tushare pro接口_Python与交易策略分析&tushare/baostock库介绍（附代码）

于 2020-12-10 19:58:18 发布
阅读量935 收藏 6
点赞数
文章标签： tushare pro接口

f3f3e207144abe3789b69552e92a2a18.png

前言：金融数据中最典型的就是资产价格的涨跌情况。想要分析金融资产的投资策略，第一步就是历史数据的获取。tushare正是为导入历史金融资产数据而开发，它大大方便了用Python进行金融资产交易策略的探索和研究。

tushare简介：中国的“挖地兔”团队开发并维护，是Python专用的“中国财经数据接口包”，返回的是pandas格式的数据框。当然了，接入数据之后，我们可能还需要NumPy、pandas、matplotlib和sciki-learn等包进行整理分析和可视化。

之前tushare一直免费，但最近该团队已经正式将tushare升级为pro版，需要用户捐赠购买积分才能使用。这其实就是变相地收费了嘛。当然了，这都是人家的劳动成果，要恰饭也恰得理所当然。看到这，不知道大家有没有想到之前用的NumPy、pandas收过费嘛？用Python和R有人问你要钱嘛？----统统不要啊。。。而且估计以后也不会要！这么一想，是不是觉得整天搞数据撸代码也挺幸福的，毕竟是坐享他人的辛劳成果啊。

baostock号称提供国内财经数据的第二大Python包，其功能相对tushare要简单一些，但是全部功能免费，而且执行效率要好一些。

1 tushare包的使用

数据获取接口，以获取k线数据为例 :

get_k_data(code=None, start='', end='', ktype='D', autype='qfq', index=False, retry_count=3, pause=0.001)

参数说明：

  • code: string，股票代码 ，如000001
  • start: string，开始日期 format:YYYY-MM-DD 为空时取上市首日
  • end: string，结束日期 format:YYYY-MM-DD 为空时取最近一个交易日
  • autype: string，复权类型，qfq-前复权 hfq-后复权 None-不复权，默认为qfq
  • ktype: string，数据类型，D=日k线/W=周/M=月/5=5分钟/15=15分钟/30=30分钟/60=60分钟，默认为D
  • retry_countint，默认 3，如遇网络等问题重复执行的次数
  • pauseint， 默认 0，重复请求数据过程中暂停的秒数,防止请求间隔时间太短出现的问题
  • return DataFrame
  • date，交易日期
  • index ，股票指数
  • open，开盘价
  • high，最高价
  • close，收盘价
  • low，最低价
  • volume，成交量
  • amount，成交额
  • turnoverratio，换手率
  • code，股票代码

具体实现代码如下。

import tushare as ts  ##导入tushare包

##我们先试下老版本的k线数据读取接口get_k_data()。免费，目前还能用
df1 = ts.get_k_data(code='000001', start='20000101', end='20201010')  ##000001，代表平安银行 
本接口即将停止更新，请尽快使用Pro版接口：https://waditu.com/document/2

##升级后pro版（收费）的读取接口是pro.daily()
df1.head()
Out[40]: 
           date   open  close   high    low    volume    code
238  2001-01-02  3.606  3.609  3.646  3.572  34122.68  000001
239  2001-01-03  3.611  3.581  3.624  3.564  54294.20  000001
240  2001-01-04  3.584  3.559  3.596  3.547  48404.44  000001
241  2001-01-05  3.554  3.522  3.554  3.502  66419.01  000001
242  2001-01-08  3.522  3.472  3.522  3.467  69944.94  000001

type(df1)
Out[41]: pandas.core.frame.DataFrame

str(df1)
Out[42]: '            date    open   close    high     low      volume    coden238   2001-01-02   3.606   3.609   3.646   3.572    34122.68  000001n239   2001-01-03   3.611   3.581   3.624   3.564    54294.20  000001n240   2001-01-04   3.584   3.559   3.596   3.547    48404.44  000001n241   2001-01-05   3.554   3.522   3.554   3.502    66419.01  000001n242   2001-01-08   3.522   3.472   3.522   3.467    69944.94  000001n...          ...     ...     ...     ...     ...         ...     ...n4903  2020-11-30  19.900  19.740  20.880  19.590  1581441.00  000001n4904  2020-12-01  19.700  20.050  20.510  19.400  1263720.00  000001n4905  2020-12-02  19.930  19.630  20.060  19.520   889385.00  000001n4906  2020-12-03  19.780  19.540  19.860  19.170   714452.00  000001n4907  2020-12-04  19.470  19.300  19.470  18.970   891348.00  000001nn[4670 rows x 7 columns]'

sh = ts.get_k_data(code='000001', index=True)  ##返回的是股指。上证综指，代码全称是"SH.000001
本接口即将停止更新，请尽快使用Pro版接口：https://waditu.com/document/2

sh.tail() ##数据框的最后6条数据
Out[56]: 
           date     open    close     high      low       volume      code
636  2020-12-01  3388.99  3451.94  3457.64  3386.91  316188980.0  sh000001
637  2020-12-02  3453.52  3449.38  3465.73  3435.87  312811114.0  sh000001
638  2020-12-03  3448.54  3442.14  3452.16  3428.80  298459930.0  sh000001
639  2020-12-04  3436.73  3444.58  3448.40  3417.05  256276705.0  sh000001
640  2020-12-07  3446.65  3416.60  3449.58  3414.31  254522508.0  sh000001


##保存到本地
df1.to_csv('D:/Spyder/000001.csv')

##选择部分变量，保存到本地
df1.to_csv(D:/Spyder/000001.csv', columns = ['open', 'low', 'high', 'close'])

2 数据和交易策略分析案例

案例分析要求

  • 使用tushare下载平安银行（000001）的历史成交数据
  • 输出平安银行所有当日涨幅超过5%的日期（如果没有，请调整至2%）
  • 输出平安银行所有开盘价比前日收盘跌幅超过5%的日期（如果没有，请调整至2%）
  • 假设从2000.1.1开始，每月第一个交易日买入1手平安银行股票，每年最后一个交易日卖出。请问迄今为止，该投资策略收益为多少？

实现代码如下：

##第0步，准备工作
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tushare as ts

第一步，使用tushare下载平安银行（000001）的历史成交数据

##第一步，使用tushare下载平安银行（000001）的历史成交数据

pingan = ts.get_k_data(code='000001', start='20000101', end='20201010')
本接口即将停止更新，请尽快使用Pro版接口：https://waditu.com/document/2

df = pd.read_csv('pingan.csv', index_col='date', 
                parse_dates=['date'])[['open', 'close', 'high', 'low']]

df.tail()
Out[156]: 
             open  close   high    low
date                                  
2020-11-30  19.90  19.74  20.88  19.59
2020-12-01  19.70  20.05  20.51  19.40
2020-12-02  19.93  19.63  20.06  19.52
2020-12-03  19.78  19.54  19.86  19.17
2020-12-04  19.47  19.30  19.47  18.97

df.head()
Out[157]: 
             open  close   high    low
date                                  
2001-01-02  3.606  3.609  3.646  3.572
2001-01-03  3.611  3.581  3.624  3.564
2001-01-04  3.584  3.559  3.596  3.547
2001-01-05  3.554  3.522  3.554  3.502
2001-01-08  3.522  3.472  3.522  3.467

##画一个简单的股价趋势图
import matplotlib.pyplot as plt
plt.plot(pingan['date'], pingan['open'])
plt.show()

0180592a78a67f70aeec53d57724a1f3.png
平安银行2001-2020开盘价趋势图

第二步，输出平安银行所有当日涨幅超过5%的日期（如果没有，请调整至2%）

df[ (df['close'] - df['open']) / df['open'] >= 0.05 ]
Out[160]: 
              open   close    high     low
date                                      
2001-09-19   3.001   3.192   3.222   2.986
2002-01-23   2.381   2.565   2.567   2.359
2002-01-31   2.455   2.612   2.641   2.455
2002-03-07   2.679   2.830   2.837   2.659
2002-06-21   2.790   2.954   3.004   2.790
           ...     ...     ...     ...
2019-02-25  11.700  12.550  12.640  11.570
2019-04-16  13.670  14.580  14.580  13.550
2020-07-03  13.570  14.250  14.320  13.560
2020-07-06  14.600  15.680  15.680  14.590
2020-08-28  14.260  15.130  15.180  14.260

[150 rows x 4 columns]

##结果共有150天

第三步，输出所有开盘价比前日收盘跌幅超过5%的日期（如果没有，请调整至2%）

df[ (df['open'] - df['close'].shift(1)) / df['close'].shift(1) <= -0.05 ]
Out[164]: 
              open   close    high     low
date                                      
2005-04-22   1.569   1.523   1.630   1.521
2006-06-12   2.012   2.012   2.012   2.012
2006-06-13   1.811   1.811   1.860   1.811
2007-02-28   4.646   4.853   4.886   4.646
2007-05-30   6.959   6.959   7.155   6.959
2007-06-27   8.070   8.207   8.607   8.070
2008-06-10   5.935   5.675   5.935   5.675
2009-01-13   2.951   3.147   3.200   2.951
2013-03-28   7.032   6.704   7.032   6.677
2015-01-19   9.216   9.097   9.584   9.097
2015-07-08  10.994  10.500  11.145  10.500
2019-05-06  13.100  12.870  13.350  12.710
2020-02-03  13.990  13.990  14.700  13.990
2020-03-13  13.900  14.520  14.580  13.900

第四步，假设从2000.1.1开始，每月第一个交易日买入1手平安银行股票，每年最后一个交易日卖出。请问迄今为止，该投资策略收益为多少？

df1 = df['2001-01':'2019-12']

df1
Out[167]: 
              open   close    high     low
date                                      
2001-01-02   3.606   3.609   3.646   3.572
2001-01-03   3.611   3.581   3.624   3.564
2001-01-04   3.584   3.559   3.596   3.547
2001-01-05   3.554   3.522   3.554   3.502
2001-01-08   3.522   3.472   3.522   3.467
           ...     ...     ...     ...
2019-12-25  16.450  16.300  16.560  16.240
2019-12-26  16.340  16.470  16.480  16.320
2019-12-27  16.530  16.630  16.930  16.430
2019-12-30  16.460  16.570  16.630  16.100
2019-12-31  16.570  16.450  16.630  16.310

[4446 rows x 4 columns]

df_m1 = df1.resample('M').first()  ##获取每个月的首个交易日数据

df_m1 #[228 rows x 4 columns]，12个月*19年 = 228行数据
Out[170]: 
              open   close    high     low
date                                      
2001-01-31   3.606   3.609   3.646   3.572
2001-02-28   3.720   3.619   3.745   3.609
2001-03-31   3.522   3.547   3.596   3.497
2001-04-30   4.030   4.100   4.130   3.998
2001-05-31   3.852   3.844   3.882   3.837
           ...     ...     ...     ...
2019-08-31  14.060  14.100  14.190  13.940
2019-09-30  14.150  14.450  14.500  14.110
2019-10-31  15.600  16.200  16.230  15.600
2019-11-30  16.350  16.860  17.000  16.280
2019-12-31  15.350  15.360  15.430  15.230

[228 rows x 4 columns]

df_m1 = df_m1['open']

df_ycost = df_m1.resample('A').mean()

df_ycost
Out[173]: 
date
2001-12-31     3.589583
2002-12-31     3.128750
2003-12-31     2.672500
2004-12-31     2.230750
2005-12-31     1.538500
2006-12-31     1.983750
2007-12-31     7.594083
2008-12-31     6.056333
2009-12-31     6.021833
2010-12-31     6.663300
2011-12-31     5.505917
2012-12-31     5.018750
2013-12-31     6.487250
2014-12-31     6.611583
2015-12-31    10.111000
2016-12-31     8.658250
2017-12-31    10.018750
2018-12-31    10.897917
2019-12-31    13.395000
Freq: A-DEC, Name: open, dtype: float64

df_yl1 = df1.resample('A').last() ##获取每年最后一个交易日的数据

df_yl1 
Out[175]: 
              open   close    high     low
date                                      
2001-12-31   3.026   3.038   3.051   3.001
2002-12-31   2.607   2.629   2.657   2.571
2003-12-31   2.216   2.168   2.226   2.155
2004-12-31   1.676   1.679   1.697   1.676
2005-12-31   1.587   1.564   1.590   1.562
2006-12-31   3.604   3.686   3.739   3.587
2007-12-31   9.909   9.833  10.001   9.833
2008-12-31   3.174   3.144   3.190   3.091
2009-12-31   8.102   8.099   8.205   8.006
2010-12-31   5.211   5.247   5.274   5.181
2011-12-31   5.101   5.181   5.181   5.085
2012-12-31   5.260   5.364   5.414   5.240
2013-12-31   6.340   6.621   6.697   6.297
2014-12-31  10.268  10.419  10.446  10.064
2015-12-31   9.632   9.545   9.656   9.537
2016-12-31   8.805   8.825   8.825   8.786
2017-12-31  13.000  13.089  13.217  12.892
2018-12-31   9.310   9.380   9.460   9.310
2019-12-31  16.570  16.450  16.630  16.310

df_yl1 = df_yl1['open']  ##19年共19行数据

df_earn = (df_yl1 - df_ycost) * 100 * 12

df_earn
Out[178]: 
date
2001-12-31    -676.30
2002-12-31    -626.10
2003-12-31    -547.80
2004-12-31    -665.70
2005-12-31      58.20
2006-12-31    1944.30
2007-12-31    2777.90
2008-12-31   -3458.80
2009-12-31    2496.20
2010-12-31   -1742.76
2011-12-31    -485.90
2012-12-31     289.50
2013-12-31    -176.70
2014-12-31    4387.70
2015-12-31    -574.80
2016-12-31     176.10
2017-12-31    3577.50
2018-12-31   -1905.50
2019-12-31    3810.00
Freq: A-DEC, Name: open, dtype: float64

df_earn.sum()
Out[179]: 8657.039999999994

##第四步可以用循环来实现。但是没有必要，因为本身pandas已经把数据整理得很工整

##加上题目简单，直接矩阵向量的运算就可以了

2 中国金融数据导入包baostock

import baostock as bs 
import pandas as pd

## 登陆
lg = bs.login()

##读入上证综指的历史数据
rs = bs.query_history_k_data("000001.SH", "date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,peTTM,pbMRQ,psTTM,pcfNcfTTM,isST",
                             start_date='2010-01-01', end_date='2020-10-10', frequency="d", adjustflag="3")

导入后查看默认保存的数据格式

rs
Out[24]: <baostock.data.resultset.ResultData at 0x172569e37c0>

str(rs) ##查看结构
Out[28]: '<baostock.data.resultset.ResultData object at 0x00000172569E37C0>'

type(rs) ##查看类型
Out[29]: baostock.data.resultset.ResultData

将数据转换为data frame格式

data = []
while (rs.error_code == '0') & rs.next():  # 逐条获取数据并合并
    data_list.append(rs.get_row_data())
df = pd.DataFrame(data_list, columns=rs.fields)
df
Out[31]: 
            date       code       open  ...     psTTM pcfNcfTTM isST
0     2010-01-04  sh.000001  3289.7500  ...                        0
1     2010-01-05  sh.000001  3254.4680  ...                        0
2     2010-01-06  sh.000001  3277.5170  ...                        0
3     2010-01-07  sh.000001  3253.9910  ...                        0
4     2010-01-08  sh.000001  3177.2590  ...                        0
         ...        ...        ...  ...       ...       ...  ...
2610  2020-09-25  sh.000001  3234.3739  ...  0.000000  0.000000    0
2611  2020-09-28  sh.000001  3224.9769  ...  0.000000  0.000000    0
2612  2020-09-29  sh.000001  3231.8551  ...  0.000000  0.000000    0
2613  2020-09-30  sh.000001  3232.7104  ...  0.000000  0.000000    0
2614  2020-10-09  sh.000001  3262.6105  ...  0.000000  0.000000    0

[2615 rows x 18 columns]

将数据框导出为CSV文件

df.to_csv("D:/Spyder/history_A_stock_k_data.csv", index=False)

3 小结

本文向大家展示了两大中国的Python金融交易数据导入包。其中tushare发展较为成熟，功能也稳定，可以搞了个捐钱换积分就让初学者会觉得有点啰嗦。如果不想搞得那么麻烦，baostock也是个不错的备选。

另外，也向大家展示了一个简单的金融交易策略。使用策略基于历史价格数据进行验证，就是所谓的‘回测’。量化交易最核心的任务，就是研究出一个好的交易策略，通过真实的投资而实现盈利。

至于国外尤其是美股的数据导入库，后面还会陆续和大家介绍。

REF

2020，伊夫·希尔皮斯科，《Python金融大数据分析 第2版》

-----全文结束-----

weixin_39649405
关注
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值