量化分析通常需要大量历史数据,在回测时需要用到真实的历史数据。但在编写程序的过程中,可以自动生成一些模拟数据,用于程序调试。当程序调试好之后,再切换回真实的数据。
代码如下:
# -*- coding: utf-8 -*-
"""
Created on Sat Aug 21 17:43:09 2021
@author: Administrator
"""
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#length,生成数据的数量,相当于天数
#max_ratio,最大涨幅,可以设置为0.1,即±%10
#返回(length, 1)维矩阵,矩阵取值范围为(-max_ratio, max_ratio)
def generate_one_series(length, max_ratio=0.1):
return (2 * np.random.rand(length, 1) - 1) * max_ratio
#length,生成数据的数量,相当于天数
#max_ratio,最大涨幅,可以设置为0.1,即±%10
#返回dataframe结构数据,分别对应open、close、high、low
#这里都是以百分比的形式表示
def generate_bars(length, max_ratio=0.1):
bars = (2 * np.random.rand(length, 4) - 1) * max_ratio
return pd.DataFrame(bars, columns=['open', 'close', 'high', 'low'])
if __name__ == '__main__':
#matplotlib显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei'] # 替换sans-serif字体
plt.rcParams['axes.unicode_minus'] = False # 解决坐标轴负数的负号显示问题
#生成100天数据
df_bars = generate_bars(100, 0.1)
#获取每日收盘涨跌比列
close_ratio = df_bars.close
plt.plot(close_ratio, label='每日涨跌百分比')
#累计求和,即累计到当天的百分比
cum_close = np.cumsum(close_ratio)
plt.plot(cum_close, label='累计涨跌百分比')
#如果要模拟实际价格,只要乘以一个初始价格就可以
#例如定义初始价格为3元
close_price = 3 * np.cumsum(close_ratio)
plt.plot(close_price, label='累计涨跌百分比')
plt.legend()
plt.show()
效果图:
ps:
1、公众号实时查询股票涨幅,无需打开交易软件,方便查看;
2、量化知识和策略分享。
请关注“量化之窗”公众号,如有疑问,请在文章下方留言,欢迎使用!