股票因子扩展1（涨停因子计算）——从零到实盘4

码农甲V

已于 2023-10-04 15:26:22 修改

阅读量9.8k

点赞数 7

分类专栏：从零到实盘 Python量化交易文章标签： python backtrader 量化

于 2021-11-26 20:34:29 首次发布

本文链接：https://blog.csdn.net/m0_46603114/article/details/121568096

版权

Python量化交易同时被 2 个专栏收录

75 篇文章

订阅专栏

从零到实盘

20 篇文章

订阅专栏

前文介绍了股票日线数据下载，从本文起开始记录一些股票因子的计算方法，这些因子将用于后续策略的编写。

我们将实现双神穿多线策略，策略的选股条件是，股票当日形成双神（间隔的2个涨停），K线同时上穿5、10、20、30日均线，30日线在60日线上方，把当日涨停收盘价格定义为买点buy_point。买入价格为后续日期开盘价与buy_point的较小值，卖出止盈价格为buy_point*(1+6.18%)，止损价格为buy_point*(1-16.18%)。

在写本系列文章之前，尚未对该策略进行参数调整、胜率统计、回测分析，就目前观察的几只个股来看，都有不错的涨幅。读者可以参与一起实现和优化，共同打造成一个实盘策略。

该策略在2018年至2020年3年周期回测后，年化收益为41.7%，最大回撤为25.8%。

本文首先计算涨停因子。

主要代码分析

新建源文件，命名为data_center_v3.py，全部内容见文末，v3主要涉及3个方面的改动：

新增计算涨停因子函数

def zt(df):

该函数用于计算涨停因子，其中：

参数df为待计算扩展因子的DataFrame
返回值为包含扩展因子的DataFrame

这里以当日收盘价较前一日收盘价上涨9.8%及以上作为涨停判断标准。若涨停，则因子为True，否则为False。

    df['zt'] = np.where((df['close'].values >= 1.098 * df['preclose'].values), True, False)

计算涨停因子，考虑到复权以及创业板和科创板涨停为涨幅20%，这里把当日收盘价较前一日收盘价上涨9.8%及以上都作为涨停。

    return df

返回包含扩展因子的DataFrame

新增计算扩展因子

def extend_factor(df):

该函数用于计算扩展因子，其中：

参数df为待计算扩展因子的DataFrame
返回值为包含扩展因子的DataFrame

在v3中只计算涨停因子，后续会添加双神等因子的计算。

    df = df.pipe(zt)

使用pipe调用函数zt，计算涨停因子

    return df

返回包含扩展因子的DataFrame。

修改创建数据函数

def create_data(stock_codes, from_date='1990-12-19', to_date=datetime.date.today().strftime('%Y-%m-%d'), adjustflag='2'):
    """
    下载指定日期内，指定股票的日线数据，计算扩展因子

    :param stock_codes: 待下载数据的股票代码
    :param from_date: 日线开始日期
    :param to_date: 日线结束日期
    :param adjustflag: 复权选项 1：后复权  2：前复权  3：不复权  默认为前复权
    :return: None
    """

    # 下载股票循环
    for code in stock_codes:
        print('正在下载{}...'.format(code))

        # 登录BaoStock
        bs.login()

        # 下载日线数据
        out_df = bs.query_history_k_data_plus(code, g_baostock_data_fields, start_date=from_date, end_date=to_date,
                                              frequency='d', adjustflag=adjustflag).get_data()

        # 注销登录
        bs.logout()

        # 剔除停盘数据
        if out_df.shape[0]:
            out_df = out_df[(out_df['volume'] != '0') & (out_df['volume'] != '')]

以上内容与v2相同，可参考v2分析内容。

        if not out_df.shape[0]:
            continue

如果数据为空，则不进行后续过滤及扩展因子计算。

        out_df.drop_duplicates(['date'], inplace=True)

曾遇到过出现重复数据的情况，加一道去重过滤。

        if out_df.shape[0] < g_available_days_limit:
            continue

这里设置只处理已有多于等于g_available_days_limit根日线数据的股票，如果可用的日线数据少于g_available_days_limit根，则不创建数据，来确保后续可以有效计算扩展因子。
在文件开头我们设置了全局变量：

g_available_days_limit = 250

        convert_list = ['open', 'high', 'low', 'close', 'preclose', 'volume', 'amount', 'turn', 'pctChg']
        out_df[convert_list] = out_df[convert_list].astype(float)

把相关字段类型转化为float类型，BaoStock下载得到的这些字段默认为str类型，需要转化为float类型，才能用于后续指标计算。

        out_df.reset_index(drop=True, inplace=True)

重置索引，由于我们进行了去重、剔除停盘数据等操作，需要对索引进行重置，来保持索引的连续性。

        out_df = extend_factor(out_df)

调用函数extend_factor计算扩展因子。

        print(out_df)

打印数据创建结果，我们来看一下三美股份sh.603379的打印结果：

           date       open       high  ...   pcfNcfTTM  isST     zt
0    2019-04-02  32.652593  32.652593  ...   76.815822     0   True
1    2019-04-03  35.917853  35.917853  ...   84.497404     0   True
2    2019-04-04  39.511735  39.511735  ...   92.952079     0   True
3    2019-04-08  43.462210  43.462210  ...  102.245642     0   True
4    2019-04-09  47.755292  47.755292  ...   97.278109     0  False
..          ...        ...        ...  ...         ...   ...    ...
598  2021-09-13  31.580000  33.380000  ...  -70.841885     0  False
599  2021-09-14  32.520000  35.000000  ...  -71.822773     0  False
600  2021-09-15  33.020000  36.250000  ...  -79.015949     0   True
601  2021-09-16  37.900000  38.000000  ...  -77.381136     0  False
602  2021-09-17  35.510000  39.050000  ...  -85.119250     0   True

[603 rows x 18 columns]

倒数第三行和最后一行显示2021年9月15日和17日为涨停，对应看一下K线图：

也可以看到2021年9月15日和17日均为涨停，计算结果正确。

小结

本文主要介绍了要实现的策略的思路，完成了涨停因子的计算，后续继续介绍策略所需的其他因子的实现方式。

到目前为止，创建的数据只是用于打印，未实现存储。因此只要确保程序能正常运行即可，不需要等待程序运行结束。等后续文章所有因子都介绍完成后，我们会进行多线程计算，并将结果保存到MySQL中。

data_center_v3.py的全部代码如下：

import baostock as bs
import datetime
import sys
import numpy as np

# 可用日线数量约束
g_available_days_limit = 250

# BaoStock日线数据字段
g_baostock_data_fields = 'date,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,peTTM,pbMRQ, psTTM,pcfNcfTTM,isST'


def get_stock_codes(date=None):
    """
    获取指定日期的A股代码列表

    若参数date为空，则返回最近1个交易日的A股代码列表
    若参数date不为空，且为交易日，则返回date当日的A股代码列表
    若参数date不为空，但不为交易日，则打印提示非交易日信息，程序退出

    :param date: 日期
    :return: A股代码的列表
    """

    # 登录baostock
    bs.login()

    # 从BaoStock查询股票数据
    stock_df = bs.query_all_stock(date).get_data()

    # 如果获取数据长度为0，表示日期date非交易日
    if 0 == len(stock_df):

        # 如果设置了参数date，则打印信息提示date为非交易日
        if date is not None:
            print('当前选择日期为非交易日或尚无交易数据，请设置date为历史某交易日日期')
            sys.exit(0)

        # 未设置参数date，则向历史查找最近的交易日，当获取股票数据长度非0时，即找到最近交易日
        delta = 1
        while 0 == len(stock_df):
            stock_df = bs.query_all_stock(datetime.date.today() - datetime.timedelta(days=delta)).get_data()
            delta += 1

    # 注销登录
    bs.logout()

    # 筛选股票数据，上证和深证股票代码在sh.600000与sz.39900之间
    stock_df = stock_df[(stock_df['code'] >= 'sh.600000') & (stock_df['code'] < 'sz.399000')]

    # 返回股票列表
    return stock_df['code'].tolist()


def create_data(stock_codes, from_date='1990-12-19', to_date=datetime.date.today().strftime('%Y-%m-%d'),
                adjustflag='2'):
    """
    下载指定日期内，指定股票的日线数据，计算扩展因子

    :param stock_codes: 待下载数据的股票代码
    :param from_date: 日线开始日期
    :param to_date: 日线结束日期
    :param adjustflag: 复权选项 1：后复权  2：前复权  3：不复权  默认为前复权
    :return: None
    """

    # 下载股票循环
    for code in stock_codes:
        print('正在下载{}...'.format(code))

        # 登录BaoStock
        bs.login()

        # 下载日线数据
        out_df = bs.query_history_k_data_plus(code, g_baostock_data_fields, start_date=from_date, end_date=to_date,
                                              frequency='d', adjustflag=adjustflag).get_data()

        # 注销登录
        bs.logout()

        # 剔除停盘数据
        if out_df.shape[0]:
            out_df = out_df[(out_df['volume'] != '0') & (out_df['volume'] != '')]

        # 如果数据为空，则不创建
        if not out_df.shape[0]:
            continue

        # 删除重复数据
        out_df.drop_duplicates(['date'], inplace=True)

        # 日线数据少于g_available_days_limit，则不创建
        if out_df.shape[0] < g_available_days_limit:
            continue

        # 将数值数据转为float型，便于后续处理
        convert_list = ['open', 'high', 'low', 'close', 'preclose', 'volume', 'amount', 'turn', 'pctChg']
        out_df[convert_list] = out_df[convert_list].astype(float)

        # 重置索引
        out_df.reset_index(drop=True, inplace=True)

        # 计算扩展因子
        out_df = extend_factor(out_df)

        print(out_df)


def extend_factor(df):
    """
    计算扩展因子

    :param df: 待计算扩展因子的DataFrame
    :return: 包含扩展因子的DataFrame
    """

    # 使用pipe计算涨停因子
    df = df.pipe(zt)

    return df


def zt(df):
    """
    计算涨停因子

    若涨停，则因子为True，否则为False
    以当日收盘价较前一日收盘价上涨9.8%及以上作为涨停判断标准

    :param df: 待计算扩展因子的DataFrame
    :return: 包含扩展因子的DataFrame
    """

    df['zt'] = np.where((df['close'].values >= 1.098 * df['preclose'].values), True, False)

    return df


if __name__ == '__main__':
    stock_codes = get_stock_codes()
    create_data(stock_codes)