Python学习教程：手把手教你搭建自己的量化分析数据库

插入PostgreSQL 数据库操作，函数里使用了try…except…pass是为了避免某些数据出错导致程序崩溃。

from sqlalchemy import create_engine
import psycopg2
engine = create_engine('postgresql+psycopg2://postgres:123456@localhost:5432/postgres')
def insert\_sql(data,db_name,if_exists='append'):
 #使用try...except..continue避免出现错误，运行崩溃
 try:
 data.to_sql(db_name,engine,index=False,if_exists=if_exists)
 #print(code+'写入数据库成功')
 except:
 pass
复制代码

由于行情数据量庞大，下载比较慢，先下载20190101至20190425期间日交易

数据，后续再不断更新。

#下载20190101-20190425数据并插入数据库stock\_data
#此步骤比较耗费时间，大致25-35分钟左右
for code in get_code():
 data=get_data(code)
 insert_sql(data,'stock\_data')
#读取整张表数据
df=pd.read_sql('stock\_data',engine)
print(len(df))
#输出结果：270998
#选取ts\_code=000001.SZ的股票数据
df=pd.read_sql("select \* from stock\_data where ts\_code='000001.SZ'",engine)
print(len(df))
复制代码

构建一个数据更新函数，可以下载和插入其他时间周期的数据。2018年1月1日至2019年4月25日，数据就已达到108万条。

#更新数据或下载其他期间数据
def update\_sql(start,end,db_name):
 from datetime import datetime,timedelta
 for code in get_code():
 data=get_data(code,start,end)
 insert_sql(data,db_name)
 print(f'{start}:{end}期间数据已成功更新')
#下载20180101-20181231期间数据
#只需运行一次，不再运行后可以注释掉
#下载数据比较慢，需要20-35分钟左右
start='20180101'
end='20181231'
db_name='stock\_data'
#数据下载和存入数据库
update_sql(start,end,db_name)
#使用pandas的read\_sql读取数据
df_all_data=pd.read_sql('stock\_data',engine)
print(len(df_all_data))
#输出结果：1087050
#查看交易代码和交易日期个数
print(len(df_all_data.ts_code.unique()))
print(len(df_all_data.trade_date.unique()))
#输出结果：3604；319
d=df_all_data.trade_date.unique()
print(d.max())
print(d.min())
2019-04-25T00:00:00.000000000
2018-01-02T00:00:00.000000000
#获取交易日2019年4月25日数据
pd.read_sql("select \* from stock\_data where trade\_date='2019-04-25' ",engine).head() 
复制代码

构建数据查询和可视化函数：
def plot_data(condition,title):
 from pyecharts import Bar
 from sqlalchemy import create_engine
 engine = create_engine('postgresql+psycopg2://postgres:123456@localhost:5432/postgres')
 data=pd.read_sql("select * from stock_data where+"+ condition,engine)
 count_=data.groupby('trade_date')['ts_code'].count()
 attr=count_.index
 v1=count_.values
 bar=Bar(title,title_text_size=15)
 bar.add('',attr,v1,is_splitline_show=False,linewidth=2)
 return bar
查询股价低于2元个股数据分布
c1="close<2"
t1="股价低于2元个股时间分布"
plot_data(c1,t1)
复制代码

查询股价日涨幅超过9.5%个股数据分布：

c2="pct_chg>9.5"
t2="股价涨幅超过9.5%个股时间分布"
plot_data(c2,t2)
复制代码

查询股价日跌幅超过-9.5%个股数据分布：

c3="pct_chg<-9.5"
t3="股价跌幅超过-9.5%个股时间分布"
plot_data(c3,t3)
复制代码

结合选股策略对数据库进行查询和提取数据：

#筛选代码
#获取当前交易的股票代码和名称
def get_new_code(date):
 #获取当前所有交易股票代码
 df0 = pro.stock_basic(exchange='', list_status='L')
 df1 =pro.daily_basic(trade_date=date)
 df=pd.merge(df0,df1,on='ts_code')
 #剔除2017年以后上市的新股次新股
 df=df[df['list_date'].apply(int).values<20170101]
 #剔除st股
 df=df[-df['name'].apply(lambda x:x.startswith('*ST'))]
 #剔除动态市盈率为负的
 df=df[df.pe_ttm>0]
 #剔除大市值股票
 df=df[df.circ_mv<10**5]
 #剔除价格高于20元股票
 #df=df[df.close<20]
 codes=df.ts_code.values
 return codes
len(get_new_code('20190425'))
#输出结果：46
import talib as ta
#20日均线交易策略
def find_stock(date):
 f_code=[]
 for code in get_new_code(date):
 try:
 data=df_all_data.loc[df_all_data.ts_code==code].copy()
 data.index=pd.to_datetime(data.trade_date)
 data=data.sort_index()
 data['ma_20']=ta.MA(data.close,timeperiod=20)
 if data.iloc[-1]['close']>data.iloc[-1]['ma_20']:
 f_code.append(code)
 except:
 pass
 return f_code
fs=find_stock('20190305')
print(f'筛选出的股票个数：{len(fs)}')
if fs:
 df_find_stocks=pd.DataFrame(fs,columns=['ts_code'])
 #将选出的股票存入数据库，如果表已存在，替换掉，相当于每次更新
 insert_sql(df_find_stocks,'find_stocks',if_exists='replace')
 print('筛选的股票已入库')
筛选出的股票个数：9
筛选的股票已入库
#查看数据库中筛选的股票池
codes=pd.read_sql('find_stocks',engine)
codes=codes.values.tolist()
codes=[c[0] for c in codes]
#print(codes)
复制代码

对筛选的股票作进一步分析：

select_data=pd.DataFrame()
for code in codes:
 try:
 df_= df_all_data[df_all_data.ts_code.values==code]
 df_.index=pd.to_datetime(df_.trade_date)
 df_=df_.sort_index()
 select_data[code]=df_.close
 except:
 pass
select_data.fillna(method='ffill',inplace=True)
select_data.tail()
ret=select_data.apply(lambda x:x/x.shift(1)-1)
ret=ret.dropna()
ret.tail()
prod_ret=ret.apply(lambda x:(1+x).cumprod())
prod_ret.plot(figsize=(12,5))
plt.xlabel('',fontsize=15)
plt.title('股票池累计净值',size=15)
ax = plt.gca() 
ax.spines['right'].set_color('none') 
ax.spines['top'].set_color('none') 
plt.show()
复制代码

#根据代码从数据库中获取数据
def get_data_from_sql(code):
 from sqlalchemy import create_engine
 engine = create_engine('postgresql+psycopg2://postgres:123456@localhost:5432/postgres')
 data=pd.read_sql(f"select * from stock_data where ts_code='{code}'",engine)
 data.index=pd.to_datetime(data.trade_date)
 data=data.sort_index()
 #计算20日均线
 data['ma20']=data.close.rolling(20).mean()
 return data
复制代码

利用20日均线交易策略，搭建数据查询和可视化函数kline_plot()，完整代码将分享在知识星球上。对选出的股票日K线、20日均线、成交量、买入（buy）和卖出（sell）信号进行可视化，下面以002790.和300573股票的K线图为例。

kline_plot('002790.SZ')
复制代码

kline_plot('300573.SZ')
复制代码

结语