qq_26742269的博客

本人使用的期货交易公司：中信期货（幸亏资金量大，返还高，不然就是给期货公司打工。4.难以入门，使得其成为很多高玩的选择，因为要考虑一边成交，另一边未成交等单边敞口问题。3.但是，很多品种不是，比如农产品，会因为交通，运输，上下游波动等导致价差会变化。5.统计学套利和基本面套利，是套利的两大主流方向，如有其他的，欢迎补充。基本面套利，则是更具当前期货价格，现货价格，预测价差是拉大还是缩小。2.底层逻辑来自基本面上，本月的黄金，10年后，他还是黄金。统计套利，就是根据k线图，选择做多，做空价差。

本人使用的期货交易公司：中信期货（幸亏资金量大，返还高，不然就是给期货公司打工。套利的间接成本很高，滑点，手续费。4.波动小，是其主要特征，极少情况出现极端行情，风险小使得其成为很多人的热门选择。3.但是，很多品种不是，比如农产品，会变成陈货。交割旺季和淡季的价差会拉大。5.统计学套利和基本面套利，是套利的两大主流方向，如有其他的，欢迎补充。基本面套利，则是更具当前期货价格，现货价格，预测价差是拉大还是缩小。特点：1.远近月合约，双边收手续费，只收保证金。统计套利，就是根据k线图，选择做多，做空价差。

预测指数，预测板块，预测个股，进行股票交易。

如果不做特殊处理，直接把沪深300因子数据输入进去，那么它只会把每个因子序列数据转化为单个值，这样一个4334x13的因子矩阵，最终就会变为1x13的因子向量，相当于只是一个样本，这样是无法建模的。一般来说，将完整数据集80%的样本作为训练集，剩余20%的样本作为测试集，要注意的是，在这里使用tsfresh的select_features函数对之前的8000+因子进行有效因子筛选，获得基础因子数据，然后放入写好的所有的函数中，计算新的因子，注意，他只能单个因子，如果用两个参数的函数，无效。

假设指数可以多空交易，如果模型预测为1（上涨），第二天策略的收益率就是指数的涨幅，如果模型预测为0（下跌），第二天策略的收益率就是指数的涨幅的相反数，有了每天的日收益率之后，通过dataframe自带的累乘函数cumprod，就可以得到择时策略和沪深300指数的净值曲线，为了方(tou)便(lan)起见，不考虑交易费率，以及按照收盘价成交。

检验不同参数下牛熊指标与中证指数的相关度。

根据当前最强势板块以及前一天的涨停股票池，以及股票个股热度名单小于50。

【代码】Python绘制双坐标图。

【代码】多线程学习。

注意，使用此函数，在考虑手续费时，无法做到统一。import talibimport numpy as npimport EsTalibfrom EsSeries import NumericSeries# 策略参数字典g_params['p1'] = 5g_params['p2'] = 10g_params['p3'] = 120g_params['ZQ'] = 5 #交易周期# 合约名称列表HYMCLB = [ "INE|Z|SC|MAIN","INE|Z|N.

本人看法，也就比excel高级一点，距离backtrader这些框架又差一点。做最基础的测试可以，如果后期加入加仓功能，或者是止盈止损等功能，很不合适。只能做最简单的技术指标测试。所以别太当回事。导包，常用包导入：import osimport akshare as akimport requestsimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport talib as ta%matplo

导入包，获取日期数据import pandas as pdimport numpy as npimport akshare as ak#画图import matplotlib.pyplot as plt#正确显示中文和负号plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=False#处理时间from dateutil.parser import parsefrom datetim

导入包：import akshare as akimport pandas as pdimport numpy as npimport matplotlib日线换周线：#日线换为周线数据def transferToWeekLine(df,period='W'): data1=df stock_data = pd.DataFrame(data1) #设定转换周期period_type 转换为周是'W',月'M',季度线'Q',五分钟'5min',12

群友说，行业指数不行，没办法跟买。这次我换成了etf进行动量策略，选择本周上涨最强的5个etf，平均持仓，一周后移仓。查看回测效果。 不废话，上传代码，但还是有点毛糙。下次加上日期这些数据，做成df格式，然后用pyfolio进行查看。导包：import akshare as akimport pandas as pdimport numpy as npimport matplotlib换成周线（也可以换成月线，年线）：#日线换为周线数据def transferT...

以周为单位，获取本周最强的5只行业指数，进行均值购买。数据源采用akshare。导入包import akshare as akimport pandas as pdimport numpy as npimport matplotlib日线换为周线#日线换为周线数据def transferToWeekLine(df): data1=df stock_data = pd.DataFrame(data1) #设定转换周期period_type .

确定股票池from concurrent.futures import ThreadPoolExecutorimport urllibimport osfrom time import sleepimport pandas as pd# 上证代码shanghaicode = []for i in range(600000, 606000, 1): shanghaicode.append(str(i))# 深证代码shenzhencode = []for i in rang

# str2datetimedatetime.datetime.strptime('20200101','%Y%m%d')#datetime2datedatetime.datetime.now().date()# datetime2strstr(datetime.datetime.now())# date2strstr(datetime.date.today())# date initdatetime.date(2020,1,1)# str2datedatetim.

利用akshare的数据源，可以获取所有的股票数据以及公开的财务数据，可以进行条件筛选，获取满足条件的股票。 这套模板可以用于价值投资，指标选股。选股周期为日线级别。然后结果可以邮箱发送。import timeimport akshare as ak## A 股上市公司的实时行情数据stock_zh_a_spot_df = ak.stock_zh_a_spot()#print(stock_zh_a_spot_df)##取前300测试##取前300测试df_stock =...

我目前量化实盘做期货交易用的是这个软件。主要就是因为它可以做套利合约，还有就是国企的外包，安全（vnpy的狗咬狗害怕）。策略模板：设置全局参数变量：#导入包import talib#选择合约代码code1 = ''#设置可调参数g_params['FastLength'] = 5 g_params['SlowLength'] = 20#开仓标志BKFLG = 0SKFLG = 0#平仓标志BPFLG = 0SPFLG = 0#开仓委托BKID = 0SKID =

哪些地方会用到指标 ？回顾一下 Backtrader 的主要功能模块和回测流程（见：Backtrader 来了！）可以发现，只有在编写策略Strategy 时才会涉及到指标的计算和使用，而且是 Strategy 中的 __init__() 和 next() 方法涉及的最多。建议在 __init__() 中提前计算指标Strategy 中的 __init__() 函数在回测过程中只会在最开始的时候调用一次，而 next() 会每个交易日依次循环调用多次，所以为了提高回测效率，建议先在 __ini

cerebro = bt.Cerebro()cerebro.addstrategy(TestStrategy2)codes=['600862.SH','300326.SZ','300394.SZ']#加载最近两日交易数据for code in codes: feed = Addmoredata(dataname = get_data(code,'20200506'),name=code) cerebro.adddata(feed)cerebro.run()数据查看：cl.

成交价格确定：Order.Market市价单，以当时市场价格成交的订单，不需要自己设定价格。市价单能被快速达成交易，防止踏空，尽快止损/止盈；按下一个 Bar （即生成订单的那个交易日的下一个交易日）的开盘价来执行成交；例：self.buy(exectype=bt.Order.Market) 。Order.Close和 Order.Market 类似，也是市价单，只是成交价格不一样；按下一个 Bar 的收盘价来执行成交；例：self.buy(exectype=bt.Order.Clo

查看账户情况：class TestStrategy(bt.Strategy): def next(self): print('当前可用资金', self.broker.getcash()) print('当前总资产', self.broker.getvalue()) print('当前持仓量', self.broker.getposition(self.data).size) print('当前持仓成本', self.broker

添加分析指标# 添加分析指标# 返回年初至年末的年度收益率cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='_AnnualReturn')# 计算最大回撤相关指标cerebro.addanalyzer(bt.analyzers.DrawDown, _name='_DrawDown')# 计算年化收益：日度收益cerebro.addanalyzer(bt.analyzers.Returns, _name='_Returns', tan

backtrader的基本策略构成：#构成#Backtrader 回测代码编写流程如下： import backtrader as bt # 导入 Backtrader import backtrader.indicators as btind # 导入策略分析模块import backtrader.feeds as btfeeds # 导入数据模块# 创建策略class TestStrategy(bt.Strategy): # 可选，设置回测的可变参数：如移动均线的周期

# -*- coding: utf-8 -*-"""Created on Tue Aug 4 16:52:23 2020@author: 四屏"""from datetime import datetime%matplotlib inlineimport backtrader as btimport matplotlib.pyplot as pltimport akshare as akplt.rcParams["font.sans-serif"] = ["SimHei"].

import backtrader as btimport datetimeimport pandas as pdimport matplotlib.pyplot as pltimport backtrader.analyzers as btanalyzers#定义指标class Ketler(bt.Indicator): params = dict(ema=20,atr= 17) lines = ('expo','atr','upper','lower') plot.

将指定的档位的期权，指定阶段剩余到期日的期权数据合并，用于回测import pandas as pdimport numpy as npimport akshare as akpd.set_option("display.max_rows",None)pd.set_option("display.max_columns",None)nh_price = ak.nh_price_index('RM')nh_price.head()nh_return = ak.nh_return_ind

import tushare as tsimport pandas as pd import numpy as npfrom scipy import statsimport tushare as ts import matplotlib.pyplot as plt%matplotlib inline #正常显示画图时出现的中文和负号from pylab import mplmpl.rcParams['font.sans-serif']=['SimHei']mpl.rcPara.

判断是否为调仓日ef is_adjust_day(self, dom=1): ''' 判断是否是每月的调仓日。 :params int dom: 每月第几个交易日进行调仓，缺省是第1个交易日。 :return: 如果是调仓日，返回True，否则返回False。 ''' ret = False today = self.datetime.date()

牛顿迭代法from scipy.stats import normimport numpy as npdef bscall(S,K,r,sigma,t): d1=(np.log(S/K)+(r+0.5*sigma**2)*t)/(sigma*np.sqrt(t)) d2=d1-sigma*np.sqrt(t) return S*norm.cdf(d1)-K*np.exp(-r*t)*norm.cdf(d2)def bsput(S,K,r,sigma,t): ..

import matplotlib.pyplot as pltfrom pandas import read_excelimport numpy as npimport tushare as tsimport pandas as pdimport datetimetoken=''pro=ts.pro_api(token)获取财务数据#获取财务数据ticker_list = ['601318.SH','601336.SH','601398.SH','601888.SH','6039.

创建股票数据库#!/usr/bin/env python# -*- coding: utf-8 -*-# @Date : 2018-09-04 14:34:59# @Author : Michael Li # @Version : $V2.0$ import pandas as pdimport numpy as npimport datetimeimport randomimport pymssqlfrom sqlalchemy import create_engi.

连接mysqlfrom sqlalchemy import create_engineimport pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport pymssqlfrom scipy.interpolate import interp1dfrom datetime import timedelta#正常显示画图时出现的中文和负号from pylab import mplmpl.rcParams[

#!/usr/bin/env python# coding: utf-8#先引入后面可能用到的包（package）import pandas as pd import numpy as npimport matplotlib.pyplot as plt#正常显示画图时出现的中文和负号from pylab import mplmpl.rcParams['font.sans-serif']=['SimHei']mpl.rcParams['axes.unicode_minus']=.

def get_index_list(index_symbol = 'sh000068'): stocks2 = [] stocks = ak.index_stock_hist(index_symbol).stock_code for stock in stocks[:]: if int(stock) < 100000: stock = 'sz' + stock else: stock = 'sh.

df['code'] = df['code'].apply(lambda x:str(x).zfill(6))

#%%#先引入后面可能用到的包（package）import pandas as pd import numpy as npimport matplotlib.pyplot as pltimport seaborn as sns sns.set() %matplotlib inline #正常显示画图时出现的中文和负号from pylab import mplmpl.rcParams['font.sans-serif']=['SimHei']mpl.rcParams['axes.u.

常见的t检验包括单样本t检验、独立样本t检验和配对（重复）样本t检验。单样本t检验：检验单个变量的均值与目标值之间是否存在差异。如果总体均值已知，则样本均值与总体均值之间的差异显著性检验属于单样本t检验。独立样本t检验：检验两组来自独立总体的样本其独立总体的均值是否一样，比如A股过去30个交易日的涨跌幅与美股过去30个交易日的涨跌幅就属于两个独立样本。配对样本t检验：检验两个相关的样本是否来自具有相同均值的总体，比如A股过去30个交易日的涨跌幅与再往前的30个交易日的涨跌幅数据就属于两个相关样本。.

import numpy as npimport pandas as pdfrom sklearn import preprocessingimport matplotlib.pyplot as pltimport matplotlib as mplimport seaborn as snsfrom seaborn import load_datasetsns.set()mpl.rcParams['font.family'] = 'sans-serif'mpl.rcParams['fon.