前言

由于笔者并无深厚的数学功底也无深厚的金融知识, 所以不会在本文中引用各种高深的投资模型或数学模型，参考书籍主要是《海龟交易法则》《以交易为生》。

交易系统

在交易之前，我们应该首先有一个交易系统用于指导我们自己交易，不一定有什么规范，但是可以作为一个交易的依据，至于这个依据可不可行，科不科学那就见仁见智了。

当然了,这里的交易系统不一定是程序，只是指你自己的交易原则或者遵守的一些技巧或者方法，你可以手动执行也可以借助编程语言，编程语言不就是一套用来使用的工具么.

这里参考海龟交易法则里面的交易体系(这里只是参考大方向).

建立一个完善的交易体系，我们至少应该思考一下六个方面。

1、市场----买卖什么

2、头寸规模----买卖多少

3、入市----何时买入

4、止损----何时退出亏损的头寸

5、止盈----何时退出盈利的头寸

6、离市----何时离市

简单的示例

买卖A股

全仓

当日涨幅超过3%买入。

当持有头寸亏损超过3%，平仓

当日跌幅大于3%或者三个连续阴线

分析: 这个交易策略其实只有在行情以波浪形状向上的行情时候才能获利，如果是盘整的情况下，怕是会亏的很惨。这里之所以写的这么简单粗暴是为了后面策略测试撸代码简单。

数据获取及处理

因为这里说的是用python炒股，所以应该采用程序的方式去获取数据，如果人工炒股，下载任何股票行情软件都是可以的，但是人工的执行是需要花费比较多的精力的。

而python语言中用于获取股票行情数据的库，最有名莫过于tushare了。

这里以上证乐视的股票为例吧。

python环境安装

安装Anaconda(python2版本)

下载地址:https://www.anaconda.com/download/

注:如果没安装过这个环境的经验，就百度或者谷歌一下吧,如果不是安装anaconda则需要艰难的自行解决依赖。

安装tushare

pip install tushare

参考: http://tushare.org/

获取行情数据

import pandas as pd

import tushare as ts

# 通过股票代码获取股票数据,这里没有指定开始及结束日期

df = ts.get_k_data("300104")

# 查看前十条数据

df.head()

# 查看后十条数据

df.tail()

# 将数据的index转换成date字段对应的日期

df.index = pd.to_datetime(df.date)

# 将多余的date字段删除

df.drop("date", inplace=True, axis=1)

注:关于股票数据的相关处理需要由pandas,matplotlib的知识，参考:http://pandas.pydata.org/pandas-docs/version/0.20/10min.html

计算常用指标

# 计算5,15,50日的移动平均线, MA5, MA15, MA50

days = [5, 15, 50]

for ma in days:

column_name = "MA{}".format(ma)

df[column_name] = pd.rolling_mean(df.close, ma)

# 计算浮动比例

df["pchange"] = df.close.pct_change()

# 计算浮动点数

df["change"] = df.close.diff()

最终处理完成后的结果如下:

df.head()

Out[13]:

open  close   high    low    volume    code     MA5  MA15  MA50  \

date

2013-11-29  9.396  9.741  9.870  9.389  146587.0  300104     NaN   NaN   NaN

2013-12-02  9.298  8.768  9.344  8.768  177127.0  300104     NaN   NaN   NaN

2013-12-03  8.142  8.414  8.546  7.890  176305.0  300104     NaN   NaN   NaN

2013-12-04  8.391  8.072  8.607  8.053  120115.0  300104     NaN   NaN   NaN

2013-12-05  7.983  7.366  8.108  7.280  253764.0  300104  8.4722   NaN   NaN

pchange  change

date

2013-11-29       NaN     NaN

2013-12-02 -0.099887  -0.973

2013-12-03 -0.040374  -0.354

2013-12-04 -0.040647  -0.342

可视化

走势图

所谓一图胜前言，将数据可视化可以非常直观的感受到股票的走势。

个人觉得，如果用程序炒股还是应该一切都量化的，不应该有过多的主观观点，如果过于依赖直觉或者当时心情，那么实在没必要用程序分析了。

df[["close", "MA5", "MA15", "MA50"]].plot(figsiz=(10,18))

效果如下:

用python炒股

k线图

import matplotplib.pyplot as plt

from matplotlib.daet import DateFormatter

from matplotlib.finance import date2num, candlestick_ohlc

def candlePlot(data, title=""):

data["date"] = [date2num(pd.to_datetime(x)) for x in data.index]

dataList = [tuple(x) for x in data[

["date", "open", "high", "low", "close"]].values]

ax = plt.subplot()

ax.set_title(title)

ax.xaxis.set_major_formatter(DateFormatter("%y-%m-%d"))

candlestick_ohlc(ax, dataList, width=0.7, colorup="r", colordown="g")

plt.setp(plt.gca().get_xticklabels(), rotation=50,

horizontalalignment="center")

fig = plt.gcf()

fig.set_size_inches(20, 15)

plt.grid(True)

candlePlot(df)

效果如下:

用python炒股

注: 这里只是一个示例，说明matplotlib的强大以及小小的演示，如果遇到什么奇怪的问题就查api或者google吧。

策略测试

手动撸代码

这里用最近买过的一只股票吧，京东方A(000725)。

# 导入相关模块

import tushare as ts

import pandas as pd

# 获取数据

df = ts.get_k_data("000725")

# 处理数据

df.index = pd.to_datetime(df.date)

df.drop("date", axis=1, inplace=True)

# 计算浮动比例

df["pchange"] = df.close.pct_change()

# 计算浮动点数

df["change"] = df.close.diff()

# 查看当前数据数据前五行

open  close   high    low      volume    code   pchange  change

date

2015-07-20  4.264  4.234  4.342  4.165  13036186.0  000725       NaN     NaN

2015-07-21  4.136  4.195  4.274  4.096   8776773.0  000725 -0.009211  -0.039

2015-07-22  4.175  4.146  4.214  4.067   9083703.0  000725 -0.011681  -0.049

2015-07-23  4.136  4.254  4.283  4.096  12792734.0  000725  0.026049   0.108

2015-07-24  4.224  4.136  4.254  4.106  13009620.0  000725 -0.027739  -0.118

# 设定回撤值

withdraw = 0.03

# 设定突破值

breakthrough = 0.03

# 设定账户资金

account = 10000

# 持有仓位手数

position = 0

def buy(bar):

global account, position

print("{}: buy {}".format(bar.date, bar.close))

# 一手价格

one = bar.close * 100

position = account // one

account = account - (position * one)

def sell(bar):

global account, position

# 一手价格

print("{}: sell {}".format(bar.date, bar.close))

one = bar.close * 100

account += position * one

position = 0

print("开始时间投资时间: ", df.iloc[0].date)

for date in df.index:

bar = df.loc[date]

if bar.pchange and bar.pchange > breakthrough and position == 0:

buy(bar)

elif bar.pchange and bar.pchange < withdraw and position > 0:

sell(bar)

print("最终可有现金: ", account)

print("最终持有市值: ", position * df.iloc[-1].close * 100)

输出如下:

开始时间投资时间:  2015-07-20

2015-07-29: buy 3.83

2015-07-30: sell 3.653

2015-08-04: buy 3.752

......

2018-02-27: sell 5.71

2018-03-06: buy 5.79

最终可有现金:  333.3

最终持有市值:  7527.0

结论: 通过上面的测试发现资亏了两千多...

借助测试框架

借助测试框架才是正确的回撤姿势,因为框架包含了更多的功能。这里使用pyalgotrade。

简单使用

from pyalgotrade import strategy

from pyalgotrade import technical

from pyalgotrade.barfeed import yahoofeed

# 自定义事件窗口类

class DiffEventWindow(technical.EventWindow):

def __init__(self, period):

assert(period > 0)

super(DiffEventWindow, self).__init__(period)

self.__value = None

def onNewValue(self, dateTime, value):

super(DiffEventWindow, self).onNewValue(dateTime, value)

if self.windowFull():

lastValue = self.getValues()[0]

nowValue = self.getValues()[1]

self.__value = (nowValue - lastValue) / lastValue

def getValue(self):

return self.__value

# 自定义指标

class Diff(technical.EventBasedFilter):

def __init__(self, dataSeries, period, maxLen=None):

super(Diff, self).__init__(dataSeries, DiffEventWindow(period), maxLen)

# 定义自己的策略

class MyStrategy(strategy.BacktestingStrategy):

def __init__(self, feed, instrument, diffPeriod=2):

# 传入feed及初始账户资金

super(MyStrategy, self).__init__(feed, 10000)

self.__instrument = instrument

self.__position = None

self.setUseAdjustedValues(True)

self.__prices = feed[instrument].getPriceDataSeries()

self.__diff = Diff(self.__prices, diffPeriod)

self.__break = 0.03

self.__withdown = -0.03

def getDiff(self):

return self.__diff

def onEnterCanceled(self, position):

self.__position = None

def onEnterOk(self, position):

execInfo = position.getEntryOrder().getExecutionInfo()

self.info("BUY at $%.2f" % (execInfo.getPrice()))

def onExitOk(self, position):

execInfo = position.getExitOrder().getExecutionInfo()

self.info("SELL at $%.2f" % (execInfo.getPrice()))

self.__position = None

def onExitCanceled(self, position):

# If the exit was canceled, re-submit it.

self.__position.exitMarket()

def onBars(self, bars):

account = self.getBroker().getCash()

bar = bars[self.__instrument]

if self.__position is None:

one = bar.getPrice() * 100

oneUnit = account // one

if oneUnit > 0 and self.__diff[-1] > self.__break:

self.__position = self.enterLong(self.__instrument, oneUnit * 100, True)

elif self.__diff[-1] < self.__withdown and not self.__position.exitActive():

self.__position.exitMarket()

def runStrategy():

# 下载数据

jdf = ts.get_k_data("000725")

# 新建Adj Close字段

jdf["Adj Close"] =jdf.close

# 将tushare下的数据的字段保存为pyalgotrade所要求的数据格式

jdf.columns = ["Date", "Open", "Close", "High", "Low", "Volume", "code", "Adj Close"]

# 将数据保存成本地csv文件

jdf.to_csv("jdf.csv", index=False)

feed = yahoofeed.Feed()

feed.addBarsFromCSV("jdf", "jdf.csv")

myStrategy = MyStrategy(feed, "jdf")

myStrategy.run()

print("Final portfolio value: $%.2f" % myStrategy.getResult())

runStrategy()

输出如下

2015-07-30 00:00:00 strategy [INFO] BUY at $3.78

2015-07-31 00:00:00 strategy [INFO] SELL at $3.57

2015-08-05 00:00:00 strategy [INFO] BUY at $3.73

2015-08-06 00:00:00 strategy [INFO] SELL at $3.56

...

2018-02-13 00:00:00 strategy [INFO] BUY at $5.45

Final portfolio value: $7877.30

猛地一看会发现，用框架似乎写了更多的代码,但是框架内置了更多分析工具。

下面简单介绍。

策略可视化

from pyalgotrade import strategy

from pyalgotrade import technical

from pyalgotrade.barfeed import yahoofeed

from pyalgotrade import plotter

from pyalgotrade.stratanalyzer import returns

class DiffEventWindow(technical.EventWindow):

def __init__(self, period):

assert(period > 0)

super(DiffEventWindow, self).__init__(period)

self.__value = None

def onNewValue(self, dateTime, value):

super(DiffEventWindow, self).onNewValue(dateTime, value)

if self.windowFull():

lastValue = self.getValues()[0]

nowValue = self.getValues()[1]

self.__value = (nowValue - lastValue) / lastValue

def getValue(self):

return self.__value

class Diff(technical.EventBasedFilter):

def __init__(self, dataSeries, period, maxLen=None):

super(Diff, self).__init__(dataSeries, DiffEventWindow(period), maxLen)

class MyStrategy(strategy.BacktestingStrategy):

def __init__(self, feed, instrument, diffPeriod=2):

super(MyStrategy, self).__init__(feed, 10000)

self.__instrument = instrument

self.__position = None

self.setUseAdjustedValues(True)

self.__prices = feed[instrument].getPriceDataSeries()

self.__diff = Diff(self.__prices, diffPeriod)

self.__break = 0.03

self.__withdown = -0.03

def getDiff(self):

return self.__diff

def onEnterCanceled(self, position):

self.__position = None

def onEnterOk(self, position):

execInfo = position.getEntryOrder().getExecutionInfo()

self.info("BUY at $%.2f" % (execInfo.getPrice()))

def onExitOk(self, position):

execInfo = position.getExitOrder().getExecutionInfo()

self.info("SELL at $%.2f" % (execInfo.getPrice()))

self.__position = None

def onExitCanceled(self, position):

# If the exit was canceled, re-submit it.

self.__position.exitMarket()

def onBars(self, bars):

account = self.getBroker().getCash()

bar = bars[self.__instrument]

if self.__position is None:

one = bar.getPrice() * 100

oneUnit = account // one

if oneUnit > 0 and self.__diff[-1] > self.__break:

self.__position = self.enterLong(self.__instrument, oneUnit * 100, True)

elif self.__diff[-1] < self.__withdown and not self.__position.exitActive():

self.__position.exitMarket()

def runStrategy():

# 下载数据

jdf = ts.get_k_data("000725")

# 新建Adj Close字段

jdf["Adj Close"] =jdf.close

# 将tushare下的数据的字段保存为pyalgotrade所要求的数据格式

jdf.columns = ["Date", "Open", "Close", "High", "Low", "Volume", "code", "Adj Close"]

# 将数据保存成本地csv文件

jdf.to_csv("jdf.csv", index=False)

feed = yahoofeed.Feed()

feed.addBarsFromCSV("jdf", "jdf.csv")

myStrategy = MyStrategy(feed, "jdf")

returnsAnalyzer = returns.Returns()

myStrategy.attachAnalyzer(returnsAnalyzer)

plt = plotter.StrategyPlotter(myStrategy)

plt.getInstrumentSubplot("jdf")

plt.getOrCreateSubplot("returns").addDataSeries("Simple returns", returnsAnalyzer.getReturns())

myStrategy.run()

print("Final portfolio value: $%.2f" % myStrategy.getResult())

plt.plot()

runStrategy()

图片输出如下

用python炒股

注: 这里的策略测试股票选择以及时间选择并不严谨，仅作功能展示，测试结果可能有很大的巧合性。Pyalgotrade详细介绍皆使用参考:http://gbeced.github.io/pyalgotrade/docs/v0.18/html/index.html

上述源代码:https://github.com/youerning/blog/blob/master/python-trade/demo.py

股价监控

根据这个需求写了一个股价监控的半成品，通过邮箱监控。

项目参考: https://github.com/youerning/UserPyScript/tree/master/monitor

技巧:在微信的辅助功能里面启用QQ邮箱提醒的功能，那么股价变动的通知就会很及时了,因为微信几乎等同于短信了。

这里简单说一下各个配置项及使用方法。

default段落

breakthrough代表突破的比例，需要传入两个值,项目里面的突破比例依次是3%，5%.

withdraw代表回撤，也需要两个值，示例为3%，5%.

attention代表关注的股票列表，填入关注的股票代码，用空格隔开

注:这里暂时没有考虑关注股票的情况，所以很多的关注股票也许有性能上的问题。

mail段落

依次输入用户名及密码以及收件人的邮箱

position段落

当前持仓的股票以及其持仓成本。

如持有京东方A(000725)以5.76的股价。

000725 = 5.76

如果多个持仓就多个如上的相应的键值对。

使用方法参考该脚本的readme

https://github.com/youerning/UserPyScript/blob/master/monitor/README.md

==PS:很难过的是英文水平不好还用因为注释，以及用英文词汇做变量名,如果词不达意请见谅。==

下单

这一部分本人暂时没有让程序自动执行，因为暂时还没有打磨出来一套适合自己并相信的体系，所以依靠股价监控的通知，根据不断修正的体系在手动执行交易。

后记

由于入市不到一年，所以就不用问我走势或者收益了, 当前战绩是5局3胜,微薄盈利。

最后以下图结束.

用python炒股

最后的最后:

关注一下再走呗^_^

©著作权归作者所有：来自51CTO博客作者youerning的原创作品，如需转载，请注明出处，否则将追究法律责任