[Tushare+Python] AH股轮动策略基础

摘要：为做AH股轮动策略需进行基础数据处理，这里代码主要涉及AH溢价计算及相关数据清洗。

文章目录

[Tushare+Python] AH股轮动策略基础
前言
一、记录尚未解决的问题
二、数据处理清洗

前言

核心思路：计算AH股溢价率并计算每个股票当前溢价率在其历史分位值上位置，为后续策略提供基础信息。

一、记录尚未解决的问题

合并AH股数据需要找到唯一索引key，经几次merge，发现可按公司fullname进行交集合并。截至2021年6月10日，同时在AH股上市的公司（除去ST)共130家。而按fullname合并可以获得126家数据，对于初步探索尚可接受。后续可找出这4家再手动调整。
H股数据尚未复权（已解决）
因AH除权除息日期可能不同，除权因子也可能不同，采用何种复权方式以及如何处理除权除息还需考虑

二、数据处理清洗

代码如下：

import matplotlib.pyplot as plt
import pandas as pd
import tushare as ts
import time
import datetime as dt
pro= ts.pro_api()'''
P1:
obtain tickers of AH share, named as stock_list_H,stock_list_A
'''# step 1.1 : obtain all stock_ticker in A and Hdf_H_bas = pro.hk_basic(fields='ts_code,fullname,list_date').rename(columns= {'list_date':'list_H','ts_code':'ts_code_H'})df_A_bas= pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,fullname,area,industry,list_date,is_hs').rename(columns= {'list_date':'list_A','ts_code':'ts_code_A'})# step 1.2 : inner merge
df_com = pd.merge(df_H_bas,df_A_bas,how= 'inner',on = ['fullname'])# step 1.3 : to_list and store
stock_list_H = df_com.ts_code_H.tolist()
stock_list_A= df_com.ts_code_A.tolist()'''
P2
obtain market data separately and merge
'''# step 2.1 : obtain market data in A_share, named as df_A_mar
df_A_mar=pd.DataFrame()for ticker in stock_list_A:    df_A_mar= df_A_mar.append(ts.pro_bar(ts_code=ticker, adj='qfq',adjfactor=True)[['ts_code','trade_date','close','pre_close','pct_chg','adj_factor']])df_A_mar.rename(columns=lambda x:(x+'_A'), inplace=True)
df_A_mar.rename(columns={'trade_date_A':'trade_date'}, inplace=True)
# save temp data
#df_A_mar.to_csv('./df_A_mar.csv',index=False)# step 2.2 : obtain market data in H_share, named as df_H_mardf_H_mar=pd.DataFrame()# import time modu to control downloading frequency because of quota limitations
for i, ticker in enumerate(stock_list_H): df_H_mar= df_H_mar.append(pro.hk_daily(ts_code=ticker))if i % 98 ==0:time.sleep(60)df_H_mar.rename(columns=lambda x:(x+'_H'), inplace=True)
df_H_mar.rename(columns={'trade_date_H':'trade_date'}, inplace=True)# step 2.3 : seperately add fullname as merging indexdf_A_mar = pd.merge(df_A_mar,df_A_bas,how = 'left', on ='ts_code_A')
df_H_mar = pd.merge(df_H_mar,df_H_bas,how = 'left', on ='ts_code_H')# inner merge to keep date that stocks are listed in both A & H only
df_final = pd.merge(df_A_mar,df_H_mar,how= 'inner',on= ['fullname','trade_date'])# save temp_final
#df_final.to_csv('./df_final.csv',index=False)'''
P3
observation  and check
'''# step 3.1 : verify data;
## take extra attention to DR date  #df_final = pd.read_csv('./df_final.csv')# take zsyh as an example
df_zsyh = df_final[df_final.fullname == '招商银行股份有限公司']# compare with data from wind
# compare EX DR price
# 港股数据没有复权，同时没有港股复权因子，但数据库提供的涨跌幅是复权后的涨跌幅；以最后一天收盘价为基础，以前每天通过涨跌量倒推形成复权行情数据
df_zsyh.close[1:] = (df_zsyh.close_H -df_zsyh.change_H)[:-1]
df_zsyh=df_zsyh[['trade_date','open']]# OK check'''
对港股全部收盘价进行前复权
method:
1. calculate (close - change) for each day to form a new dataframe [adjust_close,ts_code,pretrade_date ], called df_temp ;
# 2. merge df_final and df_temp on [ts_code,left_on= trade_date, right_on = pretrade_date]
***按照这种方法复权，一定要在合并前对港股数据进行复权！！不然会有数据缺失和遗漏，所以实际这一p应该在2p之前
'''#step 1 : import calender data and merge#calender data from tushare
df_calender = pro.query('trade_cal', is_open=1,fields=['is_open','pretrade_date','cal_date']).rename(columns={'cal_date':'trade_date'})# step 2 : set all dates to datetime typedf_final.trade_date = pd.to_datetime(df_final.trade_date,format= '%Y%m%d')
df_calender.trade_date = pd.to_datetime(df_calender.trade_date,format= '%Y%m%d')
df_calender.pretrade_date = pd.to_datetime(df_calender.pretrade_date,format= '%Y%m%d')df_final = pd.merge(df_final,df_calender,on= ['trade_date'],how = 'left')
df_final.drop(columns=['is_open'],inplace=True)df_final.sort_values(by = ['ts_code_A','trade_date'],inplace=True,ascending = False)
df_final.reset_index(inplace=True,drop=True)df_aux = df_final.groupby('ts_code_A').rolling(1000000,min_periods =1,on = 'trade_date').change_H.sum().reset_index()
df_aux.rename(columns = {'change_H':'change_H_adj'},inplace=True)df_final = pd.merge(df_final,df_aux, on =['ts_code_A','trade_date'],how='left')df_aux = df_final.groupby('ts_code_A').close_H.first().reset_index()
df_aux.rename(columns = {'close_H':'close_H_last'},inplace=True)
df_final = pd.merge(df_final,df_aux, on =['ts_code_A'],how='left')df_final['close_adj'] = df_final.close_H_last -df_final.change_H_adjdf_temp = df_final[['close_adj','ts_code_A','pretrade_date']].copy().rename(columns={'pretrade_date':'trade_date'})# step 3 : delete close_adj columns in df_final before merging
df_final.drop(columns=['close_adj'],inplace=True)# step 4 : merge
df_final = pd.merge(df_final,df_temp,how = 'left', on = ['ts_code_A','trade_date'])# step 5 : the close_adj of the newest day is null, fill it with close_H , here close_adj is the exact qfq pricedf_final.close_adj.fillna(df_final.close_H,inplace=True)
df_final.drop(columns=['close_H'],inplace=True)
df_final.rename(columns={'close_adj':'close_H'},inplace=True)'''
P4
AH_premium_rate
'''
# step 1  : observation, take zsyh as an example ;check whether  data is consistent with data from winddf_final['premium_rate'] = df_final.close_A/df_final.close_Hdf_zsyh = df_final[df_final.fullname == '招商银行股份有限公司']df_zsyh.to_excel('./df_zsyh.xlsx')# TBD..放假回来再写# percentile calculation
pctrank = lambda x: pd.Series(x).rank(method='max',pct=True).iloc[-1]df_zsyh.sort_values(['Date'],inplace=True)df_zsyh.reset_index(drop=True,inplace =True)# 计算分位值,最小五年 滚动十年
df_zsyh['prem_percentile']=df_zsyh.rolling(2000,min_periods = 750,on='Date').premiumrate_ah.apply(pctrank).reset_index()['premiumrate_ah']# 删除不够五年的
df_zsyh.dropna(subset=['prem_percentile'],inplace=True)df_zsyh['threshold'] =( df_zsyh.prem_percentile <= 0.2).apply(lambda x :int(x))df_zsyh.sort_values(['Date'],inplace=True)df_zsyh['threshold'] = df_zsyh['threshold'] *df_zsyh['close']plt.plot(df_zsyh.Date,df_zsyh.close,c= 'b')
plt.scatter(df_zsyh.Date,df_zsyh.threshold,c = 'r')

[Tushare+Python] AH股轮动策略基础相关推荐

搭建系统|继承backtrader的本地量化回测平台如何玩转多股轮动策略！
前言一个完整的量化交易系统离不开人机交互功能的应用,特别是在回测阶段,我们需要不断更改参数因子.更换交易策略以应对当前的市场.因此创建完整的.功能键全的GUI用户界面至关重要. 市面上也出现了很多相 ...
抱团股会一直涨？无脑执行大小盘轮动策略，轻松跑赢指数5倍【附Python代码】
引言: 邢不行的系列帖子"量化小讲堂",通过实际案例教初学者使用python进行量化投资,了解行业研究方向,希望能对大家有帮助. 前言: 巴蛇吞象,扬州跨鹤.人性之贪婪,逝者如此, ...
股债轮动策略之行业版
股债轮动策略之行业版雪球上的宜昌白云飞的原创专栏里有一个系列文章, 现将其摘录如下: 年化20%七年无亏损的简单策略--股债轮动行业版(一) https://xueqiu.com/1884493 ...
html如何设置轮动,手把手教你构建轮动策略
A股市场具有明显的大小盘风格轮动现象,比如2015年以中证500为代表的中小盘全面跑赢沪深300指数(大盘),但在随后的几年中沪深300指数成为市场的主流,收益也大幅跑赢中证500. 而最近一年,市场 ...
量化选股——基于动量因子的行业风格轮动策略（第1部分—因子测算）
文章目录动量因子与行业轮动概述动量因子的理解投资视角下的行业轮动现象投资者视角与奈特不确定性动量因子在行业风格上的效果测算动量因子效果测算流程概述 1. 行业选择:申万一级行业 2. 动量 ...
akshare改写公募基金轮动策略
群友说,行业指数不行,没办法跟买.这次我换成了etf进行动量策略,选择本周上涨最强的5个etf,平均持仓,一周后移仓.查看回测效果. 不废话,上传代码,但还是有点毛糙.下次加上日期这些数据,做成df格 ...
黄金避险有效？量化实测黄金资产与A股轮动真实收益
通过持有黄金避险,是长期以来资产配置领域的话题.有古话"盛世藏古董,乱世藏黄金"就是说明这个道理,国际经济环境中,投资者一般都认同:一旦经济进入低迷期,股票.房地产.原油.期货等大 ...
量化选股——基于动量因子的行业风格轮动策略（第2部分—策略回测）
文章目录 1. 交易策略 2. Backtrader回测程序 3. 回测效果 3.1 2020年1月1日 - 2021年1月1日 3.2 2021年1月1日 - 2022年1月1日 3.3 2022年 ...
量化交易聚宽市场ETF精选轮动策略（模拟交易）
策略流程回测结果代码 # 导入函数库 from jqdata import * from six import BytesIO

[Tushare+Python] AH股轮动策略基础

[Tushare+Python] AH股轮动策略基础

文章目录

前言

一、记录尚未解决的问题

二、数据处理清洗

[Tushare+Python] AH股轮动策略基础相关推荐

最新文章

热门文章