Python量化交易入门

形成自己的交易体系，打造属于自己的交易系统。不问得失，但求究竟。

量化交易研究，可以从backtrader、vnpy和qstock这三个框架起步，其它框架大同小异。实盘则可以选择QMT或PTrade。

backtrader、vnpy、vectorbt、hikyuu、wondertrader、quantconnect

回测基本编程模型:

df = get_data('股票代码', start_date, end_date, ...) ## 获得行情历史数据
data = df.copy()
strategy = MyStrategy(data, 策略参数, ...) ## 构造策略
start_backtest(strategy) ## 运行回测
## 显示回测结果

引子

发家致富不能指望靠炒股，但股市不可不研究，研究多一点总比盲目买卖为好。
人工盯盘太累人，有个机器人帮你炒股岂不更好？

股价变动难以预测，但绝不是随机的和杂乱无章的，它是有规律的。只是影响股价的因子比较多，常人最多只能了解十之六七。十之六七已足矣定胜负了，常胜固不可有，但提高胜率是可以的。所以我们做量化就是不断逼近真理。

沪深市场共上市7146只股票，其中深市有4617只，沪市有2529只。从行业分布来看，深市以商业、信息科技行业的股票为主，沪市的行业主要集中于工业和金融服务领域。

美股一共11621只股票，主要是三家交易所：纽约证券交易所(NYSE)（大约3459家），美国证券交易所(大约1061家)，纳斯达克证券市场(Nasdaq)(大约3159家)。美股实现T+0交易，最小买卖单位为1股，貌似更适合做量化。

炒股软件主要分为行情和交易两大类。排名前列的炒股软件：经传多赢、同花顺、新浪财经、东方财富、大智慧、指南针。

量化交易不等同于程序化交易，量化的核心是策略。自动交易只是量化交易的一小部分。
要做量化交易，主要解决三大问题：

1. 获得行情数据
2. 编写策略
3. 自动交易

常用库：matplotlib、numpy、pandas、Ta-Lib

从哪里获得行情数据？

• 同花顺。大名鼎鼎的易峥创办的核心软件，问财。
• 网站。网易财经, 还有雪球，东方财富等很多证券网站都能拿到数据，但这些不是API接口，需要用爬虫
• 券商。但券商也不会直接提供API。例如富途牛牛API。在国金证券开个户，轻松获取行情数据。
• 华泰的金融数据下载器, https://findata-insight.htsc.com:9151/help/terminal/download/, 需要先申请一个金融数据下载器账号，登陆后金融数据下载器提供了多类数据的查询和下载。分为日度历史行情数据和股票数据集两大类数据。
• 数据公司。如通达信股票接口，可以做股票交易API接口，对接各大卷商。还有Tushare大数据，Tushare不是普通炒股者用的软件，而是为那些有兴趣做股票期货数据分析的人提供pandas矩阵数据的工具
• 聚宽
  • JQData是聚宽数据团队专门为金融机构、学术团体和量化研究者们提供的本地量化金融数据服务。使用JQData，可快速查看和计算金融数据，无障碍解决本地、Web、金融终端调用数据的需求。历经5年沉淀，40万宽客及数3500家知名量化机构投研交易验证。使用上，JQData适用Windows、Mac、Linux多种操作系统，支持python2、python3和以及任意编程语言。数据通过简洁的API方式提供，pip即可直接安装使用，挣脱使用束缚，实现更多场景。只需三行代码，即可随取随用~
  • 查看JQData使用文档
• Github。好心人下载好的数据，网盘上获取。数据库下载地址如下:
  • 股票基础信息，链接：https://pan.baidu.com/s/1qZJIy8s，61e3
  • 2000年到2018年历史Json源数据，链接：https://pan.baidu.com/s/1jIY70bG，cmpw
  • 2000年到2018年日历史数据Sqlite文件,链接：https://pan.baidu.com/s/1eTxcjdC，ujbn
• 三个常用的库：akshare、baostock以及tushare库
• 聚宽的JQdata免费用，所有的数据都可以用，但是只能半年，半年后续费，3000元+/年，小贵，不过可以获得他的因子库，未来考虑吧
• tushare也是免费，但是只限于少量api接口，大部分有用的必须充值会员，200元档基本够用，500元就是vip无限制了，1000元可以入高级群，呵呵
• 不考虑在线服务了，太难用。尝试了优矿，很难用；估计米筐、聚宽的在线版也好不了哪去；且，这几家都不再搞个人宽客方向了，都给机构服务去了；米筐连社区都关了。

常用库

TA-Lib技术分析库

TA-Lib（Technical Analysis Library, 即技术分析库）是Python金融量化的高级库，涵盖了150多种股票、期货交易软件中常用的技术分析指标，如MACD、RSI、KDJ、动量指标、布林带等。

• 趋势分析： 通过计算趋势指标，如移动平均线、布林带、MACD等，可以帮助交易者识别市场趋势，判断价格走势。
• 震荡分析： 通过计算震荡指标，如相对强弱指标（RSI）、随机震荡指标（Stochastic Oscillator）等，可以帮助交易者识别市场超买超卖区域，寻找交易机会。
• 成交量分析： 通过计算成交量指标，如成交量、成交量加权平均价格（VWAP）等，可以帮助交易者了解市场参与度，判断市场情绪。
• 动量分析： 通过计算动量指标，如动量指标（Momentum）、相对强弱指标（RSI）等，可以帮助交易者识别市场动量，判断价格变化的速度和幅度。
• 波动率分析： 通过计算波动率指标，如平均真实范围（ATR）、布林带等，可以帮助交易者了解市场波动情况，评估风险水平。

安装过程如下：

cd ta-lib && ./configure --prefix=/usr/local/talib && make && make install
export TA_LIBRARY_PATH=/usr/local/talib/lib
export TA_INCLUDE_PATH=/usr/local/talib/include
pip install ta-lib

我们完全可以只依赖ta-lib库和券商的订单API就能完成基本的量化系统。

ta-lib常用函数：
根据pandas数据计算各个指标：

import pandas as pd
import talib
import numpy as np

## SMA
talib.SMA(df['close'], timeperiod=10) 
df['ma10']=talib.MA(df['close'], timeperiod=10, matype=0) # matype: 0代表SMA，1代表EMA，2代表WMA
## MACD
dif, dea, bar = talib.MACD(df['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)

## KDJ，通过该函数计算出K、D的值，然后通过K、D计算出J值，具体的计算方式如下：
df['K'], df['D'] = talib.STOCH(df['high'].values, df['low'].values, df['close'].values, fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
df['K'].fillna(0,inplace=True)
df['D'].fillna(0,inplace=True)
df['J']=3*df['K']-2*df['D']

empyrical

Quantopian开源的常见金融风险指标lib库，会调用pandas_datareader从yahoo或google获取股票数据

股票数据

• 技术面：均线、 资金流入、 MACD、 KDJ、 RSI、 BOLL、 CCI、 BIAS、 WR、 MTM

• 行情面：涨跌幅、 DDE大单净量、 DDE大单净额、 委比、 振幅、 换手率、 成交量、 成交额、 股价、 分时指标、 强势股

• 基本面：总股本、总市值、 流通市值、 流通比例、 十大股东持股比例、 股东户数、 户均持股数、 增减持、 机构持股、 分红、 上市天数

• 财务面：销售毛利率 市盈率 市净率 市销率 净利润增长率 营业收入增长率 每股收益 每