学习目标：择时策略1：一个金叉买入死叉卖出策略

学习内容：

1：导入必要的库

import pandas as pd
pd.set_option('expand_frame_repr', False)  # 当列太多时不换行
import matplotlib.pyplot as plt
import mplfinance as mpf #替换 import matplotlib.finance as mpf
import matplotlib#显示汉字
matplotlib.rc("font",family='YouYuan')#显示汉字

2：导入数据

# 导入数据
def import_stock_data(stock_code):"""只导入如下字段：'交易日期', '股票代码', '开盘价', '最高价', '最低价', '收盘价', '涨跌幅'最终输出结果按照日期排序:param stock_code::return:"""df = pd.read_csv(stock_code + '.csv', encoding='gbk')#print(df)df = df[['交易日期','股票代码', '开盘价', '最高价', '最低价', '收盘价', '涨跌幅']]df.sort_values(by=['交易日期'], inplace=True)df['交易日期'] = pd.to_datetime(df['交易日期'])df.reset_index(inplace=True, drop=True)return df

3：计算复权价

# 计算复权价
def cal_fuquan_price(input_stock_data, fuquan_type='后复权'):"""计算复权价:param input_stock_data::param fuquan_type:复权类型，可以是'后复权'或者'前复权':return:"""# 创建空的dfdf = pd.DataFrame()# 计算复权收盘价num = {'后复权': 0, '前复权': -1}price1 = input_stock_data['收盘价'].iloc[num[fuquan_type]]df['复权因子'] = (1.0 + input_stock_data['涨跌幅']).cumprod()price2 = df['复权因子'].iloc[num[fuquan_type]]df['收盘价_' + fuquan_type] = df['复权因子'] * (price1 / price2)# 计算复权的开盘价、最高价、最低价df['开盘价_' + fuquan_type] = input_stock_data['开盘价'] / input_stock_data['收盘价'] * df['收盘价_' + fuquan_type]df['最高价_' + fuquan_type] = input_stock_data['最高价'] / input_stock_data['收盘价'] * df['收盘价_' + fuquan_type]df['最低价_' + fuquan_type] = input_stock_data['最低价'] / input_stock_data['收盘价'] * df['收盘价_' + fuquan_type]return df[[i + '_' + fuquan_type for i in ['开盘价', '最高价', '最低价', '收盘价']]]

4：均线策略主体

# 普通均线策略
def signal_ma(df, ma_short=5, ma_long=15):"""均线策略：当短期均线由下向上穿过长期均线的时候，第二天以开盘价全仓买入并在之后一直持有股票。当短期均线由上向下穿过长期均线的时候，第二天以开盘价卖出全部股票并在之后一直空仓，直到下一次买入。:param df::param ma_short: 短期均线:param ma_long: 长期均线:return:"""# ===计算均线df['ma_short'] = df['收盘价_后复权'].rolling(ma_short, min_periods=1).mean()df['ma_long'] = df['收盘价_后复权'].rolling(ma_long, min_periods=1).mean()# ===找出买入信号# 当天的短期均线大于等于长期均线condition1 = (df['ma_short'] >= df['ma_long'])# 上个交易日的短期均线小于长期均线condition2 = (df['ma_short'].shift(1) < df['ma_long'].shift(1))# 将买入信号当天的signal设置为1df.loc[condition1 & condition2, 'signal'] = 1# ===找出卖出信号# 当天的短期均线小于等于长期均线condition1 = (df['ma_short'] <= df['ma_long'])# 上个交易日的短期均线大于长期均线condition2 = (df['ma_short'].shift(1) > df['ma_long'].shift(1))# 将买入信号当天的signal设置为0df.loc[condition1 & condition2, 'signal'] = 0# 将无关的变量删除df.drop(['ma_short', 'ma_long'], axis=1, inplace=True)return df# 加强均线斜率策略
def signal_ma_d(df, ma_short=5, ma_long=15):"""均线策略：当短期均线由下向上穿过长期均线的时候，第二天以开盘价全仓买入并在之后一直持有股票。当短期均线由上向下穿过长期均线的时候，第二天以开盘价卖出全部股票并在之后一直空仓，直到下一次买入。:param df::param ma_short: 短期均线:param ma_long: 长期均线:return:"""# ===计算均线df['ma_short'] = df['收盘价_后复权'].rolling(ma_short, min_periods=1).mean()df['ma_long'] = df['收盘价_后复权'].rolling(ma_long, min_periods=1).mean()# ===计算均线变化率df['ma_short_d']=df['ma_short']-df['ma_short'].shift(1)df['ma_long_d']=df['ma_long']-df['ma_long'].shift(1)# ===找出买入信号# 当天的短期均线大于等于长期均线condition1 = (abs(df['ma_short_d']) >= df['ma_long'])# ===找出买入信号# 当天的短期均线大于等于长期均线condition1 = (df['ma_short'] >= df['ma_long'])# 上个交易日的短期均线小于长期均线condition2 = (df['ma_short'].shift(1) < df['ma_long'].shift(1))# 将买入信号当天的signal设置为1df.loc[condition1 & condition2, 'signal'] = 1# ===找出卖出信号# 当天的短期均线小于等于长期均线condition1 = (df['ma_short'] <= df['ma_long'])# 上个交易日的短期均线大于长期均线condition2 = (df['ma_short'].shift(1) > df['ma_long'].shift(1))# 将买入信号当天的signal设置为0df.loc[condition1 & condition2, 'signal'] = 0# 将无关的变量删除df.drop(['ma_short', 'ma_long'], axis=1, inplace=True)return df

5：根据交易信号，计算每天的仓位

def position(df):"""根据交易信号，计算每天的仓位:param df::return:"""# 由signal计算出实际的每天持有股票仓位df['pos'] = df['signal'].shift()df['pos'].fillna(method='ffill', inplace=True)# 将涨跌停时不得买卖股票考虑进来# 找出开盘涨停的日期cond_cannot_buy = df['开盘价'] > df['收盘价'].shift(1) * 1.097  # 今天的开盘价相对于昨天的收盘价上涨了9.7%# 将开盘涨停日、并且当天position为1时的'pos'设置为空值df.loc[cond_cannot_buy & (df['pos'] == 1), 'pos'] = None# 找出开盘跌停的日期cond_cannot_sell = df['开盘价'] < df['收盘价'].shift(1) * 0.903  # 今天的开盘价相对于昨天的收盘价下得了9.7%# 将开盘跌停日、并且当天position为0时的'pos'设置为空值df.loc[cond_cannot_sell & (df['pos'] == 0), 'pos'] = None# position为空的日期，不能买卖。position只能和前一个交易日保持一致。df['pos'].fillna(method='ffill', inplace=True)# 在position为空值的日期，将position补全为0df['pos'].fillna(value=0, inplace=True)return df

6：计算资金曲线，简单版本

# 计算资金曲线，简单版本
def equity_curve_simple(df):"""最简单的计算资金曲线的方式，与实际不符合:param df::return:"""# ===计算实际资金曲线# 当当天空仓时，pos为0，资产涨幅为0# 当当天满仓时，pos为1，资产涨幅为股票本身的涨跌幅df['equity_change'] = df['涨跌幅'] * df['pos']# 根据每天的涨幅计算资金曲线df['equity_curve'] = (df['equity_change'] + 1).cumprod()return df

7：计算资金曲线，实用版本

# 计算资金曲线，实用版本
def equity_curve(df, initial_money=1000000, slippage=0.01, c_rate=5.0/10000, t_rate=1.0/1000):""":param df::param initial_money: 初始资金，默认为1000000元:param slippage: 滑点，默认为0.01元:param c_rate: 手续费，commission fees，默认为万分之5:param t_rate: 印花税，tax，默认为千分之1:return:"""# ===第一天的情况df.at[0, 'hold_num'] = 0  # 持有股票数量df.at[0, 'stock_value'] = 0  # 持仓股票市值df.at[0, 'actual_pos'] = 0  # 每日的实际仓位df.at[0, 'cash'] = initial_money  # 持有现金现金df.at[0, 'equity'] = initial_money  # 总资产 = 持仓股票市值 + 现金# ===第一天之后每天的情况for i in range(1, df.shape[0]):# 前一天持有的股票的数量hold_num = df.at[i - 1, 'hold_num']# 若发生除权，需要调整hold_numif abs((df.at[i, '收盘价'] / df.at[i - 1, '收盘价'] - 1) - df.at[i, '涨跌幅']) > 0.001:stock_value = df.at[i - 1, 'stock_value']last_price = df.at[i, '收盘价'] / (df.at[i, '涨跌幅'] + 1)hold_num = stock_value / last_pricehold_num = int(hold_num)# 判断是否需要调整仓位# 需要调整仓位if df.at[i, 'pos'] != df.at[i - 1, 'pos']:# 昨天的总资产 * 今天的仓位 / 今天的收盘价，得到需要持有的股票数theory_num = df.at[i - 1, 'equity'] * df.at[i, 'pos'] / df.at[i, '开盘价']# 对需要持有的股票数取整theory_num = int(theory_num)  # 向下取整数# 判断加仓还是减仓# 加仓if theory_num >= hold_num:# 计算实际需要买入的股票数量buy_num = theory_num - hold_num# 买入股票只能整百，对buy_num进行向下取整百buy_num = int(buy_num / 100) * 100# 计算买入股票花去的现金buy_cash = buy_num * (df.at[i, '开盘价'] + slippage)# 计算买入股票花去的手续费，并保留2位小数commission = round(buy_cash * c_rate, 2)# 不足5元按5元收if commission < 5 and commission != 0:commission = 5df.at[i, '手续费'] = commission# 计算当天收盘时持有股票的数量和现金df.at[i, 'hold_num'] = hold_num + buy_num  # 持有股票df.at[i, 'cash'] = df.at[i - 1, 'cash'] - buy_cash - commission  # 剩余现金# 减仓else:# 计算卖出股票数量，卖出股票可以不是整数，不需要取整百。sell_num = hold_num - theory_num# 计算卖出股票得到的现金sell_cash = sell_num * (df.at[i, '开盘价'] - slippage)# 计算手续费，不足5元按5元收并保留2位小数commission = round(max(sell_cash * c_rate, 5), 2)df.at[i, '手续费'] = commission# 计算印花税，保留2位小数。历史上有段时间，买入也会收取印花税tax = round(sell_cash * t_rate, 2)df.at[i, '印花税'] = tax# 计算当天收盘时持有股票的数量和现金df.at[i, 'hold_num'] = hold_num - sell_num  # 持有股票df.at[i, 'cash'] = df.at[i - 1, 'cash'] + sell_cash - commission - tax  # 剩余现金# 不需要调仓else:# 计算当天收盘时持有股票的数量和现金df.at[i, 'hold_num'] = hold_num  # 持有股票df.at[i, 'cash'] = df.at[i - 1, 'cash']  # 剩余现金# 计算当天的各种数据df.at[i, 'stock_value'] = df.at[i, 'hold_num'] * df.at[i, '收盘价']  # 剩余现金df.at[i, 'equity'] = df.at[i, 'cash'] + df.at[i, 'stock_value']  # 总资产df.at[i, 'actual_pos'] = df.at[i, 'stock_value'] / df.at[i, 'equity']  # 实际仓位return df

8：主体第一个模块：数据准备

# =====第一个模块：数据准备
# ===读入数据
code = 'sz300001'
#print(code)
df = import_stock_data(code)# 判断股票上市是否满一定时间，若不满足，则不运行策略
if df.shape[0] < 250:print ('股票上市未满一年，不运行策略')exit()# ===计算复权价
fuquan_type = '后复权'
df[[i + '_' + fuquan_type for i in ['开盘价', '最高价', '最低价', '收盘价']]] = cal_fuquan_price(df, fuquan_type)

9：主体2

# =====第二个模块：产生交易信号
# ===根据均线策略产生交易信号
df = signal_ma(df, ma_short=5, ma_long=15)
# =====第三个模块：根据交易信号计算每天的仓位
# ===计算仓位
df = position(df)
# ==截取上市一年之后的交易日
#df = df.iloc[250-1:]
# 将第一天的仓位设置为0
#df.iloc[0, -1] = 0
# =====第四个模块：根据仓位计算资金曲线
# ===简单方式
df_easy=equity_curve_simple(df)
# ===实际方式
df = df[['交易日期', '股票代码', '开盘价', '最高价', '最低价', '收盘价', '涨跌幅', 'pos']]
df.reset_index(inplace=True, drop=True)
df_difficult = equity_curve(df, initial_money=1000000, slippage=0.01, c_rate=5.0/10000, t_rate=1.0/1000)

10：主体3-绘图

# 对象式绘图
# pyplot模块中的figure()函数创建名为fig的Figure对象
fig = plt.figure(figsize=(12, 8))# 在Figure对象中创建一个Axes对象，每个Axes对象即为一个绘图区域
ax = fig.add_subplot(111)
ax.plot(df_difficult['交易日期'],df_difficult['equity'], '--r', lw=1)
ax.set_ylabel('Y 轴-资产',fontsize=15)
ax.set_xlabel('X 轴-时间',fontsize=15)
ax.axhline(y=1000000, c='blue', ls=':', lw=2)#均值水平线
# 设置标题
ax.set_title(u"均线金叉死叉交易策略",fontsize=25)

择时策略1：一个金叉死叉（python）相关推荐

【新一配】选股+择时策略组合
[新一配]选股+择时策略组合导语:本文讨论交易中两个非常重要的命题:选股+择时,并将其两者结合起来开发策略. 选股就是要选一只好股票,而择时就是选一个好的买卖时机.如果投资者选了一只很差劲的股票,无 ...
小散量化炒股记｜趋势指标金叉死叉策略在震荡行情中怎么处理
前言相信大家都听说了量化交易这个东西了吧!量化交易是一种新兴的系统化金融投资方法. 那么,什么才是普通股民所适合的量化交易打开方式呢? 本文就用一个接地气的股票分析场景--典型的趋势指标金叉死叉策略 ...
python量化双均线策略（金叉死叉）
#小策略,策略逻辑是在金叉时候买进,死叉时候卖出,所谓金叉死叉是两条均线的交叉,当短期均线上穿长期均线为金叉,反之为死叉 #下面是策略代码及结构 # 导入函数库 from jqdata import ...
用python找出400多万次KDJ金叉死叉，胜率有多高？附代码
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Z,了解行业研究方向这是邢不行第90期量化小课堂分享作者 l 邢不行不知道大家有没有发现 ...
mt4双线macd_金叉死叉？高手教你MT4的MACD用法
"日线金叉已经形成,后市即将走高,赶紧买吧!""4小时线形成死叉,价格即将走低,赶紧抛不然就来不及了!"传说中的金叉,死叉,到底是何方神圣,为何总是挂在各类交易 ...
扑克王怎样于市场中基于金叉死叉进行趋势跟踪
扑克王怎样于市场中基于金叉死叉进行趋势跟踪小孙我自己很久之前就对金融市场交易很感兴趣,从三年前开始,就不断地在理论实践两方面逐渐加深对于金融市场的理解,最近发现一个叫QR量化社区的平台,也给了自己很 ...
【量化】基于聚宽实现MACD均线择时策略
MACD均线择时策略是十分基础的策略,适合咱们这种新手学习,这篇博客就分享一下基于聚宽实现MACD均线择时策略. 代码: 注:需要到聚宽的量化平台去运行. # MACD均线择时策略 ''' 筛选出符合 ...
金叉死叉图解，金叉死叉的短线操作方法
小沙我自己长期以来一直对二级市场交易很有热情,从三年前开始,就不断地在理论实践两方面逐渐加深对于金融市场的理解,最近发现一个叫QR量化社区的平台,也给了自己很多灵感.经历了最近的市场波动,突然来了动力 ...
家庭主夫怎么在今年3月27号的市场中利用金叉死叉进行波段操作
小孙我自己很久之前就对证券市场很感兴趣,从大学开始,就不断地在理论实践两方面逐渐加深对于金融市场的理解,最近发现一个叫QR量化社区的平台,也给了自己很多灵感.经历了最近的市场波动,心血来潮,在此就分享 ...

择时策略1：一个金叉死叉（python）

学习目标：择时策略1：一个金叉买入死叉卖出策略

学习内容：

择时策略1：一个金叉死叉（python）相关推荐

最新文章

热门文章