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

  • python 去除字符串中指定字符[通俗易懂]

    python 去除字符串中指定字符[通俗易懂]python中的strip()可以去除头尾指定字符ss=’我的电话是18827038663,也是微信号,\n请加入,谢谢\n\n\n’print(ss.strip(‘\n’))结果:我的电话是18827038663,也是微信号,请加入,谢谢可以看到只能删除头尾指定字符。想要去除中间字符,可以使用replace()函数ss=’我的电话是188270386…

  • 约瑟夫环问题详解

    约瑟夫环问题详解在牛客网上做到一道题,是约瑟夫环的变型,所以借此学习一下新知识,并且巩固一下对题目意思的理解,这一篇仅作约瑟夫环问题的解释,下一篇再写题目:1.首先,我们先来了解一下什么是约瑟夫环问题:讲一个比较有意思的故事:约瑟夫是犹太军队的一个将军,在反抗罗马的起义中,他所率领的军队被击溃,只剩下残余的部队40余人,他们都是宁死不屈的人,所以不愿投降做叛徒。一群人表决说要死,所以用一种策略来先后杀…

  • pycharm无法安装第三方模块_如何在pycharm中安装第三方库

    pycharm无法安装第三方模块_如何在pycharm中安装第三方库使用pytharm安装python的第三方库很方便,但常常也会报错,下面归纳一些常见的问题。1.pip版本太老这应该是最常见的问题了,解决办法就是更新pip版本,升级命令如下:python-mpipinstall–upgradepip查看pip版本命令如下:pip-V2.更换源镜像pycharm默认的安装源网址是https://pypi.python….

  • pycharm如何设置背景图片_电话背景图片怎么设置

    pycharm如何设置背景图片_电话背景图片怎么设置打开Pycharm点击左上角File如图:然后选择找到Settings点击进入,打开Appearance&Behavior,选择Appearance如图:最后找到BackgroundImage,选择好自己要设置的图片,Opacity可以调解好透明度,点击OK就可以了看效果:…

  • python求平均值的怎么编写,python 怎么求平均值[通俗易懂]

    python求平均值的怎么编写,python 怎么求平均值[通俗易懂]python求平均值的方法:首先新建一个python文件;然后初始化sum总和的值;接着循环输入要计算平均数的数,并计算总和sum的值;最后利用“总和/数量”的公式计算出平均数即可。本文操作环境:Windows7系统,python3.5版本,DellG3电脑。首先我们先来了解一下计算平均数的IPO模式.输入:待输入计算平均数的数。处理:平均数算法输出:平均数明白了程序的IPO模式之后,我们打开本…

    2022年10月30日
  • DSL和配置_ds3配置

    DSL和配置_ds3配置为什么要用DSL呢?这个问题可以算DSL应用中第二重要的问题。第一问题是我前面的讨论过的什么应用是DSL适应的范围。首先我们应该承认,DSL不是最简明且易于理解的方法。我们来跟配置文件的方式比较一下。显然DSL在比较中会落败,因为至少对客户来说不存在语法的问题。DSL的运行效率也未必就很好,至少从配置的角度来说会如此。DSL的开放效率也未必就是最好的,因为很多场景下因为DS…

    2022年10月29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