python实现量化交易策略

python实现量化交易策略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。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

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()

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/153229.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 一个interface可以继承多个interface_java语言支持单继承和多继承

    一个interface可以继承多个interface_java语言支持单继承和多继承   搞Java也有两个年头多了 ,今天在修改程序时无意中发现,Java接口中继承了多个接口,哎,真是惭愧直到现在才搞明白。于是就赶紧写了一个例子:packagecom.iman.wrms.t;publicinterfaceIOne{ publicvoidone();} packagecom.iman.wrms.t;publicinterfaceIT

    2022年10月20日
  • win10 虚拟显示器_电脑怎么设置虚拟显示器

    win10 虚拟显示器_电脑怎么设置虚拟显示器2017.7.7最近在做虚拟化,需要在虚机上虚拟出一个显示器,我使用的虚机是windows10,虚机里面有一张透传显卡(可看做是物理显卡),我尝试过一些方法,比如编写一个虚拟的WDDM显卡驱动,然后在显卡驱动上接上一个显示器,该方法是有效的,可以成功虚拟出一个显示器,但是在虚拟显示器上渲染数据使用的渲染引擎没有用到透传显卡,在性能上达不到我的要求,所以只好放弃用这种方法。于是,通过阅…

  • 怎么成为一个比较成功的IT人士

    怎么成为一个比较成功的IT人士

  • 分时系统1_属于分时系统的是

    分时系统1_属于分时系统的是分时系统:是个多道系统在给每一个任务执行的时候是按一定的时间进行的,时间到了直接切换下一个作业类似于交互系统任务多了会有切换时间,类似于中断进而要减少中断时间终断多了的,系统开销大多道批处理

  • 关于c#中的dialogresult

    关于c#中的dialogresult
    在botton里面设置dialogresult为ok的时候,按下按钮窗口会自然关闭,这是由于窗口时模态显示的原因
    这种方式多用于设置对话框吧。。。
    但是更多时候必须判断对话框里里的输入是否有效或者其他一些判断
    所以不推荐奖button的dialogresult属性直接设置为ok
    而是动态用代码实现,但条件成立的时候写上
    this.DialogResult=DialogResult.ok;
    这样可以避免一些异常的捕捉和判断。。。

  • 数论题中(杜教筛)交换求和符号

    数论题中(杜教筛)交换求和符号文章目录方阵下三角约数倍数狄利克雷卷积以及杜教筛学习笔记突然对交换求和符号有了新的理解了,用矩阵转置的思路就很好理解,外层循环相当于枚举行,内层枚举列,交换次序就是先枚举列,再枚举行方阵正常的就是∑i=1n∑j=1nf(i,j)=∑j=1n∑i=1nf(i,j)\sum_{i=1}^n\sum_{j=1}^nf(i,j)=\sum_{j=1}^n\sum_{i=1}^nf(i,j)…

    2022年10月12日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号