Vgbhfive's Blog

量化投资实践

Posted on Edited on

前序

本篇文章其目的在于实践《量化投资》而特意编写，内容主要包含收集数据、整理和分析数据、因子指标计算、策略制定、量化回测。

阅读本篇需要一定的 Python 基础、金融基础知识和计算机编程经验，各位予取予求。

数据收集及整理

本次数据采用的是中国平安近一年的历史股票数据，其数据指标包含开盘价、最高价、最低价、收盘价、成交量、成交额、换手率。

获取历史数据

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from browsermobproxy import Server
import time
import json
import requests
import pandas as pd
import random

# 股票每日价格

# 股票数据保存 csv 文件
def save_basic_data_to_csv(code, daliy_data):
	if len(daliy_data) <= 0:
		print(code + ' certificate data length is ' + str(len(daliy_data)))
		return
	col_data = {}
	# 确定数据结构
	col_num = len(daliy_data[0].split(','))
	for i in range(col_num):
		col_data[i] = []
	# 改造数据结构
	for data in daliy_data:
		rows = data.split(',')
		for i in range(len(rows)):
			col_data[i].append(rows[i])
	# save csv
	data = pd.DataFrame(col_data)
	data.to_csv(str(code)+'.csv', index=False)

def data(code):
	url = url_where(code)
	# 启动代理
	server = Server('selenium_install_path/browsermob-proxy-2.1.4/bin/browsermob-proxy') # 此处配置安装的 selenium 路径
	server.start()
	proxy = server.create_proxy()

	# 启动浏览器
	chrome_options = Options()
	chrome_options.add_argument('--ignore-certificate-errors')
	chrome_options.add_argument('--proxy-server={0}'.format(proxy.proxy))
	# chrome_options.add_argument('--headless')  # 无头模式
	browser = webdriver.Chrome(options=chrome_options)

	# 监听结果
	proxy.new_har(options={'captureContent': True, 'captureHeaders': True})
	browser.get(url)
	time.sleep(2)

	new_har = proxy.har
	for entry in new_har['log']['entries']:
		url = entry['request']['url']
		if 'qt/stock/kline/get' in url:
			header_data = entry["request"]["headers"]
			# 格式化headers
			headers = {item['name']: item['value'] for item in header_data}
			headers.pop('Accept-Encoding')
			print(headers)
			# 使用headers 发送请求
			response = requests.get(url, headers=headers)
			# 格式化处理返回体
			content = str(response.content)
			content = content[content.index('{'): content.index('}')+2]
			content = content.replace('\\', '\\\\')
			# print(content)
			data = json.loads(content)
			print(data['data']['code'])
			print(len(data['data']['klines']))
			# save data
			save_basic_data_to_csv(data['data']['code'], data['data']['klines'])
	# 关闭代理和浏览器
	proxy.close()
	browser.close()

def url_where(code):
	url = ''
	prefix = code[0:1]
	nowTime = int(time.time() * 1000)
	preTime = nowTime - random.randint(3, 10) * 1000
	if prefix == '6': # sh
		url = 'https://push2his.eastmoney.com/api/qt/stock/kline/get?cb=jQuery35109638153987050799_' + str(nowTime) + '&secid=1.' + code + '&ut=fa5fd1943c7b386f172d6893dbfba10b&fields1=f1%2Cf2%2Cf3%2Cf4%2Cf5%2Cf6&fields2=f51%2Cf52%2Cf53%2Cf54%2Cf55%2Cf56%2Cf57%2Cf58%2Cf59%2Cf60%2Cf61&klt=101&fqt=1&end=20500101&lmt=1000000&_=' + str(preTime)
	elif prefix == '0' or prefix == '3' or prefix == '4' or prefix == '8': # sz bj
		url = 'https://push2his.eastmoney.com/api/qt/stock/kline/get?cb=jQuery35109638153987050799_' + str(nowTime) + '&secid=0.' + code + '&ut=fa5fd1943c7b386f172d6893dbfba10b&fields1=f1%2Cf2%2Cf3%2Cf4%2Cf5%2Cf6&fields2=f51%2Cf52%2Cf53%2Cf54%2Cf55%2Cf56%2Cf57%2Cf58%2Cf59%2Cf60%2Cf61&klt=101&fqt=1&end=20500101&lmt=1000000&_=' + str(preTime)
	return url

if __name__ == '__main__':
	data('000001')

原始数据格式如下：
screenshot-20240326-202930

整理数据

1
2
3
4
5
6
7
8
9
10
11
import pandas as pd
import datetime

df = pd.read_csv('./000001.csv')
df = df.loc[:, ['0', '1', '2', '3', '4', '5', '6', '10']]
df.columns = ['date', 'open', 'close', 'high', 'low', 'volume', 'volume_amount', 'turnover_rate']

df.set_index(pd.to_datetime(df.date), inplace=True)
df.drop('date', axis=1, inplace=True)
df = df[datetime.datetime(2023, 3, 27):]
df

数据经过预处理之后的格式如下：
Snipaste_2024-04-14_23-51-28

因子计算

本次使用 简单移动平均线 SMA 因子来构建量化策略。

1
2
3
4
5
6
df['ma5'] = df['close'].rolling(5).mean()
df['ma20'] = df['close'].rolling(20).mean()

import seaborn as sns

sns.lineplot(data=df.loc[:, ['ma5', 'ma20']])

screenshot-20240328-171714

标记行动节点

有了前面计算的 简单移动平均线 SMA 因子数据，之后根据上一篇文章中介绍的均线八大买卖法则来标记买入和卖出的节点。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
df.loc[(df['ma5'] > df['ma20']), 'signal'] = 1
df.loc[(df['ma5'] < df['ma20']), 'signal'] = 0

df['order'] = df['signal'].diff()

import matplotlib.pyplot as plt

# 可视化交易节点
plt.figure(figsize=(20,12))
plt.plot(df['close'], color='b', label='close')
plt.plot(df['ma5'], ls='--', color='gray', label='ma5')
plt.plot(df['ma20'], ls='--', color='k', label='ma20')
plt.scatter(df.loc[df['order']==1].index, df['close'][df.order==1], marker='^', s=100, color='m', label='in')
plt.scatter(df.loc[df['order']==-1].index, df['close'][df.order==-1], marker='v', s=100, color='g', label='out')
plt.yticks(fontsize=20)
plt.xticks(fontsize=20)
plt.legend(fontsize=20)
plt.grid()
plt.show()

screenshot-20240409-113918

量化回测

在得知了有效的量化策略以后，那我们就该在模拟盘中进行回测。

策略模型

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
import backtrader as bt

# 引入大脑，并实例化
cerebro = bt.Cerebro()
# 数据样本
datafeed = bt.feeds.PandasData(dataname=df, fromdate=datetime.datetime(2023,3,27), todate=datetime.datetime(2024,3,27))
# 通过cerebro.adddata添加给大脑，并通过 name 赋值 实现数据集与股票的一一对应
cerebro.adddata(datafeed, name='000001.SH') 

print('读取成功')
# 设置起始资金
cerebro.broker.setcash(1000000.0)
# ma_qt 为此量化策略的名称
class ma_qt(bt.Strategy):
    def __init__(self):
        # 全局只调用一次，一般在此函数中计算指标数据。
        self.ma_5 = bt.ind.SMA(self.data0.close, period=5)
        self.ma_20 = bt.ind.SMA(self.data0.close, period=20)
    def next(self):
        #计算买卖条件
        if self.getposition(self.data).size == 0:
        	# 通过此函数查询持仓，若持仓等于0
            if self.ma_5[0] > self.ma_20[0] and self.ma_5[-1] < self.ma_20[-1]:
            	# 当前一日接近下轨，当日跌破下轨时买入
                self.order = self.buy(self.data, 100)
                print('买入 100 股成功')
        elif self.getposition(self.data).size > 0:
        	# 持仓大于0时
            if self.ma_20[0] > self.ma_5[0] and self.ma_20[-1] < self.ma_5[-1]:
            	# 前一期小于上轨，当日突破上轨卖出
                self.order = self.close(self.data, 100)
                print('卖出 100 股成功')
            
cerebro.broker.set_slippage_perc(perc=0.002)       
cerebro.broker.setcommission(commission=0.001)
# 将策略添加给大脑    
cerebro.addstrategy(ma_qt)
# 添加分析指标
# 返回年初至年末的年度收益率
cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='_AnnualReturn')
# 计算最大回撤相关指标
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='_DrawDown')
# 计算年化夏普比率：
cerebro.addanalyzer(bt.analyzers.SharpeRatio_A, _name='_SharpeRatio_A')
# 返回收益率时
cerebro.addanalyzer(bt.analyzers.TimeReturn,_name='_TimeReturn')

# 运行
result=cerebro.run()

screenshot-20240409-142801

分析器

  1. 最终收益率
    1
    2
    3
    # 最终收益率
    ret = pd.Series(result[0].analyzers._TimeReturn.get_analysis()) # 获得收益时序图
    (ret+1).cumprod()

screenshot-20240409-142818

  1. 最大回撤
    1
    2
    # 查看最大回撤
    result[0].analyzers._DrawDown.get_analysis()['max']['drawdown'] * (-1)

screenshot-20240409-142826

总结

  1. 股市有风险，入市需谨慎！
  2. 股市有风险，入市需谨慎！
  3. 股市有风险，入市需谨慎！

引用

个人备注

此博客内容均为作者学习所做笔记，侵删！
若转作其他用途，请注明来源！