padas创建一个简单的择时策略框架

-- coding: utf-8 --

“”"
@author: Xingbuxing
date: 2017年04月23日
初步演示择时策略框架
“”"
import pandas as pd
pd.set_option(‘expand_frame_repr’, False) # 当列太多时不换行

=====读入数据

df = pd.read_csv(’/Users/jxing/Desktop/201704课程/20170423_class4/data/sz300001.csv’, encoding=‘gbk’)
df.columns = [i.encode(‘utf8’) for i in df.columns]
df = df[[‘交易日期’, ‘股票代码’, ‘开盘价’, ‘最高价’, ‘最低价’, ‘收盘价’, ‘涨跌幅’]]
df.sort_values(by=[‘交易日期’], inplace=True)
df[‘交易日期’] = pd.to_datetime(df[‘交易日期’])
df.reset_index(inplace=True, drop=True)

=====计算复权价

df[‘复权因子’] = (df[‘涨跌幅’] + 1).cumprod()
initial_price = df.iloc[0][‘收盘价’] / (1 + df.iloc[0][‘涨跌幅’]) # 计算上市价格
df[‘收盘价_后复权’] = initial_price * df[‘复权因子’] # 相乘得到复权价
df[‘开盘价_后复权’] = df[‘开盘价’] / df[‘收盘价’] * df[‘收盘价_后复权’]
df[‘最高价_后复权’] = df[‘最高价’] / df[‘收盘价’] * df[‘收盘价_后复权’]
df[‘最低价_后复权’] = df[‘最低价’] / df[‘收盘价’] * df[‘收盘价_后复权’]

df[[‘开盘价’, ‘最高价’, ‘最低价’, ‘收盘价’]] = df[[‘开盘价_后复权’, ‘最高价_后复权’, ‘最低价_后复权’, ‘收盘价_后复权’]]

df = df[[‘交易日期’, ‘股票代码’, ‘开盘价’, ‘最高价’, ‘最低价’, ‘收盘价’, ‘涨跌幅’, ‘开盘价_后复权’, ‘最高价_后复权’, ‘最低价_后复权’, ‘收盘价_后复权’]]

=====计算均线策略

均线策略：

当短期均线由下向上穿过长期均线的时候，第二天以开盘价全仓买入并在之后一直持有股票。

当短期均线由上向下穿过长期均线的时候，第二天以开盘价卖出全部股票并在之后一直空仓，直到下一次买入。

===计算均线

ma_short = 5 # 短期均线。ma代表：moving_average
ma_long = 50 # 长期均线
df[‘ma_short’] = df[‘收盘价_后复权’].rolling(ma_short, min_periods=1).mean()
df[‘ma_long’] = df[‘收盘价_后复权’].rolling(ma_long, min_periods=1).mean()

将缺失的均线数据补全

df[‘ma_short’].fillna(value=df[‘收盘价’].expanding().mean(), inplace=True)

df[‘ma_long’].fillna(value=df[‘收盘价’].expanding().mean(), inplace=True)

print df

exit()

补全数据的另外一种方式是使用rolling函数中的min_periods参数

===找出买入信号

当天的短期均线大于等于长期均线

condition1 = (df[‘ma_short’] >= df[‘ma_long’])

上个交易日的短期均线小于长期均线

condition2 = (df[‘ma_short’].shift(1) < df[‘ma_long’].shift(1))

将买入信号当天的signal设置为1

df.loc[condition1 & condition2, ‘signal’] = 1

===找出卖出信号

当天的短期均线小于等于长期均线

condition1 = (df[‘ma_short’] <= df[‘ma_long’])

上个交易日的短期均线大于长期均线

condition2 = (df[‘ma_short’].shift(1) > df[‘ma_long’].shift(1))

将买入信号当天的signal设置为0

df.loc[condition1 & condition2, ‘signal’] = 0

将无关的变量删除

df.drop([‘ma_short’, ‘ma_long’], axis=1, inplace=True)

=====由signal计算出实际的每天持有股票仓位

===计算仓位

signal的计算运用了收盘价，是每天收盘之后产生的信号，到第二天的时候，仓位position才会改变。

例如2009-11-17产生买入信号，2009-11-18仓位才会编变成1。满仓用1表示，空仓用0表示

df[‘pos’] = df[‘signal’].shift()
df[‘pos’].fillna(method=‘ffill’, inplace=True)
df[‘pos’].fillna(value=0, inplace=True) # 将初始行数的position补全为0

这就是实际的仓位了吗？刚刚的计算逻辑是不是有没有什么问题？

查看20150501这几天的数据

print df[df[‘交易日期’] > pd.to_datetime(‘20150501’)][[‘交易日期’, ‘开盘价_后复权’, ‘收盘价_后复权’, ‘涨跌幅’, ‘signal’, ‘pos’]]

涨跌停的时候是不得买卖股票的。很多人策略表现好，可能就是没有考虑这些限制。

这类策略和实际操作不吻合的问题，是经常犯的问题。

有的问题隐藏的很深，很多时候只有到了实盘交易的时候才会发现

===跌停时不得买卖股票考虑进来

找出开盘涨停的日期

今天的开盘价相对于昨天的收盘价上涨了9.7%。为什么用9.7%？不用10%

cond_cannot_buy = df[‘开盘价_后复权’] > df[‘收盘价_后复权’].shift(1) * 1.097

将开盘涨停日、并且当天position为1时的’pos’设置为空值

df.loc[cond_cannot_buy & (df[‘pos’] == 1), ‘pos’] = None

print df[df[‘交易日期’] > pd.to_datetime(‘20150501’)][[‘交易日期’, ‘开盘价_后复权’, ‘收盘价_后复权’, ‘涨跌幅’, ‘signal’, ‘pos’]]

找出开盘跌停的日期

今天的开盘价相对于昨天的收盘价下跌了9.7%

cond_cannot_sell = df[‘开盘价_后复权’] < df[‘收盘价_后复权’].shift(1) * 0.903

将开盘跌停日、并且当天position为0时的’pos’设置为空值

df.loc[cond_cannot_sell & (df[‘pos’] == 0), ‘pos’] = None

position为空的日期，不能买卖。position只能和前一个交易日保持一致。

df[‘pos’].fillna(method=‘ffill’, inplace=True)

print df[df[‘交易日期’] > pd.to_datetime(‘20150501’)][[‘交易日期’, ‘开盘价_后复权’, ‘收盘价_后复权’, ‘涨跌幅’, ‘signal’, ‘pos’]]

===截取上市一年之后的交易日

df = df.iloc[250-1:]

将第一天的仓位设置为0

df.iloc[0, -1] = 0

print df[[‘交易日期’, ‘开盘价_后复权’, ‘收盘价_后复权’, ‘涨跌幅’, ‘signal’, ‘pos’]]

exit()

=====计算实际资金曲线(简单方法)

资金曲线是一个策略最终的结果。是评价一个策略最重要的标准。

==计算实际资金曲线

首先计算资金曲线每天的涨幅

当当天空仓时，pos为0，资产涨幅为0

当当天满仓时，pos为1，资产涨幅为股票本身的涨跌幅

df[‘equity_change’] = df[‘涨跌幅’] * df[‘pos’]

根据每天的涨幅计算资金曲线

df[‘equity_curve’] = (df[‘equity_change’] + 1).cumprod()

print df[[‘交易日期’, ‘收盘价_后复权’, ‘pos’, ‘equity_change’, ‘equity_curve’]]

exit()

这样计算方式的缺点：

没有考虑交给券商的手续费,以及没有考虑交给国家的印花税

没有考虑交易的滑点

以及没有考虑…

=====计算实际资金曲线(实际方法)

df = df[[‘交易日期’, ‘股票代码’, ‘开盘价’, ‘最高价’, ‘最低价’, ‘收盘价’, ‘涨跌幅’, ‘pos’]]
df.reset_index(inplace=True, drop=True)

===设定参数

initial_money = 1000000 # 初始资金，默认为1000000元
slippage = 0.01 # 滑点，默认为0.01元
c_rate = 5.0 / 10000 # 手续费，commission fees，默认为万分之5
t_rate = 1.0 / 1000 # 印花税，tax，默认为千分之1

===第一天的情况

df.at[0, ‘hold_num’] = 0 # 持有股票数量，此处也可用loc，但是定位单个元素at效率更高。
df.at[0, ‘stock_value’] = 0 # 持仓股票市值
df.at[0, ‘actual_pos’] = 0 # 每日的实际仓位
df.at[0, ‘cash’] = initial_money # 持有现金现金
df.at[0, ‘equity’] = initial_money # 总资产 = 持仓股票市值 + 现金

print df[[‘交易日期’, ‘开盘价’, ‘pos’, ‘hold_num’, ‘stock_value’, ‘actual_pos’, ‘cash’, ‘equity’]]

===第一天之后每天的情况

从第二行开始，逐行遍历，逐行计算

for i in range(1, df.shape[0]):

# 前一天持有的股票的数量
hold_num = df.at[i - 1, 'hold_num']

# 判断当天是否除权，若发生除权，需要调整hold_num
# 若当天通过收盘价计算出的涨跌幅，和当天实际涨跌幅不同，说明当天发生了除权
if abs((df.at[i, '收盘价'] / df.at[i-1, '收盘价'] - 1) - df.at[i, '涨跌幅']) > 0.001:
    stock_value = df.at[i - 1, 'stock_value']
    # 交易所会公布除权之后的价格
    last_price = df.at[i, '收盘价'] / (df.at[i, '涨跌幅'] + 1)
    hold_num = stock_value / last_price
    hold_num = int(hold_num)
    # if i > 1030:
    #     print stock_value, last_price, hold_num
    #     print df.iloc[1034:][['交易日期', '收盘价', '涨跌幅', 'pos', 'hold_num', 'cash', 'stock_value']]

# 判断是否需要调整仓位：拿今天的仓位pos，和昨天的仓位pos进行比较，看是否相同
# 需要调整仓位
if df.at[i, 'pos'] != df.at[i - 1, 'pos']:

    # 对于需要调整到的仓位，需要买入多少股票
    # 昨天的总资产 * 今天的仓位 / 今天的收盘价，得到需要持有的股票数
    theory_num = df.at[i - 1, 'equity'] * df.at[i, 'pos'] / df.at[i, '开盘价']
    # 对需要持有的股票数取整
    theory_num = int(theory_num)  # 向下取整数，向上取整会出现钱不够的情况

    # 将theory_num和昨天持有股票相比较，判断加仓还是减仓
    # 加仓
    if theory_num >= hold_num:
        # 计算实际需要买入的股票数量
        buy_num = theory_num - hold_num
        # 买入股票只能整百，对buy_num进行向下取整百
        buy_num = int(buy_num / 100) * 100

        # 计算买入股票花去的现金
        buy_cash = buy_num * (df.at[i, '开盘价'] + slippage)
        # 计算买入股票花去的手续费，并保留2位小数
        commission = round(buy_cash * c_rate, 2)
        # 不足5元按5元收
        if commission < 5 and commission != 0:
            commission = 5
        df.at[i, '手续费'] = commission

        # 计算当天收盘时持有股票的数量和现金
        df.at[i, 'hold_num'] = hold_num + buy_num  # 持有股票，昨天持有的股票，加上今天买入的股票
        df.at[i, 'cash'] = df.at[i - 1, 'cash'] - buy_cash - commission  # 剩余现金
        # print df[['交易日期', '开盘价', 'pos', 'hold_num', 'cash', '手续费']]
        # exit()

    # 减仓
    else:
        # 计算卖出股票数量，卖出股票可以不是整数，不需要取整百。
        sell_num = hold_num - theory_num

        # 计算卖出股票得到的现金
        sell_cash = sell_num * (df.at[i, '开盘价'] - slippage)
        # 计算手续费，不足5元按5元收，并保留2位小数
        commission = round(max(sell_cash * c_rate, 5), 2)
        df.at[i, '手续费'] = commission
        # 计算印花税，保留2位小数。历史上有段时间，买入也会收取印花税
        tax = round(sell_cash * t_rate, 2)
        df.at[i, '印花税'] = tax

        # 计算当天收盘时持有股票的数量和现金
        df.at[i, 'hold_num'] = hold_num - sell_num  # 持有股票
        df.at[i, 'cash'] = df.at[i - 1, 'cash'] + sell_cash - commission - tax  # 剩余现金
        # print df.iloc[50:100][['交易日期', '开盘价', 'pos', 'hold_num', 'cash', '手续费', '印花税']]

# 不需要调仓
else:
    # 计算当天收盘时持有股票的数量和现金
    df.at[i, 'hold_num'] = hold_num  # 持有股票
    df.at[i, 'cash'] = df.at[i - 1, 'cash']  # 剩余现金。此处的cash可以乘以余额宝的收益率。
    # print df[['交易日期', 'pos', 'hold_num', 'cash']]

# 以上的计算得到每天的hold_num和cash
# 计算当天收盘时的各种资产数据
df.at[i, 'stock_value'] = df.at[i, 'hold_num'] * df.at[i, '收盘价']  # 股票市值
df.at[i, 'equity'] = df.at[i, 'cash'] + df.at[i, 'stock_value']  # 总资产
df.at[i, 'actual_pos'] = df.at[i, 'stock_value'] / df.at[i, 'equity']  # 实际仓位

print df[[‘交易日期’, ‘pos’, ‘cash’, ‘stock_value’, ‘equity’, ‘actual_pos’]]

df = df[[‘交易日期’, ‘收盘价’, ‘pos’, ‘hold_num’, ‘cash’, ‘stock_value’, ‘equity’, ‘actual_pos’, ‘手续费’, ‘印花税’]]
print df

print df[[‘手续费’, ‘印花税’]].sum()