python编程炒股案例_利用python写一个炒股程序
本篇中,我们将通过技术分析流派中经典的“双均线策略”,向大家展现如何在策略!
1. 准备工作?
一大波Python库需要在使用之前被导入:
matplotlib用于绘制图表
numpy时间序列的计算
pandas处理结构化的表格数据
DataAPI通联数据提供的数据API
seaborn用于美化matplotlib图表
In [ ]:
from matplotlib import pylab import numpy as np import pandas as pd import DataAPI import seaborn as sns sns.set_style('white')
我们的关注点是关于一只ETF基金的投资:华夏上证50ETF,代码:510050.XSHG。我们考虑的回测周期:
起始:2008年1月1日
结束:2015年4月23日
这里我们使用数据API函数MktFunddGet获取基金交易价格的日线数据,最后获得security是pandas下的DataFrame对象:
In [ ]:
secID = '510050.XSHG' start = '20080101' end = '20150423' security = DataAPI.MktFunddGet(secID, beginDate=start, endDate=end, field=['tradeDate', 'closePrice']) security['tradeDate'] = pd.to_datetime(security['tradeDate']) security = security.set_index('tradeDate') security.info()
DatetimeIndex: 1775 entries, 2008-01-02 00:00:00 to 2015-04-23 00:00:00
Data columns (total 1 columns):
closePrice 1775 non-null float64
dtypes: float64(1)
最近5天的收盘价如下:
In [ ]:
security.tail()
Out[ ]:
closePrice
tradeDate
2015-04-17
3.185
2015-04-20
3.103
2015-04-21
3.141
2015-04-22
3.241
2015-04-23
3.212
适当的图表可以帮助研究人员直观的了解标的的历史走势,这里我们直接借助DataFrame的plot成员:
In [ ]:
security['closePrice'].plot(grid=False, figsize=(12,8)) sns.despine()
2. 策略描述?
这里我们以经典的“双均线”策略为例,讲述如何使用量化实验室进行分析研究。
这里我们使用的均线定义为:
短期均线:window_short = 20,相当于月均线
长期均线:window_long = 120,相当于半年线
偏离度阈值:SD = 5%,区间宽度,这个会在后面有详细解释
计算均值我们借助了numpy的内置移动平均函数:rolling_mean
In [ ]:
window_short = 20 window_long = 120 SD = 0.05 security['short_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_short), 2) security['long_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_long), 2) security[['closePrice', 'short_window', 'long_window']].tail()
Out[ ]:
closePrice
short_window
long_window
tradeDate
2015-04-17
3.185
2.82
2.30
2015-04-20
3.103
2.85
2.31
2015-04-21
3.141
2.87
2.33
2015-04-22
3.241
2.90
2.34
2015-04-23
3.212
2.93
2.35
仍然地,我们可以把包含收盘价的三条线画到一张图上,看看有没有什么启发?
In [ ]:
security[['closePrice', 'short_window', 'long_window']].plot(grid=False, figsize=(12,8)) sns.despine()
2.1 定义信号?
买入信号: 短期均线高于长期日均线,并且超过SD个点位;
卖出信号: 不满足买入信号的所有情况;
我们首先计算短期均线与长期均线的差s-l,这样的向量级运算,在pandas中可以像普通标量一样计算:
In [ ]:
security['s-l'] = security['short_window'] - security['long_window'] security['s-l'].tail()
Out[ ]:
tradeDate
2015-04-17 0.52
2015-04-20 0.54
2015-04-21 0.54
2015-04-22 0.56
2015-04-23 0.58
Name: s-l, dtype: float64
根据s-l的值,我们可以定义信号:
$s - l > SD \times long\_window$,支持买入,定义Regime为True
其他情形下,卖出信号,定义Regime为False
In [ ]:
security['Regime'] = np.where(security['s-l'] > security['long_window'] * SD, 1, 0) security['Regime'].value_counts()
Out[ ]:
0 1394
1 381
dtype: int64
上面的统计给出了总共有多少次买入信号,多少次卖出信号。
下图给出了信号的时间分布:
In [ ]:
security['Regime'].plot(grid=False, lw=1.5, figsize=(12,8)) pylab.ylim((-0.1,1.1)) sns.despine()
我们可以在有了信号之后执行买入卖出操作,然后根据操作计算每日的收益。这里注意,我们计算策略收益的时候,使用的是当天的信号乘以次日的收益率。这是因为我们的决定是当天做出的,但是能享受到的收益只可能是第二天的(如果用当天信号乘以当日的收益率,那么这里面就有使用未来数据的问题)。
In [ ]:
security['Market'] = np.log(security['closePrice'] / security['closePrice'].shift(1)) security['Strategy'] = security['Regime'].shift(1) * security['Market'] security[['Market', 'Strategy', 'Regime']].tail()
Out[ ]:
Market
Strategy
Regime
tradeDate
2015-04-17
0.012638
0.012638
1
2015-04-20
-0.026083
-0.026083
1
2015-04-21
0.012172
0.012172
1
2015-04-22
0.031341
0.031341
1
2015-04-23
-0.008988
-0.008988
1
最后我们把每天的收益率求和就得到了最后的累计收益率(这里因为我们使用的是指数收益率,所以将每日收益累加是合理的),这个累加的过程也可以通过DataFrame的内置函数cumsum轻松完成:
In [ ]:
security[['Market', 'Strategy']].cumsum().apply(np.exp).plot(grid=False, figsize=(12,8)) sns.despine()
3 使用quartz实现策略?
上面的部分介绍了从数据出发,在量化实验室内研究策略的流程。实际上我们可以直接用量化实验室内置的quartz框架。quartz框架为用户隐藏了数据获取、数据清晰以及回测逻辑。用户可以更加专注于策略逻辑的描述:
unknown type
python编程炒股案例_利用python写一个炒股程序相关推荐
- 学了C语言,如何利用CURL写一个下载程序?—用nmake编译CURL并安装
在这一系列的前一篇文章学了C语言,如何为下载狂人写一个磁盘剩余容量监控程序?中,我们为下载狂人写了一个程序来监视磁盘的剩余容量,防止下载的东西撑爆了硬盘.可是,这两天,他又抱怨他的下载程序不好用,让我 ...
- python自定义函数画图_利用Python绘图和可视化(长文慎入)
Python有许多可视化工具,但是我主要讲解matplotlib(http://matplotlib.sourceforge.net).此外,还可以利用诸如d3.js(http://d3js.org/ ...
- 利用python进行数据分析数据_利用Python进行数据分析
1.注释以及在Subplot上绘图 除标准的图表对象之外,你可能还希望绘制一些自定义的注释(比如文本.箭头或其他图形等). 注释可以通过text.arrow和annotate等函数进行添加.text可 ...
- python编程小案例_用Python3编程写第一个小案例!-Go语言中文社区
用Python3编程第一步! 今天博主跟大家聊一聊如何使用Python3编程第一步!!不喜勿喷,如有建议欢迎补充.讨论! Come on! 在前面的几篇文章中我们已经学习了一些Python3 的基本语 ...
- 利用python处理dna序列_利用Python编程提取基因组基因序列
生物技术. DOI: 10.16660/j.cnki.1674-098X.2019.11.141 利用Python编程提取基因组基因序列 ① 庞雪原 张婷婷 (东北农业大学生命科学学院 黑龙江哈尔滨 ...
- python硬件编程智能家居_利用 Python 的力量,实现 Tableau 与智能家居系统集成
导语 你有想过将智能家居和 Tableau 结合么?Tableau 爱好者 Ann Jackson 就在自己家中,尝试实现将智能家居系统与 Tableau 仪表板集成在一起.根据灯光颜色非常" ...
- python多元线性回归实例_利用Python进行数据分析之多元线性回归案例
线性回归模型属于经典的统计学模型,该模型的应用场景是根据已知的变量(自变量)来预测某个连续的数值变量(因变量).例如,餐厅根据每天的营业数据(包括菜谱价格.就餐人数.预定人数.特价菜折扣等)预测就餐规 ...
- python获取计算机配置_利用python写一段读取电脑配置信息的程序
展开全部 主要利用python的wmi模块,提供非常多的信息.import wmi def sys_version(): c = wmi.WMI() # 操作系统版本,版本号,32位/64位 prin ...
- python实现邮件客户端_利用python实现简单的邮件发送客户端示例
脚本过于简单,供学习和参考.主要了解一下smtplib库的使用和超时机制的实现.使用signal.alarm实现超时机制. #!/usr/bin/env python # -*- coding: ut ...
最新文章
- SAP Business One 产品功能综述
- 【SeaJS】【3】seajs.data相关的源码阅读
- Toad Oracle 本地/远程数据库导入/导出 数据库备份
- 网络数据修改工具netsed
- [设计模式原则]第五回:迪米特原则
- 申请Let's Encrypt永久免费SSL证书
- efcore 批量_EFCore批量操作内幕
- shell字符串是否以a-zA-Z字母开头
- The requested lisk key xxx could not be resolved as a collection type.
- [CCS] CCS的安装及配置
- 【Coursera公开课】职场素养 笔记
- 中国科学院研制的开放式超导磁共振成像磁体系统
- IBM PVM Study之--IBM PVM技术概述
- Java语言编写小游戏
- 详解ip地址和mac地址即ARP协议
- 实用Internet Download Manager(IDM)破解技巧,全版本通用!
- Linux下gunicorn用法
- System获取当前系统时间
- vue获取地图经纬度
- 天冷了,这事儿要提上日程啦|独秀日记
热门文章
- RStudio 的使用介绍
- 花生壳和神卓互联内网穿透那个好用?
- 从流程驱动到数据驱动 银行业数据平台架构的演进
- 易相测算:生肖为狗的人的姻缘测算
- 【BZOJ2393】Cirno的完美算数教室
- db2、Oracle的concat函数
- 互联网消费时代,“免费的午餐”真的可信吗?
- dhcp服务器的协议是什么意思,dhcp什么意思_dhcp怎么开启
- ModuleNotFoundError: No module named ‘antlr4‘ 或 Could not deserialize ATN with UUID
- [20191125]探究等待事件的本源.txt