python量化开发【初级入门】

一、量化交易：

        通过将与股票相关的信息数据化、策略化、并且通过历史数据验证它们的交易逻辑性

        我们从全部股票，选出4到5个政策长期相当扶持的行业，这样就差不多剩下1/3股票了，去除一些质地不好的、ST差的，再选出中间主力运作比较活跃的，不是说几年趴着不动的，或波动比较小的，最后剩下1/6只股票，再根据技术面给它一个买点，或者政策面上有什么大的变化，比如资金链放松了，关注股票池里1/6的股票，因此很容易熟悉它们。

二、量化概念

1、基本面：居民消费指数、人均国内生产总值（GDP）、净资产收益率（ROE）

2、技术面：股票收盘价、K线（日/周/月/年）、均线（5/10/20/60日）

三、量化策略

1、赚钱：低买高卖

2、指标：

        均线：择时策略

        盈利能力：选股策略

        周期性：板块轮动策略

四、常见的股票量化指标

1、相关平台：

        财经网站：新浪、雅虎、东方财富

        证券公司：中信、中金、国信、天风等

        炒股平台：同花顺、通达信、大智慧等

2、择时-技术面：

        ① K线跌入BOLL的下轨买入，突破上轨卖出

        ② MACD金叉：DIF快速线上穿DEA慢速线

        ③ 换手率：天量见天价、地量见地价。

                绝对地量：小于1%

                成交低靡：1%-2%

                成交温和：2%-3%

                成交活跃：3%-5%

                带量：5%-8%

                放量：8%-15%

                巨量：15%-25%

                成交怪异：大于25%

       3、选股-基本面：

               ① 市场宏观环境

               ② 企业盈利能力

               ③ 年报数据价值最高，说明事项最多

               ④ 行业景气度

               ⑤ 舆情数据

        4、找年报地址：巨潮资讯网

               最新公告中可以查看公司报告文档

               通过参加股东大会、给企业高管打电话的方式：判断年报是否造假

        5、用财务数据来选股：

                利润表：净利润率【合同拿到手的钱】、期末现金及现金等价物余额【实际拿到的钱】

                杜邦分析：净资产收益率

                市盈率高：代表大家都很看好它

                管理层变动：大股东增持、减持

        6、量化策略：

               α 盲点套利：β 是与市场同涨共跌的部分，α 是独立于市场波动以外的部分，具体的做法可以通过做多股票组合（α+β），同时做空股指期货（-β），最终就剩下了绝对收益 α。

        7、根据市场来选股：

                大牛市买小牛股、小牛市买大牛股；

                行情火爆买冷门股、行情低迷买热门股；

                大盘低位买高位个股，大盘高位买地位个股

        8、相对价位CKDP

                CKDP 的“0”附近查找低位，“100”高位

        9、K线技术指标：

                趋势型：移动平均线、简易波动、趋向指标

                均线型：移动平均线、指数平滑均线、多空指标

                成交量：成交量指标、成交线指标、量平滑移动平均线

                其他：成本均线、心理线

五、公募量化策略【基本面】：

        1、指数增强：购买的大部分股票基本复制指数的成分股，通过择时、择股等手段，获得比指数更高的收益回报

        2、量化选股：通过量化模型选股，在合适的时机买入，追求超越业绩基准的超额收益

        3、量化对冲：市场中性，追求的是绝对收益α

        4、换仓周期：一个月

六、私募量化策略【技术面】

        1、换仓周期：几天

        2、高频交易

        3、通过高换手率来控制暴露的风险

        4、量化策略：期货策略、期权策略、债券策略等

        5、期货策略CTA(管理期货)策略：投资范围包括股指期货策略、大宗商品期货策略、国债期货策略，最经典的就是捕捉价格动量趋势，通过快速止损实现“亏小赢大”的局面

        6、套利量化策略：通过跨市场、跨期限、跨品种去捕捉市场的不合理价差。

                例如国内大商所的大豆、玉米可以和芝加哥期货交易所的农产品（5.960，0.18，3.11%）进行跨市场套利；

                豆油、棕榈油、菜籽油互为替代品，受到季节性气候的影响可能会出现跨品种套利空间；

                同一品种不同月份的价格强弱变化又可以带来跨期限套利

        7、A股量价策略：A股还是以散户交易为主，私募的量化策略可以捕获到散户的不理性行为，反向操作即可赚取超额收益，这几年很受市场追捧，为了挖取超额收益，只能采用更高频的数据。但在相同市场环境。

        8、资金容量：相同市场环境下，换手率越高的策略资金容量越小

七、如何搭建量化交易系统

1、量化交易系统的组成：

        数据端：

                可视化：技术层面的K线图

                行情：股票的今天价格

        决策端：

                交易策略：做决策

        执行端：

                柜台：执行交易、委托、计算持仓、计算资金、做核对的部分

2、使用Python实现量化交易、

        1）Data：

                A、指数：

                        a、持仓个股

                        b、行情

                        c、资金流

                B、个股：

                        a、基本信息

                        b、行情

                        c、资金流

        2）Strategy：

                A、择时策略：

                        a、布林线

                        b、移动平均线

                        c、相对强弱指标

                B、选股策略：

                       a、 盈利能力

                        b、市值

                        c、估值

        3）Trade：

                A、委托

                B、成交

                C、持仓

                D、资金

        4）Chart

八、量化交易系统的Data模块 

1、股票的特性

        1）股票：股份公司的所有权凭证、盈亏自负

        2）基金：投资组合（股票、债券、现金）

        3）债券：还本付息的有价证券（国债、企业债、金融债券）

        风险：风险（10%）>基金（5%）>债券（1%）

        收益：股票 > 基金 > 债券

九、获取股票数据的2种方式：

1、免费的数据接口：

        数据源：天勤量化、BigQuant、JoinQuant(聚宽)等

        基本数据：每天的行情、财务数据、技术指标

2、付费的数据接口：

        数据源：Wind和彭博

        基本数据：提供秒级的行情数据、高阶复杂的技术指标、量化策略

        费用：3万

        优势：省掉重复造轮子的精力

十、使用JQData查询行情数据

1、数据字典：

        股票数据：提供2005年至今沪深A股全面的行情、财务、基本面等数据

        行业概念数据：包含行业板块、概念板块数据

        指数数据：包含沪深市场多只指数数据

        宏观经济数据：包含国内的重要宏观经济数据

        期货数据：涵盖中金所、上期所、郑商所和大商所的所有期货合约数据

        期权数据：提供股票期权和商品期权的合约资料和行情数据

        场内基金数据：包含ETF、LOF、分级基金、货币基金完整的行情、净值数据

        场外基金数据：提供场外基金单位净值、复权净值、投资组合等数据

        技术分析指标：技术分析指标因子库

        Alpha101因子：WorldQuant LLC 发表论文中给出的101个Alphas因子

        Alpha191因子：短周期交易型阿尔法因子

        聚宽因子库：包含数百个质量、情绪、风险、成长等六大类因子

        舆情数据：包含新闻联播等舆情数据

        JQData：能在本地调用的全品种量化金融数据

        债券数据：提供债券基本信息、国债逆回购、可转债等债券数据

2、聚宽JQData获取所有股市数据

import time

from jqdatasdk import *
auth('XXX','XXX') #账号是申请时所填写的手机号；密码为聚宽官网登录密码

# 将所有股票列表转化成数组
stocks = list(get_all_securities(['stock']).index)
# 长度
print(len(stocks))

# 循环所有股票行情数据
for stock_code in stocks:
    df = get_price(stock_code, count=10, end_date='2023-08-31', frequency='daily', panel=False)
    print(df)
    time.sleep(3)

3、Resample函数

        ① Python数据分析库Pandas的方法函数

                转换时间序列的频次

                统计汇总

        ② 日K ——> 周K

                周K开盘价：周一的开盘价

                周K收盘价：周五的收盘价

                周K最高价：一周中最高的最高价

                周K最低价：一周中最低的最低价

        ③ 统计汇总功能：resample.sum / .count

                 Sum = 720

                       

        ④ pd.DataFrame() 是 Pandas（Python 数据分析库）中的一个函数，用于创建数据结构称为 DataFrame。DataFrame 是一个二维的、表格型的数据结构，类似于电子表格或 SQL 表，可以存储和处理各种类型的数据。

        ⑤ 设置行列不忽略

# 设置行列不忽略
pd.set_option('display.max_rows', 100)
pd.set_option('display.max_columns', 10)

        ⑥ Resample周期转换：通过日K线计算月K线

df = get_price('000001.XSHE', count=7, end_date='2023-08-31', frequency='daily', panel=False) # 获取日K
df['weekday'] = df.index.weekday
# 获取周K(当周的): 开盘价(当周第一天)、收盘价(当周最后一天)、最高价(当周)、最低价(当周)
df_week = pd.DataFrame()
df_week['open'] = df['open'].resample('W').first() # 周K的开盘价
df_week['close'] = df['close'].resample('W').last() # 周K的收盘价
df_week['high'] = df['high'].resample('W').max() # 周K的最高价
df_week['low'] = df['low'].resample('W').min() # 周K的最低价

             ⑦ Resample汇总统计：统计一下月成交量、成交额（sum）

# 汇总统计: 统计一下月成交量、成交额(sum)
df_week['volume(sum)'] = df['volume'].resample('W').sum() # 周K的成交量
df_week['money(sum)'] = df['money'].resample('W').sum() # 周K的成交额

 4、财务指标：

       企业财务的构成：

               资产负债表：

                        体现企业家底和负债情况

                        财务状态：资产、负债、所有者利益

                利润表：

                        公司盈利能力、赚了多少、怎么赚的

                        隐含着对外来利润增长的预期

                        体现市场空间、成长能力

                        经营成果：收入、成本费用、利润

                现金流量表【最难造假，需要合同和收付记录】：

                        权责发生制 vs 收付实现制         

                        体现造血能力、竞争优势、议价优势

                        现金流入、现金流出

5、财务指标选股找龙头企业、或者蓝筹企业：

                eps：每股收益= 净利润/股本数

                operating_profit：经营活动净收益 = 营业总收入 - 营业总成本

                inc_net_profit_year_on_year：净利润的同比增长率 = 今年的利润 - 去年的利润/去年的利润

                inc_net_profit_annual：环比增长率

                roe > 15%：净资产收益率ROE(%) = 归属于母公司的2倍净利润 /  归属于母公司的净资产

                roa：总资产净利率ROA(%)

                net_profit_margin：销售净利率(%)

                gross_profit_margin > 75%：销售毛利率(%)

6、财务指标选股：  

        利用成长增速选股概率性很高（eps每股收益>同行业平均值,roe净资产收益率>同行业平均值,净利润同比增长率>同行业平均值,经营活动净收益>同行业平均值），近3年近5年的roe等指标是排在前列的、未来一年的股价都是增长的，除非说行情市场特别不好、或者个别公司股价已经涨的很高、估值很高的情况，大部分公司股票都是会上涨的

'''获取股票财务指标'''
df = get_fundamentals(query(indicator), statDate='2022') # 获取财务指标数据
# df.to_csv(r'D:\DeltaFQuant\data\finance\finance2022.csv')  # 存储数据

# 基于盈利指标选股：eps、operating_profit,roe,inc_net_profit_year_on_year
df = df[(df['eps'] > 0) & (df['operating_profit'] > 973489901) &
        (df['roe'] > 10) & (df['inc_net_profit_year_on_year'] > 10)]

print(df)

 7、股票方法库

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
'''
@Project ：DeltaFQuant
@File    ：Stock.py
@IDE     ：PyCharm
@Author  ：kaiwen.du
@Date    ：2023/12/12 0012 21:31
'''

import time

import pandas as pd
from jqdatasdk import *
auth('xxx','xxx') #账号是申请时所填写的手机号；密码为聚宽官网登录密码

# 设置行列不忽略
pd.set_option('display.max_rows', 10000)
pd.set_option('display.max_columns', 1000)

'''
# 上海证券交易所	.XSHG '600519.XSHG' 贵州茅台
# 深圳证券交易所	.XSHE '000001.XSHE' 平安银行
'''

def get_stock_list():
    '''
    获取所有A股股票列表，
    上海交易所.XHSG
    深圳交易所.XSHE
    :return: stock_list
    '''
    stock_list = list(get_all_securities(['stock']).index)
    return stock_list

def get_single_stock_price(code, time_freq ,start_date, end_date):
    '''
    获取单个股票行情数据
    :param code: 股票代码
    :param timeperiod: 时间周期
    :param stadate: 开始时间
    :param endate: 结束时间
    :return: df
    '''
    data = get_price(code, start_date= start_date, end_date=end_date, frequency=time_freq, panel=False)
    return data

def export_data(data, filename, type):
    '''
    导出股票相关数据
    :param data: 股票行情数据
    :param filename: 文件名
    :param type: 股票数据类型,可以是： price、finance
    :return:
    '''
    file_rote = 'D:\DeltaFQuant\data\'' + type + '\'' +filename+'.csv'
    data.to_csv(file_rote)
    print('已成功存储至：', file_rote)


def transfer_price_freg(data, time_freq):
    '''
        转换股票行情周期
        :param data: 股票行情数据
        :param time_freq: 时间周期
    '''
    df_trans = pd.DataFrame()
    df_trans['open'] = data['open'].resample(time_freq).first()
    df_trans['close'] = data['close'].resample(time_freq).last()
    df_trans['high'] = data['high'].resample(time_freq).max()
    df_trans['low'] = data['low'].resample(time_freq).min()
    return df_trans

def get_single_finance(code, date, statDate):
    '''
    获取单个股票财务指标
    :param code: 股票代码
    :param date: 日期
    :return: df
    '''
    data = get_fundamentals(query(indicator).filter(indicator.code == code), date=date, statDate=statDate) # 获取财务指标数据
    return data

def get_single_valuation(code, date, statDate):
    '''
    获取单个股票估值指标
    :param code: 股票代码
    :param date: 日期
    :return: df
    '''
    data = get_fundamentals(query(valuation).filter(valuation.code == code), date=date, statDate=statDate) # 获取财务指标数据
    return data

十、实战内容

1、调用stock：创建example模块>stock脚本>获取数据

2、实时获取：获取日K数据、循环获更新

import pandas as pd

import data.stock as st
# 初始化变量
code = '000001.XSHE'
# 调用一只股票的行情数据
data = st.get_single_stock_price(code=code, time_freq='daily', start_date='2022-12-01', end_date='2022-12-31')

# 存入csv
st.export_data(data=data, filename=code, type='price')

# 从csv中获取数据
data = st.get_csv_data(code=code, type='price')
print(data)

# 实时更新数据：假设每天更新日K数据 > 存到csv文件里面 > data.to_csv(append)

十二、股票交易规则

1、开户：炒股平台、券商（交易费）

2、交易版面：K线、盘口、交易价格、数量（100股）

3、交易费： 佣金<3%、过户费1元每千股、印花税1%。    

4、A股特点： T+1交易、 ±10%(主/中小板)±20%(创业/科创板)

5、计算每日涨跌幅

# 计算每日涨跌幅
def calculate_change_pct(data):
    '''
    计算每日涨跌幅 = ( 当期收盘价-前期收盘价 ) / 前期收盘价
    :param data: dataframe, 带有收盘价
    :return: dataframe, 带有涨跌幅
    '''
    data['close_pct'] = (data['close'] - data['close'].shift(1))\
                        / data['close'].shift(1)
    return data

十三、计算买入、卖出信号

1、新建Strategy

        策略开发、生成交易信号

2、建立周期性选股策略

3、生成交易信号

        确定买入、卖出条件

        np.where(条件，如果满足，如果不)

strategy.py

def compose_signal(data):
    # 整合信号
    data['buy_signal'] = np.where((data['buy_signal'] == 1)
                                  & (data['buy_signal'].shift(1) == 1), 0, data['buy_signal'])

    # 只要第一次卖出，二次卖出都不算
    data['sell_signal'] = np.where((data['sell_signal'] == -1)
                                   & (data['sell_signal'].shift(1) == -1), 0, data['sell_signal'])

    data['signal'] = data['buy_signal'] + data['sell_signal']
    return data

4、计算持仓收益

        总盈亏 = （市价 - 成本价） * 股数

        浮动盈亏比 = （市价 - 成本价） / 陈本价

        成本价 = 买入金额 / 持有股数

        股数 = 累计买入股数

5、计算收益率、计算累计收益率

def calculate_cum_prof(data):
    """
    计算累计收益率
    :param data: dataframe
    :return:
    """
    data['cum_profit'] = pd.DataFrame(data['profit_pct'] + 1).cumprod() - 1
    return data
def calculate_profit_pct(data):
    """
    计算收益率
    :param data: data
    :return:
    """
    data.loc[data['signal'] != 0, 'profit_pct'] = (data['close'] - data['close'].shift(1)) / data['close'].shift(1)
    data = data[data['signal'] == -1]
    return data

十四、什么是最大回撤：

1、最大回撤：

        在选定周期内任意历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值

        是一个非常重要的风险指标

2、公式： 

        最大回撤 =（低谷值 - 高峰值） / 高峰值

        不会把负数说出来

        最大的亏损比例

3、最大回撤价值：

4、计算方式

def calculate_max_drawdown(data):
    """
    计算最大回撤比
    :param data: dataframe
    :return:
    """
    # 选取时间周期
    window = 252
    # 选取时间周期中的最大净值
    data['roll_max'] = data['close'].rolling(window, min_periods=1).max()
    # 计算当天的回撤比 = (谷值 - 峰值) / 峰值 = 谷值 / 峰值 - 1
    data['daily_dd'] = data['close'] / data['roll_max'] - 1.0
    # 计算时间周期中的最大回撤比，即最大回撤
    data['max_dd'] = data['daily_dd'].rolling(window, min_periods=1).min()

    return data

5、计算风险收益指标：夏普比率

        夏普指数定义：衡量的是一项投资在对其调整风险后，相对于无风险资产的收益表现

        公式：

                夏普比率：（期望的投资回报率 - 无风险利率） /  投资回报率标准差

                解释：无风险利率：例如国债年化3%左右

                           投资回报率标准差 = 一种离散指标，体现数据样本内部的差异性

                           投资回报率标准差 = | 每一项数据项 - 均值 |²的总和 / 数据项个数

          意义：投资者额外承受的每一单位风险所获得的额外收益：标准差、波动、风险

        比较方式：越好越好，收益远高于风险

十五、如何筛选基金

（一）3个基本维度：3-5年业绩（收益）、基金经理、风险指标（最大回撤、夏普、波动）

（二）选基金流程：

        1、热门主题进入：选2只你看好行业的基金、1只灵活配置各行各业都有、1只指数基金例如沪深300等

        2、行业筛选：离民生近的、你看得懂的（例如：食品、饮料、医疗行业、新能源）

        3、选近3年的长期收益排序、在排序近2年、近1年类推

        4、搜索选股：搜索关键词”医疗”

        5、查看前10大持仓：按照持仓占比排列、确认是否都是医疗行业，例如成分“爱尔眼科” 持仓占比 9.18%

        6、看净值走势

        7、看业绩表现：阶段涨幅对比，近3年、今年来、近6个月、近3个月

        8、对比市场平均水平、排名

        9、对比特殊数据：近1年波动率（越小越好）、近1年夏普比例（越大越好）、近一年最大回撤（越小越好）

        10、选择收益平稳度好一点的基金：对比4只股票的稳定性

十六、比较3只股票的夏普指数

import data.stock as st
import strategy.base as stb
import pandas as pd
import matplotlib.pyplot as plt

# 获取3只股票的数据：比亚迪、宁德时代、隆基
codes = ['002594.XSHE', '300750.XSHE', '601012.XSHG']

# 容器：存放夏普
sharpes = []
for code in codes:
    data = st.get_single_stock_price(code, 'daily', '2022-10-01', '2023-01-01')
    print(data.head())

    # 计算每只股票的夏普比率
    daily_sharpe, annual_sharpe = stb.calculate_sharpe(data)
    sharpes.append([code, annual_sharpe])  # 存放 [[c1,s1],[c2,s2]..]
    print(sharpes)

# 可视化3只股票并比较
sharpes = pd.DataFrame(sharpes, columns=['code', 'sharpe']).set_index('code')
print(sharpes)

# 绘制bar图
sharpes.plot.bar(title='Compare Annual Sharpe Ratio')
plt.xticks(rotation=30)
plt.show()

 十七、如何创建、更新股票数据库

1、存储方式：

        股票代码.csv

        MySql、MangoDB等数据库

2、实现思路：

        ① 获取股票列表

        ② 依次存储股票数据

        ③ 每天以增量形式更新数据

                如何追加数据：df.to_csv(mode = 'a')

                重复获取了怎么办：df.drop_duplicates

                缺少数据怎么办：startdate = 最后一个日期

十八、双均线策略：

1、均线 = 代表过去N日股价平均走势，5日均线

2、金叉买入死叉卖出

3、策略实现思路：

        ① 获取标的行情

        ② 计算技术指标： 移动平均现金：5日、10日

        ③ 生成交易信号：金叉则买入、死叉则卖出

        ④ 计算收益率：单次收益率、累计收益率

        ⑤ 寻找最优参数：均线周期、投资标的

        ⑥ 与市场基准比较：沪深300、上证、中证500

        ⑦ 策略评估：收益、夏普、波动率、回撤、胜率

 4、均线代码：

#!/usr/bin/env python
# encoding: utf-8
'''
@author: DeltaF
@software: pycharm
@file: ma_strategy.py
@time: 2021/3/23 15:54
@desc:双均线策略
'''
import data.stock as st
import strategy.base as strat
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt


def ma_strategy(data, short_window=5, long_window=20):
    """
    双均线策略
    :param data: dataframe, 投资标的行情数据（必须包含收盘价）
    :param short_window: 短期n日移动平均线，默认5
    :param long_window: 长期n日移动平均线，默认20
    :return:
    """
    print("==========当前周期参数对：", short_window, long_window)

    data = pd.DataFrame(data)
    # 计算技术指标：ma短期、ma长期
    data['short_ma'] = data['close'].rolling(window=short_window).mean()
    data['long_ma'] = data['close'].rolling(window=long_window).mean()

    # 生成信号：金叉买入、死叉卖出
    data['buy_signal'] = np.where(data['short_ma'] > data['long_ma'], 1, 0)
    data['sell_signal'] = np.where(data['short_ma'] < data['long_ma'], -1, 0)
    # print(data[['close', 'short_ma', 'long_ma', 'buy_signal', 'sell_signal']])

    # 过滤信号：st.compose_signal
    data = strat.compose_signal(data)
    # print(data[['close', 'short_ma', 'long_ma', 'signal']])

    # 计算单次收益
    data = strat.calculate_profit_pct(data)
    # print(data.describe())

    # 计算累计收益
    data = strat.calculate_cum_prof(data)

    # 删除多余的columns
    data.drop(labels=['buy_signal', 'sell_signal'], axis=1)

    # 数据预览
    print(data[['close', 'short_ma', 'long_ma', 'signal', 'cum_profit']])

    return data


if __name__ == '__main__':
    # 股票列表
    stocks = ['000001.XSHE', '000858.XSHE', '002594.XSHE']

    # 存放累计收益率
    cum_profits = pd.DataFrame()
    # 循环获取数据
    for code in stocks:
        df = st.get_single_price(code, 'daily', '2022-05-01', '2023-01-01')
        df = ma_strategy(df)  # 调用双均线策略
        cum_profits[code] = df['cum_profit'].reset_index(drop=True)  # 存储累计收益率
        # 折线图
        df['cum_profit'].plot(label=code)
        # 筛选有信号点
        df = df[df['signal'] != 0]
        # 预览数据
        print("开仓次数：", int(len(df)))
        print(df[['close', 'signal', 'cum_profit']])

    # 预览
    print(cum_profits)
    # 可视化
    # cum_profits.plot()
    plt.legend()
    plt.title('Comparison of Ma Strategy Profits')
    plt.show()

 十九、均线策略优化【55道令箭】：

1、均线策略优化1：“横有多长，竖有多高”连续12个月以上，每个月振幅在25%以内，判断股价处于横盘，叠加均线策略胜率在75.23%

2、均线策略优化2：“底部长下影”，股价在连续6个跌停板以上的下跌，出现长下影：下影线是实体的2倍以上，叠加均线策略胜率在82.51%

二十、验证策略的可靠性

1、评估指标：胜率、年华收益、最大回撤、夏普

2、假设检验：收益>0是否为大概率事件

3、H1：样本均值>理论均值，例如每次收益率的均值

4、统计量 = (样本均值 - 理论平均值) / (样本标准差/ 样本数量)

5、理解、模拟计算t值和p值：p值<显著性水平α（通常为0.05），则拒绝原假设

#!/usr/bin/env python
# encoding: utf-8
'''
@author: DeltaF
@software: pycharm
@file: statistical_test.py
@time: 2021/3/30 22:00
@desc:
'''
import data.stock as st
import strategy.ma_strategy as ma
import matplotlib.pyplot as plt
from scipy import stats


def ttest(data_return):
    """
    对策略收益进行t检验
    :param strat_return: dataframe,单次收益率
    :return: float,t值和p值
    """
    # 调用假设检验ttest函数：scipy
    t, p = stats.ttest_1samp(data_return, 0, nan_policy='omit')

    # 判断是否与理论均值有显著性差异:α=0.05
    p_value = p / 2  # 获取单边p值

    # 打印
    print("t-value:", t)
    print("p-value:", p_value)
    print("是否可以拒绝[H0]收益均值=0：", p_value < 0.05)

    return t, p_value


if __name__ == '__main__':
    # 股票列表
    stocks = ['000001.XSHE', '000858.XSHE', '002594.XSHE']
    for code in stocks:
        print(code)
        df = st.get_single_price(code, 'daily', '2022-09-01', '2023-01-01')
        df = ma.ma_strategy(df)  # 调用双均线策略

        # 策略的单次收益率
        returns = df['profit_pct']
        # print(returns)

        # 绘制一下分布图用于观察
        # plt.hist(returns, bins=30)
        # plt.show()

        # 对多个股票进行计算、测试
        ttest(returns)

二十一、什么是动量策略：

1、定义：预先对股票收益和 交易量设定过滤准则，当股票收益或股票收益和交易量同时满足过滤准则就买入（做多）或者卖出（做空）股票的投资策略

2、交易原则：股票的历史交易率为主要的交易原则

3、提出理论：JT价格动量策略

4、设计思路：

        正向策略：

                涨的还会涨、跌的还会跌

                买入长得最多的、卖出跌的最多的

                利用市场对信息的反应不足

        反向策略：

                涨太多会跌、跌太多会涨

                买入跌最多的、卖出涨最多的

                市场对信息对信息反应过度

5、动量策略的实现步骤

① 确定交易对象：股票池、考虑流动性（沪深300、创业板）

② 选定业绩评价周期：过去1-12个月

③ 计算形成期收益率：过去N个月的收益率， 得出交易信号

④ 对收益率进行排序：最佳~赢家组合、最差~输家组合

⑤ 确定持仓/持仓周期：1个月、可自定义测算

⑥ 连续或间隔一段时期，不断重复②-⑤行为

⑦ 计算动量/反向策略各持有期的回报率

⑧ 计算t/p统计值，判断是否存在动量效应

⑨ 实现步骤：

        确定投资标的；

        计算动量因子；

        计算投组收益率，并判断有效性；

6、确认股票池：
① 流动性：成交活跃、买入卖出顺畅

② 基本面：行业、营收、盈利增速、现金流、负债

③ 标的价格：1手起买起卖

股票池初始值：沪深300持有个股

④ 获取股票池

def get_data(index_symbol='000300.XSHG'):

    # 获取股票列表代码：沪深300持有个股、创业板、上证
    stocks = st.get_index_stocks(index_symbol,'2022-12-01')
    # 获取股票数据
    for code in stocks:
        data = st.get_csv_price(code,start_date='2022-12-01', end_date='2022-12-31')
        # 预览股票数据
        print("==========", code)
        print(data.tail())

7、动量因子：

        明确计算公式：简单收益率

        设置业绩评价周期：默认1个月

        concat+列表循环拼接列数据

        Resample函数转换日- 月周期

8、找交易信号、计算投资组合收益

#!/usr/bin/env python
# encoding: utf-8
'''
@author: DeltaF
@software: pycharm
@file: momentum_strategy.py
@time: 2021/4/14 23:35
@desc: 动量策略（正向）
'''
import data.stock as st
import pandas as pd
import numpy as np
import base
import matplotlib.pyplot as plt


def get_data(start_date, end_date, use_cols, index_symbol='000300.XSHG'):
    """
    获取股票收盘价数据，并拼接为一个df
    :param start_date: str
    :param end_date: str
    :param use_cols: list
    :param index_symbol: str
    :return data_concat: df，拼接后的数据表
    """
    # 获取股票列表代码：沪深300持有个股、创业板、上证
    stocks = st.get_index_list(index_symbol)
    # 拼接收盘价数据
    data_concat = pd.DataFrame()
    # 获取股票数据
    for code in stocks:
        data = st.get_csv_price(code, start_date, end_date, use_cols)
        # 拼接多个股票的收盘价：日期 股票A收盘价 股票B收盘价 ...
        data.columns = [code]
        data_concat = pd.concat([data_concat, data], axis=1)
    # 预览股票数据
    # print(data_concat.tail())
    return data_concat


def momentum(data_concat, shift_n=1, top_n=4):
    """

    :param data_concat: df
    :param shift_n: int,表示业绩统计周期（单位：月）
    :return:
    """
    # 转换时间频率：日->月
    data_concat.index = pd.to_datetime(data_concat.index)
    data_month = data_concat.resample('M').last()
    # 计算过去N个月的收益率 = 期末值/期初值 - 1 =（期末-期初）/ 期初
    # optional：对数收益率 = log（期末值 / 期初值）
    shift_return = data_month / data_month.shift(shift_n) - 1
    print(shift_return.head())
    # print(shift_return.shift(-1))

    # 生成交易信号：收益率排前n的>赢家组合>买入1，排最后n个>输家>卖出-1
    buy_signal = get_top_stocks(shift_return, top_n)
    sell_signal = get_top_stocks(-1 * shift_return, top_n)
    signal = buy_signal - sell_signal
    print(signal.head())

    # 计算投资组合收益率
    returns = base.caculate_portfolio_return(shift_return, signal, top_n * 2)
    print(returns.head())

    # 评估策略效果：总收益率、年化收益率、最大回撤、夏普比
    returns = base.evaluate_strategy(returns)

    # 数据预览
    # print(data_month.head())
    return returns


def get_top_stocks(data, top_n):
    """
    找到前n位的极值，并转换为信号返回
    :param data: df
    :param top_n: int, 表示要产生信号的个数
    :return signals: df, 返回0-1信号数据表
    """
    # 初始化信号容器
    signals = pd.DataFrame(index=data.index, columns=data.columns)
    # 对data的每一行进行遍历，找里面的最大值，并利用bool函数标注0或1信号
    for index, row in data.iterrows():
        signals.loc[index] = row.isin(row.nlargest(top_n)).astype(np.int64)
    return signals


if __name__ == '__main__':
    # 测试：获取沪深300个股数据
    data = get_data('2023-01-01', '2023-04-04', ['date', 'close'])
    # 测试：动量策略
    returns = momentum(data)
    # 存储结果
    # returns.to_csv('/Users/ztnn/PycharmProjects/DeltaTrader/strategy/results/momentum.csv')
    # 可视化每个月的收益率
    # returns['cum_profit'].plot()
    # plt.show()

9、投组收益率

def caculate_portfolio_return(data, signal, n):
    """
    计算组合收益率
    :param data: dataframe
    :param signal: dataframe
    :param n: int
    :return returns: dataframe
    """
    returns = data.copy()
    # 投组收益率（等权重）= 收益率之和 / 股票个数
    returns['profit_pct'] = (signal * returns.shift(-1)).T.sum() / n
    returns = calculate_cum_prof(returns)
    return returns.shift(1)  # 匹配对应的交易月份


def calculate_cum_prof(data):
    """
    计算累计收益率（个股收益率）
    :param data: dataframe
    :return:
    """
    # 累计收益
    data['cum_profit'] = pd.DataFrame(1 + data['profit_pct']).cumprod() - 1
    return data

二十二、实盘交易处理买卖信号【EasyTrader】：

1、第二天买入

        问题：① 错过最佳入场时机

                   ② 成本变高了，次数多了，亏损概率提高

                   ③ 滑点：实际交易与要求的价格不一致

2、用今天的分时价格代替日收盘价

二十三、数据回测框架【AlgoTrader】：

1、ZipLine：Quantopia、适用于美股、编程能力、开发环境

2、PyAlgoTrade：适用简单、股票、数字币、开源代码

3、BackTrader：内容全面、类定义复杂、可实盘交易

二十四、价差套利方法：

1、做法：例如十个交易所都有同一个资产、或者同一个币、或者同一个基金，然后他们价格不同，我在某个一个时间段都买入他们，哪一个价格低，我就卖出其他的买入低的，比如A交易所价格最低，把B、C、D交易所的都卖掉，买入A交易所，纯赚中间差价。如果哪天C交易所价格低，都卖掉，买C，我只需要监测是否有这种情况，有的话通过机器人或者交易系统去告知我，有的话，手工操作一下，不太适合很成熟的市场【例如A股市场】

二十五、适用PyAlgoTrade模拟交易与回测【双均线策略】：

#!/usr/bin/env python
# encoding: utf-8
'''
@author: DeltaF
@software: pycharm
@file: algotrade.py
@time: 2021/5/3 23:01
@desc: 使用pyalgotrade进行数据回测，详情：https://github.com/gbeced/pyalgotrade
'''
import pyalgotrade
import pyalgotrade_tushare

from pyalgotrade import strategy
from pyalgotrade_tushare import tools, barfeed
from pyalgotrade.technical import ma
from pyalgotrade import plotter
from pyalgotrade.stratanalyzer import returns


def safe_round(value, digits):
    if value is not None:
        value = round(value, digits)
    return value


class MyStrategy(strategy.BacktestingStrategy):
    def __init__(self, feed, instrument, smaPeriod1, smaPeriod2):
        super(MyStrategy, self).__init__(feed, 10000)  # 添加行情数据，以及买入金额
        self.__position = None
        self.__instrument = instrument
        # We want a 15 period SMA over the closing prices.
        self.__sma1 = ma.SMA(feed[instrument].getPriceDataSeries(), smaPeriod1)
        self.__sma2 = ma.SMA(feed[instrument].getPriceDataSeries(), smaPeriod2)

    def getSMA1(self):
        return self.__sma1

    def getSMA2(self):
        return self.__sma2

    def onEnterOk(self, position):
        execInfo = position.getEntryOrder().getExecutionInfo()
        # self.info("BUY at ￥%.2f" % (execInfo.getPrice()))

    def onEnterCanceled(self, position):
        self.__position = None

    def onExitOk(self, position):
        execInfo = position.getExitOrder().getExecutionInfo()
        # self.info("SELL at ￥%.2f" % (execInfo.getPrice()))
        self.__position = None

    def onExitCanceled(self, position):
        # If the exit was canceled, re-submit it.
        self.__position.exitMarket()

    def onBars(self, bars):
        # Wait for enough bars to be available to calculate a SMA.
        if self.__sma2[-1] is None:
            return

        bar = bars[self.__instrument]
        # If a position was not opened, check if we should enter a long position.
        if self.__position is None:
            if self.__sma1[-1] > self.__sma2[-1]:
                # Enter a buy market order for 100 shares. The order is good till canceled.
                self.__position = self.enterLong(self.__instrument, 100, True)
        # Check if we have to exit the position.
        elif self.__sma1[-1] < self.__sma2[-1] and not self.__position.exitActive():
            self.__position.exitMarket()


def run_strategy(smaPeriod1, smaPeriod2):
    # Load the bar feed from the CSV file
    instruments = ["000001"]
    feeds = tools.build_feed(instruments, 2018, 2021, "histdata")
    # print(feeds)

    # Evaluate the strategy with the feed's bars.
    myStrategy = MyStrategy(feeds, instruments[0], smaPeriod1, smaPeriod2)
    # myStrategy.run()
    # print(smaPeriod1, smaPeriod2, "Final portfolio value: ￥%.2f" % myStrategy.getBroker().getEquity())

    # 可视化部分
    # Attach a returns analyzers to the strategy.
    returnsAnalyzer = returns.Returns()
    myStrategy.attachAnalyzer(returnsAnalyzer)

    # Attach the plotter to the strategy.
    plt = plotter.StrategyPlotter(myStrategy)
    # Include the SMA in the instrument's subplot to get it displayed along with the closing prices.
    plt.getInstrumentSubplot(instruments[0]).addDataSeries("SMA1", myStrategy.getSMA1())
    plt.getInstrumentSubplot(instruments[0]).addDataSeries("SMA2", myStrategy.getSMA2())

    # Plot the simple returns on each bar.
    plt.getOrCreateSubplot("returns").addDataSeries("Simple returns", returnsAnalyzer.getReturns())

    # Run the strategy.
    myStrategy.run()
    myStrategy.info("Final portfolio value: $%.2f" % myStrategy.getResult())

    # Plot the strategy.
    plt.plot()


# 单均线
# for i in range(10, 30):
# 双均线
# ma1 = [5, 10, 15]
# ma2 = [15, 20, 30]
# for i in ma1:
#     for j in ma2:
#         if i < j:
#             run_strategy(i, j)

run_strategy(15, 30)

二十六、不同交易所套利法则

1、不同交易卖同一股票，实时监测每一个交易所价格，每次找到最低价格例如交易所A第一时间买入，第二次找到更低的交易所B，则把A交易所股票卖出，B交易所股票买入，赚的就是差价

二十七、程序化交易的几种方式

1、对接券商：发送至交易所、授权信息、迥异和查询信息 

2、交易柜台：宽睿、中泰、华鑫、华锐、恒生、面向机构

3、三方平台：万得、彭博、主流量化平台

4、个人投资者：网页模拟登录、基于exe接口

二十八、初始化EasyTrader开发环境

1、安装对象：

        EasyTrader、客户端

        使用pywinauto操作图形化界面

2、图形化界面：

        软件页面、点选、拖拉拽

        对应概念：字符、脚本、编辑模式

3、自动交易代码

#!/usr/bin/env python
# encoding: utf-8
'''
@author: DeltaF
@software: pycharm
@file: etrader.py
@time: 2021/5/19 22:17
@desc:
'''

# 可能的不兼容情况：no module name win32api
# 版本调整以解决不兼容：python 3.7.x - pywin32 221-223
import easytrader

# 设置客户端信息（同花顺）
user = easytrader.use('ths')

# 连接客户端（同花顺：登录且保存密码且自动登录）
user.connect(r'E:\同花顺\xiadan.exe')  # 类似 r'C:\htzqzyb2\xiadan.exe'

# 设置客户端编辑文本形式：type_keys
user.enable_type_keys_for_editor()

# 调用常用函数

# 一类：查询类
# 查询持仓
balance = user.balance
print(balance)
# 查询持仓（仓位）
position = user.position
print(position)

# 二类：交易
# 买入
# buy_no = user.buy('000002', price=26.78, amount=100)
# print(buy_no)
# 卖出
sell_no = user.buy('000002', price='26.78', amount=100)
print(sell_no)
# 撤单：根据单号撤销，不稳定有效，待解决
# cancel = user.cancel_entrust('')
# print(cancel)
# 撤单：全部撤销
# cancel = user.cancel_all_entrusts()
# print(cancel)

# 查询当日成交
today_trades = user.today_trades
print(today_trades)
# 查询当日委托
today_entrusts = user.today_entrusts
print(today_entrusts)

二十九、多因子模型

1、因子：交易过程中的影响因素、技术/基本面指标

2、多因子：经过多个影响因子的筛选，形成的交易策略

3、价值投资选股器：根据盈利能力选股

        ① 确定股票池：

                总市值、行业（排除房地产长周期等行业、偏好互联网、计算机、新能源）

        ② 筛选盈利能力（营收、净利润、ROE增幅）：

                经营活动净收益（亿元）：近3年的平均增幅

                净利润（亿元）：近3年的平均增幅

                ROE：近3年的平均增幅

        ③ 筛选估值水平（PE、PB）

                PE、PB数值高说明很可能被高估，需要用增幅对比，结合行业一起去看

        ④ 筛选股价：

                当前股价、增幅

                

三十、结合择时因子和动量因子结合就是选股模型

        因子有效性

三十一、如何获取更多策略：

1、聚宽平台的十大策略：

        北向资金、择时、趋势交易、选股

2、东方财富【重点分析】：资讯>A股研报>策略报告>搜索关键词：金融工程、因子、策略搜索

        新闻舆情分析：消极关键词卖出、积极关键词多买入