利用python写一个炒股程序

河边洗澡 发布于 2015/04/30 16:21
阅读 13K+
收藏 12

在一个网站看到如何写炒股策略,拿来和大家分享分享. 源地址: https://app.wmcloud.com/mercury/community/share/554051bbf9f06c1c3d687fac

技术分析入门 —— 双均线策略

本篇中,我们将通过技术分析流派中经典的“双均线策略”,向大家展现如何在量化实验室中使用Python测试自己的想法,并最终将它转化为策略

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()
<class 'pandas.core.frame.DataFrame'>
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
加载中
0
Deali-Axy
Deali-Axy
该评论暂时无法显示,详情咨询 QQ 群:点此入群
OSCHINA
登录后可查看更多优质内容
返回顶部
顶部
返回顶部
顶部