量化投资01----股票_贵州茅台600519_双均线策略回测

turui

已于 2022-10-02 03:16:14 修改

阅读量925

点赞数 1

分类专栏： python 文章标签： python pandas jupyter 量化回测

于 2022-10-02 03:03:28 首次发布

本文链接：https://blog.csdn.net/turui/article/details/127139500

版权

python 专栏收录该内容

24 篇文章 3 订阅

订阅专栏

贵州茅台 SH600519
双均线策略回测（5日均线、30日均线，金叉买入，死叉卖出）
交易从 2010年开始，2019年底结束。
10万初始资金
尽量买入（按手），尽量卖出，均以开盘价
未计算手续费
最终盈亏（见底部）

import akshare as ak
import pandas as pd
#获取某只股票的历史行情代码
df = ak.stock_zh_index_daily(symbol="sh600519")

#将结果写入到CSV文件中
df.to_csv('./sh600519.csv')

#将本地存储的数据读到DataFrame中
df = pd.read_csv('./sh600519.csv')
df.head()

	Unnamed: 0	date	open	high	low	close	volume
0	0	2001-08-27	34.51	37.78	32.85	35.55	40631800
1	1	2001-08-28	34.99	37.00	34.61	36.86	12964779
2	2	2001-08-29	36.98	37.00	36.10	36.38	5325275
3	3	2001-08-30	36.28	37.51	36.00	37.10	4801306
4	4	2001-08-31	37.15	37.62	36.80	37.01	2323148

#删除df中指定的列
#axis=1 表示轴心为行，删除的是列
df.drop(labels='Unnamed: 0',axis=1,inplace=True)
df.head()

	date	open	high	low	close	volume
0	2001-08-27	34.51	37.78	32.85	35.55	40631800
1	2001-08-28	34.99	37.00	34.61	36.86	12964779
2	2001-08-29	36.98	37.00	36.10	36.38	5325275
3	2001-08-30	36.28	37.51	36.00	37.10	4801306
4	2001-08-31	37.15	37.62	36.80	37.01	2323148

#查看每一列对应的数据类型
df['date'].dtype
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5047 entries, 0 to 5046
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   date    5047 non-null   object 
 1   open    5047 non-null   float64
 2   high    5047 non-null   float64
 3   low     5047 non-null   float64
 4   close   5047 non-null   float64
 5   volume  5047 non-null   int64  
dtypes: float64(4), int64(1), object(1)
memory usage: 236.7+ KB

#将Data这一列转换为时间类型
df['date'] = pd.to_datetime(df['date'])
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5047 entries, 0 to 5046
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   date    5047 non-null   datetime64[ns]
 1   open    5047 non-null   float64       
 2   high    5047 non-null   float64       
 3   low     5047 non-null   float64       
 4   close   5047 non-null   float64       
 5   volume  5047 non-null   int64         
dtypes: datetime64[ns](1), float64(4), int64(1)
memory usage: 236.7 KB

#将 date这一列作为源数据的行索引
df.set_index('date',inplace=True)
df.head()

	open	high	low	close	volume
date
2001-08-27	34.51	37.78	32.85	35.55	40631800
2001-08-28	34.99	37.00	34.61	36.86	12964779
2001-08-29	36.98	37.00	36.10	36.38	5325275
2001-08-30	36.28	37.51	36.00	37.10	4801306
2001-08-31	37.15	37.62	36.80	37.01	2323148

#所有收盘价比开盘价上涨3%以上的日期
(df['open']-df['close'])/df['open'] > 0.03
#如果布尔值Series作为行索引，则可以去出true对应行数据，忽略false对应的行数据
df.loc[(df['open']-df['close'])/df['open'] > 0.03]

#取得日期
df.loc[(df['open']-df['close'])/df['open'] > 0.03].index

DatetimeIndex(['2001-10-10', '2001-11-07', '2001-11-16', '2001-12-20',
               '2002-01-04', '2002-01-17', '2002-01-28', '2002-04-17',
               '2002-11-08', '2003-01-02',
               ...
               '2021-07-26', '2021-07-27', '2021-07-29', '2021-08-17',
               '2021-08-26', '2021-10-18', '2021-12-29', '2022-01-13',
               '2022-01-28', '2022-03-07'],
              dtype='datetime64[ns]', name='date', length=189, freq=None)

#所有开盘比钱日收盘跌幅超过2%的日期
#将收盘价整体下移一行，用来取得前收盘
df['close'].shift(1)

df.loc[(df['open']-df['close'].shift(1))/df['close'].shift(1) < -0.02].index

DatetimeIndex(['2001-09-12', '2002-06-26', '2002-07-25', '2002-12-13',
               '2003-07-14', '2004-07-01', '2004-10-29', '2005-08-05',
               '2006-05-25', '2006-08-21',
               ...
               '2020-03-23', '2020-10-26', '2021-02-26', '2021-03-04',
               '2021-04-28', '2021-08-20', '2021-11-01', '2022-03-14',
               '2022-03-15', '2022-03-28'],
              dtype='datetime64[ns]', name='date', length=101, freq=None)

#假如从2010年1月1日开始，
#每个月第一个交易日买入1手股票
#每年最后一个交易日卖出所有的股票
#到今天为止，我的收益如何？
#买卖股票用开盘价

# 取10年的集合
#df['2010-01-01':'2019-12-31']

#resample数据的重新取样
#根据月份从原始数据中指定的数据
#每月第一个行数据，则买入股票所花费的金额为
#注意，这里数据没问题，但是索引是有问题的
#df['2010-01-01':'2019-12-31'].resample('M').first()['open']

pay = df['2010-01-01':'2019-12-31'].resample('M').first()['open'].sum()*100

pay

4162439.0

#取每年的最后一个交易日
earn = df['2010-01-01':'2019-12-31'].resample('A').last()['open'].sum()*100
#如果要删掉一个数据则用df['2010-01-01':'2019-12-31'].resample('A').first()[:-1]

earn

390654.0

#计算总收益
earn-pay

-3771785.0

#均线计算 MA=(C1+C2+CN)/N，其中C是收盘价，N是移动平均天数
# 5,10,30,60,120,240 常见的N日均线
ma5 = df['close'].rolling(5).mean()
ma30 = df['close'].rolling(30).mean()

#均线画图
import matplotlib.pyplot as plt
plt.plot(ma5[50:180])
plt.plot(ma30[50:180])

[<matplotlib.lines.Line2D at 0x1e47b57d360>]

130的走势，非全部

ma5 = ma5[30:]
ma30 = ma30[30:]

s1 = ma5 < ma30
s2 = ma5 > ma30

df = df[30:]

death_ex = s1 & s2.shift(1) #判断死叉的条件，一组BOOL值
death_date = df.loc[death_ex].index

golden_ex = -(s1 | s2.shift(1)) #判断金叉的条件，一组BOOL值
golden_date = df.loc[golden_ex].index

#交易从 2010年开始，10万初始资金，尽量买入（按手），尽量卖出，均以开盘价
s1 = pd.Series(data=1,index=golden_date)
s2 = pd.Series(data=0,index=death_date)
#s = s1.append(s2)
s= pd.concat([s1,s2],axis=0)
s = s.sort_index()
s = s['2010':'2020']

capital = 100000 # 初始资金10万
money = capital #当前有多少活动资金
hold = 0 #持有的股票数
for i in range(0,len(s)):
    p = df.loc[s.index[i]]['open']
    if s[i] == 1: #金叉，需要买进        
        #print(p)
        hand_count = money // (p*100)
        hold = hand_count * 100
        money -= hold*p
    else:
        #将 hold的股票卖出去
        money += hold*p
        hold = 0
print(money-capital)

6193.0
（没算手续费，没算利息，没亏，十年啊，太尴尬了，金叉，死叉不可信啊！）

jupyter的源文件，如果想要得话就给我留言吧，我发出来。