免费开源！常用策略函数的复用与累积_分区间获取数据(以避免超出数据限制)-CSDN博客

本文链接：https://blog.csdn.net/weixin_42219751/article/details/127125846

俗话说，磨刀不误砍柴工！当你在写策略时，是否还在查询所有股票代码，剔除B股、新股、ST股，从而获取A股代码呢？是否还在重复循环获取历史前N天交易日？是否还在重复编写单因子分析？

现在，我们将掘金策略小哥常用的策略函数免费开源给大家，帮助大家提高策略编写速度。（文中代码用Jupyter Notebook实现，用户运行时需更换token。）

01/

获取目标日期下的A股代码

功能介绍：获取目标日期下的可交易A股代码，同时剔除退市股、停牌股、ST股、次新股，默认次新股天数为365个自然日。

示例：

date = '2022-09-09'
all_stocks,all_stocks_str = get_normal_stocks(date)
print(all_stocks[:10])

输出：

['SHSE.600000', 'SHSE.600004', 'SHSE.600006', 'SHSE.600007', 'SHSE.600008', 'SHSE.600009', 'SHSE.600010', 'SHSE.600011', 'SHSE.600012', 'SHSE.600015']

02/

获取前N个交易日日期

功能介绍：获取目标日期的前N个交易日日期，不包含输入日期，默认N为1，即目标日期的前一个交易日日期。

示例：

date = '2022-09-09'
get_previous_N_trading_date(date,counts=10)

输出：

'2022-08-26'

03/

判断日期是否为周/月的第1个交易日

功能介绍：判断目标日期是否为周/月的第1个交易日，包含“周”和“月”两种模式，常作为周频和月频定时任务的替代方案。

示例：

# 示例：判断 2022-09-26 是否为 周 的第1个交易日
status1 = is_Week_or_Month_first_day('2022-09-26',periods_type='week')

# 示例：判断 2022-09-27 是否为 周 的第1个交易日
status2 = is_Week_or_Month_first_day('2022-09-27',periods_type='week')

# 示例：判断 2022-10-01 是否为 月 的第1个交易日
status3 = is_Week_or_Month_first_day('2022-10-01',periods_type='month')

# 示例：判断 2022-10-10 是否为 月 的第1个交易日
status4 = is_Week_or_Month_first_day('2022-10-10',periods_type='month')

print(status1,status2,status3,status4)

输出：

True False False True

04/

分区间获取数据

功能介绍：自动分区间获取数据，以避免超出数据的数量限制；fields参数需包含eob和symbol,当前仅支持单字段形式，adjust_end_time参数默认为回测结束时间：context.backtest_end_time，其余参数同history()参数一致。

示例：

# 当前不在掘金策略环境中，没有context，先自定义一个。
class Context():
    def __init__(self):
        self.backtest_end_time = date
context = Context()

close_df = history_new(context,security=all_stocks,frequency='1d',start_time='2022-06-01',end_time='2022-09-09',fields='eob,symbol,close')
print(close_df.iloc[:,:3])

输出：

symbol SHSE.600000 SHSE.600004 SHSE.600006

eob

2022-06-01 00:00:00+08:00 7.4937 12.40 7.4215

2022-06-02 00:00:00+08:00 7.4747 12.23 8.1656

2022-06-06 00:00:00+08:00 7.4463 12.24 8.9792

2022-06-07 00:00:00+08:00 7.4653 12.34 9.1875

2022-06-08 00:00:00+08:00 7.4463 12.41 9.9813

... ... ... ...

2022-09-05 00:00:00+08:00 7.2600 13.07 6.2100

2022-09-06 00:00:00+08:00 7.2600 13.43 6.4800

2022-09-07 00:00:00+08:00 7.2200 13.36 6.4100

2022-09-08 00:00:00+08:00 7.2400 13.79 6.4200

2022-09-09 00:00:00+08:00 7.3100 13.86 6.4000

[72 rows x 3 columns]

05/

因子分析

功能介绍：因子分析模块，包括去极值，标准化，有效样本数量限制、市值中性化和单因子分析。其中去极值采用方法为N倍标准差去极值，支持两种极值处理，是否将inf数值调整为NaN；市值中性化是以最小二乘回归循环取残差的方式；单因子分析功能基于alphalens的封装。

示例：

# 计算因子：日频收益率的标准差
rate = (close_df/close_df.shift(1)-1).iloc[1:,:]
factor = rate.rolling(window=5,min_periods=5).std().iloc[5:,:]
# 去极值、标准化、有效样本数量限制、市值中性化
alpha_factor = factor.T
alpha_factor = winsorize_med(alpha_factor)
alpha_factor = standardlize(alpha_factor)
alpha_factor = valid_sample_size(alpha_factor)
alpha_factor = neutralize_MarketValue(alpha_factor)
# 单因子分析
alphalens_analyse(alpha_factor.T,close_df)

输出：