result2={}foriinresult1:aa={}now=pd.Seriesforjinresult1:pre=pd.Seriesxgx=now.corraa[j]=absresult2[i]=aa#print
pro=ts.pro_api
defcssj:result4=xgxts_code=[]foriinresult4:ts_code.appenddf=pd.DataFrameforiints_code:df1=pro.dailydf=pd.concatdf.to_excelcssj
deftest_data:result4=xgxts_code=[]foriinresult4:forjinresult4[i]:ts_code.appenddf=pd.DataFrameforiints_code:df1=pro.dailydf=pd.concatdf.to_exceltest_data
0星超过10%的资源3843MB
#1获取沪深300成分股日线行情数据
defhqsj_hs:df1=pro.index_weightdf=pd.DataFrameforiinrange):df2=pro.dailydf=pd.concatdf.to_excelhqsj_hs这里得到了沪深300成分股的日线行情数据，需要手动将excel表按股票代码和交易日期升序。有些股票在样本期某天停牌，需要剔除该股票数据。这里用A股票当天收益率和其他股票昨天收益率计算相关性。
result2={}foriinresult1:ifi!=20210331:aaa=[]forjinresult1[i]:ifj>0:aaa.append])result2[timetime1[timetimeindex+1]]=aaaprintreturnresult2mgfa
#5获取测试数据
xxx=[]foriinresult3:forjinresult3[i]:xxx.appendb=sorted[:1]#取相关性最大的
python量化交易.pdfpdf
defmgfa:df=pd.read_exceltimeseries=df["trade_date"].tolisttimetime=list)timetime1=sortedresult4=xgxts1=[]#昨天ts2=[]#今天foriinresult4:tsappendforjinresult4[i]:tsappend
#4买股方案
上文我们得到了买股方案，最后需要进行回测，我们用收益率，夏普率，最大回撤等指标来评估策略的优劣性，收益率和夏普率越大越好，最大回撤越小越好。
result4={}foriinresult3:forjinresult3[i]:forxinb:ifx==result3[i][j]:result4[i]={j:x}printreturnresult4我们取相关性最大的股票组，得到结果是上海临港和民生银行，相关性为0.415也就是说民生银行今天跌了，那么上海临港明天大概率要跌。我们可以在尾盘观察民生银行，如果涨了，则买入上海临港。到这里就构建了我们的策略。
result1={}foriinrange):time=df.iloc[i,1]ifresultget:aa.appendelse:aa=[]aa.appendresult1[time]=aa
我们得到了2021年1月1日到2021年3月31日的买股方案，结果为2021年1月5日空仓，2021年1月6日空仓，2021年1月7日买入上海临港等等。
result3={}foriinresult2:result3[i]={max,result2[i].keys)):max,result2[i].keys))[0]}
#2计算相关性
#3获取21年数据
defxgx:df=pd.read_excelresult={}foriinrange):key=df.iloc[i,0]ifresult.get:result[key].appendelse:result[key]=[df.iloc[i,-3]]
foriinresult1:result1[i].append
defjssy:result2=mgfaresult4=xgxdf=pd.read_excelzdf=[]foriinresult2:iflen==1:forjinresult2[i]:forxinrange):ifdf.iloc[x,0]==janddf.iloc[x,1]==i:zdf.appendelse:zdf.appendbbb=1foriinzdf:bbb=bbb*bb=*100printprint/np.std)ccc=1hc=1max_hc=[]foriinzdf:kk=ccc*ifkk 3买股方案 5总结 4评估策略 前文根据2020年1月1日到2020年12月31日的数据构建策略，用于2021年1月1日到2021年3月31日交易。 #6评估策略 文章为作者独立观点，不代表股票交易接口观点import tushare as ts
import pandas as pd
import numpy as np
import copy
pro = ts.pro_api("你的token")
#1 获取沪深300成分股日线行情数据
def hqsj_hs():
df1 = pro.index_weight(index_code="399300.SZ", trade_date="20201231")
df=pd.DataFrame()
for i in range(len(df1)):
df2 = pro.daily(ts_code=df1.iloc[i,1], start_date="20200101", end_date="20201231")
df=pd.concat([df,df2],axis=0)
df.to_excel("股票数据.xlsx",index=False)
hqsj_hs()
#股票数据.xlsx需要手动将excel表按股票代码和交易日期升序
#2 计算相关性
def xgx():
df=pd.read_excel("股票数据.xlsx",engine="openpyxl")
result={}
for i in range(len(df)):
key=df.iloc[i,0]
if result.get(key,False):
result[key].append(df.iloc[i,-3])
else:
result[key] = [df.iloc[i,-3]]
result1=copy.deepcopy(result)
for i in result:
if len(result[i])!=243:
del result1[i]
for i in result1:
result1[i].append([result1[i][1:],result1[i][:-1]])
result2={}
for i in result1:
aa = {}
now=pd.Series(result1[i][-1][0])
for j in result1:
pre=pd.Series(result1[j][-1][1])
xgx=now.corr(pre)
aa[j]=abs(xgx)
result2[i]=aa
#print(result2)
result3={}
for i in result2:
result3[i]={max(zip(result2[i].values(), result2[i].keys()))[1]:max(zip(result2[i].values(), result2[i].keys()))[0]}
xxx=[]
for i in result3:
for j in result3[i]:
xxx.append(result3[i][j])
b=sorted(xxx,reverse = True)[:1] #取相关性最大的
result4={}
for i in result3:
for j in result3[i]:
for x in b:
if x==result3[i][j]:
result4[i]={j:x}
print(result4)
return result4
#3 获取21年数据
def test_data():
result4=xgx()
ts_code=[]
for i in result4:
for j in result4[i]:
ts_code.append(j)
df = pd.DataFrame()
for i in ts_code:
df1 = pro.daily(ts_code=i, start_date="20210101", end_date="20210331")
df = pd.concat([df, df1], axis=0)
df.to_excel("股票数据1.xlsx", index=False)
test_data()
#4 买股方案
def mgfa():
df=pd.read_excel("股票数据1.xlsx",engine="openpyxl")
timeseries=df["trade_date"].tolist()
timetime=list(set(timeseries))
timetime1=sorted(timetime)
result4=xgx()
ts1=[] #昨天
ts2=[] #今天
for i in result4:
ts2.append(i)
for j in result4[i]:
ts1.append(j)
result1={}
for i in range(len(df)):
time=df.iloc[i,1]
if result1.get(time,False):
aa.append(df.iloc[i,-3])
else:
aa=[]
aa.append(df.iloc[i,-3])
result1[time]=aa
result2={}
for i in result1:
if i!=20210331:
aaa=[]
for j in result1[i]:
if j >0:
aaa.append(ts2[result1[i].index(j)])
result2[timetime1[timetime1.index(i)+1]]=aaa
print(result2)
return result2
mgfa()
#5 获取测试数据
def cssj():
result4=xgx()
ts_code=[]
for i in result4:
ts_code.append(i)
df = pd.DataFrame()
for i in ts_code:
df1 = pro.daily(ts_code=i, start_date="20210101", end_date="20210331")
df = pd.concat([df, df1], axis=0)
df.to_excel("股票数据2.xlsx", index=False)
cssj()
#6 评估策略
def jssy():
result2=mgfa()
result4=xgx()
df=pd.read_excel("股票数据2.xlsx",engine="openpyxl")
zdf=[]
for i in result2:
if len(result2[i]) == 1:
for j in result2[i]:
for x in range(len(df)):
if df.iloc[x, 0] == j and df.iloc[x, 1] == i:
zdf.append(df.iloc[x, -3])
else:
zdf.append(0)
bbb=1
for i in zdf:
bbb=bbb*(1+i/100)
bb=(bbb-1)*100
print("总收益率/%:",bb)
print("夏普率：", np.mean(zdf)/np.std(zdf,ddof=1))
ccc=1
hc=1
max_hc=[]
for i in zdf:
kk=ccc*(1+i/100)
if kk<ccc:
hc=hc*(1+i/100)
else:
hc=(hc-1)*100
max_hc.append(hc)
hc=1
ccc=copy.deepcopy(kk)
print("最大回撤/%:",abs(min(max_hc)))
jssy()
相关文章
股民评论