间执行一次回测

策略实现

#导入函数库

from jqdata import *

#初始化函数,设定基准等等

definitialize(context):#1、设置股票池为沪深300的所有成分股

g.security = get_index_stocks('000300.XSHG')

# 基准收益

set_benchmark('000300.XSHG') # 持有后不动

set_option('use_real_price',True)

set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')## 回测函数

defhandle_data(context, data):#每只股票买多少的问题,账户金额/股票个数的长度=每个股票分多少钱

#一般情况下先卖后买

tobuy =[]for stock ing.security:#获取股票当前的开盘价

p =get_current_data()[stock].day_open#查看是否持有这只股票

amount =context.portfolio.positions[stock].total_amount#股票的持仓成本

cost =context.portfolio.positions[stock].avg_cost#3、如果当前股价比买入时上涨了25%,则清仓止盈

if amount > 0 and p >= cost * 1.25:

order_target(stock,0)#止盈

#4、如果当前股价比买入时下跌了10%,则卖出止损

if amount > 0 and p <= cost *0.9:

order_target(stock,0)#止损

#2、如果当前股价小于10元且当前不持仓,则买入

if p <= 10.0 and amount ==0:

tobuy.append(stock)

order(stock,1000)iftobuy:

cost_per_stock= context.portfolio.available_cash /len(tobuy)for per intobuy:

order_value(per,cost_per_stock)

双均线策略-最简单只股票

#导入函数库

from jqdata import *

#初始化函数,设定基准等等

definitialize(context):

set_benchmark('000300.XSHG') #持有后不动

set_option('use_real_price',True)

set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')#选股

g.security = ['601318.XSHG']

g.p1= 5g.p2= 10

defhandle_data(context, data):for stock ing.security:#金叉:如果5日均线大于10日均线,且没有持仓

#死叉:如果5日均线小于10日均线,并且持仓

#获取历史数据

df =attribute_history(stock,g.p2)

m10= df['close'].mean()

m5= df['close'][-5:].mean()if m10 > m5 and stock incontext.portfolio.positions:#死叉卖出

order_target(stock, 0)if m10 < m5 and stock not incontext.portfolio.positions:

order(stock,context.portfolio.available_cash* 0.8)

在回测图上添加其他的图

因子选股策略

查询财务数据

get_fundanmentals

策略编写

#导入函数库

from jqdata import *

#初始化函数,设定基准等等

definitialize(context):

set_benchmark('000300.XSHG') #持有后不动

set_option('use_real_price',True)

set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003,

close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')#选股范围

g.security = get_index_stocks('000300.XSHG')#获取数据,在官网数据选项卡中找到valuation表

g.q =query(valuation).filter(valuation.code.in_(g.security))#要定期跟新调仓

#1、定义天数变量,在handle_data中计数,每天+1,当days%30==0的时候,执行调仓

#这是没30个交易日调一次

#2、使用run_monthly(handle,1),定义handle用来跟新的函数,1表示第一个交易日

#这是每月调一次

run_monthly(handle,1)#定义自己的仓位最多有20只股票

g.N = 20

defhandle(context):#注意,有的函数方法会报错,因为平台支持的第三方平台的版本所导致

df = get_fundamentals(g.q)[['code','market_cap']]

df= df.sort_values('market_cap').iloc[:g.N,:]#新选出的股票池

to_hold = df['code'].values#手上可能有一些股票,有的留着,没有的卖掉,添加新的

for stock incontext.portfolio.positions:#手上的股票没在to_hold中,买掉

if stock not into_hold:

order_target(stock,0)

to_buy= [stock for stock in to_hold if stock not incontext.portfolio.positions]ifto_buy:

cash_per_stock= context.portfolio.available_cash /len(to_buy)for per into_buy:

order_value(per,cash_per_stock)

注意停牌的股票的过滤

取前30个,把停牌的(paused)过滤掉,在取前20个

多因子选股策略

市值小

净资产收益率要高

如何同时综合多个因子

...

补充知识-标准化

标准化,归一化,数据预处理的方法

编码实现

#导入函数库

from jqdata import *

#初始化函数,设定基准等等

definitialize(context):

set_benchmark('000300.XSHG') #持有后不动

set_option('use_real_price',True)

set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003,

close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')#选股范围

g.security = get_index_stocks('000002.XSHG')#获取数据,在官网数据选项卡中找到valuation表,市值数据在这个表中

#找到roe在,indicator表中

g.q =query(valuation,indicator).filter(valuation.code.in_(g.security))#要定期跟新调仓

#1、定义天数变量,在handle_data中计数,每天+1,当days%30==0的时候,执行调仓

#这是没30个交易日调一次

#2、使用run_monthly(handle,1),定义handle用来跟新的函数,1表示第一个交易日

#这是每月调一次

#定义自己的仓位最多有20只股票

g.N = 20run_monthly(handle,1)defhandle(context):#注意,有的函数方法会报错,因为平台支持的第三方平台的版本所导致

df = get_fundamentals(g.q)[['code','market_cap','roe']]#进行归一化

df['market_cap'] = (df['market_cap']) - df['market_cap'].min()) / (df['market_cap'].max() - df['market_cap'].min())

df['roe'] = (df['roe']) - df['roe'].min()) / (df['roe'].max() - df['roe'].min())#增加一列作为评分,收益率越大越好,市值越小越好。最后的结果越大越好

df['score'] = df['roe'] - df['market_cap']#选最后20只

df = df.sort_values('score').iloc[-g.N:,:]#新选出的股票池

to_hold = df['code'].values#手上可能有一些股票,有的留着,没有的卖掉,添加新的

for stock incontext.portfolio.positions:#手上的股票没在to_hold中,买掉

if stock not into_hold:

order_target(stock,0)

to_buy= [stock for stock in to_hold if stock not incontext.portfolio.positions]ifto_buy:

cash_per_stock= context.portfolio.available_cash /len(to_buy)for per into_buy:

order_value(per,cash_per_stock)

还可以增加权重、增加更多的因子

均值回归理论

均值回归策略是一个选股策略

编码实现

#导入函数库

from jqdata import *

#初始化函数,设定基准等等

definitialize(context):

set_benchmark('000300.XSHG') #持有后不动

set_option('use_real_price',True)

set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003,

close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')#选股范围

g.security = get_index_stocks('000002.XSHG')#均线

g.ma_days = 30

#股票数量

g.stock_num = 10run_monthly(handle,1)defhandle(context):

sr= pandas.Series(index=g.security)for stock insr.index:

ma= attribute_history(stock, g.ma_days)['close'].mean()

p=get_current_data()[stock].day_open#计算偏离程度

ratio = (ma-p) /ma

sr[stock]=ratio#不用sort,有一个更快的函数nlargest

#新选出的股票池

to_hold =sr.nlargest(g.stock_num).index.values#手上可能有一些股票,有的留着,没有的卖掉,添加新的

for stock incontext.portfolio.positions:#手上的股票没在to_hold中,买掉

if stock not into_hold:

order_target(stock,0)

to_buy= [stock for stock in to_hold if stock not incontext.portfolio.positions]ifto_buy:

cash_per_stock= context.portfolio.available_cash /len(to_buy)for per into_buy:

order_value(per,cash_per_stock)

布林带策略

上下N取小了不好,去大了等于没取,因为很难触碰,上下可以取不同的N

编码实现

#导入函数库

from jqdata import *

#初始化函数,设定基准等等

definitialize(context):

set_benchmark('000300.XSHG') #持有后不动

set_option('use_real_price',True)

set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003,

close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')#选股范围

g.security = ('600036.XSHG')

g.M= 20 #试验过20比较好

g.k = 2 #听说1.7比较好#初始化策略

defhandle_data(context, data):

sr= attribute_history(g.security,g.M)['close']

ma=sr.mean()

up= ma + g.k *sr.std()

down= ma - g.k *sr.std()

p=get_current_data()[g.security].day_open

cash=context.portfolio.available_cashif p < down and g.security not incontext.portfolio.positions:

order_value(g.security, cash)elif p >up and g.security incontext.portfolio.positions:

order_target(g.security, 0)

可以继续尝试其他股票或者多只股票

多只股票牵涉资金分配的问题

多尝试几个参数,看效果如何

布林带比较窄的时候,说明波动小,将不适合短线交易,也可将其作为一个因子

加入止损操作

PEG策略

市盈率是什么

PEG策略说明

PEG选股

编码实现

市盈率有静态的和动态的两种,我们使用静态的pe_ratio,在valuation表中

收益增长率inc_net_profit_year_on_year,在indicator里面

#导入函数库

from jqdata import *

#初始化函数,设定基准等等

definitialize(context):

set_benchmark('000300.XSHG') #持有后不动

set_option('use_real_price',True)

set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003,

close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')#选股范围

g.security = get_index_stocks('000300.XSHG')

g.q=query(valuation.code,valuation.pe_ratio,indicator.inc_net_profit_year_on_year).filter(valuation.code.in_(g.security))

g.N= 20run_monthly(handle,1)defhandle(context):

df=get_fundamentals(g.q)#过滤负值的PEG

df = df[(df['pe_ratio'] > 0) & (df['inc_net_profit_year_on_year'] >0) ]#计算peg

df['peg'] = df['pe_ratio'] /df['inc_net_profit_year_on_year']/100df= df.sort_values('peg')

to_hold= df['code'][:g.N].valuesprint(to_hold)#手上可能有一些股票,有的留着,没有的卖掉,添加新的

for stock incontext.portfolio.positions:#手上的股票没在to_hold中,买掉

if stock not into_hold:

order_target(stock,0)

to_buy= [stock for stock in to_hold if stock not incontext.portfolio.positions]ifto_buy:

cash_per_stock= context.portfolio.available_cash /len(to_buy)for per into_buy:

order_value(per,cash_per_stock)

动量策略和反转策略

编码实现

importjqdataimportmathimportnumpy as npimportpandas as pdimportdatetimedefinitialize(context):

set_option('use_real_price', True)

set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003,

close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')

g.benchmark= '000300.XSHG'g.N= 10set_benchmark(g.benchmark)

run_monthly(handle,1)defhandle(context):

stocks= get_index_stocks('000300.XSHG')#这段时间的收盘价(attribu是选取一只股票多个时间的,history是选择多只股票)

#转置,相当于将股票代码放在了表头上

df_close = history(30, field='close', security_list=list(stocks)).T#增加ret列,表示收益率(最后一天的价格-第一天的价格)/ 第一天的价格

df_close['ret'] = (df_close.iloc[:,-1]-df_close.iloc[:,0])/df_close.iloc[:,0]#ascending = False 表示降序,即为动量策略,总选最好的

#ascending = True 反转策略

sorted_stocks = df_close.sort_values('ret', ascending =False).index

to_hold=sorted_stocks[:g.N]#手上可能有一些股票,有的留着,没有的卖掉,添加新的

for stock incontext.portfolio.positions:#手上的股票没在to_hold中,买掉

if stock not into_hold:

order_target(stock,0)

to_buy= [stock for stock in to_hold if stock not incontext.portfolio.positions]ifto_buy:

cash_per_stock= context.portfolio.available_cash /len(to_buy)for per into_buy:

order_value(per,cash_per_stock)

最后得出结论,A股市场的反转策略优于动量策略

羊驼交易法则

编码实现

#导入函数库

from jqdata import *

#初始化函数,设定基准等等

definitialize(context):

set_benchmark('000300.XSHG') #持有后不动

set_option('use_real_price',True)

set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003,

close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')#选股范围

g.security = get_index_stocks('000300.XSHG')#看多长时间的 收益率

g.period = 30g.N= 10

#每次调整几只股票

g.change = 1

#标志位,第一次购买的时候购买的是10只

g.init =True

run_monthly(handle,1)defget_sorted_stocks(context,stocks):

df_close= history(g.period, field='close', security_list=stocks).T#增加ret列,表示收益率(最后一天的价格-第一天的价格)/ 第一天的价格

df_close['ret'] = (df_close.iloc[:,-1]-df_close.iloc[:,0])/df_close.iloc[:,0]#ascending = False 表示降序,即为动量策略,总选最好的

#ascending = True 反转策略

sorted_stocks = df_close.sort_values('ret', ascending =False)returnsorted_stocks.index.valuesdefhandle(context):ifg.init:

stocks=get_sorted_stocks(context, g.security)[:g.N]

cash= context.portfolio.available_cash * 0.9 /len(stocks)for stock instocks:

order_value(stock, cash)

g.init=Falsereturnstocks=get_sorted_stocks(context, context.portfolio.positions.keys())for stock instocks:if len(context.portfolio.positions) >=g.N:break

if stock not incontext.portfolio.positions:

order_value(stock, context.portfolio.available_cash* 0.9)

简易回测框架开发

框架内容

上下文信息保存:context

获取数据:

下单函数:

用户接口:

...

你可能感兴趣的:(量化交易python,文件)