写量化策略时常用的技巧

1.善用panel保存数据

说明:pandas有三种数据结构,分别是Series(一维),DataFrame(二维),panel(三维)

例子:沪深300成分股所有股票[stock list]在某些特征指标如成交量、收盘价[indicator list]上的某时间区间内的历史序列[time series],
[stock list] * [indicator list] * [time series]=3维

Q:如何通过Windpy接口来形成我们的三维面板数据呢?
A:按个股循环,获取每只股票的序列数据(二维);再把300只个股合并成三维。

例代码1:获取面板原始数据(daily),后期再在这张大的面板数据上计算月度的情况,再排序形成组合。再形成一个新的面板。【思路:总-分-总】

ps1:缺点就是从总表中拆开按每个因子形成月度收益再concat合并,这个过程很麻烦,不如一开始就按因子分开处理好,再合并形成面板数据。

ps2:wind API每天12000条左右的记录限制,意味着300只股票,每天只能他爸爸的获取30天的数据,10年的数据(120个月)得花120天来下载,这很坑啊。。。肯定是要另外想办法的,平时写策略主要目的是训练思路和练手,对数据质量要求不太高,目前看来,聚宽是最好的选择,策略编写平台类似jupyter notebook,也支持python的所有package。

import pandas as pd
import copy
from WindPy import w
import datetime
w.start() 

## 函数getAsharePanels(),获取A股历史面板数据
def getAsharePanels(stockcodes,start_date,end_date):

    append_data=pd.DataFrame(columns=['trade_date','stock_code','open','high','low','close','volume']) #产生一个辅助数据集,帮助后面循环时汇总
    individual_data=pd.DataFrame() #存放个股交易信息的数据集
    result={} #result是一个三维的字典
    for individual_stockcode in stockcodes:

        # 依次生成个股数据集(变量包括:日期、代码、开盘价、最高价、最低价、收盘价、成交量)
        stock=w.wsd(individual_stockcode, "trade_code,open,high,low,close,volume",start_date,end_date)
        individual_data['trade_date']=stock.Times
        individual_data['stock_code']=stock.Data[0]
        individual_data['open']=stock.Data[1]
        individual_data['high']=stock.Data[2]
        individual_data['low']=stock.Data[3]
        individual_data['close']=stock.Data[4]
        individual_data['volume']=stock.Data[5]

        # 通过300次迭代,把300只股票的df格式的individual_data数据放到result里,形成3维的字典
        result[+1]=individual_data
    rawdata = pd.Panel(result) #获取的沪深300成分股的3维数据保存在rawdata中

    return rawdata


## 调用函数getAsharePanels(),获取A股历史面板数据
todayDate=datetime.datetime.strftime(datetime.date.today(),"%Y%m%d")
wsetdata=w.wset('SectorConstituent','date='+todayDate+';sectorId=1000000090000000;field=wind_code') #通过wset获取沪深300成分股代码
stockcodes=list(wsetdata.Data[0])
start_date='20120101'      #样本数据起始日期
end_date='20171231'        #样本数据结束日期
rawdata_panel=getAsharePanels(stockcodes,start_date,end_date)    

例代码2
【先分后合】
step1
一维:先写好一系列函数,分开处理好各因子的历史序列数据(如:月度收益、排序形成portfolio等)
step2:写个两层的循环,把一维变成二维,再变成三维
二维(内层循环):再把一维按照因子类别作为二维的dataframe的列,以此思路来形成二维表,如:df[‘PE’]=seriesXXX
三维(外层循环):按monthly的时间来循环,把二维的截面数据加上时间维度,变成三维的,形成一张panel

Q:分开处理好数据以后,如何形成我们的三维面板数据呢?
A:最外层循环:按时间(换仓频率一般是月度)
最内层循环:调用windpy接口获取每只股票的所有因子的截面数据,按股票代码循环(成交等、价格等)

## 函数1:计算组合的月度收益率
def caculate_port_monthly_return(port,startdate,enddate,nextdate,CMV):
    close1 = get_price(port, startdate, enddate, 'daily', ['close']) #三维面板数据 <class 'pandas.core.panel.Panel'>
    close2 = get_price(port, enddate, nextdate, 'daily',['close']) #面板数据 <class 'pandas.core.panel.Panel'>
    weighted_m_return = ((close2['close'].ix[0,:]/close1['close'].ix[0,:]-1)).mean() #等权加权
    return weighted_m_return
## 函数2:计算benchmark组合的月度收益
def caculate_benchmark_monthly_return(startdate,enddate,nextdate):
    close1 = get_price(['000001.XSHG'],startdate,enddate,'daily',['close'])['close']
 #二维
    close2 = get_price(['000001.XSHG'],enddate, nextdate, 'daily',['close'])['close']
    benchmark_return = (close2.ix[0,:]/close1.ix[0,:]-1).sum()
    print close1
    return benchmark_return

## 核心策略:构建因子组合并计算每月换仓时不同组合的月收益率
# 得到结果monthly_return为panel数据,储存所有因子,在7×12个月内5个组合及benchmark的月收益率
factors = ['B/M','EPS','PEG','ROE','ROA','GP/R','P/R','L/A','FAP','CMV']
#因为研究模块取fundmental数据默认date为研究日期的前一天。所以要自备时间序列。按月取
year = ['2011','2012','2013','2014','2015','2016','2017']
month = ['01','02','03','04','05','06','07','08','09','10','11','12']
result = {}

for i in range(7*12):
    startdate = year[i/12] + '-' + month[i%12] + '-01'
    try:
        enddate = year[(i+1)/12] + '-' + month[(i+1)%12] + '-01'
    except IndexError:
        enddate = '2016-01-01'
    try:
        nextdate = year[(i+2)/12] + '-' + month[(i+2)%12] + '-01'
    except IndexError:
        if enddate == '2018-01-01':
            nextdate = '2018-02-01'
        else:
            nextdate = '2018-01-01'
    #print 'time %s'%startdate
    fdf = get_factors(startdate,factors)
    CMV = fdf['CMV']
    #5个组合,10个因子
    df = DataFrame(np.zeros(6*10).reshape(6,10),index = ['port1','port2','port3','port4','port5','benchmark'],columns = factors)
    for fac in factors:
        score = fdf[fac].order()
        port1 = list(score.index)[: len(score)/5]
        port2 = list(score.index)[ len(score)/5+1: 2*len(score)/5]
        port3 = list(score.index)[ 2*len(score)/5+1: -2*len(score)/5]
        port4 = list(score.index)[ -2*len(score)/5+1: -len(score)/5]
        port5 = list(score.index)[ -len(score)/5+1: ]
        df.ix['port1',fac] = caculate_port_monthly_return(port1,startdate,enddate,nextdate,CMV)
        df.ix['port2',fac] = caculate_port_monthly_return(port2,startdate,enddate,nextdate,CMV)
        df.ix['port3',fac] = caculate_port_monthly_return(port3,startdate,enddate,nextdate,CMV)
        df.ix['port4',fac] = caculate_port_monthly_return(port4,startdate,enddate,nextdate,CMV)
        df.ix['port5',fac] = caculate_port_monthly_return(port5,startdate,enddate,nextdate,CMV)
        df.ix['benchmark',fac] = caculate_benchmark_monthly_return(startdate,enddate,nextdate)
        #print 'factor %s'%faesult[i+1]=df
monthly_return = pd.Panel(result)

参考资料
1.joinquant上的一个策略
2.简书上对panel的介绍

  • 0
    点赞
  • 3
    收藏
  • 打赏
    打赏
  • 4
    评论

“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
©️2022 CSDN 皮肤主题:游动-白 设计师:我叫白小胖 返回首页
评论 4

打赏作者

Xionglingchu

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额:-- )
扫码支付
扫码支付:¥2
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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、C币套餐、付费专栏及课程。

余额充值