python选股策略怎么发给别人用_用tushare进行选股策略编写

#!/user/bin/env python

import time

import datetime

import pandas as pd

import numpy as np

import tushare as ts

import warnings

warnings.filterwarnings('ignore')

ts.set_token("1184ddddddddddddddddddddddddddddddddddf79f1") #请自行填入自己的token

pro = ts.pro_api()

# ！！！这里需要自己填写：当天的日期

date_str = '20200120'

# 十年前的日期

start_date_str = '20100101'

# 获取所有A股股票当天的股票代码、交易日期、最新价格、股息率、PE、PB、总市值

df = pro.daily_basic(ts_code='', trade_date=date_str,

fields='ts_code,trade_date,close,dv_ratio,pe,pb,total_mv')

# 特殊处理：如果PE、PB、股息率是NAN值的话，删除该股票

# 筛选条件：

# 1、删除pb>1.5的股票

# 2、删除过去10年pb从来不高于1的股票

# 3、删除股息率为0的股票

# 4、排序：按照pe、pb、股息率越小得分越低去排序，总得分越低排序越靠前，负数的得分为非负数的个数+1

# 如果PE、PB、股息率是NAN值的话，删除该股票

afternan_df = df.dropna(axis=0, how='any',subset=['pe','pb','dv_ratio'])

afternan_df.reset_index(drop=True,inplace=True) # 重新写序号

# 删除pb>1.5的股票

afterpb_df = afternan_df[afternan_df.pb<=1.5]

afterpb_df.reset_index(drop=True,inplace=True) # 重新写序号

# 删除股息率为0的股票

afterpb_df[afterpb_df[['dv_ratio']]==0]=np.nan

afterdv_df = afterpb_df.dropna(axis=0, how='any',subset=['dv_ratio'])

afterdv_df.reset_index(drop=True,inplace=True) # 重新写序号

# 删除过去10年pb从来不高于1的股票(每个月的pb都取出来)

monthdate_df = pro.index_monthly(ts_code='000001.SH', start_date=start_date_str, end_date=date_str, fields='trade_date')

month_date_ls = monthdate_df.trade_date.tolist()

month_pb_10years_df = pd.DataFrame()

for month_date in month_date_ls:

# month_pb_df = pro.daily_basic(ts_code=afterdv_df.ts_code.tolist(), trade_date=month_date,

# fields='ts_code,trade_date,pb')

month_pb_df = pro.daily_basic(ts_code='', trade_date=month_date,

fields='ts_code,trade_date,pb')

month_pb_10years_df = pd.concat([month_pb_10years_df,month_pb_df],axis=0)

for stockcode in afterdv_df.ts_code.tolist():

stock_pb_df = month_pb_10years_df[month_pb_10years_df.ts_code==stockcode]

# 10年间最大的pb

max_pb = max(stock_pb_df.pb.tolist())

afterdv_df.loc[afterdv_df.ts_code==stockcode,'max_pb_10years'] = max_pb #记录过去10年间最大的pb

mystocks_df = afterdv_df[afterdv_df.max_pb_10years>=1] # 筛选出过去10年最大pb>=1的股票，至此，所有筛选条件已经完毕

mystocks_df.reset_index(drop=True,inplace=True) # 重新写序号

# 取股票股票名字、所属行业和审计机构数据

hy_df = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry')

mystocks_df = pd.merge(mystocks_df,hy_df,how='inner',on='ts_code')

for ind,stockcode in enumerate(mystocks_df.ts_code.tolist()):

# 股票最近一年的审计意见，取最新一次的审计机构为审计机构

# 因为接口限制，每分钟只能访问接口60次，所以每60次，休眠60s

if not (ind+1)%60: # 避免一开始浪费时间，+1

time.sleep(60)

audit_beg_date = datetime.datetime.strftime(

datetime.datetime.strptime(date_str,'%Y%m%d')-datetime.timedelta(365),'%Y%m%d')

stock_audit_df = pro.fina_audit(ts_code=stockcode, start_date=audit_beg_date, end_date=date_str)

mystocks_df.loc[mystocks_df.ts_code==stockcode,'audit_agency'] = stock_audit_df.loc[0,'audit_agency']

# 排序：按照pe、pb、股息率越小得分越低去排序，总得分越低排序越靠前，负数的得分为非负数的个数+1

# 先把为负数的记录为无穷大，即可解决

mystocks_df[mystocks_df['pe']<=0]=np.inf

mystocks_df[mystocks_df['pb']<=0]=np.inf

mystocks_df.loc[:,'pe_score'] = mystocks_df.pe.rank(ascending=True, method='min')

mystocks_df.loc[:,'pb_score'] = mystocks_df.pb.rank(ascending=True, method='min')

mystocks_df.loc[:,'dv_ratio_score'] = mystocks_df.dv_ratio.rank(ascending=False, method='min')

mystocks_df.loc[:,'score_sum'] = mystocks_df[['pe_score','pb_score','dv_ratio_score']].sum(axis=1)

# 按照总得分从低到高排序

mystocks_df.sort_values(['score_sum'],ascending=True,inplace=True)

mystocks_df.reset_index(drop=True,inplace=True) # 重新写序号

# 最后输出表stocks_score_df

# 表的列名为：股票代码、股票名字、目前股价、总市值、pe、pb、股息率、pe得分、pb得分、股息率得分、总得分、所属行业、审计机构

stocks_score_df = mystocks_df[['ts_code','name','close','total_mv','pe','pb','dv_ratio',

'pe_score','pb_score','dv_ratio_score','score_sum','industry','audit_agency']] #列稍微排个序

stocks_score_df.to_excel('stocks_score'+date_str+'.xlsx')

print("The End!")