當前位置：首頁 > 编程语言 > python >内容正文

python

python量化投资培训清华大学深研院_GitHub - CatsJuice/quantitative-investment-learning: 使用Python进行量化投资的学习报告...

發布時間：2025/3/21 python 38 豆豆

生活随笔收集整理的這篇文章主要介紹了 python量化投资培训清华大学深研院_GitHub - CatsJuice/quantitative-investment-learning: 使用Python进行量化投资的学习报告... 小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

quantitative-investment-learning

使用Python進行量化投資的學習報告

Python量化投資學習報告

CatsJuice 編輯于 2019-4-26

上一次更新： 2019-05-21 16:04

CONTENTS:

1. 數據抓取

1.1. 通過第三方數據平臺直接調用api

1.1.1. TuShare(挖地兔)

1.1.1.1. A. 概述

Tushare是一個免費、開源的python財經數據接口包。主要實現對股票等金融數據從數據采集、清洗加工到數據存儲的過程，能夠為金融分析人員提供快速、整潔、和多樣的便于分析的數據，為他們在數據獲取方面極大地減輕工作量，使他們更加專注于策略和模型的研究與實現上。

1.1.1.2. B. 基本使用

使用前提:

安裝Python

安裝Pandas, lxml

下載安裝:

使用:

以歷史行情接口為例，如下調用:

import tushare as ts

ts.get_hist_data('600848') #一次性獲取全部日k線數據

結果顯示:

Tushare返回的絕大部分的數據格式都是pandas DataFrame類型，非常便于用pandas / NumPy / Matplotlib進行數據分析和可視化

1.1.2. 其他平臺

1.1.2.1. Win.d

中國市場的精準金融數據服務供應商，為量化投資與各類金融業務系統提供準確、及時、完整的落地數據，內容涵蓋

股票、債券、基金、衍生品、指數、宏觀行業等各類金融市場數據，助您運籌帷幄，決勝千里

1.1.2.2. 優礦

提供各類資產的財務、因子、主題、宏觀行業特色大數據，以及量化場景下的PIT數據，保障量化過程不引入未來數據。

股票、期貨、指數、場內外基金等多資產多策略回測。豐富的衍生工具，保證多因子策略、事件驅動等快速實現。

1.2. 使用爬蟲抓取

手動寫爬蟲進行抓取，首先需要確定數據來源，較為主流的財經數據平臺有新浪財經，東方財富，網易財經等。接下來針對若干平臺，分析抓取的過程以及可能遇到的問題；

1.2.1. 新浪財經

1.2.1.1. 獲取所有股票代碼(這里只考慮滬深A股)

新浪財經的數據地址為http://vip.stock.finance.sina.com.cn/q/go.php/vIR_CustomSearch/index.phtml, 通過切換頁面可以發現，地址欄的url的參數發生了變化，變化的規律為：p=n, n為當前頁碼，而股票代碼和股票名稱，通過F12打開開發者工具, 表單中的值均可定位到，應該可以通過爬蟲抓取所有股票的基本信息，通過新浪財經抓取股票的代碼我這里沒有寫，暫先略過；

1.2.1.2. 獲取日線數據

在新浪財經數據中心，我并沒有找到交易數據的表格，要查看某只股票的日線 / 分線只能通過點擊某只股票進到詳情頁(而url中的股票代碼對應著不同的股票)，而新浪財經的數據并非以表格的形式展示，而是通過圖表展示，鼠標移動時通過JavaScript更新日期及當前股票的數據信息；那么直接抓取網頁是無法獲取到數據的，現在的思路是分析js文件，找到鼠標移動時監聽到的事件，查明js是如何更新數據的， js的數據從哪里提取，以此來抓取信息;

首先，通過頁面元素審查可以發現，分時線是通過HTML5的canvas繪制的，在Sources找相關的js文件，可以找到paintSth.js文件，由于在鼠標移動時會更新頁面元素，所以可以直接在文件中查找mousemove，找到了相關代碼如下:

C = this.interactCanvas,

...

C.addEventListener("mousemove", o),

可以看到Canvas加了一個mousemove的監聽器，執行o, 再查找o(), 可以找到如下代碼：

function o() {

if (!c) {

var t = document.createElement("canvas");

c = t.getContext("2d")

}

return c

}

這里c又是一個未知量，所以應該繼續檢索c的信息，由于關聯的js文件較多，這種做法過于費時費力，爬取新浪財經的交易數據應該不是明智的選擇；

換種思路，既然可以瀏覽，那么使用 selenium 就有可能， selenium 可以進行自動化測試，讓鼠標在固定位置移動，同時抓取更新的信息，這種做法是可行的，我也嘗試著做了，由于這一方法過于不實用，源碼略；

這種做法局限性太大，首先，效率過低，這是很致命的一個缺陷，除此之外，由于移動導致的像素不同，可能會出現數據遺漏或重復；最后，新浪財經默認只顯示一定日期的交易數據，要查看更早的需要手動拖動進度條，這就使得selenium的操作誤差更大；

綜上所述，在新浪抓取交易數據是挺不容易的事情；

1.2.1.3. 獲取財務數據

新浪的財務數據在http://vip.stock.finance.sina.com.cn/q/go.php/vFinanceAnalyze/kind/profit/index.phtml?p=1, 這應該是爬蟲抓取中喜聞樂見的格式了，換頁不需要通過ajax，所以抓取的時候只需要設定好抓取的總頁數，循環抓取頁面再解析即可，接下來即可直接進行代碼的編寫(未親自驗證)

1.2.2. 網易財經

1.2.2.1. 獲取所有股票代碼(這里只考慮滬深A股)

網易財經的所有滬深A股數據位于http://quotes.money.163.com/old/#query=EQA&DataType=HS_RANK&sort=PERCENT&order=desc&count=24&page=0, 從url來看，換頁通過url傳參即可改變了，但是實際操作可以發現，點擊換頁時url中的page并不會改變，但改變url中的page參數，當前頁面序號會改變；但這不意味著可以像1.2.1. 新浪財經中爬取新浪財經一樣，枚舉url的page參數來爬取所有信息；因為股票數據是異步加載的，直接抓取無法獲取到值；

對于網易財經，由于點擊換頁時頁面的url沒有更新，所以應該是使用了Ajax或Js來更新數據，通過F12調起開發者工具，在Network選型卡中，篩選XHR, 每當點擊換頁時，就會有新的XHR，分析這些XHR的url可以發現，只有page值在改變：

直接復制Request URL并使用瀏覽器訪問，可以得到json格式的數據，但是可以看到中文通過Unicode編碼了，在獲取后，可以通過s.decode('unicode_escape')來解碼；接下來就是對json解析并提取需要的信息了， json格式如下：

在list中有[0]到[23]共24條數據，對應請求中的參數count=24，關于字段名的解釋，以下為我的分析：

No.

key_name

meaning

ANNOUNMT

公告信息，并非必須，對應在頁面中有公告標簽的股票才有這個字段

CODE

股票代碼

FIVE_MINUTE

5分鐘漲跌額

HIGH

最高

換手率(不帶%)

量比

LOW

最低

MCAP

流通市值

MFRATIO

list, 包含2個值MFRATIO2:凈利潤， MFRATIO10: 主營收

MFSUM

每股收益

NAME

名稱

網易財經中的編號

OPEN

今日開盤

市盈率

PERCENT

漲跌幅

PRICE

價格

TCAP

總市值

TURNOVER

成交額

VOLUME

成交量

委比

所以可以直接抓取這個url來獲取相關的數據，更有趣的是，請求參數中有個count參數，決定了數據的數量，所以我嘗試將count設置成全部數量, 查看網易財經滬深A股，網易的編號最后一只為3607，所以如下請求：

'http://quotes.money.163.com/hs/service/diyrank.php?host=http%3A%2F%2Fquotes.money.163.com%2Fhs%2Fservice%2Fdiyrank.php&page=0&query=STYPE%3AEQA&fields=NO%2CSYMBOL%2CNAME%2CPRICE%2CPERCENT%2CUPDOWN%2CFIVE_MINUTE%2COPEN%2CYESTCLOSE%2CHIGH%2CLOW%2CVOLUME%2CTURNOVER%2CHS%2CLB%2CWB%2CZF%2CPE%2CMCAP%2CTCAP%2CMFSUM%2CMFRATIO.MFRATIO2%2CMFRATIO.MFRATIO10%2CSNAME%2CCODE%2CANNOUNMT%2CUVSNEWS&sort=PERCENT&order=desc&count=3607&type=query'

即可返回所有json格式的數據，然后再進行解析，并寫入文件，完整代碼如下：

import urllib

import json

import csv

from tqdm import tqdm

# 下載器

class Downloader(object):

def __init__(self, url):

self.url = url

def download(self):

html_content = urllib.request.urlopen(self.url).read()

html_content = html_content.decode("utf-8")

return html_content

# 調度器

class Controller(object):

def __init__(self):

self.downloader = None

self.parser = None

self.saver = None

def get_data(self):

url = "http://quotes.money.163.com/hs/service/diyrank.php?host=http%3A%2F%2Fquotes.money.163.com%2Fhs%2Fservice%2Fdiyrank.php&page=0&query=STYPE%3AEQA&fields=NO%2CSYMBOL%2CNAME%2CPRICE%2CPERCENT%2CUPDOWN%2CFIVE_MINUTE%2COPEN%2CYESTCLOSE%2CHIGH%2CLOW%2CVOLUME%2CTURNOVER%2CHS%2CLB%2CWB%2CZF%2CPE%2CMCAP%2CTCAP%2CMFSUM%2CMFRATIO.MFRATIO2%2CMFRATIO.MFRATIO10%2CSNAME%2CCODE%2CANNOUNMT%2CUVSNEWS&sort=PERCENT&order=desc&count=3607&type=query"

html_content = urllib.request.urlopen(url).read()

# 這時候解碼可能導致json解析錯誤!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

# html_content = html_content.decode("unicode_escape")

# 當數量大于2995會報錯， json解析失敗，原因是編號為2996的股票，在公告中嵌套了引號導致json解析失敗

data = json.loads(html_content)

self.saver = Saver(data=data)

self.saver.save()

class Saver(object):

def __init__(self, data):

self.data = data

self.prifix = 'F:\\files\\sharesDatas\\code_list\\' # 存放目錄

def save(self):

# 新建文件, 寫入文件頭

file_header = ["代碼", "名稱", '流通市值', '每股收益', '總市值']

csv_file = open(self.prifix+'滬深A股.csv', 'w', newline='')

writer = csv.writer(csv_file)

writer.writerow(file_header)

list = self.data['list']

sum = len(list)

for i in tqdm(range(0, sum)):

item = list[i]

# 處理股票代碼，去掉網易財經的0/1前綴，并使其在Excel中顯示正常(加`)

code = str(item['CODE'])

code = code[1:7] if len(code) == 7 else code[:]

code = "`" + code

row = [code, item['NAME'], item['MCAP'], item['MFSUM'], item['TCAP']]

csv_file = open(self.prifix + '滬深A股.csv', 'a', newline='') # 追加

writer = csv.writer(csv_file)

writer.writerow(row)

if __name__ == '__main__':

controller = Controller()

controller.get_data()

1.2.2.2. 獲取日線數據

網易財經的日線交易數據可在http://quotes.money.163.com/trade/lsjysj_601318.html#06f01查看，需要將url中的601318替換成相應的股票代碼，在這個頁面沒有換頁按鈕，僅顯示若干條數據，但是在數據表的右上角有個下載數據的鏈接，點擊后，需要勾選需要下載的字段，點擊下載后會下載一個code.csv文件，所以要做的就是抓取下載的真實url，按F12打開開發者工具，點擊下載按鈕后，在控制臺看到如下提示：

其中已經包含了請求的真實地址，即：

"http://quotes.money.163.com/service/chddata.html?code=0601318&start=20070301&end=20190426&fields=TCLOSE;HIGH;LOW;TOPEN;LCLOSE;CHG;PCHG;TURNOVER;VOTURNOVER;VATURNOVER;TCAP;MCAP"

而想要搞清楚url的參數，可以轉到submit的文件，這里即b.667271.min.js:1, 這是一個壓縮的js文件，格式化后，在最后可以找到如下關鍵代碼：

submit: function() {

var e = n.value;

if (e) e = e.replace(/-/g, "");

var a = i.value;

if (a) a = a.replace(/-/g, "");

var o = t.elem.getElementsByTagName("input"),

r = [];

for (var d = 0; d < o.length; d++) {

if (o[d].type == "checkbox" && o[d].checked) {

r.push(o[d].value)

}

var c = "/service/chddata.html?code=" + window["STOCKCODE"];

e && /^\d{8}$/.test(e) && (c += "&start=" + e);

a && /^\d{8}$/.test(a) && (c += "&end=" + a);

r.length && (c += "&fields=" + r.join(";"));

location.href = c

}

能夠清楚地看到url的拼接過程，具體參數如下：

編號

參數

解釋

規范

start

起始日期

年月日直接拼接，如20190427，不足2位補0

end

截止日期

年月日直接拼接，如20190427，不足2位補0

fields

即需要下載的字段

使用;分割，如：TCLOSE;HIGH;LOW;TOPEN;LCLOSE;CHG;PCHG;TURNOVER;VOTURNOVER;VATURNOVER;TCAP;MCAP 具體意義不作詳述

code

股票代碼

關于股票代碼，網易財經的股票代碼在傳參時，如果是以6開頭的股票，需要在前面加0, 而以0和3開頭的股票需要在前面加1,如：1000333, 1300001, 0601318

接下來是做抓取，抓取就是根據已經獲取的股票代碼，枚舉股票代碼并下載對應的日線數據，僅需注意每次循環最好使用time.sleep(random.random()*2)，否則可能因操作頻繁被拒絕訪問；下面是部分源代碼(注：這里源代碼中的股票代碼是實時獲取的，抓取的是股城網, 因為只需要抓取股票代碼即可):

import random

import time

from stock.classes.Downloader import Downloader

from stock.classes.Parser import Parser

from stock.classes.Saver import Saver

# 控制器

class Controller(object):

# 構造函數

def __init__(self, url, kline_filepath, codelist_filepath, date):

'''

:param url: 股票基本信息url( 股城網>行情>滬深A股 )

:param kline_filepath: 日線數據文件保存路徑

:param codelist_filepath: 股票代碼文件保存路徑

:param date: 查詢截止日期

'''

self.url = url

self.kline_filepath = kline_filepath

self.codelist_filepath = codelist_filepath

self.date = date

self.downloader = None # 下載器實例

self.parser = None # 解析器實例

self.saver = Saver() # 存儲器實例

# 執行函數

def start(self):

page = 1

all_code = []

while page <= 181:

print("當前為第%s頁" % page)

time.sleep(random.random()*2)

self.downloader = Downloader(self.url % page)

page += 1

html_content = self.downloader.download()

self.parser = Parser(html_content)

codeList = self.parser.parseSharesCode()

for code in codeList:

all_code.append(code)

# print(codeList)

self.saver.saveKlineToCSV(codeList=codeList, filepath=self.kline_filepath, date=self.date)

self.save(codelist=all_code)

def save(self,codelist):

self.saver.saveCodeListToCSV(codeList=codelist, filepath=self.codelist_filepath) # 保存代碼到csv

# self.saver.saveKlineToMySQL(filepath=self.kline_filepath) # 保存所有股票的信息到數據庫

# 程序入口

if __name__ == '__main__':

url = 'https://hq.gucheng.com/HSinfo.html?en_hq_type_code=&sort_field_name=px_change_rate&sort_type=desc&page=%s' # 股城網>行情>滬深A股

kline_filepath = 'F:\\files\\sharesDatas\\dayline\\' # 定義數據文件保存路徑

codelist_filepath = 'F:\\files\\sharesDatas\\code_list\\' # 定義數據文件保存路徑

controller = Controller(url=url, kline_filepath=kline_filepath, codelist_filepath=codelist_filepath, date='20190428')

controller.start()

或者:

git clone https://github.com/CatsJuice/netease-stock-day-line.git

1.2.2.3. 網易財經財務數據

網頁url為http://quotes.money.163.com/f10/zycwzb_601318.html#01c01，可以看到同交易日線數據一樣，這里有一個下載數據的按鈕，對應盈利能力，償還能力等，而這里直接通過開發者工具審查元素，即可看到超鏈接的href：/service/zycwzb_601318.html?type=report&part=ylnl，很快，就能拿到完整的url，然后操作同網易日線數據，項目地址同樣位于https://github.com/CatsJuice/netease-stock-day-line)

1.2.3. 東方財富

1.2.3.1. 股票信息列表

1.2.3.2. 交易數據, 財務數據

東方財富的交易數據/財務數據我也嘗試過使用爬蟲爬取，但是還是要走不少彎路的，而且可能最后還沒成功，首先，東方財富的數據頁面和其他平臺一樣，股票代碼在url中，如http://data.eastmoney.com/bbsj/yjbb/600175.html，直接爬取，或者使用開發者工具定位頁面元素會發現：

對應的數據是亂碼的，而如果繼續挖掘其js文件，是可以找到有加密的函數的，如下圖所示：

在這個名字特別明顯直白的js文件load_table_data_pc.js?201606021831中, 可以看到加密，解密的方法，這也使得爬取成為可能，但是太大費周章暫不考慮。

2. 熱點獲取

2.1. 東方財富

這一頁面的新聞列表不是通過Ajax異步加載的，可以直接抓取，而頁碼由url中cgnjj_x(x為頁碼)決定，抓取過程較為簡單；這里統計的思路是，將所有的要聞簡述拼接成字符串(以;分隔并寫入txt作備份)，然后利用jieba庫分詞并統計詞頻，項目地址：https://github.com/CatsJuice/eastmoney-yaowen-keyword

也可以直接clone至本地

git clone https://github.com/CatsJuice/eastmoney-yaowen-keyword.git

3. 數據分析

在證券投資中，有很多技術層面的投資策略，如各種公式，通過策略可以篩選出股票，但并不意味著一定能盈利，而量化投資可以驗證這一策略的可靠性，接下來就是我對若干策略的驗證；

3.1. 換手率分析

分析連續處于低換手率的股票，脫離低換手率后，出現連續處于高換手率，判斷2個時期的收盤價均價，分析滿足這一特征的股票的價格是否會上漲；

程序設計的思路如下

迭代日線數據文件

判斷是否是連續高換手率

判斷是否在連續高換手率后出現連續低換手率

結果展示

注: 因為數據文件是按日期的倒序排序的，所以分析迭代時，先判斷是否出現連續高換手率

核心代碼如下：

high = []

low = []

for row in arr:

rate = row[10]

if rate == "None":

high = []

low = []

continue

if rate == 0:

if len(high) >= self.min_days and len(low) >= self.min_days:

dic = {'high': high, 'low': low}

self.res.append(dic)

high = []

low = []

continue

rate = float(rate)

# 4. 判斷是否是高換手率

if rate >= self.border_rate:

# 4.3 判斷是否是: 連續高 ->連續低 -> 結束連續低

if len(low) >= self.min_days:

# 符合條件，寫入

dic = {'high': high, 'low': low}

self.res.append(dic)

high = []

low = []

elif len(low) > 0: # 連續低中有值

# 不滿足連續低，重置

high = []

low = []

high.append(row)

elif len(high) < self.min_days: # 是低換手率，判斷是否前面是連續高換手率

# 4.1 前面不是連續的高換手率，重置高換手率數組

high = []

else:

# 4.2 前面是連續高換手率，地換手率寫入

low.append(row)

# 判斷日期是否已達到最后

if row[0] <= self.end_date:

# 判斷是否滿足條件

if len(high) >= self.min_days and len(low) >= self.min_days:

dic = {'high': high, 'low': low}

self.res.append(dic)

high = []

low = []

break

簡易流程圖如下：

程序可調整參數如下：

param

type

meaning

demo

file_path_prefix

str

日線數據目錄前綴

'F:\\files\\sharesDatas\\kline\\'

min_days

int

最小連續天數

border_rate

float

換手率高低邊界

end_date

str

統計的最早日期

'2018-12-28'

程序運行結果截圖如下：201905012052.png

或者：

git clone https://github.com/CatsJuice/low-switch-hand-rate.git

3.2. CCI指標

3.2.1. 概念

順勢指標又叫CCI指標，CCI指標是美國股市技術分析家唐納德·藍伯特(Donald Lambert)于20世紀80年代提出的，專門測量股價、外匯或者貴金屬交易是否已超出常態分布范圍。屬于超買超賣類指標中較特殊的一種。波動于正無窮大和負無窮大之間。但是，又不需要以0為中軸線，這一點也和波動于正無窮大和負無窮大的指標不同。

3.2.2. 指標用法

1. 當CCI指標曲線在+100線～-100線的常態區間里運行時,CCI指標參考意義不大，可以用KDJ等其它技術指標進行研判。

2. 當CCI指標曲線從上向下突破+100線而重新進入常態區間時，表明市場價格的上漲階段可能結束，將進入一個比較長時間的震蕩整理階段，應及時平多做空。

3. 當CCI指標曲線從上向下突破-100線而進入另一個非常態區間(超賣區)時，表明市場價格的弱勢狀態已經形成，將進入一個比較長的尋底過程，可以持有空單等待更高利潤。如果CCI指標曲線在超賣區運行了相當長的一段時間后開始掉頭向上，表明價格的短期底部初步探明，可以少量建倉。CCI指標曲線在超賣區運行的時間越長，確認短期的底部的準確度越高。

4. CCI指標曲線從下向上突破-100線而重新進入常態區間時，表明市場價格的探底階段可能結束，有可能進入一個盤整階段，可以逢低少量做多。

5. CCI指標曲線從下向上突破+100線而進入非常態區間(超買區)時，表明市場價格已經脫離常態而進入強勢狀態，如果伴隨較大的市場交投，應及時介入成功率將很大。

6. CCI指標曲線從下向上突破+100線而進入非常態區間(超買區)后，只要CCI指標曲線一直朝上運行，表明價格依然保持強勢可以繼續持有待漲。但是，如果在遠離+100線的地方開始掉頭向下時，則表明市場價格的強勢狀態將可能難以維持，漲勢可能轉弱，應考慮賣出。如果前期的短期漲幅過高同時價格回落時交投活躍，則應該果斷逢高賣出或做空。

3.2.3. 公式

關于公式有兩種：

3.2.3.1. 公式一：

TYP:=(HIGH+LOW+CLOSE)/3;

CCI:(TYP-MA(TYP,N))/(0.015*AVEDEV(TYP,N));

該公式來自通達信，含義如下：

TYP賦值:(最高價+最低價+收盤價)/3

輸出CCI:(TYP-TYP的N日簡單移動平均)/(0.015*TYP的N日平均絕對偏差)

3.2.3.2. 公式二：

程序中我采用的是公式二，生成的 CCI 指標追加到日線文件中，在相應日期后增加 CCI 的值，在 Python 中對 csv 文件進行增加列的方法，在網上可找到的方法較少，以下為一個提供了多種解決方案的，較為完善的鏈接: https://stackoverflow.com/questions/11070527/how-to-add-a-new-column-to-a-csv-file, 我使用的是 pandas 庫，關鍵代碼如下：

df = pd.read_csv(filename, encoding='gbk')

df['cci'] = ''

for index, row in pd.iterrows():

df.loc[index, 'cci'] = cci

3.2.4. 程序設計

總共設計了4個類如下:

CCIAnalyze(object) ???????//??CCI分析類

analyze_all(self) ????//??分析所有股票

analyze_one(self) ????//??分析一只股票

test_buy(self) ??????//??測試購買(策略一：在下文說明)

test_buy_2(self) ?????//??測試購買(策略二：在下文說明)

CCICalculate(object) ?????//??根據3.2.3. 公式中的公式二計算CCI

CCICalculate_2(object)????//??根據3.2.3. 公式中的公式一計算CCI

BuyInfo(object)????????//??購買輔助類

3.2.5. 參數說明

param

type

default

mean

demo

necessary

file_path_prefix

str

None

日線數據文件目錄前綴

'F:\\files\\sharesDatas\\kline\\'

True

cci_path_prefix

str

None

CCI數據將要保存的目錄前綴

'F:\\files\\sharesDatas\\cci\\'

True

code

str / int

None

股票代碼

000001

False

end_date

str

'0000-00-00'

最早的日期(截止日期)

'2009-01-01'

False

或者clone:

git clone https://github.com/CatsJuice/stock-cci

3.2.6. 測試結果

在進行測試購買時，采用的策略有2種，如下：

策略一：

對應CCIAnalyze(object)中的test_buy(self)方法，當CCI向下突破-100時，后一交易日買入，等到CCI向上突破100時，后一交易日賣出(由于計算出當日的CCI，當日已不可買入/賣出，所以計算后一交易日買入/賣出)

策略二：

對應CCIAnalyze(object)中的test_buy_2(self)方法, 當CCI向下突破-100時，繼續觀察，等到向下達到第一個峰值時，后一交易日買入，等到CCI向上突破100時，繼續觀察，等到向上達到第一個峰值時，后一交易日賣出(和策略一一樣，計算出CCI后只能后一日買入，而策略二不同的是，要判斷達到第一個峰值，必須確定峰值后一日CCI降低，所以測試時，購買的是峰值的后第2個交易日)

經過若干次測試，分別使用的數據是2019-01-01 ~ 2019-04-26, 2018-01-01 ~ 2019-04-26, 2017-01-01 ~ 2019-04-26, 測試的結果, 購買策略一的收益率大概為56%, 可見這個指標有一定依據，但是盈利的幾率不夠高; 而策略二的收益率大概為57%, 較策略一高一點，但是依舊無法將其作為購買的唯一指標，以下是某次運行結果的部分截圖：

3.3. 《胡立陽股票投資100招》由“價量關系”來為個股打分數

3.3.1. 概念

胡立陽根據股票的價量關系對股票進行打分(第21招)，而其打分的依據如下：

當日個股表現：

(1)價漲量增 +2 分

(2)價漲量縮 +1 分

(3)價跌量增 -2 分

(4)價跌量縮 -1 分

每日累計評分。你只要連續計算一個星期,以最高分或者是評分穩定增加的作為你投資的第一選擇,因為那只個股具備了“價量配合”的上漲條件

3.3.2. 程序設計

根據以上打分標準，不難計算每只股票某日的得分，然后將所有得分排序即可，這樣能夠得到某一天的所有股票打分，而需要驗證每只股票是否盈利，這里我簡單地判斷后一天收盤價是否比當天高，所以能夠得出每只股票是否盈利，計算出當天得分前n只股票的盈利與否，再用盈利股票的只數 / n 即當天的盈利率；

以此類推m天可得出m天這一策略的盈利幾率

程序流程圖如下：

參數詳情如下表

param

type

mean

demo

prefix

str

網易財經日線數據文件前綴

'F:\\files\\sharesDatas\\kline\\'

date_now

str

最新數據的第一個日期, 對應爬取的最新數據表第一行的日期

'2019-04-26' ; Format( yyyy-mm-dd )

days

int

加分的天數

calculate_days

int

要統計的天數

best_num

int

選出的最佳的天數

3.3.3. 結果

鍵值說明:

date: 統計的日期

rate_low: 打分最低的盈利幾率

rate_high: 打分最高的盈利幾率

在分別統計了每個分數的股票的盈利率，和排名靠前的股票的盈利率來看，胡立陽的打分欠缺科學性，盈利率不穩定，不建議做參考；

3.3.4. Source Code

直接clone:

git clone https://github.com/CatsJuice/stock-price-num-score.git

3.4. 移動平均線分析

3.4.1. 概念

移動平均線，Moving Average，簡稱 MA， MA 是用統計分析的方法，將一定時期內的證券價格(指數)加以平均，并把不同時間的平均值連接起來，形成一根 MA ，用以觀察證券價格變動趨勢的一種技術指標。

常見的均線有5日均線(MA5), 十日均線(MA10)，二十日均線(MA20)，三十日均線(MA30)，六十日均線(MA60)

3.4.2. 計算

在這里，我的計算方法是簡單地計算 n 日內的收盤價的算數平均值

3.4.3. 程序設計

基本思路如下：

定義要計算的幾日(假設為n)均線數組，進行遍歷計算

迭代文件列表

打開某個文件，選取 n 行，計算這n行的收盤價總和

迭代 csv 文件的每一行，每次迭代，將上述收盤價的總和減去首行，追加新的一行

計算 ma 并寫入原文件

和之前計算cci不同，這里不再做多余的迭代，以此能大大提高效率

3.4.4. 參數說明

param

type

mean

demo

necessary

file_path_prefix

str

日線數據文件目錄前綴

'H:\\sharesDatas\\kline\\'

true

code

int / str

股票代碼

'000001'

false

end_date

str

最早的日期(截止日期)

'2019-01-01'

false

all_n

Array

要計算的幾日ma 數組

[5,10]

false

3.4.5. 購買策略分析

3.4.5.1. 策略一： '老太太選股法' 一根均線打天下

購買的策略較為簡單，收盤價低于均線即買入，將收盤價作為買入價格(假設第二個交易日開盤即買入)，收盤價高于均線即賣出，同樣將收盤價作為賣出價格

3.4.5.2. 策略二：'黃金交叉'和'死亡交叉'

1、”黃金交叉”

當10日均線由下往上穿越30日均線，形成10日均線在上，30日均線在下時，其交叉點就是黃金交叉，黃金交叉是多頭的表現，出現黃金交叉后，后市會有一定的漲幅空間，這是進場的最佳時機。

2、”死亡交叉”

當10日均線由上往下穿越30日均線，形成30日均線在上，10日均線在下時，其交點稱之為”死亡交叉”，”死亡交叉”預示空頭市場來臨，股市將下跌此時是出場的最佳時機。

3.4.6. 分析結果

3.4.6.1. 老太太選股法

對于'老太太選股法'，我分別測試了5日均線和10日均線(由于20日數據較大，電腦處理太慢，暫時不考慮)，最終得到的結果為：

ma5 的盈利幾率為63.3132%; 而 ma10 的盈利幾率為67.0026%

以下是某次運行的截圖：

運行結果中，可以發現, 無論是盈利或是虧損，金額基本都在1元以內，可見這一策略首先具有一定的科學性，同時風險也不是很大，但盈利金額較高的可能性很小；

對此，我增加了結果判斷，統計虧損 / 盈利超過 1 元的比例, 以下是結果：

對于 ma5:

對于 ma10:

對于 ma20:

對于 ma30:

對于 ma60:

從更詳細的結果可以看到，無論盈利或虧損，超過 1 元的概率都不大，但是虧損的時候超過 1 元的概率比盈利大；更有趣的是，當 ma的計算天數越多，盈利的幾率越大，由于一般看盤軟件中僅提供了上述這些均線(MA5, MA10, MA20, MA30, MA60), 所以這里不再多更高的天數進行測試；雖然天數越大時，盈利幾率越高，但是從更細節數據可以看到，盈利的情況大于1元的概率始終在 10% ~ 15%, 而虧損時超過 1 元的概率卻表現出和天數正相關的趨勢，并且從 24% 跳躍到高達 50%

3.4.6.2. '黃金交叉'和'死亡交叉'

運行結果如圖：

對于這個結果的確是非常出乎意料，這個盈利率低得感覺好像可以作為一個反向指標使用；

對于這個結果，首先應該懷疑是自己的代碼邏輯出現了問題，于是我檢查了關鍵代碼如下：

# 前一天 ma30 > ma10 , 今天ma10 >= ma30

if prev_row is not None and prev_row['ma30'] > prev_row['ma10'] and row['ma10'] >= row['ma30']:

# 買入

...

# 前一天 ma30 < ma10 , 今天ma10 <= ma30

if prev_row['ma30'] < prev_row['ma10'] and row['ma10'] <= row['ma30']:

# 賣出

關鍵代碼部分好像并沒有什么邏輯問題，但是不排除其他部分出現問題，由于這個指標的預期過于不符，我試著嘗試了交換 '黃金交叉'和'死亡交叉'，修改上述關鍵代碼如下(其實就是把所有大小判斷符號反置)：

# 前一天 ma30 < ma10 , 今天ma10 <= ma30

if prev_row is not None and prev_row['ma30'] < prev_row['ma10'] and row['ma10'] <= row['ma30']:

# 買入

...

# 前一天 ma30 > ma10 , 今天ma10 >= ma30

if prev_row['ma30'] > prev_row['ma10'] and row['ma10'] >= row['ma30']:

# 賣出

以下為運行結果：

這時候盈利率可以說是馬馬虎虎還算過得去了，但是盈利率卻還是不如 ‘老太太選股法’

3.4.7. Source Code

直接 clone ：

git clone https://github.com/CatsJuice/line-of-ma.git

3.5. 分時數據成交手分析

3.5.1. 基本概念

成交手指的是每筆買賣流動的股票數量，現行股票交易所用手方便表示成交數量，一手相當于股票一百股，各類炒股軟件中的成交量一般用手表示

3.5.2. 分析的形態

當某日開盤初出現集中的大量買入/賣出，即成交手出現連續峰值的情況(大概如下圖所示情形)，分析該股在當日的趨勢

3.5.3. 程序設計

設計的關鍵，是為了找出某日開盤時的集中峰值，在這里我首先設定分界線，默認 10 點前為開盤初，統計全天的換手量平均值，以及開盤初的換手量平均值，當開盤初的換手量大于全天的某倍數(默認為2)時，即認定當日開盤初的換手量為集中峰值；

但將今日的換手量平均值作為比較，在實際運用中可能無法實施，所以另一策略是統計前一日的平均換手量作為參考(在此尚未實現)

3.5.4. 參數說明

no.

param

type

mean

format

default

necessary

demo

tick_file_prefix

str

分時數據文件目錄前綴

none

true

"F:\\files\\sharesDatas\\tushare_tick_data\\"

end_date

str

終止日期

'yyyymmdd'

'00000000'

false

'20190426'

end_time

str

開盤初的終止時間

'hh:mm:ss'

'10:00:00'

false

'11:00:00'

multiple

int/float

設定倍數

false

2.5

3.5.5. 結果及分析

以下為不區分買盤或賣盤，倍數為 2 時，當天前后均價變化是否上漲的結果：

而只考慮買盤時，這個幾率為34%, 只考慮賣盤時幾率為47%，可見開盤初集中的成交量不一定會導致今日價格走上升的趨勢，但在這個部分的程序設計中，分析得不是很到位，首先實際中沒法考慮當天后面的成交量情況，所以更穩妥的方法應該是計算前一交易日的平均成交量，而在判斷這這股票是否處于上漲的趨勢時，簡單判斷今日的前后均價也不是最不合理的。

3.5.6. Source Code

直接 clone:

git clone https://github.com/CatsJuice/stock-volume-analyze.git

3.6. MACD

3.6.1. 基本概念

3.6.1.1. MACD

百度百科的解釋：

MACD 稱為異同移動平均線，是從雙指數移動平均線發展而來的，由快的指數移動平均線( EMA12 )減去慢的指數移動平均線( EMA26 )得到快線 DIF ，再用 2 ×(快線DIF-DIF的9日加權移動均線DEA) 得到 MACD柱

3.6.1.2. MACD 金叉

MACD 指標是股票技術分析中一個重要的技術指標，由兩條曲線和一組紅綠柱線組成。兩條曲線中波動變化大的是 DIF 線，通常為白線或紅線，相對平穩的是 DEA 線(MACD線)，通常為黃線。當 DIF 線上穿 DEA 線時，這種技術形態叫做 MACD金叉，通常為買入信號

3.6.1.3. MACD 死叉

DIF 由上向下突破 DEA,為賣出信號

3.6.2. 程序設計

3.6.2.1. 數據計算

【MACD公式】

以下為通達信的公式：

DIF:EMA(CLOSE,SHORT)-EMA(CLOSE,LONG);

DEA:EMA(DIF,MID);

MACD:(DIF-DEA)*2,COLORSTICK;

需要的變量參數為 SHORT , LONG , MID，在通達信中默認分別為 12 , 26 , 9;

要計算 MACD ，關鍵在于求 EMA(指數移動平均值), 其公式如下：

其中， α 為平滑指數，一般取 2 / ( N + 1 )

該公式是依賴于前一日的遞歸的計算，最大的問題便是第一天的 EMA[yesterday] 無法求得，在程序設計時，我將它設置為當日收盤價,

再求 DIF, 第一天的 DIF 就變成了 0 (當日收盤價 - 當日收盤價), 而求 DEA (即 DIF 的 EMA) 時，第一天所需的 DEA[yesterday] 同樣不知道，將其設置為 DIF ( 即 0 )。

【性能優化之多線程】

由于數據量較大，在這里我嘗試使用 Python 的多線程進行分析，添加了一個 calculate_all_by_thread 的方法，接收 1 個參數(thread_num)即需要的線程數，然后根據線程數動態創建線程，將文件劃分為等分的塊分別計算，創建線程部分的代碼如下：

def calculate_all_by_thread(self, thread_num):

file_list = os.listdir(self.file_prefix)

file_count = len(file_list)

offset = file_count / thread_num

offset = math.ceil(offset)

threads = []

for i in range(thread_num):

start = i * offset

end = (i+1) * offset if (i+1) * offset < file_count else -1

thread = threading.Thread(target=self.calculate_block, args=(start, end))

threads.append(thread)

for t in threads:

t.setDaemon(True)

t.start()

t.join()

這里我使用的 2 個線程進行計算，實際測試速度雖然不是單線程的 2 倍，但是計算的時間上是有所優化的。

【數據存儲】

在了解公式后，便可迭代文件進行帶入計算，計算結果這里我采用的是將其寫入原文件，在列末尾追加新的 5 列：

EMA26 (26根據傳參而定)

EMA12 (12根據傳參而定)

DIF

DEA

MACD

【數據驗證】

完成計算后，有必要對計算結果進行驗證, 這里，我簡單寫了一個輸出來進行簡單驗證，該部分代碼如下：

def verify_calculate(self, code):

try:

df = pd.read_csv(self.file_prefix + str(code) + '.csv', encoding='gbk')

except:

print('文件%s.csv打開失敗' % code)

return

df = df[df.日期 > self.end_date]

df = df[::-1]

mid = []

dates = []

difs = []

deas = []

macds = []

color_macd = []

for index, row in df.iterrows():

mid.append(0)

dates.append(row['日期'])

difs.append(row['DIF'])

deas.append(row['DEA'])

macds.append(row['MACD'])

if row['MACD'] > 0:

color_macd.append('red')

else:

color_macd.append('green')

# 繪制圖表

fig = plt.figure(dpi=128, figsize=(100, 6))

plt.plot(dates, mid, c='blue')

plt.plot(dates, difs, c='yellow')

plt.plot(dates, deas, c='black')

plt.bar(dates, macds, color=color_macd)

plt.xticks(fontsize=5)

plt.xlabel('', fontsize=5)

fig.autofmt_xdate()

plt.show()

在對股票 '000002' 進行驗證，驗證結果如下(上圖為通達信MACD截圖，下圖為程序輸出的圖片，時間為2018-01-01 ~ 2019-04-26)：

可以看到圖形基本一致，但是同樣對股票 000001 進行驗證，結果如下：

此時，兩圖形基本沒有重合，原因是因為計算 MACD 時，第一天的 EMA并不是前一天計算的，同樣 DEA 也是，而這里數據只計算了 2018-01-01 ~ 2010-04-26, 所以前面基本一致的時候，是因為第一日剛好相近導致后面計算偏差不大，對此，應該不設置截止日期以保證數據的可靠性, 我將時間設置到了 2014-01-01，重新驗證 000001 得到如下：

然后再隨機抽取一直股票進行驗證，如下為 600702 的結果

3.6.2.2. 數據分析

這里主要是對 MACD 的分析，所以以上計算的數據實際上只要用到 MACD , 對 MACD 柱滿足以下形態的股票進行分析：

該形態需滿足以下特點：

出現連續的紅色塊(MACD > 0)

緊接著出現連續藍色塊(MACD < 0)

藍色塊小于第一個紅色塊

藍色塊后面跟著一個紅色塊，且后一紅色塊大于前一紅色塊

在程序設計時，使用的是迭代數據行，通過 if 判斷，來定位上述的 3 個塊，在第三塊大于第一塊時即為符合條件的形態；大致思路是，定義 3 個變量來標記 3 塊的合計值：

red_1

green_1

red_2

判斷三個塊的條件分別為：

塊 1 ：green_1 == 0 and red_2 == 0

塊 2 ：red_1 != 0 and red_2 == 0

塊 3 ：red_1 != 0 and red_2 != 0 and green_1 != 0

3.6.3. 參數說明

no.

param

type

mean

format

default

necessary

demo

file_prefix

str

日線文件前綴

None

True

'F:\\files\\sharesDatas\\kline\\'

end_date

str

截止日期

yyyy-mm-dd

'0000-00-00'

False

'2019-01-01'

short

int

短期的天數

False

long

int

長期的天數

False

mid

int

計算DEA時， DIF的EMA天數

False

count_max

int

判斷后面的多少天漲跌情況

False

count_border

int

設置最大天數內至少多少天漲才符合

False

3.6.4. function注釋

calculate_noe

計算單只股票的 MACD 、 DIF 、 EMA 、 DEA

需要參數：

code: 股票的代碼

返回值：

None

calculate_all_by_thread

通過多線程計算所有股票

需要參數：

thread_num: 線程數量

返回值:

None

calculate_block:

計算指定代碼塊的股票

需要參數：

start：塊下標開始

end: 塊下標結束

返回值：

None

verify_calculate

驗證計算的結果

需要參數：

code: 股票的代碼

返回值：

None

analyze_macd_one:

分析單只股票的 macd

需要參數：

code: 股票的代碼

返回值：

None

analyze_macd_by_thread:

通過多線程分析所有股票

需要參數：

thread_num: 線程數量

返回值:

None

analyze_block:

分析指定代碼塊的股票

需要參數：

start：塊下標開始

end: 塊下標結束

返回值：

None

show_res:

輸出分析結果并寫入相關文件

需要參數：None

返回值： None

3.6.5. 結果分析

【某次結果截圖】

計算 MACD 時候的傳參均為默認，即通達信公式中的默認值，對上述情況進行分析得到的結果是，后 10 天內至少 6 天比符合條件時漲了的比例約為 55% ，而如果將參數調整為 5 天內至少 3 天，則比例降低到約47%，而如果不是 MACD 的值計算有誤的話，可見這個 MACD 的指標并不是很可靠，但可以調整計算 MACD 的參數的值

3.6.6. Source Code

直接 clone:

git clone https://github.com/CatsJuice/MACD-Analyze.git

總結

以上是生活随笔為你收集整理的python量化投资培训清华大学深研院_GitHub - CatsJuice/quantitative-investment-learning: 使用Python进行量化投资的学习报告...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇：弧度转为角分秒的c语言程序_用弧度表示角
下一篇： vue在js上处理后台返回的数组_vue