Python AI股票自动化量化交易经济金融市场分析（每日更新）

Pyecharts

Python+echarts

conda activate python3118
pip install pyecharts

from pyecharts.charts import *
from pyecharts import options as opts
from pyecharts.faker import Faker

折线图

Pytdx

第一种方法是使用pytdx。大家知道通达信是主要的行情数据供应商和股票分析软件供应商。

许多证券公司的股票软件，都是基于通达信进行二次开发的。通达信软件早年还提供了插件，供用户获取行情数据。
Pytdx就是基于通达信的协议

手冊

综合交易模型-----通达信函数使用教程，提供源代码
https://zhuanlan.zhihu.com/p/667213093

探秘TdxTradeServer：一个强大的金融交易接口服务器
https://blog.csdn.net/gitblog_00012/article/details/137420944

https://gitee.com/ctosoft/StockClient
安装pytdx

pip install pytdx -U -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host=pypi.tuna.tsinghua.edu.cn

tdx ETF
https://zhuanlan.zhihu.com/p/458889137?utm_id=0&wd=&eqid=e0f41b380000730b000000036461fa9b

股票行情

 
'market': 股票市场代码，
'code': 股票代码，这里是'600819'。
'active1': 第一个活跃值，这里是2202。
'price': 当前价格，这里是4.9。
'last_close': 上一个收盘价，这里是4.8。
'open': 今日开盘价，这里是4.78。
'high': 今日最高价，这里是4.95。
'low': 今日最低价，这里是4.78。
'servertime': 服务器时间，这里是'14:59:58.600'。
'reversed_bytes0' 到 'reversed_bytes9': 一系列反转字节数据，可能用于内部处理，具体含义需要查看数据解析的上下文。
'vol': 成交量，这里是92711。
'cur_vol': 当前成交量，这里是1209。
'amount': 成交金额，这里是45492908.0。
's_vol': 卖出量，这里是45654。
'b_vol': 买入量，这里是47057。
'bid1': 第一买入价，这里是4.89。
'ask1': 第一卖出价，这里是4.9。
'bid_vol1': 第一买入量，这里是996。
'ask_vol1': 第一卖出量，这里是2253。
'bid2' 到 'ask5': 分别是第2到第5买入价和卖出价，以及对应的买入量和卖出量。
'active2': 第二个活跃值，这里是2202。

获取k线 get_security_bars(9,0,‘000001’,100,800)

第二个数字表示市场：

市场代码 0:深圳，1:上海

第三串数字表示证券代码：

第四、五串数字

表示开始取值的位置和取值的个数：

（从当前往前面取值，如上面的100表示，从距离最新数据100的位置开始取值，像前取800个），
100这个位置的数字没有要求，可以一千一万，800这个数字有要求，
小于等于800.也就是一次最多取800个K线数据。


结合第四第五串数据就可以取到所有数据了 

open: 开盘价
close: 收盘价
high: 最高价
low: 最低价
vol: 成交量（手）
amount: 成交额（元）
year: 年份
month: 月份
day: 日
hour: 小时
minute: 分钟
datetime: 日期和时间

 

股票列表

'code': 股票代码。
'volunit': 成交量单位，这里是100。
'decimal_point': 小数点位数，这里是2。
'name': 股票名称。
'pre_close': 前一交易日收盘价

k线

'open': 开盘价。
'close': 收盘价。
'high': 最高价。
'low': 最低价。
'vol': 成交量。
'amount': 成交金额。
'year': 年份。
'month': 月份。
'day': 日期。
'hour': 小时。
'minute': 分钟。
'datetime': 日期时间。
'up_count': 上涨股票数量。
'down_count': 下跌股票数量。

akshare 免费 A股量化行情pythonSDK

akshare使用手册

backtrader回测框架包

https://blog.csdn.net/halps/article/details/127170996

pip install backtrader -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host=pypi.tuna.tsinghua.edu.cn

基于Python的量化回测框架，功能丰富，操作方便。其优点是运行速度快，支持pandas的矢量运算；

内置多种技术指标计算，还支持股票分析技术指标库talib；

支持参数自动寻优运算；支持多品种（股票、期货、期权、外汇和数字货币）、

多策略、多周期（Ticks、秒、分、日、周、月和年）的回测和交易；

支持PyFlio、empyrica分析模块库、alphalens多因子分析模块库等；

扩展灵活，可以集成TensorFlow、PyTorch和Keras等机器学习、神经网络分析模块。
深度机器学习

主要包括：

框架（Cerebro）、
数据加载（Data Feed）、
交易策略（Strategies）、
技术指标（Indicators）、
订单（Orders）、
观察者（Observers）、
测量评估（Analyzers）、 
经纪人（Broker）、
实盘交易（Live Trading）、
结果可视化（Plotting）等部分 

数据类型

backtrader回测的数据类型是由一系列的点组成的Lines，
通常包括以下类别的数据：

Open（开盘价）、High（最高价）、Low（最低价）、 Close（收盘价）、Volume（成交量）、
OpenInterest（未平仓权益）。

Data Feeds（数据加载）、Indicators（技术指标）和Strategies（策略）都会生成 Lines。

价格数据中的所有的开盘价按时间组成一条 Line，因此一组含有以上6个类别的价格数据，共有6条 Lines。
如果算上DateTime（时间，可以看作是一组数据的主键），一共有7条 Lines。

一条Line数据的下标为0表示访问当前时刻数据，-1表示访问最后一个数据。
因此，在回测过程中，无需知道已经处理了多少条/分钟/天/月，”0”一直指向当前值，下标 -1 来访问最后一个值。

交易策略（Strategy）

该模块是回测系统最核心的部分，需要设计交易决策，得出买入/卖出信号。

策略类代码包含重要的参数和用于执行策略的功能，要定义的参数或函数名如下：

（1）params：全局参数，可选，用于更改交易策略中变量/参数的值，可用于参数调优。

（2）log：日志，可选，用于记录策略的执行日志，可以打印出该函数提供的日期时间和txt变量。

（3）__init__：用于初始化交易策略，在其中声明的任何指标都会在next()方法调用之前进行计算。

部分python操作符不支持，需要使用bt内置函数来处理，
例如bt.And, bt.Or, bt.All, bt.Any等。

（4）notify_order，可选，

用于跟踪交易订单（order）的状态。
order具有提交，接受，买入/卖出执行和价格，已取消/拒绝等状态。

（5）notify_trade，可选，

用于跟踪交易的状态，任何已平仓的交易都将报告毛利和净利润。

（6）next，必选，

用于制定交易策略的函数，策略模块最核心的部分。

技术 趋势跟踪 指标（Indicators）

分析价格的动量和趋势的变化

实际上，策略的构建都需要指标来实现，该部分包括很多已经实现的指标，下面是一些比较常用的指标：

Average
指定周期的算术平均值。

SimpleMovingAverage(SMA)：简单移动平均

布林线指标(BBANDS)

WeightedAverage：加权移动平均

MACD （(Moving Average Convergence Divergence）：滑动平均

ExponentialMovingAverage(EMA)：指数移动平均

RSI_SMA/RSI_EMA 相对强弱指标(Relative Strength Index)：

斜体样式
https://blog.csdn.net/m0_61549740/article/details/138652860
衡量证券自身内在强度的指标，用于判断股票买方力量与卖方力量的强弱，进而预测价格走势
RSI大于50越多，表明股票上涨的力量超过下跌的力量越大。
RSI小于50越多，表明股票下跌的力量超过上涨的力量越大。
韦尔斯·威尔德(Wells Wilder)指出，通过运用月周期28天的一半来计算RSI的值进行预测是有效的，
他推荐14日为时间跨度。
一些常用的看盘软件设有6日RSI，12日RSI，24日RSI三个RSI指标
“黄金交叉”与“死亡交叉”

BollingerBands(BOLL)：布林线

顺势指标又叫CCI指标，CCI指标是美国股市技术分析 家唐纳德·蓝伯特(Donald Lambert)于20世纪80年代提出的，专门测量股价、外汇或者贵金属交易是否已超出常态分布范围。

‌ROC指标‌（Rate of Change）是一种技术分析工具，用于衡量股票价格变动的速率，从而反映市场的动量和趋势。

动量线，英文全名Momentum，简称MOM
动量线(股价涨跌变动的比率)

‌ATR指标（Average True Range）是一种衡量市场波动性的技术指标，由威尔德（Welles Wilder）发明‌。它主要用于显示市场变化率，并不提供任何方向性的指引，仅反映价格变化的强烈程度。‌

DoubleExponentialMovingAverage(DEMA)：双指数移动平均

WilliamsR(WR)：威廉指标

在指标中也集成了TA-Lib库，实际使用中发现无法正常调用，不知道是不是跟我没有安装该库有关。
另外，还可以通过继承Indicator或其它已存在的指标类来实现自定义指标，方便用户加入自己开发的指标。

# 继承自bt.Indicator或其他已存在的指标类
class DummyInd(bt.Indicator):
    # 定义持有的lines，至少需要1个line
    lines = ('dummyline',)
    # params参数可选
    params = (('value', 5),)
    # plotinfo可选，用来控制绘图行为
    plotinfo = dict(subplot=False)
    # __init__方法或next方法必选
    def __init__(self):
        self.lines.dummyline = bt.Max(0.0, self.params.value)

订单（Orders）

将策略中逻辑做出的决策转换为适合经纪人执行操作的消息，通常在交易策略中调用。

经纪人（Broker）

通过设置回测的初始自己、佣金费率、税收费率、滑点率等交易条件，模拟不同的订单类型，
并根据现金检查订单，计算每次交易的现金和权益，保存交易数据。

策略评估（Analyzers）

用于分析交易策略的利润和风险，分析交易系统的绩效。

实盘交易（Live Trading）

从1.5.0开始支持实盘数据和实时交易。具体请参考：Live Trading。

观察者（Observers）

用于记录交易过程，包括现金、权益、费用以及交易动作、买卖订单等数据。

结果可视化（Plotting）

通过图形的方式显示交易测量回测的结果，绘图显示的结果包括三部分类型：现金及权益、交易损益、买卖动作。

绘图设置通过plotinfo来设置，

其参数主要有：

plot(是否绘图，默认为True)，
subplot(是否单独窗口绘图，默认为True，MA类指标该参数为False)，
plotname(指标图名，默认为指标类名)，
plotabove(绘图位置在数据上方，默认为False)，
plotlinelabels， plotymargin， plotyticks，plothlines， plotyhlines， plotforce。

注意：由于技术指标的不同，可视化结果中所包含的数据可能不同，因此需要根据技术指标来选择其所支持的参数进行设置。

系统流程

backtrader内部通过对数据和指标的处理执行策略，并记录所有的交易过程和数据输出给用户

backtrader的入口为Cerebro类，该类将所有输入(Data Feeds)、执行 (Stratgegies)、观察者(Observers)、评价(Analyzers) 和文档 (Writers)整合起来，实现回测以及交易，并返回结果和图表。

（1）创建实例

cerebro = bt.Cerebro()  # 创建回测系统实例
（2）关联输入数据

cerebro.adddata(data)  # 将数据加载至回测系统
（3）关联交易策略

cerebro.addstrategy(BollStrategy,nk=14,m=2,printlog=True)
（4）关联其他可选功能

addwriter()：指定交易过程和数据保存的方式。

addanalyzer()：增加策略评估。

addobserver()：增加观察者。

addobservermulti()

（5）指定经纪人

broker = MyBroker()
cerebro.broker = broker
可以根据不同类型的交易对象设置经纪人模型。

（6）接收消息

接收回测消息有三种方式：在Cerebro类的实例中通过addnotifycallback(callback)增加回调函数、在Strategy子类中重载notify_store()方法、继承Cerebro类并重载notify_store()方法

（7）执行回测并返回结果

result=cerebro.run(maxcpus=1)
（8）记录交易信息

这个功能是通过观察者（Observers）实现，有三种类型：

经纪人观察者（Broker）保存现金和权益信息。交易观察者（Trades）记录交易的有效性。买卖观察者（Buy/Sell）记录所有交易执行的操。

（9）绘图显示

cerebro.plot()
绘图显示底层实际上是调用Matplotlib包实现的。 

BRAR 情绪指标计算

BRAR 是一种情绪指标，用于衡量特定金融市场中的买卖情绪。
它代表着买入意愿相对于卖出意愿的比率。

AR

一种技术指标，代表“人气指标”（AR，Attention Rate）。AR指标用于衡量特定时间段内股票市场的人气或关注度，这可以提供对市场情绪的一种衡量。

BR

一种技术指标，代表着“买卖气指标”（Buy/Sell Pressure）。BR指标通常用于股票市场的技术分析，旨在衡量买卖双方的力量对价格变动的影响。BR指标的计算涉及到最高价、最低价和收盘价的变动，以及特定周期内的累积运算。

BRAR (情绪指标）
用法
1.BR行情(买卖气指标)   AR能量

BR行情>400，暗示行情过热，应反向卖出；
AR能量>180，能量耗尽，应卖出；


BR行情<40 ，行情将起死回生，应买进；
AR能量<40 ，能量已累积爆发力，应买进；
 
 

3.BR 由300 以上的高点下跌至50以下的水平,低于AR 时,为绝佳买点；

4.BR、AR、CR、VR 四者合为一组指标群，须综合搭配使用。

REF 函数表示对某一周期前的数据进行引用。N 代表计算周期。
BR:SUM(MAX(0,HIGH-REF(CLOSE,1)),N)/SUM(MAX(0,REF(CLOSE,1)-LOW),N)*100;
AR:SUM(HIGH-OPEN,N)/SUM(OPEN-LOW,N)*100;

rolling函数介绍
rolling 函数通常与其他函数（如 mean、sum、std 等）一起使用，以计算滚动统计量，例如滚动均值、滚动总和等。

以下是 rolling 函数的基本语法：

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)

window: 用于计算统计量的窗口大小。
min_periods: 每个窗口最少需要的非空观测值数量。
center: 确定窗口是否居中，默认为 False。
win_type: 窗口类型，例如 None、boxcar、triang 等，默认为 None。
on: 在数据帧中执行滚动操作的列，默认为 None，表示对整个数据帧执行操作。