学习《深入浅出python量化交易交易实战》第一章（笔记）_量化交易jupyter notebook

1.学习《深入浅出python量化交易交易实战》第一章

记录学习过程中的代码和一些坑

1.1 基础（名词解释）

1.1.1 CAPM （Capital Asset Pricing Modal）

• beta 系数 用于表示某项资产的系统性风险
• factor investment 因子投资
  在因子投资中，因子的定义就是那些可以量化的信号、特征或其他变量。
• Arbitrage pricing Theory, Apt
• 三因子模型:市场资产组合，市值，账面市值解释证券回报率
• 四因子模型:市场资产组合，市值，账面市值，市场动量因子解释证券回报率

1.1.2 数据分析

• alpha factor 阿尔法因子

1.1.3 工具介绍

• Anaconda: http://www.anaconda.com
• Jupyter notebook 是一种 Web 应用，能让用户将说明文本、数学方程、代码和可视化内容全部组合到一个易于共享的文档中。
• pandas_datareader 金融数据库（接口无法正常获取数据）
• akshare 国内开源的获取金融数据的python库：https://akshare.akfamily.xyz/data/stock/stock.html#id19
• mplfinance：绘制股票图的库
• matplotlib：绘图库

1.2 获取股票数据并做简单的分析

书中的datareader，由于接口或网络原因，已无法正常获取股票数据，这里找到akshare代替，并且使用mplfinance绘制了蜡烛图。

代码如下：

# 下载股票数据
import akshare as ak
import pandas as pd
import mplfinance as mpf
# A 股日频率数据-东方财富 stock_zh_a_hist
'''
    '日期': 'Date',
    '开盘': 'Open',
    '最高': 'High',
    '最低': 'Low',
    '收盘': 'Close',
    '成交量': 'Volume',
    '成交额':
    '振幅':
    '涨跌幅': 
    '涨跌额':
    '换手率':
'''

stock = ak.stock_zh_a_hist(symbol="002236",
                           period="daily",
                           start_date="20170301",
                           end_date="20221231", adjust="hfq")

stock = pd.DataFrame(stock, columns=['日期', '开盘', '最高', '最低', '收盘', '成交量'])
stock.rename(columns={
        '日期': 'Date',
        '开盘': 'Open',
        '最高': 'High',
        '最低': 'Low',
        '收盘': 'Close',
        '成交量': 'Volume'
    },
        inplace=True)
stock.index = pd.DatetimeIndex(stock['Date'])
print(stock.tail(5))
# 绘制蜡烛图
# type='candle', type='line', type='renko', or type='pnf'
mpf.plot(stock.tail(30), type="candle", volume=True)

# 相比前一个交易日收益计算
stock['diff'] = stock['Close'].diff()
print(stock.head(5))

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

获取的数据：

做了diff分析的数据：

绘制的蜡烛图：

1.3 设计最简单的交易策略

1. 简单的数据处理

当日股价下跌，我们就在下一个交易日开盘前挂单买入；反之，当日股价上涨，我们就在下一个交易日开盘前挂单卖出。
创建一个新的字段——Signal（交易信号），如果diff字段大于0，则Signal标记为1；如果diff字段小于或等于0，则Signal标记为0。
1
2

在上面获取到数据的基础上做如下操作：

'''
简单数据处理
- 相比前一个交易日收益计算
'''
stock['diff'] = stock['close'].diff()
print('----计算涨跌diff数据------')
print(stock.head(5))
stock['signal'] = np.where(stock['diff'] > 0, 1, 0)
print('----计算买入卖出信号后的数据------')
print(stock.head(5))
1
2
3
4
5
6
7
8
9
10

2. 交易信号可视化

将上面买入卖出的数据生成可视化图表，这里需要用到两个苦：numpy和matplotlib。

代码如下：

'''
import matplotlib.pyplot as plt
import numpy as np

简单交易策略
·当日股价下跌，下一个交易日买入
·当日股价上涨，下一个交易日卖出

创建交易信号字段：Signal, diff > 0 Signal=1 卖出，否则Signal=0
'''



# matplotlib 绘图
plt.figure(figsize=(10, 5))
stock['close'].plot(linewidth=2, color='k', grid=True)
# 卖出标志 x轴日期，y轴数值
# matplotlib.pyplot.scatter(x, y, marker, size, color)
plt.scatter(stock['close'].loc[stock.signal == 1].index,
            stock['close'][stock.signal == 1],
            marker='v', s=80, c='g')
# 买入标志
plt.scatter(stock['close'].loc[stock.signal == 0].index,
            stock['close'][stock.signal == 0],
            marker='^', s=80, c='r')
plt.show()

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

小结

该章主要讲述python量化获取股票数据并进行简单处理，同时介绍了常用的工具和库：

• Anacond
• Jupyter notebook ：网页编辑pyth
• pandas_datareader：获取股票数据（api废弃或网络问题无法使用，用akshare代替）
• akshare：获取股票数据
• mplfinance：绘制股票图的库
• matplotlib：绘图库