金融量化基础

最新推荐文章于 2024-04-24 13:35:29 发布
最新推荐文章于 2024-04-24 13:35:29 发布
阅读量2k 收藏 20
点赞数 5
文章标签： python 数据分析 numpy 可视化 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cjm_success/article/details/108063881
版权

4. 简单金融量化分析

4.1 移动平均线

a) 概念 & 策略

移动均线(Moving Average，简称MA)是用统计分析的方法，将一定时期内的证券价格（指数）加以平均，并把不同时间的平均值连接起来，形成一根MA，用以观察证券价格变动趋势的一种技术指标。移动平均线是由著名的美国投资专家Joseph E.Granville（葛兰碧，又译为格兰威尔）于20世纪中期提出来的。均线理论是当今应用最普遍的技术指标之一，它帮助交易者确认现有趋势、判断将出现的趋势、发现过度延生即将反转的趋势。

移动均线常用线有5天、10天、30天、60天、120天和240天的指标。其中，5天和10天的短期移动平均线，是短线操作的参照指标，称做日均线指标；30天和60天的是中期均线指标，称做季均线指标；120天、240天的是长期均线指标，称做年均线指标。

收盘价5日均线算法：
从第五天开始，每天计算最近五天的收盘价的平均值所构成的一条线

用 a, b, c, d, e, f, g, h, i, j 表示10天的股票价格, 5日移动平均线的算法为:

(a+b+c+d+e)/5
(b+c+d+e+f)/5
(c+d+e+f+g)/5
…
(f+g+h+i+j)/5

策略使用的方法分为两种：

第一种：

  1. 当股价上升并且交叉穿过X天的移动平均线时买入
  2. 当股价下降并且交叉穿过X天的移动平均线时卖出

第二种：

  1. 当x天的移动平均线上升并交叉穿过y天移动平均线时买入；
  2. 当x天的移动平均线下降并交叉穿过y天移动平均线时卖出；
b) 绘制移动均线

用苹果股票价格绘制5日和10日移动平均线

import numpy as np
import pandas as pd

# 数据读取
data = pd.read_csv('aapl.csv',
                   header=None,
                   usecols=[1,6],
                   names=['dates','close'])

# 处理日期格式
def func(item):
    # 28-1-2011 ==> 2011-01-28
    return pd.to_datetime('-'.join(item.split('-')[::-1]))
data['dates'] = data['dates'].apply(func)

# 计算5日移动平均线
close = data['close']				# 拿到close字段的值
ma5 = np.zeros(close.size - 4)		# 创建一个ndarray, 长度比close小4个, 值都是0
for i in range(ma5.size):			# 将5日均值加入到ma5的ndarray中
    ma5[i] = close[i:i+5].mean()	# 用切片计算均值
# 将ndarray转为series, index为从close[4]开始的close的index
ma5 = pd.Series(ma5, index=np.arange(4, close.size)) 
data['ma5'] = ma5					# 把ma5存入dataframe

# 画出移动平均线
data.plot(x='dates', y=['close', 'ma5'])

在这里插入图片描述

# 计算10日移动平均线
close = data['close']
ma10 = np.zeros(close.size - 9)
for i in range(ma10.size):
    ma10[i] = close[i:i+10].mean()
ma10 = pd.Series(ma10, index=np.arange(9,close.size))
data['ma10'] = ma10
print(data)
                        """
                       		dates		close	ma5		ma10
						...	...			...		...		...
                        8	2011-02-09	358.16	351.036	NaN
                        9	2011-02-10	354.54	353.256	347.449
                        10	2011-02-11	356.85	355.326	349.524
                        11	2011-02-14	359.18	356.786	351.510
						...	...			...		...		...
                        """
# 画图表
import matplotlib.pyplot as plt
plt.plot(data['dates'], data['close'], linestyle=':', c='black', alpha=0.5, label='close')
plt.plot(data['dates'], data['ma5'], label='ma5')
plt.plot(data['dates'], data['ma10'], label='ma10')
plt.tick_params(axis='x', labelrotation=45)
plt.legend()

在这里插入图片描述

4.2 布林带

a) 概念 & 策略

在这里插入图片描述

布林带（Bollinger Band）是美国股市分析家约翰·布林根据统计学中的标准差原理设计出来的一种非常实用的技术指标

  • 它由三条线组成：

    • 中轨：移动平均线（图中白色线条）
    • 上轨：中轨+2x5日收盘价标准差 （图中黄色线条，顶部的压力）
    • 下轨：中轨-2x5日收盘价标准差 （图中紫色线条，底部的支撑力）

  • 布林带收窄代表稳定的趋势，布林带张开代表有较大的波动空间的趋势。

  • 业务指标与含义 – 利用股价与布林带上轨线、下轨线进行比较，以及结合变化趋势，判断股票买入、卖出的时机

    1. 股价由下向上穿越下轨线（Down）时，可视为买进信号。

    2. 股价由下向上穿越中轨时，股价将加速上扬，是加仓买进的信号。

    3. 股价在中轨与上轨(UPER）之间波动运行时为多头市场，可持股观望。

    4. 股价长时间在中轨与上轨（UPER）间运行后，由上向下跌破中轨为卖出信号。

    5. 股价在中轨与下轨（Down）之间向下波动运行时为空头市场，此时投资者应持币观望。

    6. 布林中轨经长期大幅下跌后转平，出现向上的拐点，且股价在2～3日内均在中轨之上。此时，若股价回调，其回档低点往往是适量低吸的中短线切入点。

    7. 对于在布林中轨与上轨之间运作的强势股，不妨以回抽中轨作为低吸买点，并以中轨作为其重要的止盈、止损线。

    8. 飚升股往往股价会短期冲出布林线上轨运行，一旦冲出上轨过多，而成交量又无法持续放出，注意短线高抛了结，如果由上轨外回落跌破上轨，此时也是一个卖点。

b) 绘制布林带

用苹果股票价格绘制5日移动平均线的布林带

import numpy as np
import pandas as pd

# 导入数据
data = pd.read_csv('aapl.csv',
                   header=None,
                   usecols=[1,6],
                   names=['dates','close'])
# 修改日期格式, 将字符串转为日期格式
def func(item):
    # 28-1-2011 ==> 2011-01-28
    return pd.to_datetime('-'.join(item.split('-')[::-1]))
data['dates'] = data['dates'].apply(func)

# 计算5日移动平均线
close = data['close']
ma5 = np.zeros(close.size - 4)
for i in range(ma5.size):
    ma5[i] = close[i:i+5].mean()
ma5 = pd.Series(ma5, index=np.arange(4,close.size))
data['ma5'] = ma5		# 把ma5存入dataframe

在这里插入图片描述

# 计算最近5日收盘价的标准差数组
stds = np.zeros(ma5.size)			# 创建一个数组, 长度于ma5字段的长度一致
for i in range(stds.size):
    stds[i] = close[i:i+5].std()	# 计算5日close值的标准差, 并放入stds数组

# 将数组转为序列后 加入到DF中
stds = pd.Series(stds, index=np.arange(4,30))
data['stds'] = stds

# 创建两个序列upper和lower, 分别表示上轨和下轨
upper = data['ma5'] + 2*data['stds']	# 上轨：中轨+2x5日收盘价标准差
lower = data['ma5'] - 2*data['stds']	# 下轨：中轨-2x5日收盘价标准差

# 将两个序列添加入DF中
data['upper'] = upper
data['lower'] = lower

# 绘制布林带
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 6))							# 调整图表大小
plt.plot(data['dates'], data['close'], c='black', alpha=0.5, linestyle=':', label='close')
plt.plot(data['dates'], data['ma5'], c='y', alpha=1, linestyle='-', label='ma5')
plt.plot(data['dates'], data['upper'], c='r', alpha=1, linestyle='-', label='upper')
plt.plot(data['dates'], data['lower'], c='g', alpha=1, linestyle='-', label='lower')
p1 = plt.fill_between(data['dates'],				# x轴的坐标数组
                      data['upper'],				# y1线曲线上的y坐标点
                      data['lower'],				# y2线曲线上的y坐标点
                      data['upper']>data['lower'],	# 设置条件: 当y1<y2为True时
                      color='b',					# 设置填充颜色
                      alpha=0.1)					# 设置透明度
plt.tick_params(axis='x', labelrotation=45)			# 设置x轴刻度倾斜显示
plt.grid(alpha=0.3, linestyle='--')					# 画网格线
plt.legend()										# 显示图例

在这里插入图片描述

4.3 股票回测模型

a) 金融数据包

  1. AkShare 是基于 Python 的开源金融数据接口库，目的是实现对股票、期货、期权、基金、外汇、债券、指数、数字货币等金融产品的基本面数据、实时和历史行情数据、衍生数据从数据采集、数据清洗、到数据落地的一套开源工具，满足金融数据科学家，数据科学爱好者在金融数据获取方面的需求。

    # 安装
pip3 install akshare  --upgrade

  2. TuShare是一个著名的免费、开源的python财经数据接口包。其官网主页为：TuShare -财经数据接口包。tushare是一个开源的金融数据源，目前维护的数据非常丰富，质量也很高，对于一般的分析已经足够，可以省去自己到处去爬数据。

    tushare目前采取以积分来获得不同的数据使用权限的方式，所需要的积分可以通过邀请注册以及其它方式来获得，达标的难度不大，以下是我的邀请链接，每一注册用户可以给我带来50积分，基本上600积分以上可以使用全部数据了。
    https://tushare.pro/register?reg=384972

   # 安装
   pip3 install tushare  --upgrade
b) 回测模型
1) 浦发银行金叉策略

通过金叉死叉理论定义操盘策略, 对浦发银行2018年1月1日~2019年12月31日这2年的股票价格进行回测

拿到数据

# 导包
import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 导入浦发银行18~19的两年数据
pro = ts.pro_api('****口令密码****')
data = ts.pro_bar(ts_code='600000.SH', start_date='20180101', end_date='20191231')

# 数据处理
data = data.drop(columns=['ts_code', 'pre_close'])			# 删除不需要的字段
data = data.sort_values(by='trade_date')					# 安装trade_date字段从大到小排序
data.reset_index(drop=True, inplace=True)					# 重新排列index
data['trade_date'] = pd.to_datetime(data['trade_date'])   	# 将trade_date字段改为日期类型
data.head(2).append(data.tail(2))							# 数据简览
    """
        trade_date	open	high	low		close	change	pct_chg	  vol		amount
    0	2018-01-02	12.61	12.77	12.60	12.72	0.13	1.0300	313230.53	398614.966
    1	2018-01-03	12.73	12.80	12.66	12.66	-0.06	-0.4700	378391.01	480954.809
    ...	...			...		...		...		...		...		...		...			...
    485	2019-12-30	12.27	12.36	12.12	12.34	0.02	0.1623	410515.55	503090.483
    486	2019-12-31	12.32	12.38	12.21	12.37	0.03	0.2431	319536.28	392736.236
    """
                        """		字段介绍:
                        ts_code		str		股票代码	(已删除)
                        trade_date	str		交易日期
                        open		float	开盘价
                        high		float	最高价
                        low			float	最低价
                        close		float	收盘价
                        pre_close	float	昨收价		(已删除)
                        change		float	涨跌额
                        pct_chg		float	涨跌幅		(未复权)
                        vol			float	成交量		(手)
                        amount		float	成交额		(千元)
                        """
# 查看图表
data.plot(x='trade_date', y=['close'], figsize=(20,3),grid=True)

在这里插入图片描述

计算ma5, 和ma10

# 计算ma5
ma5 = np.zeros(data.close.size-4)      				# 创建一个ma5的ndarray, 值都是0
for i in range(ma5.size):              				# 将5日均值加入到ma5的ndarray中
    ma5[i] = data.close[i:i+5].mean()
ma5 = pd.Series(ma5, index=np.arange(4,data.close.size))   # 把ndarray转为series, index从4开始
data['ma5'] = ma5             						# 把ma5存入dataframe

# 计算ma10
ma10 = np.zeros(data.close.size-9)      			# 创建一个ma10的ndarray, 值都是0
for i in range(ma10.size):              			# 将10日均值加入到ma10的ndarray中
    ma10[i] = data.close[i:i+10].mean()
ma10 = pd.Series(ma10, index=np.arange(9,data.close.size))   # 把ndarray转为series, index从9开始
data['ma10'] = ma10             					# 把ma10存入dataframe

print(data)
"""
	trade_date	open	high	low		close	change	pct_chg	vol			amount		ma5		ma10
0	2018-01-02	12.61	12.77	12.60	12.72	0.13	1.0300	313230.53	398614.966	NaN		NaN
1	2018-01-03	12.73	12.80	12.66	12.66	-0.06	-0.4700	378391.01	480954.809	NaN		NaN
...	...			...		...		...		...		...		...		...			...			...		...
485	2019-12-30	12.27	12.36	12.12	12.34	0.02	0.1623	410515.55	503090.483	12.294	12.329
486	2019-12-31	12.32	12.38	12.21	12.37	0.03	0.2431	319536.28	392736.236	12.312	12.327
"""

定义投资策略

  • 通过均线理论,判断买入(1), 卖出(-1), 持有/无操作(0)
# 金叉：短期均线(ma5)上穿长期均线(ma10)，全额买入
# 死叉：短期均线(ma5)下穿长期均线(ma10)，全额卖出

# 定义策略函数, 传入参数为日期
def profit(mdate):
    mask = data['trade_date']<=mdate  # 拿到掩码, 表示今天日期以及之前的日期
    
    # 如果拿到的日期是第一个日期, 则不存在前一天的日期数据, 所以这里做个判断
    if mask.sum() < 2:
        return 0   # 无操作
    
    # 拿到这个日期的ma5和ma10的值, 用掩码拿到今天日期以及之前的日期的数据, 数据的最后一条就是今天的数据
    today_ma5, today_ma10 = data[mask].iloc[-1]['ma5'], data[mask].iloc[-1]['ma10']
    # 拿到前一天的ma5和ma10的值, 用掩码拿到今天日期以及之前的日期的数据, 数据的倒数第二条就是前一天的数据
    yes_ma5, yes_ma10 = data[mask].iloc[-2]['ma5'], data[mask].iloc[-2]['ma10']

    # 如果当天的ma5>当天的ma10,并且前一天的ma5<前一天的ma10, 意味着短期均线(ma5)上穿长期均线(ma10)，要全额买入 (金叉)
    if (yes_ma5<yes_ma10) & (today_ma5>today_ma10):
        return 1
    # 如果当天的ma5<当天的ma10,并且前一天的ma5>前一天的ma10, 意味着短期均线(ma5)下穿长期均线(ma10)，要全额卖出 (死叉)
    if (yes_ma5>yes_ma10) & (today_ma5<today_ma10):
        return -1
    # 其他情况下不做操作
    else:
        return 0
 
# 用apply函数对日期进行遍历执行策略函数, 得到每一天的投资操作
profits = data['trade_date'].apply(profit)
data['profits'] = profits   		# 加入DF

输出图表

# 使中文正常显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
# 定义图大小
plt.figure(figsize=(20,8))
# 画线
plt.plot(data['trade_date'], data['close'], linestyle=':', c='black', alpha=0.5, label='close')
plt.plot(data['trade_date'], data['ma5'], label='ma5', c='r')
plt.plot(data['trade_date'], data['ma10'], label='ma10', c='b')
# 画点
plt.scatter(x=data[data['profits']==-1].trade_date, 
            y=data[data['profits']==-1].close, 
            s=80, facecolor='y', label='卖出点')
plt.scatter(x=data[data['profits']==1].trade_date, 
            y=data[data['profits']==1].close, 
            s=80, facecolor='r', label='买入点')
# x轴内容倾斜显示
plt.tick_params(axis='x', labelrotation=45)
# 显示网格
plt.grid(alpha=0.2)
# 显示图例
plt.legend()

在这里插入图片描述

遍历每一天的投资建议, 模拟交易, 实现回测模型

# 现金数量
cash = 1000000 
# 股票数量
stock = 0
# 状态1: 已全部买入, 状态-1: 已全部卖出, 初始状态0
status = 0

for index, p in profits.items():
    # 当前交易价格
    curr_price = data.iloc[index]['close']
    # 当前日期
    d = data.iloc[index]['trade_date']
    
    # 模拟买入操作
    if p == 1 and status != 1:     # 当投资建议为买入(p==1), 并且有钱时(status!=1)
        stock = int(assets/curr_price)     # 可以买入的股票数量
        cash = cash - stock*curr_price    # 计算购买股票后剩余的现金
        print(f'买入: trade_date = {d}; cash = {cash}; stock = {stock}')
        status = 1   # 修改当前状态为已经全部买入
    
    # 模拟卖出操作
    if p == -1 and status != -1:  # 当投资建议为卖出(p==-1), 并且有股票时(status!=-1)
        cash = cash + stock*curr_price   # 卖出全部股票后可以得到的现金
        stock = 0   # 当前股票改为零
        print(f'卖出: trade_date = {d}; cash = {cash}; stock = {stock}')
        status = -1  # 修改当前状态为已经全部卖出

"""
卖出: trade_date = 2018-02-02 00:00:00; cash = 1000000.0; 		stock = 0
买入: trade_date = 2018-02-07 00:00:00; cash = 5.950000000069849; stock = 74349
卖出: trade_date = 2018-02-12 00:00:00; cash = 928624.9600000001; stock = 0
买入: trade_date = 2018-03-01 00:00:00; cash = 9.0; 				stock = 74468
......
卖出: trade_date = 2019-11-12 00:00:00; cash = 956140.3300000004; stock = 0
买入: trade_date = 2019-12-11 00:00:00; cash = 4.550000000395812; stock = 79811
卖出: trade_date = 2019-12-26 00:00:00; cash = 980881.7400000003; stock = 0
"""

可见, 根据此策略, 到19年底, 100万现金最后只能剩余980,881元

2) 浦发银行布林带策略

导入数据并进行基本处理

# 导包
import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 导入浦发银行从2018年到今天的所有数据
pro = ts.pro_api('*******************')
data = ts.pro_bar(ts_code='600000.SH', start_date='20180101')

data = data.drop(columns=['ts_code', 'pre_close'])  # 删除不需要的字段
data = data.sort_values(by='trade_date')   # 安装trade_date字段从大到小排序
data.reset_index(drop=True, inplace=True)   # 重新排列index
data['trade_date'] = pd.to_datetime(data['trade_date'])   # 将trade_date字段改为日期类型
data.head(2).append(data.tail(2))
data.plot(x='trade_date', y=['close'], figsize=(20,3),grid=True)

在这里插入图片描述

计算ma20和布林带

# 计算ma20
ma20 = np.zeros(data.close.size-19)				# 创建一个ndarray, 值都是0
for i in range(ma20.size):              		# 将20日均值加入到ma20的ndarray中
    ma20[i] = data.close[i:i+20].mean()
# 把ndarray转为series, index从19开始(因为index=0,1,2...是NaN)
ma20 = pd.Series(ma20, index=np.arange(19,data.close.size))   
data['ma20'] = ma20             				# 把ma5存入dataframe

# 计算近5日收盘价的标准差数组
stds = np.zeros(data.close.size-19)				# 创建一个ndarray, 值都是0
for i in range(stds.size):						# 将20日标准差加入到stds的ndarray中
    stds[i] = data.close[i:i+20].std()  
# 把ndarray转为series, index从19开始(因为index=0,1,2...是NaN)
stds = pd.Series(stds, index=np.arange(19,data.close.size))       
data['stds'] = stds

# 计算upper
upper = data['ma20'] + 2*data['stds']
data['upper'] = upper

# 计算lower
lower = data['ma20'] - 2*data['stds']
data['lower'] = lower

# 画出布林带
plt.figure(figsize=(20, 6))
plt.plot(data['trade_date'], data['close'], c='b', linestyle='-', label='close')
plt.plot(data['trade_date'], data['ma20'], c='y', alpha=1, linestyle=':', label='ma20')
plt.plot(data['trade_date'], data['upper'], c='r', alpha=1, linestyle=':', label='upper')
plt.plot(data['trade_date'], data['lower'], c='g', alpha=1, linestyle=':', label='lower')
p1 = plt.fill_between(data['trade_date'],				# x轴的坐标数组
                      data['upper'],					# y1线曲线上的y坐标点
                      data['lower'],					# y2线曲线上的y坐标点
                      data['upper']>data['lower'],		# 设置条件: 当y1<y2为True时
                      color='b',						# 设置填充颜色
                      alpha=0.05)						# 设置透明度
plt.tick_params(axis='x', labelrotation=45)
plt.grid(alpha=0.3, linestyle='--')
plt.legend()

在这里插入图片描述

定义投资策略

  • 当股价突破upper时全仓买入(1), 单股价跌破ma20时清仓卖出(-1), 其他时间不做操作(0)
def profit(mdate):
    mask = data['trade_date']<=mdate  # 拿到掩码, 表示今天日期以及之前的日期
    
    # 如果拿到的日期是第一个日期, 则不存在前一天的日期数据, 所以这里做个判断
    if mask.sum() < 2:
        return 0   # 无操作
    
    # 拿到这个日期的upper,ma20,和close的值, 用掩码拿到今天日期以及之前的日期的数据, 数据的最后一条就是今天的数据
    today_upper, today_ma20, today_close = data[mask].iloc[-1]['upper'], data[mask].iloc[-1]['ma20'], data[mask].iloc[-1]['close']
    # 拿到前一天的upper,ma20,和close的值, 用掩码拿到今天日期以及之前的日期的数据, 数据的倒数第二条就是前一天的数据
    yes_upper, yes_ma20, yes_close = data[mask].iloc[-2]['upper'], data[mask].iloc[-2]['ma20'], data[mask].iloc[-2]['close']
    
    # 如果当天的close>当天的upper,并且前一天的upper>前一天的close, 意味着股价上穿，要全额买入
    if (today_close>today_upper) & (yes_upper>yes_close):
        return 1
    
    # 如果当天的close<当天的ma20,并且前一天的close>前一天的ma20, 意味着股价下跌，要全额卖出
    if (today_close<today_ma20) & (yes_close>yes_ma20):
        return -1
    
    # 其他情况下不做操作
    else:
        return 0

# 用apply函数对日期进行遍历执行策略函数, 得到每一天的投资操作
profits = data['trade_date'].apply(profit)
data['profits'] = profits

# 画出图表
# 使中文正常显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

plt.figure(figsize=(20, 6))
plt.plot(data['trade_date'], data['close'], c='b', linestyle='-', label='close')
plt.plot(data['trade_date'], data['ma20'], c='y', alpha=1, linestyle=':', label='ma20')
plt.plot(data['trade_date'], data['upper'], c='r', alpha=1, linestyle=':', label='upper')
plt.plot(data['trade_date'], data['lower'], c='g', alpha=1, linestyle=':', label='lower')
p1 = plt.fill_between(data['trade_date'],				# x轴的坐标数组
                      data['upper'],					# y1线曲线上的y坐标点
                      data['lower'],					# y2线曲线上的y坐标点
                      data['upper']>data['lower'],		# 设置条件: 当y1<y2为True时
                      color='b',						# 设置填充颜色
                      alpha=0.05)						# 设置透明度
plt.scatter(x=data[data['profits']==-1].trade_date, y=data[data['profits']==-1].close, s=80, 
            edgecolor='r', facecolor='y', label='卖出点')
plt.scatter(x=data[data['profits']==1].trade_date, y=data[data['profits']==1].close, s=80, 
            edgecolor='g',facecolor='r', label='买入点')
plt.tick_params(axis='x', labelrotation=45)
plt.grid(alpha=0.3, linestyle='--')
plt.xlim('2018-01', '2020-09')				# 限定x轴刻度显示范围
plt.legend()

在这里插入图片描述

遍历每一天的投资建议, 模拟交易, 实现回测模型

# 现金数量
cash = 1000000 
# 股票数量
stock = 0
# 状态1: 已全部买入, 状态-1: 已全部卖出, 初始状态0
status = 0

for index, p in profits.items():
    # 当前交易价格
    curr_price = data.iloc[index]['close']
    # 当前日期
    d = data.iloc[index]['trade_date']
    
    # 模拟买入操作
    if p == 1 and status != 1:     # 当投资建议为买入(p==1), 并且有钱时(status!=1)
        stock = int(cash/curr_price)     # 可以买入的股票数量
        cash = cash - stock*curr_price    # 计算购买股票后剩余的现金
        print(f'买入: trade_date = {d}; cash = {cash}; stock = {stock}')
        status = 1   # 修改当前状态为已经全部买入
    
    # 模拟卖出操作
    if p == -1 and status != -1:  # 当投资建议为卖出(p==-1), 并且有股票时(status!=-1)
        cash = cash + stock*curr_price   # 卖出全部股票后可以得到的现金
        stock = 0   # 当前股票改为零
        print(f'卖出: trade_date = {d}; cash = {cash}; stock = {stock}')
        status = -1  # 修改当前状态为已经全部卖出
        
"""
卖出: trade_date = 2018-02-08 00:00:00; cash = 1000000.0; 			stock = 0
买入: trade_date = 2018-07-20 00:00:00; cash = 1.2100000000791624; 	stock = 101317
卖出: trade_date = 2018-08-15 00:00:00; cash = 1003039.5100000001; 	stock = 0
买入: trade_date = 2018-08-24 00:00:00; cash = 4.910000000032596; 	stock = 97382
................
买入: trade_date = 2020-06-01 00:00:00; cash = 8.299999999813735; 	stock = 99064
卖出: trade_date = 2020-06-15 00:00:00; cash = 1025320.6999999997; 	stock = 0
买入: trade_date = 2020-07-02 00:00:00; cash = 2.249999999650754; 	stock = 92789
卖出: trade_date = 2020-07-23 00:00:00; cash = 1005835.0099999997; 	stock = 0
"""

可见, 根据此策略, 到20年, 100万现金最后只能盈利5,835元

cjm_success
关注
  • 5
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
金融量化分析基础知识
开发人工智能算法，带你了解科技前沿，这里的知识丰富！
02-18 1387
文章目录金融量化分析金融量化软件包股票基础知识 金融量化分析 量化交易的核心是策略分析，通过对历史数据、实时数据分析，选择最佳的交易品种和最好的交易时间。 主流的量化交易：quantopian、掘金、优矿. 最有名的项目是：Zipline 和quantopian-algos 金融量化软件包 zwQuant：国内首个开源量化程序，纯Python代码。 quant：宽客，定量分析的意思 pan...
金 融 量 化 分 析 • JoinQuant • 第 一 篇
Thomas
05-13 914
第一篇 目录第一篇一、聚宽模块安装、更新方法二、聚宽模块登录三、获取股票行情数据方法1.获取单个股票多天每分钟行情数据的获取函数:get_price(参数)2.获取单个股票基本信息总结 一、聚宽模块安装、更新方法 代码如下（示例） #安装模块 pip install jqdatadsk #更新模块 pip install -U jqdatasdk 二、聚宽模块登录 代码如下（示例）： from jqdatasdk import * auth('账号','密码') 三、获取股票行情数据方法
MATLAB量化金融分析基础与实战-随书代码,matlab金融数据分析,matlab
09-10
MATLAB量化金融分析基础与实战随书代码，马萌编著
超强干货 | Python金融数据量化分析教程+机器学习电子书
xiangxueerfei的博客
10-10 922
Python语言是人工智能的基础语言，国家相关教育部门对于“人工智能普及”格外重视，不仅将Python列入到小学、中学和高中等传统教育体系中，并借此为未来国家和社会发展奠定了人工智能的人才培养基础，逐步由底层向高层推动“全民学Python”，从而进一步实现人工智能技术的推动和社会人才结构的更迭。这里，St 代表的资产在t 时刻的价格水平。我们需要将它读入内存。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
金融量化KDJ指标分析
西区501的博客
09-02 100
总体来说，单一指标效果有限，需要结合多种指标，并辅以成交量分析，确定最佳买卖点位。同时基本面研究也必不可少，技术分析只是其中的一个手段，真正的操作需要考虑很多因素，具体情况还是要分析个股历史，看技术指标是否适用。
python数据分析及可视化（十六）金融量化(金融工具、金融分析、Tushare安装使用、双均线分析）
hwwaizs的博客
12-04 3397
金融量化(金融工具、金融分析、Tushare安装使用、双均线分析）
量化交易app系统开发：量化交易系统指标公式分析
yubg123的博客
11-10 254
然而，投资者应该注意，每个指标都有其优点和局限性，因此在使用时应该结合其他指标和基本面分析来做出更全面的投资决策。这些公式通过将复杂的金融市场数据转化为可操作的信息，帮助投资者做出更明智的投资决策。其中，Actual Price 是实际价格，Predicted Price 是预测价格，n 是样本数量。其中，End Price 是投资结束时的价格，Begin Price 是投资开始时的价格。其中，P1, P2, P3, ..., Pn 是在选定期间内的价格，n 是期间的天数。2. 相对强弱指数（RSI）
Python实战项目—金融量化分析（数据的简单预处理）
wzk4869的博客
01-26 8756
实现需要导入的包： import tushare as ts import pandas as pd import matplotlib.pyplot as plt %matplotlib inline 注：tushare,财经数据接口包 1.使用tushare包导入某只股票的历史数据 我们不妨以同花顺这只股票为例（300033） df=ts.get_k_data(code=‘300033’,start=‘2000-01-01’,end=‘2022-01-21’) df 其中，code是股票代码，start
数据分析——金融量化分析
I__INIT的博客
04-07 2268
1.什么是数据分析？ 数据的获取、清洗、转换、建模 2.分类与回归（分类是有监督的，有标签） 应用：信用卡申请人风险评估，预测公司业务增长量、预测房价 原理：分类-将数据映射到预先定义的群或者类，算法要求基于数据属性值来定义类别，把具有某些特征的数据项映射到给定的某个类别上 回归-用属性的历史数据预测未来趋势，算法首先假设一些已知类型函数可以拟合目标数据，然后某种误差分析确定一个与目标数据拟合程度...
量化金融入门笔记(一)
qq_48081868的博客
07-24 7243
量化金融入门笔记（一）基础理论知识 本节介绍金融量化的基础知识 文章目录量化金融入门笔记（一）基础理论知识前言一、量化金融是什么？二、分析指标1.基本面分析2.技术面分析三、投资策略1.多因子选股策略2.布林带策略3. PEG策略4. 动量策略5. 反转策略7. 羊驼交易法则总结 前言   本文主要作为我（一个小白）金融量化入门的笔记，也希望通过我的记录可以帮助到更多的小伙伴呢~，欢迎和我一起交流 一、量化金融是什么？   量化金融是指依托金融大数据、金融科技和智能金融的技术进展，通过数量化方式
量化金融-Python入门教程
12-17
量化金融专业Python教程，适合零基础想要学习python的人
MATLAB金融量化策略实战.txt
05-27
价值999元的MATLAB金融量化策略实战教学视频
金融大数据量化分析完整项目
07-28
量化交易相关的Python编程基础 在聚宽上开发一个轻量级的量化策略 理解基本的策略评价指标 介绍Notebook任务：计算年化收益、最大回撤 一个轻量级的量化策略； Notebook任务：计算夏普比率、分解Alpha和Beta 量化...
Python量化金融-Python金融实务应用与数据分析课程 量化金融基础课 -股票量化基本面投资 共17页.pdf
02-26
【课程列表】 Python课程1.2-Python基础知识（一）.pdf Python课程1.3-Python基础知识（二）.pdf Python课程1.4-Python基础金融分析应用.pdf Python课程1.5-成为编程能手：Python知识...量化金融基础课 -量化因子.pdf
Ansible 指定受控端使用Python的版本
shijin741231的博客
04-20 591
最近在装Ansible，有一台受控端Ubuntu16的服务器，安装了Python2.7.12和Pyhon3.5。当用Ansible连接它时，显示使用的是Python3.5。最后看文档，发现Ansible可以在hosts的文件中指定受控服上运行的Python。
【编译程序介绍】
武帝为此的博客
04-22 1198
简单来说，编译程序是一个软件，它读取用某种编程语言编写的源代码，分析并转换成等效的、可执行的机器语言代码。这个过程涉及多个复杂的步骤，包括语法分析、语义分析、代码优化和代码生成等。
[python3] 读取一个正在更新的日志文件
最新发布
言之。
04-24 229
等同于–follow=name --retry，根据文件名进行追踪，并保持重试，即该文件被删除或改名后，如果再次创建相同的文件名，会继续追踪。这两种方法都会持续监听日志文件的变化，并实时读取新增的日志内容。你可以根据实际需求选择其中一种方法。要读取一个正在更新的日志文件（即实时写入的日志文件），你可以使用 Python 的。的技巧来实现实时读取。函数打开文件，并使用。
实现自定义注解、实现自定义幂等性注解
qq_44721738的博客
04-23 585
添加 Spring AOP 依赖。创建自定义注解。创建一个新的 Java 注解类，通过@interface关键字来定义，并可以添加元注解以及属性。@Target(ElementType.METHOD) //表示作用于方法上@Retention(RetentionPolicy.RUNTIME) // 表示这个注解在运行时是可见的，这样 AOP 代理才能在运行时读取到这个注解编写 AOP 拦截（自定义注解）的逻辑代码。@Aspect@Component// 方法执行前的处理。
【InternLM实战营---第五节课作业】
weixin_45609124的博客
04-22 797
LMDeploy环境配置及基础使用
金融量化交易平台的研究背景
07-24
金融量化交易平台的研究背景主要涉及金融市场的发展和技术进步。以下是一些关键的背景信息： 1. 技术进步：随着计算机技术和互联网的迅速发展，金融市场也逐渐数字化。高速计算和大数据处理能力的提升，为量化交易...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值