自学量化投资之旅-学习第一个策略EMV指标

虽然说是学习的第一个指标，但是其实在上个月我是学过量化的，当时第一个学习的是均线策略，所以这里指的是我在网上开始分享式学习的第一个策略。

这里为什么选择EMV作为第一个策略进行学习呢，主要还是觉得相比均线这种只考虑价格的指标来说，EMV是兼顾量的指标可能更能真实反映市场行情。

为更好地编写代码和理解指标这里复习一下EMV的公式：首先EMV是由EM计算出来的，短均线和长均线组成。EM = （（当日最高价+当日最低价）/2 - （昨日最高价+昨日最低价）/2）*（当日最高-当日最低）/成交量。

接下来一步一步来：

1、定义获取本地股票数据的函数

def get_stock_data(inport_code, start_date=None, end_date=None,usecols=('trade_date','open','high','low','close','pre_close','pct_chg','vol','amount'),recover_type='后复权'):'''读取股票行情数据(只支持price):param inport_code: 股票代码（纯数字字符串）:param start_date: 开始时间:param end_date: 截止时间:param usecols: 获取的列:param recover_type: 复权类型:return: '''# 判断所属市场if inport_code.startswith('6'):  # 判断市场标识market_code = inport_code + '.SH'else:market_code = inport_code + '.SZ'# 读取文件file_root = os.path.join(r'G:\PycharmProjects\DeltaTrader\data\data_tushare\{}.csv'.format(market_code))data = pd.read_csv(file_root, parse_dates=['trade_date'], index_col='trade_date', usecols=usecols)# 对起始时间参数进行处理if start_date is not None: start_date = datetime.datetime.strptime(start_date, '%Y-%m-%d')else:start_date = data.index[0]# 对结束时间参数进行处理if end_date is not None: end_date = datetime.datetime.strptime(end_date, '%Y-%m-%d')else:end_date = data.index[-1]# 获取指定日期的数据data = data.loc[start_date:end_date,]# 计算复权价data = cal_recover_price(data, recover_type)return data
if __name__ == '__main__':# passdf = get_stock_data('000001','2010-01-01')print(df)

2、接下来计算指标并计算买卖信号（由于成交量会受到除权的影响，所以我采用成交额替代成交量，不合适的话可以指出来哪里有问题。）

3、根据买卖信号计算每日收益率

def account(data, slippage=1/1000, commision_rate=1/1000):'''根据每日仓位计算总资产的 日收益率:param df::param slippage: 滑点 默认千分一:param commision_rate: 手续费 默认千分一:return: df['capital_rtn']'''# 生成副本data = data.copy()data['capital_rtn'] = np.nandata.iloc[0, -1] = 0# 当加仓时，计算当天的计算曲线 capital_rtn = 昨天的position在今天的涨幅 + 今天开盘新买入position涨幅（扣除手续费）data['capital_rtn'] = np.where(data['position'] > data['position'].shift(1),data['position'].shift(1) * data['pct_chg'] * 0.01 + \(data['position'] - data['position'].shift(1)) * \(data['close'] / data['open'] - 1) * (1 - slippage - commision_rate),data['capital_rtn'])# 当减仓时，计算当天的计算曲线 capital_rtn = 今天的position的涨幅 + 今天开盘卖出position在今天的涨幅（扣除手续费）data['capital_rtn'] = np.where(data['position'] < data['position'].shift(1),data['position'] * data['pct_chg'] * 0.01 + \(data['position'].shift(1) - data['position']) * \(data['open'] / data['close'].shift(1) - 1) * \(1 - slippage - commision_rate),data['capital_rtn'])# 当仓位不变时，当天capital_rtn = 当天的ptc_change*positiondata['capital_rtn'] = np.where(data['position'] == data['position'].shift(1),data['position'] * data['pct_chg'] * 0.01, \data['capital_rtn'])return data

4、根据资产日收益率计算年化收益率，为了规避停牌造成的影响这里要用市场的交易日历为计算，另外顺便计算最大回撤。

def market_calendar():# 获取交易日历calendars = pd.read_csv(r'G:\PycharmProjects\DeltaTrader\data\finance\2021-08-07_tsc.csv',index_col='cal_date', parse_dates=['cal_date'])return calendarsdef annual_return(date_line, capital_line):'''计算年化收益率:param date_line: 时间序列:param capital_line: 账户价值序列:return:'''# 将数据合并为DateFrame，并按日期排列data = pd.DataFrame({'capital':capital_line}, index=date_line)# 计算年化收益率calendars = market_calendar()periods = data.index # 获取个股交易日days = calendars.loc[periods[0]:periods[-1]] # 计算股市开市天数annual = np.divide(data.iloc[-1]['capital'], data.iloc[0]['capital']) ** (243/len(days.index))-1return annualdef max_drawdown(date_line, capital_line):'''计算最大回撤:param date_line: 时间序列:param capital_line: 账户价值序列:return: 返回最大回撤的值'''# 将数据合并为DateFrame，并按日期排列data = pd.DataFrame({'date': date_line, 'capital': capital_line})# 计算最大净值data['max_here'] = data['capital'].expanding().max()# 计算当日回撤data['dd_here'] = data['capital']/data['max_here']# 找的最大化回撤的 结束时间 和 值end_date, remains = tuple(data.sort_values('capital',ascending=False).iloc[0][['date', 'dd_here']])# 找到最大回撤开始时间start_date = data.sort_values('capital').iloc[0]['date']# print(f'最大回撤为:{(1-remains)*100}%\n开始时间:{start_date}\n结束时间:{end_date}')return 1-remains

5、最后写一段代码，对所有股票进行回撤

if __name__ == '__main__':# 遍历所有股票文件获取文件名，得到股票代码for root, dirs, files in os.walk(r'G:\PycharmProjects\DeltaTrader\data\data_tushare'):# 结果容器result = []for code in files:try:# 获取对应股票数据df = dt.get_stock_data(code.split('.', maxsplit=1)[0])# 剔除空数据except IndexError as e:print(e, code)continue# 剔除数据长度不满一年半if len(df.index) < 366:continueprint(code)# 策略数据容器re = pd.DataFrame(columns=['code', 'start', 'param', 'strategy_rtn', 'stock_rtn', 'strategy_ma', 'stock_ma', 'excessive_rtn'])# 计算股票累计收益df['stock_capital'] = (df['pct_chg'] * 0.01 +1).cumprod()# 调整parami = 0for p in range(5,27,2):for q in range(5,27,2):if p >= q:continue# 计算交易信号df_stg = EMV2(df, p, q)# 计算策略单次收益df_stg = account(df_stg)# 计算策略资金曲线df_stg['capital'] = (df_stg['capital_rtn']+1).cumprod()# 获取时间序列 和 股票and策略 资金曲线date_line = df_stg.indexcapital_line = df_stg['capital']stock_total = df_stg['stock_capital']# 策略的年化收益strategy_rtn = annual_return(date_line, capital_line)# 股票的年化收益stock_rtn = annual_return(date_line, stock_total)# 股票最大回撤stock_md = max_drawdown(date_line, stock_total)# 策略最大回撤strategy_md = max_drawdown(date_line, capital_line)# ========根据资金曲线计算相关评价指标========re.loc[i, 'code'] = df_stg.iloc[0]['ts_code']re.loc[i, 'start'] = df_stg.index[0]re.loc[i, 'param'] = str(p)+'_'+str(q)re.loc[i, 'strategy_rtn'] = strategy_rtnre.loc[i, 'stock_rtn'] = stock_rtnre.loc[i, 'strategy_md'] = strategy_mdre.loc[i, 'stock_md'] = stock_mdre.loc[i, 'excessive_rtn'] = re.loc[i, 'strategy_rtn'] - re.loc[i, 'stock_rtn']i +=1print(f'循环{i}遍')# 获取最优参数和数据re.sort_values('excessive_rtn', ascending=False, inplace=True)result.append(re.iloc[0])# 合并表格re = pd.concat(result, ignore_index=True, axis=0)re.to_csv(r'G:\PycharmProjects\DeltaTrader\data\example\EMV.csv',header=False, index=False, mode='a')

搞定！由于数据量特别大，这里就不贴结果了，感兴趣的可以去看下这个帖子：https://blog.csdn.net/xingbuxing_py/article/details/78545509?spm=1001.2014.3001.5501

自学量化投资之旅-学习第一个策略EMV指标相关推荐

自学量化投资之旅 - 建立股票数据库（下）
路过的大兄弟好,我是阿尔法电波脑.昨天我已经把要获取的股票代码,以及上市退市日期的数据整理到本地了.今天我将根据这份列表,批量获取股票数据,建立自己的本地股票数据库.那正式开始吧! 功能:根据股票列表 ...
自学量化投资之旅 - 建立股票数据库（拓展）
今天在学习策略开发的时候发现一个问题,下面这张是获取的股票数据可以看出日期是按照降序进行排列的,这对后期策略的开发不是很友好.当然如果在读取数据后再进行升序的处理也是可以的哈,不过我个人是比较倾向于 ...
自学量化投资之旅-计算股票的复权价
在学习策略的开发之前,有一个必须要做的事,那就是对股票价格进行复权.tushare有提供复权数据的,不过鉴于很多软件对于复权处理都存在一些问题,(不知道tushare是否和其他的软件不一样,欢迎指正) ...
宅家自学量化投资 - 建立股票数据库（上）
路过的大兄弟好,我是阿尔法电波脑,现在是宅家学习量化投资的73天. 最近这一个月有点松懈了哈,这个月开始想改变一下之前闭门造车式的学习,用通俗易懂的话在B站.CSDN上分享自己的所学所思所想,并用采用 ...
量化投资-基本面组合-10大基本面策略的简单组合
策略: 1.从上面介绍的10几个策略中,选出来10个策略,每个品种使用50万资金,每次交易一手 2.手续费万一,3元或者10元每手,滑点各一跳 3.从2008年1月1日或者开始上市日期最近的开始回测 ...
量化投资_止盈止损在策略中的有效性(改编)
何时卖出恐怕是我们遇到最多的一个问题,而止盈与止损又是卖出最常见的两个策略. 我们假设最常见的理论有四种:随机游走(分为正态分布与对数正态分布).趋势理论与均值回归理论,来一一验证. 第一种:随机游走 ...
量化投资学习之路——搜集资料篇———入门文章+入门书籍+量化知识社区
本文为量化投资小白的学习之旅第一篇,主要介绍量化投资领域的一些资料和学习平台.文章的内容会根据自己的学习进程不定期更新.文章分为三个部分 1.初步了解量化投资 2.量化投资姿势社区 3.入门书籍 1. ...
如何利用ChatGPT学习量化投资？
引言最近,ChatGPT持续火了很长时间,占领各大热点和头版头条,成为A股开年以来最大的热点之一.ChatGPT是OpenAI开发的一种语言生成模型,可以理解为智能问答机器人.最近围绕量化投资在上面 ...
如何使用强化学习进行量化投资？
如何使用强化学习进行量化投资? 文章目录如何使用强化学习进行量化投资? 直观使用强化学习进行量化投资使用强化学习进行量化投资量化投资强化学习流程图行为决定(买入.卖出.持有) 执行行为批量生 ...

自学量化投资之旅-学习第一个策略EMV指标

自学量化投资之旅-学习第一个策略EMV指标相关推荐

最新文章

热门文章