最近事情好像有点多，处理得心不在焉。之前国庆计划把张五常老师的经济解释卷二看完，但也是只把第三章生产的成本看了一下，哈哈~

这是一篇python金融量化分析的闲杂且入门的笔记，感觉学习价值较低，我只是记一下我码的代码，怎么说。我也是刚刚接触这一块，后面有时间再看看书深入学习一下吧~

1 金融基础再基础的粗略介绍

（1）金融：金融就是对现有资源进行重新整合之后，实现价值和利润的等效流通。

（2）金融工具：金融工具是在金融市场中可交易的金融资产。主要分为股票、期货、黄金、外汇、基金、债券等。

（3金融分析：

• 基本面分析

1. 行业分析
2. 公司分析：财务数据、业绩报告等
3. 宏观经济面分析：国家的财政政策、货币政策等

• 技术面分析
  1. K线
  2. MA(均线,moving avg)
  3. MACD(指数平滑移动平均线)
  4. KDJ(随机指标)
  5. RSI
  6. BOLL

（4）为什么需要量化交易？

• 金融量化分析主要是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据当中选出能够带来超额收益的多种“大概率”事件以此来指定策略。

• 主要就是以下几步：灵光乍现、细化策略、策略转程序、检验策略结果、回测、模拟交易、实盘交易

• 量化交易的价值:

  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。

（5）金融书籍推荐

1. 入门的金融知识应该掌握
2. 基础的财务知识也要掌握
3. 徐高 金融经济学25讲 （B站有男神的视频）
4. 索罗斯 金融炼金术
5. 马尔基尔 漫步华尔街

PS. 这是本人的一些认识。此外我也是刚刚入门

下面是一些常用的量化平台使用介绍

2 Tushare

2.1 Tushare介绍

（1）Tushare pro是一个python财经数据接口包，说明文档很详细，可以通过文档学习。不过现在开始要积分了呀~

（2）主要实现对股票等金融数据从数据采集、清洗加工 到 数据存储的过程，能够为金融分析人员提供快速、整洁、和多样的便于分析的数据，为他们在数据获取方面极大地减轻工作量，使他们更加专注于策略和模型的研究与实现上。

（3）考虑到Python pandas包在金融量化分析中体现出的优势，Tushare返回的绝大部分的数据格式都是pandas DataFrame类型，非常便于用pandas/NumPy/Matplotlib进行数据分析和可视化。

（4）安装：pip install tushare/ 访问https://pypi.python.org/pypi/Tushare/下载安装

（5）学习文档：https://tushare.pro/

2.2 Tushare基础使用

1. 用户注册：https://tushare.pro/register?reg=379314
2. 获取token
3. 初始化接口，调取数据

import tushare as ts
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

# 方法1
# ts.set_token('你的token')
# pro = ts.pro_api()

# 方法2
pro = ts.pro_api('你的token')

# 基本使用
# 使用tushare 获取五粮液股票的历史行情数据
# 输出该股票所有收盘比开盘上涨3%以上的日期
# 输出该股票所有开盘比前日收盘跌幅超过2%的日期
# 假如我从2010年1月1日开始，每月第一个交易日买入1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？

# 使用tushare 获取五粮液股票的历史行情数据
# 学习于：https://tushare.pro/document/2?doc_id=27
wly_stock = pro.daily(ts_code="000858.SZ",start_date="20000101")
wly_stock.info()
wly_stock.head()

"""
将数据 保存为csv文件
"""
wly_stock.to_csv("000858.csv",index=False)"""
读取五粮液文件数据，指定trade_date为时间序列索引。
- parse_dates  设置索引为时间序列索引。注意：类型-->list
"""
wly_df = pd.read_csv("000858.csv",index_col="trade_date",parse_dates=["trade_date"])
wly_df.info()
wly_df.head()

# 输出该股票所有收盘比开盘上涨3%以上的日期
"""
(close - open)/open>0.03 日期
"""
wly_df[(wly_df["close"]- wly_df["open"])/wly_df["open"]>0.1].index

# 输出该股票所有开盘比前日收盘跌幅超过2%的日期
"""
(开盘 - 前日收盘)/前日收盘
"""
wly_df[(wly_df["open"]-wly_df["close"].shift(-1))/wly_df["close"].shift(-1)>=0.02].index

# 假如我从2010年1月1日开始，每月第一个交易日买入1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？
"""
得出信息：
- 每月第一个交易日买入：1.支出  2.支出的是每月第一个交易日该股票的开盘价*1手
- 每年最后一个交易日卖出：2.收入 2.收入的是每年最后一个交易日该股票的开盘价*12手
"""# 截取 2010开始 2019年结束
# wly_df["2010":"2019"]    # 注意：为空，时间序列连续切片也是有序的
wly_df2 = wly_df["2019":"2010"]

# 每月第一个交易日数据   first()取每个月中第一个交易日的数据
wly_monthly_f = wly_df2.resample("MS").first()
wly_monthly_f.head()

# 每年最后一个交易日数据
wly_yearly_l = wly_df2.resample("A").last()
wly_yearly_l.head()

"""
收益 = 收入 - 成本
"""
# 初始化 每个月需要购买股票所花的成本
cost_money = 0# 初始化 已持有的股票
hold = 0#  获取 2010-2019 年 每一年 所有的 成本 以及收入
for year in range(2010,2019):cost_money = wly_monthly_f[str(year)]["open"].sum()*100  # 每年每个月初买100手花的钱hold = len(wly_monthly_f[str(year)])*100 # 一年持有的股票sell_money = wly_yearly_l[str(year)]["open"].values[0]*hold # 年末卖出的价格*所卖出的股数cost_money -= sell_moneyhold = 0  # 卖出去，所以归为0print(cost_money)# 成本-收入 = -收益
print(f"save_money:{-cost_money},hold:{hold}")

2.3 Tushare进阶使用

2.3.1双均线分析

对于每一个交易日，都可以计算出前N天的移动平均值，然后把这些移动平均值连起来，成为一条线，就叫做N日移动平均线。
移动平均线常用：5天,10天,30天,60天，120天和240天的指标

1. 5天和10天的是短线操作的参照指标，称做日均线指标;
2. 30天和60天的是中期均线指标，称做季均线指标;
3. 120天和240天的是长期均线指标，称做年均线指标。

2.3.2黄金交叉

短期均线上穿长期均线，买入信号

2.3.3 死亡交叉

短期均线下穿长期均线，卖出信号

2.3.4 双均线分析练习

1. 使用tushare包获取某股票的历史行情数据
2. 使用tushare包计算该股票历史数据的5日均线和30日均线
3. 使用matplotlib包可视化历史数据的收盘价和两条均线
4. 分析输出所有金叉日期和死叉日期
5. 假如我从2010年1月1日开始，初始资金为10W，金叉尽量买入，死叉全部卖出，则到今天为止。我的炒股收益率如何？

# 使用tushare包获取某股票的历史行情数据
# 初始化pro接口
pro = ts.pro_api('b003e7cabaa5ed2b7562426afe5e9802608f6c68563cb0f01290e91f')
pro

# 获取云南白药 2010年 至今的数据
by_stock = pro.daily(ts_code="000538.SZ",start_date="20100101")

# 保存至csv
by_stock.to_csv("000538.csv",index=False)

# 读取云南白药的数据
by_df = pd.read_csv("000538.csv",index_col="trade_date",parse_dates=["trade_date"])[["open","high","low","close"]]
by_df.head()# 时间升序
by_df.sort_index(inplace=True)

# 使用tushare包计算该股票历史数据的5日均线和30日均线
# 添加 MA5,MA30 两列 赋值为nan
by_df["MA5"] = np.nan
by_df["MA30"] = np.nan
by_df.head()

"""
MA5
需求：0~4 1~5 2~6...
规律：定义一个变量i i的取值范围为4~len(by_df)。i-4~i+1
"""
for i in range(4,len(by_df)):  # 从样本的第5个值才开始计算# 获取MA5列i行的值 赋值为 收盘价的5日均价 by_df.loc[by_df.index[i],"MA5"] = by_df["close"][i-4:i+1].mean()  #  取头不取尾"""
MA30
需求：0~29 30~59 59~89...
规律：定义一个变量i i的取值范围为4~len(by_df)。i-4~i+1
"""
for i in range(29,len(by_df)):# 获取MA30列i行的值 赋值为 收盘价的30日均价 by_df.loc[by_df.index[i],"MA30"] = by_df["close"][i-29:i+1].mean()by_df.head()

# """
# 法2：rolling实现
# """
# by_df["close"].rolling(5).mean()
# by_df["close"].rolling(30).mean()

by_df[["close","MA5","MA30"]].plot()
plt.show()

# 分析输出所有金叉日期和死叉日期
# 清洗nan的值
by_data = by_df.dropna()
by_data.info()
by_data.head()

"""
法1：
- 金叉 ： 短期均线 上穿 长期均线 --> 前一天 MA5<=MA30 并且 后一天MA5>=MA30
- 死叉 ： 短期均线 下穿 长期均线 --> 前一天 MA5>=MA30 并且 后一天MA5<=MA30
"""
golden_cross = []
death_cross = []for i in range(1,len(by_data)):# 金叉 if by_data["MA5"][i] >= by_data["MA30"][i] and by_data["MA5"][i-1] <= by_data["MA30"][i-1]:# 将 金叉 的时间 构建成列表# print(by_data.index[i])golden_cross.append(by_data.index[i])# 死叉if by_data["MA5"][i] <= by_data["MA30"][i] and by_data["MA5"][i-1] >= by_data["MA30"][i-1]:# 将 死叉 的时间 构建成列表death_cross.append(by_data.index[i])print(golden_cross)
print(death_cross)

"""
方法2
以金叉为例
- 短均比长均波动大
- 短均上穿长均 为 金叉
- 金叉跟死叉交替出现死叉过度到金叉
- MA5<MA30    TTTTFFFF->TF则为金叉点如：
<  TTTTFFFF
>  FFFFTTTT<  TTTTFFFF
>   FFFFTTTT两个都是F的时候 金叉
两个都是T的时候 死叉
"""
se1 = by_data["MA5"] < by_data["MA30"]
se2 = by_data["MA5"] >= by_data["MA30"]

"""
两个都是F的时候 金叉
"""
golden_cross2 = by_data[~(se1 | se2.shift(1))].index  #  ma5大于ma30，或者前一天的ma5小于ma30

"""
两个都是T的时候 死叉
"""
death_cross02 = by_data[se1 & se2.shift(1)].index  #  ma5小于ma30，并且前一天的ma5大于等于ma30

# 假如我从2010年1月1日开始，初始资金为10W，金叉尽量买入，死叉全部卖出，则到今天为止。我的炒股收益率如何？

sr1 = pd.Series(1,index=golden_cross2) # 1代表 金叉
sr2 = pd.Series(0,index=death_cross02) # 0代表 死叉

"""
sr1 sr2拼接至一个series对象
"""
sr = sr1.append(sr2).sort_index()
sr

money = 100000 # 起始资金
hold = 0 # 持有股for i in range(0,len(sr)):"""买卖需要价格- 获取open这列- 再通过取出sr的时间索引获取对应的时间价格"""p = by_data["open"][sr.index[i]]# 并不确定这个循环的点 是死叉还是金叉# 判断 如果说，该索引对应的值为1的时候 金叉 买入if sr.iloc[i] == 1:# 金叉buy = money//(100*p) # 买入多少股 100的倍数hold += buy*100      # 一共持有多少股money -= buy*100*p   # 买入了，起始资金会减少else:# 死叉 卖出money += hold*p      # 卖出就说明，资金变多了hold = 0"""
注意：
如果最后一个点是金叉点 买入 所花的这笔钱 也算作 你的收入
"""
money

3 聚宽

聚宽官网：https://www.joinquant.com
有比较详细的介绍，不想描述了
以下代码均为在聚宽策略上的测试

3.1 聚宽基础使用-买入股票

# 聚宽基础使用
# • 每天买100股的平安银行

'''
聚宽的基础使用
每天买100股的平安银行股票
'''# 1.初始化函数
def initialize(context):# 初始化股票代码、全局变量、为平安银行；多支股票则可指定为列表g.security = "000001.XSHE"#初始化定时运行策略run_daily(period,time="every_bar")# 2.定时执行策略函数
def period(context):# 每天买入100股，下单函数：API搜value --> 策略API介绍/交易函数# 注意：因为买入的单位为100股的倍数，所以就算买的是130股，也会调整为每天买入100股order(g.security,100)  # 计算该股票收益率，当股票亏损达到1%时，则卖出股票，幅度自己调整# 获得股票的持仓成本cost = context.portfolio.positions["000001.XSHE"].avg_cost# 获得股票现价price = context.portfolio.positions["000001.XSHE"].price# 计算收益率ret = price/cost - 1# 如果收益率小于-0.01，即亏损达到1%则卖出股票if ret<-0.01:order_target('000001.XSHE',0)

3.2 合适时机入仓及清仓

# 简单量化策略
# 设置股票池为沪深300的所有成分股
# 如果当前股价⼩于10元/股且当前不持仓，则买⼊
# 如果当前股价⽐买⼊时上涨了25%，则清仓⽌盈
# 如果当前股价⽐买⼊时下跌了10%，则清仓⽌损

# 导入函数库
from jqdata import *# 1.初始化函数
def initialize(context):# 设置股票池为沪深300的所有成分股g.security = get_index_stocks("000300.XSHG")# 每个交易日执行一次run_daily(period,time="every_bar")# 2.每个交易日执行一次的函数
def period(context):# 初始化tobuytobuy = []# 筛选每支股票 --> 遍历出每支股票的股票代码for stock in g.security:"""2. 如果当前股价小于10元/股且当前不持仓，则买入- 每股开盘价- 是否持仓"""# 获取当前股票的开盘价p = get_current_data()[stock].day_open# 获取当前股票持有股数amount = context.portfolio.positions[stock].total_amount# 买的时候成本价格cost = context.portfolio.positions[stock].avg_cost# 3. 如果当前股价⽐买⼊时上涨 25% ，则清仓⽌盈if amount > 0 and p>= cost*(1+0.25):order_target(stock,0)# 4.如果当前股价⽐买⼊时下跌了 10% ，则清仓⽌损if amount > 0 and p<= cost*(1-0.1):order_target(stock,0)# 2.如果当前股价<10元 且 当前不持仓 则买入if p <= 10 and amount == 0:# 一共100000 要分给 300支股票 # 将符合买入条件的股票 存储到tobuy列表里tobuy.append(stock)# 2. 将可⽤的钱 除以 需要购买股票的⻓度 为每⽀股票可花的钱cash_per_stock = context.portfolio.available_cash / len(tobuy)# 2. 循环出 可买股票的代码for stock in tobuy:# 将可买股票的钱 购买它order_value(stock,cash_per_stock)

3.3 双均线分析

"""
黄金交叉：短期均线上穿⻓期均线，买⼊信号
死亡交叉：短期均线下穿⻓期均线，卖出信号
"""from jqdata import *# 1 初始化函数
def initialize(context):# 初始化全局变量 : 股票代码g.security = ["601318.XSHG"]# 初始化全局变量：天数g.d5 = 5g.d60 = 60# 初始化交易函数run_daily(handle_daily,time="every_bar")# 2 定义每个交易日执行函数
def handle_daily(context):"""实现：金叉买入，死叉卖出"""# 循环遍历股票for stock in g.security:# 构建5日及60日均线 df_5 = attribute_history(stock,g.d5)df_60 = attribute_history(stock,g.d60)# print(df_5)# print(df_60)# 求均值MA_5 = df_5["close"].mean()MA_60 = df_60["close"].mean()# 判断金叉死叉# ⾦叉：短上穿⻓，前⼀天： 5MA<60MA 并且5MA>=60MA# 死叉：短下穿⻓，前⼀天： 5MA>60MA 并且5MA<=60MA# ⾦叉死叉肯定是交替出现的 并且 ⾦买 死卖# ⾦叉： MA5>MA60 并且 不持仓# 死叉： MA5<MA60 并且 持仓# 死叉if MA_5 < MA_60 and stock in context.portfolio.positions:# 清仓卖出order_target(stock,0)# 金叉if MA_5 > MA_60 and stock not in context.portfolio.positions:# 只买一支股票，不用担心配资。有多少可使用资金则买多少order(stock,context.portfolio.available_cash)# 显示线性图record(ma_5=MA_5,ma_60=MA_60)

3.4 因子选股策略

• 因子：选择股票的某种标准
  1.增长率、市值、市盈率、ROE(净资产收益率)
• 选股策略：
  1.对于某个因子，选取表现最好(因子最大或最小)的N支股票持仓
  2.每隔一段时间调仓一次
  3.选股策略一般都是长期的投资，因为不是一天交易一次 而是几个月交易一次

3.4.1 小市值策略

小市值策略：选取股票池中市值最小的N只股票持仓

# 导入函数库
from jqdata import *# 1.初始化函数
def initialize(context):# 初始化全局变量：A股指数 数据池g.security = get_index_stocks("000002.XSHG")# 查询的市值对象 为后续获取市值数据做准备# select market_cap from valuation where code in g.securityg.q = query(valuation).filter(valuation.code.in_(g.security))g.N = 20# handle_month每月执行一次  注意：1不是第一天 而是第一个交易日run_monthly(handle_month,1)   # 2.每月第一个交易日调用一次
def handle_month(context):# 2.1 获取A股指数 市值最小的20支股票 # 通过get_fundamentals 获取对应股票代码(code)、总市值(market_cap) df = get_fundamentals(g.q)[["code","market_cap"]]# 对值进行升序排序 --> 将市值较小的 前g.N行切出来df = df.sort_values("market_cap").iloc[:g.N,:]print(df)# 2.2 调仓 持有的股票在df(前20)里面就保留 没有持有的则买进来# 取出股票代码to_hold = df["code"].values# 遍历现有所持有的股票for stock in context.portfolio.positions:# 如果持有股票没有在to_hold列表里 就卖掉if stock not in to_hold:order_target(stock,0)# 需要买入的股票：在to_hold里但不在我持有的股票列表里tobuy = [stock for stock in to_hold if stock not in context.portfolio.positions]# 计算每支股票可以使用的钱 但注意：tobuy有可能为0 所以需要做判断if len(tobuy) > 0:cash_per_stock = context.portfolio.available_cash // len(tobuy)for stock in tobuy:order_value(stock, cash_per_stock)

3.4.2 多因子选股策略

综合多个因子：市值，市盈率，ROE(净资产收益率)等等

构建评分模型步骤：

1. 每个股票针对每个因子进行评分，将评分相加
2. 选出总评分最大的N只股票持仓
3. 如何计算股票在某个因子下的评分：归一化(标准化)
   
   下面简单基于roe 和 市值两个分析，（roe减去市值，代表其盈利潜质，越大越好）。这里只是一个检验

## 多因子选股策略
"""
roe - 市值，代表盈利潜质，值越大越好
"""from jqdata import *# 1 初始化函数
def initialize(context):# 初始化股票池g.security = get_index_stocks("000002.XSHG")# 市值，roe --> 查找在哪个表# 市值 market_cap 所属表 valuation# roe 所属表：indicatorg.q = query(valuation,indicator).filter(valuation.code.in_(g.security))# 执行函数run_monthly(handle_month,1)# 2 循环执行函数
def handle_month(context):# 获取对应 code market_cap roedf = get_fundamentals(g.q)[["code","market_cap","roe"]]# print(df)# 市值 与 roe 相差甚远 归一化(0-1)# (x-min)/(max-min)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())# print(df)# roe - market_capdf["score"] = df["roe"] - df["market_cap"]# 选择前20个综合指标df = df.sort_values("score",ascending=False).iloc[:20,:]# 股票代码to_hold = df["code"].values# 目前账户所持有的股票for stock in context.portfolio.positions:# 不再to_hold 股票 给 卖掉if stock not in to_hold:order_target(stock,0)# 买入 在to_hold里面 但是不在我持有的股票列表里面tobuy = [stock for stock in to_hold if stock not in context.portfolio.positions]if len(tobuy) > 0:cash_per_stock = context.portfolio.available_cash/len(tobuy)for stock in tobuy:order_value(stock,cash_per_stock)

4 均值回归理论

简而言之：价格围绕价值波动，当超越价值过高，就回归；当被低估过分，也会回归。
价格的波动一般会以它的均线为中心。也就是说，当标的价格由于波动而偏离移动均线时，它将调整并重归于均线
定义偏离程度：(MA-P)/MA
MA是日平均线，P是股价

"""
均值回归策略执行
• 计算股票池中所有股票的N日均线
• 计算股票池中所有股票与均线的偏离度
• 选取偏离度最高的M支股票并调仓(是否风险最大)
"""from jqdata import *def initialize(context):g.security = get_index_stocks("000300.XSHG")g.ma_days = 30run_monthly(handle_month,1)def handle_month(context):# 索引：股票代码  值：偏离率 sr = pd.Series(index=g.security)for stock in sr.index:# MA30ma = attribute_history(stock,g.ma_days)["close"].mean()# 获取当天价格p = get_current_data()[stock].day_open# 偏离率ratio = (ma-p)/masr[stock] = ratio# 从sr里面选择 10个 最大的选出来to_hold = sr.nlargest(10).index.values# print(to_hold)# 目前账户所持有的股票for stock in context.portfolio.positions:# 不再to_hold 股票 给 卖掉if stock not in to_hold:order_target(stock,0)# 买入 在to_hold里面 但是不在我持有的股票列表里面tobuy = [stock for stock in to_hold if stock not in context.portfolio.positions]if len(tobuy) > 0:cash_per_stock = context.portfolio.available_cash/len(tobuy)for stock in tobuy:order_value(stock,cash_per_stock)

5 布林带策略

布林带/布林线/保利加(Bollinger Band)通道策略：由三条轨道线组成，其中上下两条线分别可以看成是价格的压力线和支撑线，在两条线之间是一条价格平均线。

• 压力线 = M日均线 + NSTD
• 支撑线 = M日均线 - NSTD
• STD为标准差
• N为参数，意味着布林带宽度
其实这里就是假设价格在这个区间波动，达到这个区间高点，就要下落，及时卖出，降到这个区间的低点，就要回升，及时买入

"""
布林带：
价格是在一个区间波动
支撑线：高点
压力线：低点
"""from jqdata import *def initialize(context):g.security = "600036.XSHG"# 择时    run_daily(period,time="every_bar")def period(context):# 压力线 支撑线 (a.mean()-2*a.std(),a.mean()+2*a.std())# 求10日均线sr = attribute_history(g.security,10)["close"]# 求均值ma_10 = sr.mean()# 求标准差std_10 = sr.std()# 压力线up_line = ma_10 + 2 * std_10# 支撑线down_line = ma_10 - 2 * std_10# 当当前价格 突破了 上线 则卖出  跌破了下线 买入p = get_current_data()[g.security].day_open# 当前可用资金cash = context.portfolio.available_cashif p < down_line and g.security not in context.portfolio.positions:order_value(g.security,cash)elif p > up_line and g.security in context.portfolio.positions:order_target(g.security,0)

6 PEG策略

彼得林奇：任何一家公司股票如果定价合理的话，市盈率就会与收益增长率相等。这就是PEG估值法。

市盈率：当前股价§相对每股收益(EPS)的比值

收益增长率

PEG策略条件为：市盈率会与收益增长率相等。也就是PE = G，则得出公式：

因此，如果大于1，代表市盈率大于收益增长率，公司被高估，所以不该买入，当小于1，被低估，买入

点评：PEG是一个综合指标，既考察价值，又兼顾成长性。PEG估值法适合应用于成长型的公司

"""
PEG策略执行思路
大于1，代表市盈率大于收益增长率，公司被高估，所以不该买入;
当小于1，被低估，买入
PEG策略(选股)：
• 计算股票池中所有股票的PEG指标
• 选择PEG最小的N只股票调仓(小的买入，大的卖出)
注意：过滤掉市盈率或收益增长率为负的数据。
"""from jqdata import *def initialize(context):g.security = get_index_stocks("000300.XSHG")# 市盈率 净利润同比增长率 财务数据 query对象# pe_ratio  所属表：valuation# inc_net_profit_year_on_year 所属表：indicatorg.q = query(valuation.code,valuation.pe_ratio,indicator.inc_net_profit_year_on_year).filter(valuation.code.in_(g.security))run_monthly(handle_month,1)def handle_month(context):# 获取财务数据df = get_fundamentals(g.q)# print(df)# 选出 PE 并且 G 都大于 0 的数据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"]*100# 排序 选出最小的df = df.sort_values("peg")# 取前20支股票的code 放到 tohold 中to_hold = df["code"][:20].values# print(to_hold)# 目前账户所持有的股票for stock in context.portfolio.positions:# 不再to_hold 股票 给 卖掉if stock not in to_hold:order_target(stock,0)# 买入 在to_hold里面 但是不在我持有的股票列表里面tobuy = [stock for stock in to_hold if stock not in context.portfolio.positions]if len(tobuy) > 0:cash_per_stock = context.portfolio.available_cash/len(tobuy)for stock in tobuy:order_value(stock,cash_per_stock)

最后总结一句：以上所有策略经检验，都较为失败，跑不赢大盘 ==

python金融量化分析 | 闲杂笔记相关推荐

1. python金融量化分析工资_量化金融分析师就业前景及薪酬怎么样？

   量化金融分析师就业前景及薪酬怎么样? 答:大多数职位都集中在巴黎,伦敦纽约和香港等主要金融中 心.定量分析师的平均薪酬在纽约为 111,071 美元,伦敦为 65,975 美元 (93,681 美元 ...

2. 【Python金融量化】财经新闻文本分析

   内容来自:微信公众号:python金融量化 关注可了解更多的金融与Python干货. 引言 "80%的商业信息来自非结构化数据,主要是文本数据"(Seth Grimes),这一说法 ...

3. python金融量化书籍_超强干货 | Python金融数据量化分析教程+机器学习电子书

   如今Python语言的学习已经上升到了国家战略的层面上.Python语言是人工智能的基础语言,国家相关教育部门对于"人工智能普及"格外重视,不仅将Python列入到小学.中学和高中 ...

4. python与金融工程的区别_科研进阶 | 纽约大学 | 金融工程、量化金融、商业分析：Python金融工程分析...

   科研进阶 | 纽约大学 | 金融工程.量化金融.商业分析:Python金融工程分析(2021.2.6开课)​mp.weixin.qq.com 课题名称 = Python金融工程分析 = 项目配景 大数 ...

5. 后端开发、爬虫开发、人工智能、金融量化分析、大数据跟Python是什么关系？

   Python是一种计算机程序设计语言,又被称为胶水语言,可以用混合编译的方式使用c/c++/java等语言的库.你可能已经听说过很多种流行的编程语言,比如在大学里感觉非常难学的C语言,进入社会非常流行 ...

6. 2、金融量化分析简介

   学习目标 金融量化简介 数据分析简介 常用库简介 1.学习目标 ​ 谈到金融量化分析,可能大多数人想到的肯定就是海量的股票数据,交叉错乱的股票数据图表,让从未接触过金融的人无法入手,就会想这种东西我怎 ...

7. 【Python金融量化】零基础如何开始学？

   前言 Python可以说是当前非常流行的编程语言,甚至有点"网红"的感觉.网上还流行一句话"Life is short, I use Python"(人生短暂, ...

8. 【统计分析】(task5) 金融量化分析与随机模拟（通过随机模拟估计看涨期权的报酬分布）

   内容总结 学习datawhale的gitmodel教程.小郭为了锁定价格波动风险,签订合约即买进看涨期权:提前给榴莲超市2块权利金,现在榴莲30元一块(期权的标的资产),下个月能用20元买到一块榴莲( ...

9. 金融量化分析基础知识

   文章目录 金融量化分析 金融量化软件包 股票基础知识 金融量化分析 量化交易的核心是策略分析,通过对历史数据.实时数据分析,选择最佳的交易品种和最好的交易时间. 主流的量化交易:quantopian. ...

最新文章

1. vue点击图片后复制图片url_简单漂亮的（图床工具）开源图片上传工具——PicGo...
2. 总说手机没有“好壁纸”，Python一次性抓取500张“美女”图片，够不够用！
3. 像烟灰一样松散(毕淑敏)
4. 网速上不去，这锅真是路由器的？
5. linux下生成key
6. SQL里的SWITCH分支语句
7. HDOJ 1030 Delta-wave
8. android应用程序 多少钱_关于APP开发你最想了解的事，开发一个APP多少钱？
9. 老板让我从上千个Excel中筛选数据，利用Python分分钟解决！
10. C++环境的配置（ windows）
11. java levenshtein算法_DNA分析 拼字检查 语音辨识 抄袭侦测 - Levenshtein算法
12. 解决tar命令出现“time stamp XXX in the future”的办法
13. MNIST数据集手写数字识别（二）
14. TensorFlow中的Keras用法和自定义模型和层
15. PostgreSQL（2）常用命令（附教程）
16. go lang go get There is no tracking information for the current branch.Please specify which
17. 网络版库存管理系统如何共享库存信息
18. 一文讲透，技术人如何快速提升沟通能力？
19. 用Excel获取数据——不仅仅只是打开表格
20. 【HTML学习笔记】link标签中的href路径

热门文章

1. 安装QQ的时候显示创建文件夹失败，无法正常安装，请尝试选择新的安装目录的解决办法
2. 【大道至简】机器学习算法之EM算法(Expectation Maximization Algorithm)详解(附代码)---通俗理解EM算法。
3. JAVA并发-Future/CompletableFuture
4. Java中带返回值的线程池Future
5. CodeForces - 1367
6. 《Microsoft SQL Server入门教程》第03篇 示例数据库和示例表
7. 美国医院开始用大数据预测谁会生病
8. Spring-Boot配置
9. 当代偷车贼分两种，剪电线的和用智能设备的
10. java8获取本周本月第一天和最后一天