深入浅出Python量化交易实战--第4章-借助量化交易平台

第4章-借助量化交易平台

现在，小瓦已经对算法交易的基本概念、简单的交易策略、最基 本的回测方法有了一定的了解，也尝试了使用机器学习技术来进行股 票涨跌的预测。虽然作为简单的实验，KNN算法的预测准确率还不是 很理想，但小瓦猜想，如果我们扩展样本的数据维度，模型的准确率 不就可以提高了吗？此外，我们只是随机挑选了一只股票来进行实 验，假如能够选出更多涨幅明显的股票来组成投资组合，收益率不也 可以大幅提高吗？ 为了验证小瓦的猜想，我们就来寻找一些方法来展开实验。本章 的主要内容如下。

1. 量化交易平台的基本使用方法。
2. 利用量化交易平台获取股票的概况与财务数据。
3. 利用财务指标进行简单选股。
4. 利用量化交易平台获取股东数据。
5. 利用量化交易平台查询资金流入／流出数据。

4.1　数据不够，平台来凑

既然要进行进一步的实验，我们就需要找到更多的数据（仅仅使用 tushare获取的数据不够），而让小瓦自己开发一个爬虫程 序去各大网站“爬”数据，学习成本又太高，还要花费大量的时间，那小 瓦还不如直接用别人已经整理好的数据呢。也就是说，小瓦可以借助现 有的量化交易平台来进行研究。

4.1.1　选择量化交易平台

现在有很多现成的量化交易平台，不但有大量已经整理好的数据， 并且可以让小瓦在平台上直接编写策略并进行回测。例如，Quantopian 的开源回测工具zipline可以说在业内是无人不知，无人不晓，但zipline 在本地的配置有点麻烦，而Quantopian平台上面的中国股市数据包还需 要单独付费。这样一来，小瓦就需要找一找国内的量化交易平台了。 国内的量化平台也有几个比较有名的，如聚宽（JoinQuant）、米筐 （RiceQuan）、BigQuant等。这几个平台对于小瓦目前的水平来说，都 是够用的。小瓦要做的无非是挑一个用着比较顺手、文档比较完善、有 成熟社区的平台即可。 结合上述几个方面的考虑，我们就让小瓦先从“聚宽”开始，等熟悉 之后，要转向其他平台，也是比较容易操作。

要使用“聚宽”平台，只需要浏览器打开网址 JoinQuant聚宽量化投研平台 即可。

注册一个新用户:过程十分简单，我们这里就不详细讲解了

4.1.2　量化交易平台的研究环境

注册完成之后，我们就和小瓦一起来熟悉平台的使用方法。“聚 宽”平台的功能还是比较多的，包括策略的编写、回测、研究等。我们 先从研究环境开始

4.1.3　在研究环境中运行代码

“聚宽”平台研究环境的用法与小瓦在本地安装的Jupyter Notebook一 样，而且一些常用的第三方库也已经安装好，还是非常方便的。下面我 们就和小瓦一起在研究环境中做一点练习，熟悉相关的函数的使用方 法。 例如，要获取某只股票在2023年1月1日至2023年3月13日之间的行情 数据，只要使用get_price函数即可，输入代码如下

#导入需要的库
import pandas as pd
 
#获取股票002624.XSHE 2023年1月1日至2023年3月13日之间的的日级交易数据
df = get_price('002624.XSHE', start_date='2023-01-01', end_date='2023-03-13', frequency='daily') 
df

 

 

【结果分析】从输出中可以看到，我们在“聚宽”平台的研究环境 中运行代码的结果与在本地Jupyter Notebook中一模一样。使用get_price 函数，系统返回的结果同样是一个DataFrame格式的数据表，同样包括 open、close、high、low及volume这几个字段。 注意：与tushare不同，在“聚宽”的get_price函数中，传入的 股票代码是用.XSHG扩展名代表上海证券交易所股票，用.XSHE扩展 名代表深圳证券交易所股票。

4.2　借助财务数据筛选股票

现在，小瓦对平台研究的使用方法已经有了初步的了解。当然，平 台对于我们来说，最大的价值之一就是可以提供更多的数据——如果仅 仅是查询某只股票的开盘价、收盘价、成交量、成交额这些，那平台也 没有比tushare提供的数据多。不过“聚宽”量化交易平台能够提供的 看起来远远不止这些。该平台有一个数据字典，可以看到，“聚宽”平台提供的数据，除了股票的行情、财 务、基本面信息之外，还有宏观经济数据、各种因子数据、新闻事件数 据等，看起来还是非常全面的。接下来，我们就和小瓦一起看看如何来 使用这些数据。

4.2.1　获取股票的概况

设想一下，假如某天某人给我们推荐了一只证券的代码，我们首先 想到的自然是要了解一下这只证券的概况。例如，它是什么时候上市 的，是否已经退市；它是股票还是基金，如果是基金，是哪一种类型的 基金；等等。 利用平台获得这些数据十分容易，使用get_security_info函数就可以 做到。例如，我们想要了解002624这只股票的概况，只需要以下这几行 代码就可以了。

df = get_security_info('002624.XSHE')
print('股票名称：', df.display_name)
print('股票简称：', df.name)
print('股票上市时间：', df.start_date)
print('产品类型：', df.type)

 

除了可以获取单个证券的基本信息之外，我们还可以使用 get_all_securities函数批量获得证券信息。实例代码如下：

df = get_all_securities()
print(df.head())
df.tail()

 

4.2.2　获取股票的财务数据

在了解了股票的基本概况之后，可能很多读者朋友就会有和小瓦一 样的问题——我们该如何知道这只股票是否是优质股呢？这是一个非常 好的问题。如果我们要做价值型投资者，那么我们最重要的还是要看某 只股票的长期发展趋势；而能够保持良好表现的股票，其对应的企业必 然是财务状况良好、盈利能力不错、净资产和现金流状况都比较突出的 企业。获取这些数据也十分简单，使用平台的get_fundamentals函数就可 以了。

与get_security_info不同的是，使用get_fundamantals函数并不是直接 把股票的代码传递到参数中，而是要传入一个query object。query的原 理也比较容易理解：在数据库中有一个表格，其中包含若干字段，使用 query可以查询表格中的某个字段，并且可以设置筛选条件。例如，下 面我们对代码为002624的股票进行查询，输入代码如下：

# 获取单只股票在某一日期的市值数据
q = query(
          valuation
         ).filter(
                  valuation.code == '002624.XSHE'
                 )
df = get_fundamentals(q, date='2023-03-13')
 
df

 

 

【结果分析】从输出中可以看到，系统返回了代码为002624的股 票财务数据。除了股票代码、上市日期等基础信息之外，股票财务数据 还包括一系列的财务指标，如pe_ratio、turnover_ratio、pb_ratio、 ps_ratio、pcf_ratio、pe_ration_lyr等。

鉴于小瓦没有学习过财务方面的相关知识，我们在这里对各项财务 指标做一个简单的解释。如果读者朋友们对这些指标已经有了充分的了 解，则可以跳过这部分内容。

• pe_ratio：动态市盈率，指的是这只股票的市价除以每股收益。 例如，某只股票的每股收益是1元，而某日的股价是10元，则这只股票的动态市盈率就是10。一般来说，市盈率越低的股票越值 得投资。

• turnover_ratio：换手率，指的是这只股票在某个时间内交易的频 率。例如，某只股票一共发行了1亿股，而某天这只股票的成交 量是1000万股，则这一天，该股票的换手率是10%。换手率越 高，说明该股票的成交越活跃。

• pb_ratio：市净率，指的是这只股票的价格与每股净资产的比 值。例如，某公司净资产1亿元，发行股票1亿股，也就是说每股 净资产为1元；而这只股票某日价格为5元，则该股票的市净率为 5。一般来说，市净率越低越好。

• ps_ratio：市销率，指的是这只股票的价格与每股销售收入的比 值。例如，某公司的销售收入是2亿元，发行1亿股，每股销售收 入为2元；而某日这只股票的市价是8元，则市销率为4。一般来 说，市销率越低越好。

• pcf_ratio：市现率，指的是这只股票的价格与每股现金流的比 值。例如，某公司从事经营活动产生的净现金流是5亿元，该公 司发行了1亿股，每股现金流为5元；某日这只股票的价格是10 元，则市现率是2。一般来说，市现率大于0的时候，数值越小越 好。 只股票的动态市盈率就是10。一般来说，市盈率越低的股票越值 得投资。

• pe_ratio_lyr：静态市盈率，指的是这只股票的价格与最近公开的 每股收益的比值。它与动态市盈率的区别在于，动态市盈率是股 价除以预期的每股收益，而静态市盈率是股价除以已经实现的每 股收益。

• capitalization、market_cap、circulating_cap、 circulating_market_cap分别指的是股票的总股本、流通股本、总 市值和流通市值。这几个概念都比较基础，我们这里就不一一解 释了。

4.2.3　通过财务指标进行选股

相信看到这里，读者朋友们会产生一个新的想法——既然财务指标 有助于解一家企业，那么我们是不是可以通过设定这些财务指标的条 件，把市场上比较优质的股票找出来呢？答案是肯定的。例如，我们要 找出市盈率小于20且大于0、市现率小于20且大于0（有时候现金流比利 润还重要）且在市场上成交比较活跃（换手率大于4%）的股票，就可 以使用query object进行筛选，并使用平台的get_fundamentals函数来找到 满足条件的股票。示例代码如下：

q = query(
            valuation.code,
            #动态市盈率
            valuation.pe_ratio, 
            #市现率
            valuation.pcf_ratio, 
            #换手率
            valuation.turnover_ratio
 
    ).filter(
                valuation.pe_ratio > 0,
                valuation.pe_ratio < 20,
                valuation.pcf_ratio > 0,
                valuation.pcf_ratio < 20,
                valuation.turnover_ratio > 4
 
            ).order_by(
                        #按换手率降序排序
                        valuation.turnover_ratio.desc()
                      )
df = get_fundamentals(q, date='2022-10-25')
 
df

 

 

4.3　谁是幕后“大佬”

我们既然找到了市盈率和市现率都比较低，而且成交也比较活跃的 股票，是不是直接全仓杀入就可以了呢？一向谨慎的小瓦这时有了一个 新的问题——是不是所有上市公司的财务报表都能够反映其真实财务状 况呢？要知道，某些企业也有被曝出财务造假丑闻的呀！更何况，有的 公司会“合理地”调整财务报表，使其更加“好看”。那这样一来，这些指 标不就靠不住了吗？

此外，虽然换手率确实是体现交易活跃程度的指标，但是成交活跃 也不代表股价一定会涨呀！万一是大股东在减持套利，或者是主力在出 货，那么股价不是反而会跌嘛！

小瓦的担心确实很有道理。在真金白银买入之前，我们还是有必要 了解一下更多信息的，如大股东是谁、大股东近期增减持的状况，以及 主力的资金流向等。

4.3.1　找到最大的股东

在4.2节中，我们选出了8只财务指标看起来不错的股票。尤其是 002432.XSHE这一支，索性我 们就以这一只股票为例来查询一下它的十大股东都有谁。 在平台上，十大股东的数据是存储在名为 STK_SHAREHOLDER_TOP10这张表中，使用query object就可以进行查 询。示例代码如下：

from jqdata import finance
q = query(finance.STK_SHAREHOLDER_TOP10.code,
          finance.STK_SHAREHOLDER_TOP10.shareholder_rank,
          finance.STK_SHAREHOLDER_TOP10.shareholder_name,
          finance.STK_SHAREHOLDER_TOP10.shareholder_class,
          finance.STK_SHAREHOLDER_TOP10.share_ratio
         ).filter(
                  finance.STK_SHAREHOLDER_TOP10.code=='002432.XSHE',
                  finance.STK_SHAREHOLDER_TOP10.pub_date >'2022-10-01'
                 )
shareholders = finance.run_query(q)
shareholders

 

4.3.2　大股东们增持了还是减持了

现在我们“揪”出了该股票的大股东们，接下来就要研究一下他们的 行为了。如果大股东对公司未来发展有信心，一般会增持公司的股票， 以便在未来获得更高的收益；相反，如果大股东认为短期股价已经见 顶，则可能会减持一些股票，将已经获利的部分进行套现。也就是说， 如果大股东增持了股票，则股价有可能上涨，反之股份有可能下降。当 然，这也不是绝对的——有时候大股东的判断也可能出现失误。 不管怎样，我们还是需要了解一下大股东们的动作，以供参考。为 了达到这个目的，可以使用query object来查询 STK_SHAREHOLDERS_SHARE_CHANGE这张表。示例代码如下：

q = query(finance.STK_SHAREHOLDERS_SHARE_CHANGE.code,
          finance.STK_SHAREHOLDERS_SHARE_CHANGE.pub_date,
          finance.STK_SHAREHOLDERS_SHARE_CHANGE.shareholder_name,
          finance.STK_SHAREHOLDERS_SHARE_CHANGE.type,
          finance.STK_SHAREHOLDERS_SHARE_CHANGE.change_number,
          finance.STK_SHAREHOLDERS_SHARE_CHANGE.change_ratio,
          finance.STK_SHAREHOLDERS_SHARE_CHANGE.after_change_ratio,
         ).filter(
                  finance.STK_SHAREHOLDERS_SHARE_CHANGE.code=='002624.XSHE',
                  finance.STK_SHAREHOLDERS_SHARE_CHANGE.pub_date >'2020-01-01'
                  )
shrchg = finance.run_query(q)
shrchg

 

4.3.3　资金净流入还是净流出

现在我们知道了大股东的增减持情况，但小瓦也发现，其实大股东 增减持数据的公布，最后一次也是在2020年的2月22日，那这个数据的 时效性是不是就有点低了呢？不要紧，我们还可以获得实效性更高的数 据——资金流向数据，以便看到主力的实时动向。 要做到这一点，我们只需要调用平台的get_money_flow函数即可， 并指定查询的股票代码、日期和要查看的字段。示例代码如下：

from jqdata import *
df = get_money_flow('002624.XSHE',
                   fields=[
                            'date',
                            # 股票代码 
                            'sec_code',
                            # 涨跌幅(%)
                            'change_pct',
                            # 主力净额(万)
                            'net_amount_main',
                            # 主力净占比(%)
                            'net_pct_main'], 
                   start_date='2023-01-01', 
                   end_date='2023-03-13')
print(df.head(6))
print(df.tail(12))

 

 

注意：在本章中，我们演示了如何使用一些函数来查询平台上的 相关数据。在查询某些表时，笔者只选择了其中一些字段。读者朋友 如果希望查询不同字段，则可以参考平台的数据字典，了解查询的具 体方法。

4.4　小结

在本章，我们主要帮助小瓦解决一个问题——获得更多的数据。为 了降低她的学习成本，本章使用了现有的量化交易平台的数据，并且帮 助小瓦简单熟悉了一下平台相关函数的使用方法。在这个过程中，小瓦 学会了如何获取股票的概况和财务指标数据，也初步了解了如何利用基 本的财务指标进行简单的选股，而且能够查询股东信息和股东的增减持 情况，以及某个时期内股票的资金流入／流出情况。借着对上述数据的 研究，本章也引出了因子分析的基本思路。在后面的章节，我们会和小 瓦一起研究因子分析的方法，也欢迎各位读者朋友来一起继续量化交易 的探索。