大家好，又见面了，我是你们的朋友全栈君。

python实现量化交易策略

1 前言

相信大家都听说过股票，很羡慕那些炒股大佬，觉得量化投资非常高深，本文教大家用python实现简单的量化交易策略。在这强调一下，本文仅供交流学习参考，不构成任何投资建议。炒股有风险，投资需谨慎。

2 构建策略

炒股是一个概率游戏，强如巴菲特也没办法保证这只股票一定能涨。我们能做的是买入上涨概率高的股票，不碰那些下跌概率高的股票。在股票市场中有很多上市公司，有些公司是领导者，有些是追随者，比如白酒行业中贵州茅台(600519)、新能源概念中宁德时代(300750)等都是领导者。我们可以观察这些股票的走势，来判断同行业同概念中其他公司股票价格的走势。基于这种思想，我们用相关性来构建策略。
本文用沪深300成分股构建股票池，样本期是2020年1月1日到2020年12月31日，数据来源于tushare数据库，官网链接：https://tushare.pro。

import tushare as ts
import pandas as pd
import numpy as np
import copy

pro = ts.pro_api('你的token')
#1 获取沪深300成分股日线行情数据
def hqsj_hs():
    df1 = pro.index_weight(index_code='399300.SZ', trade_date='20201231')
    df=pd.DataFrame()
    for i in range(len(df1)):
        df2 = pro.daily(ts_code=df1.iloc[i,1], start_date='20200101', end_date='20201231')
        df=pd.concat([df,df2],axis=0)
    df.to_excel('股票数据.xlsx',index=False)
hqsj_hs()

这里得到了沪深300成分股的日线行情数据，需要手动将excel表按股票代码和交易日期升序。有些股票在样本期某天停牌，需要剔除该股票数据。这里用A股票当天收益率和其他股票昨天收益率计算相关性。

#2 计算相关性
def xgx():
df=pd.read_excel('股票数据.xlsx',engine='openpyxl')
result={ 
}
for i in range(len(df)):
key=df.iloc[i,0]
if result.get(key,False):
result[key].append(df.iloc[i,-3])
else:
result[key] = [df.iloc[i,-3]]
result1=copy.deepcopy(result)
for i in result:
if len(result[i])!=243:
del result1[i]
for i in result1:
result1[i].append([result1[i][1:],result1[i][:-1]])
result2={ 
}
for i in result1:
aa = { 
}
now=pd.Series(result1[i][-1][0])
for j in result1:
pre=pd.Series(result1[j][-1][1])
xgx=now.corr(pre)
aa[j]=abs(xgx)
result2[i]=aa
#print(result2)
result3={ 
}
for i in result2:
result3[i]={ 
max(zip(result2[i].values(), result2[i].keys()))[1]:max(zip(result2[i].values(), result2[i].keys()))[0]}
xxx=[]
for i in result3:
for j in result3[i]:
xxx.append(result3[i][j])
b=sorted(xxx,reverse = True)[:1] #取相关性最大的
result4={ 
}
for i in result3:
for j in result3[i]:
for x in b:
if x==result3[i][j]:
result4[i]={ 
j:x}
print(result4)
return result4

我们取相关性最大的股票组，得到结果是上海临港(600848)和民生银行(600016)，相关性为0.4156。也就是说民生银行(600016)今天跌了，那么上海临港(600848)明天大概率要跌。我们可以在尾盘观察民生银行(600016)，如果涨了，则买入上海临港(600848)。到这里就构建了我们的策略。

3 买股方案

前文根据2020年1月1日到2020年12月31日的数据构建策略，用于2021年1月1日到2021年3月31日交易。

#3 获取21年数据
def test_data():
result4=xgx()
ts_code=[]
for i in result4:
for j in result4[i]:
ts_code.append(j)
df = pd.DataFrame()
for i in ts_code:
df1 = pro.daily(ts_code=i, start_date='20210101', end_date='20210331')
df = pd.concat([df, df1], axis=0)
df.to_excel('股票数据1.xlsx', index=False)
test_data()
#4 买股方案
def mgfa():
df=pd.read_excel('股票数据1.xlsx',engine='openpyxl')
timeseries=df['trade_date'].tolist()
timetime=list(set(timeseries))
timetime1=sorted(timetime)
result4=xgx()
ts1=[] #昨天
ts2=[] #今天
for i in result4:
ts2.append(i)
for j in result4[i]:
ts1.append(j)
result1={ 
}
for i in range(len(df)):
time=df.iloc[i,1]
if result1.get(time,False):
aa.append(df.iloc[i,-3])
else:
aa=[]
aa.append(df.iloc[i,-3])
result1[time]=aa
result2={ 
}
for i in result1:
if i!=20210331:
aaa=[]
for j in result1[i]:
if j >0:
aaa.append(ts2[result1[i].index(j)])
result2[timetime1[timetime1.index(i)+1]]=aaa
print(result2)
return result2
mgfa()

我们得到了2021年1月1日到2021年3月31日的买股方案，结果为2021年1月5日空仓，2021年1月6日空仓，2021年1月7日买入上海临港(600848)等等。

4 评估策略

上文我们得到了买股方案，最后需要进行回测，我们用收益率，夏普率，最大回撤等指标来评估策略的优劣性，收益率和夏普率越大越好，最大回撤越小越好。

#5 获取测试数据
def cssj():
result4=xgx()
ts_code=[]
for i in result4:
ts_code.append(i)
df = pd.DataFrame()
for i in ts_code:
df1 = pro.daily(ts_code=i, start_date='20210101', end_date='20210331')
df = pd.concat([df, df1], axis=0)
df.to_excel('股票数据2.xlsx', index=False)
cssj()
#6 评估策略
def jssy():
result2=mgfa()
result4=xgx()
df=pd.read_excel('股票数据2.xlsx',engine='openpyxl')
zdf=[]
for i in result2:
if len(result2[i]) == 1:
for j in result2[i]:
for x in range(len(df)):
if df.iloc[x, 0] == j and df.iloc[x, 1] == i:
zdf.append(df.iloc[x, -3])
else:
zdf.append(0)
bbb=1
for i in zdf:
bbb=bbb*(1+i/100)
bb=(bbb-1)*100
print('总收益率/%:',bb)
print('夏普率：', np.mean(zdf)/np.std(zdf,ddof=1))
ccc=1
hc=1
max_hc=[]
for i in zdf:
kk=ccc*(1+i/100)
if kk<ccc:
hc=hc*(1+i/100)
else:
hc=(hc-1)*100
max_hc.append(hc)
hc=1
ccc=copy.deepcopy(kk)
print('最大回撤/%:',abs(min(max_hc)))
jssy()

得到结果是收益率5.858%，夏普率0.108，最大回撤2.26%。与沪深300指数相比，2021年1月1日到2021年3月31日沪深300的收益率是-3.13%，可以看出，策略收益领先沪深300指数。

5 总结

本文用相关性构建一个简单的交易策略，但还有许多工作没有完成，有兴趣的读者可以进行改善。比如调参，本文用1年数据来测试1个季度，读者们可以用2年数据测试1个季度，用1年数据测试1个月等等。或者用今天和前天数据计算相关性，或者用所有上市公司代替沪深300，或者取相关性最大的5组股票等等。一个好的策略是需要不断调参不断测试的。本文的策略虽然在2020年第一季度中收益率为5.858%，但没有考虑交易费用，实际收益大约4%。再次强调，本文仅供交流学习参考，不构成任何投资建议。炒股有风险，投资需谨慎。

完整代码

import tushare as ts
import pandas as pd
import numpy as np
import copy
pro = ts.pro_api('你的token')
#1 获取沪深300成分股日线行情数据
def hqsj_hs():
df1 = pro.index_weight(index_code='399300.SZ', trade_date='20201231')
df=pd.DataFrame()
for i in range(len(df1)):
df2 = pro.daily(ts_code=df1.iloc[i,1], start_date='20200101', end_date='20201231')
df=pd.concat([df,df2],axis=0)
df.to_excel('股票数据.xlsx',index=False)
hqsj_hs()
#股票数据.xlsx需要手动将excel表按股票代码和交易日期升序
#2 计算相关性
def xgx():
df=pd.read_excel('股票数据.xlsx',engine='openpyxl')
result={ 
}
for i in range(len(df)):
key=df.iloc[i,0]
if result.get(key,False):
result[key].append(df.iloc[i,-3])
else:
result[key] = [df.iloc[i,-3]]
result1=copy.deepcopy(result)
for i in result:
if len(result[i])!=243:
del result1[i]
for i in result1:
result1[i].append([result1[i][1:],result1[i][:-1]])
result2={ 
}
for i in result1:
aa = { 
}
now=pd.Series(result1[i][-1][0])
for j in result1:
pre=pd.Series(result1[j][-1][1])
xgx=now.corr(pre)
aa[j]=abs(xgx)
result2[i]=aa
#print(result2)
result3={ 
}
for i in result2:
result3[i]={ 
max(zip(result2[i].values(), result2[i].keys()))[1]:max(zip(result2[i].values(), result2[i].keys()))[0]}
xxx=[]
for i in result3:
for j in result3[i]:
xxx.append(result3[i][j])
b=sorted(xxx,reverse = True)[:1] #取相关性最大的
result4={ 
}
for i in result3:
for j in result3[i]:
for x in b:
if x==result3[i][j]:
result4[i]={ 
j:x}
print(result4)
return result4
#3 获取21年数据
def test_data():
result4=xgx()
ts_code=[]
for i in result4:
for j in result4[i]:
ts_code.append(j)
df = pd.DataFrame()
for i in ts_code:
df1 = pro.daily(ts_code=i, start_date='20210101', end_date='20210331')
df = pd.concat([df, df1], axis=0)
df.to_excel('股票数据1.xlsx', index=False)
test_data()
#4 买股方案
def mgfa():
df=pd.read_excel('股票数据1.xlsx',engine='openpyxl')
timeseries=df['trade_date'].tolist()
timetime=list(set(timeseries))
timetime1=sorted(timetime)
result4=xgx()
ts1=[] #昨天
ts2=[] #今天
for i in result4:
ts2.append(i)
for j in result4[i]:
ts1.append(j)
result1={ 
}
for i in range(len(df)):
time=df.iloc[i,1]
if result1.get(time,False):
aa.append(df.iloc[i,-3])
else:
aa=[]
aa.append(df.iloc[i,-3])
result1[time]=aa
result2={ 
}
for i in result1:
if i!=20210331:
aaa=[]
for j in result1[i]:
if j >0:
aaa.append(ts2[result1[i].index(j)])
result2[timetime1[timetime1.index(i)+1]]=aaa
print(result2)
return result2
mgfa()
#5 获取测试数据
def cssj():
result4=xgx()
ts_code=[]
for i in result4:
ts_code.append(i)
df = pd.DataFrame()
for i in ts_code:
df1 = pro.daily(ts_code=i, start_date='20210101', end_date='20210331')
df = pd.concat([df, df1], axis=0)
df.to_excel('股票数据2.xlsx', index=False)
cssj()
#6 评估策略
def jssy():
result2=mgfa()
result4=xgx()
df=pd.read_excel('股票数据2.xlsx',engine='openpyxl')
zdf=[]
for i in result2:
if len(result2[i]) == 1:
for j in result2[i]:
for x in range(len(df)):
if df.iloc[x, 0] == j and df.iloc[x, 1] == i:
zdf.append(df.iloc[x, -3])
else:
zdf.append(0)
bbb=1
for i in zdf:
bbb=bbb*(1+i/100)
bb=(bbb-1)*100
print('总收益率/%:',bb)
print('夏普率：', np.mean(zdf)/np.std(zdf,ddof=1))
ccc=1
hc=1
max_hc=[]
for i in zdf:
kk=ccc*(1+i/100)
if kk<ccc:
hc=hc*(1+i/100)
else:
hc=(hc-1)*100
max_hc.append(hc)
hc=1
ccc=copy.deepcopy(kk)
print('最大回撤/%:',abs(min(max_hc)))
jssy()