量化交易

2024-05-22 19:37| 来源: 网络整理| 查看: 265

一、双均线概念

　　均线：对于每一个交易日，都可以计算出前N天的移动平均值，然后把这些平均值连起来，成为一条线，就叫做N日移动平均线。移动平均线常用线有5日、10日、30日、60日、120日的指标。

　　　　5日和10日的是短线操作参照指标，称作日均线指标；

　　　　30日和60日的是中期均线指标，称作季均线指标；

　　　　120日和240日的是长期均线指标，称作年均线指标。

　　金叉：短期均线上穿长期均线，买入信号。

　　死叉：短期均线下穿长期均线，卖出信号。

　　交易策略：金叉买入，死叉卖出。

二、金叉死叉交易练习 1、使用tushare包获取某股票的历史行情 import numpy as np import pandas as pd import matplotlib.pyplot as plt # Python绘图和数据可视化的工具包 import tushare as ts ts.get_k_data("601318", start="2004-01-30").to_csv('601318.csv') df = pd.read_csv('601318.csv', index_col="date", parse_dates=['date'])[['open', 'close', 'high', 'low']] print(df) """ open close high low date 2007-03-01 21.254 19.890 21.666 19.469 2007-03-02 19.979 19.728 20.166 19.503 ... ... ... ... ... 2020-01-22 85.000 85.220 85.480 83.830 2020-01-23 84.010 83.490 84.560 82.480 [3076 rows x 4 columns] """ 2、使用pandas包计算该股票历史数据的5日和30均线

　　5日均线则前4天没有均线，30日均线则前29天没有均线。

(1)普通方法 df['ma5'] = np.nan # 创建5日均值列 df['ma30'] = np.nan # 创建30日均值列 print(df) """ open close high low ma5 ma30 date 2007-03-01 21.254 19.890 21.666 19.469 NaN NaN 2007-03-02 19.979 19.728 20.166 19.503 NaN NaN ... ... ... ... ... ... ... 2020-01-22 85.000 85.220 85.480 83.830 NaN NaN 2020-01-23 84.010 83.490 84.560 82.480 NaN NaN """ for i in range(4, len(df)): # 从第五个到最后一个 # 当天和前四天的收盘价的平均值为5日均线值 df.loc[df.index[i], 'ma5'] = df["close"][i-4:i+1].mean() # i=4是第五天，[0,5] print(df) """ open close high low ma5 ma30 date 2007-03-01 21.254 19.890 21.666 19.469 NaN NaN 2007-03-02 19.979 19.728 20.166 19.503 NaN NaN 2007-03-05 19.545 18.865 19.626 18.504 NaN NaN 2007-03-06 18.704 19.235 19.554 18.597 NaN NaN 2007-03-07 19.252 19.758 19.936 19.090 19.4952 NaN ... ... ... ... ... ... ... 2020-01-23 84.010 83.490 84.560 82.480 85.6320 NaN """ for i in range(29, len(df)): # 从第30个到最后一个 # 当天和前29天的收盘价的平均值为30日均线值 df.loc[df.index[i], 'ma30'] = df["close"][i-29:i+1].mean() print(df) """ open close high low ma5 ma30 date 2007-03-01 21.254 19.890 21.666 19.469 NaN NaN 2007-03-02 19.979 19.728 20.166 19.503 NaN NaN 2007-03-05 19.545 18.865 19.626 18.504 NaN NaN 2007-03-06 18.704 19.235 19.554 18.597 NaN NaN 2007-03-07 19.252 19.758 19.936 19.090 19.4952 NaN ... ... ... ... ... ... ... 2020-01-17 86.150 86.250 86.900 85.850 86.1780 85.292333 2020-01-20 88.300 87.600 88.700 87.350 86.4080 85.387667 2020-01-21 87.000 85.600 87.290 85.600 86.1620 85.452667 2020-01-22 85.000 85.220 85.480 83.830 86.0440 85.507000 2020-01-23 84.010 83.490 84.560 82.480 85.6320 85.488667 """ (2)简单方法 df['ma5'] = df['close'].rolling(5).mean() df['ma30'] = df['close'].rolling(30).mean() print(df) """ open close high low ma5 ma30 date 2007-03-01 21.254 19.890 21.666 19.469 NaN NaN 2007-03-02 19.979 19.728 20.166 19.503 NaN NaN 2007-03-05 19.545 18.865 19.626 18.504 NaN NaN 2007-03-06 18.704 19.235 19.554 18.597 NaN NaN 2007-03-07 19.252 19.758 19.936 19.090 19.4952 NaN ... ... ... ... ... ... ... 2020-01-17 86.150 86.250 86.900 85.850 86.1780 85.292333 2020-01-20 88.300 87.600 88.700 87.350 86.4080 85.387667 2020-01-21 87.000 85.600 87.290 85.600 86.1620 85.452667 2020-01-22 85.000 85.220 85.480 83.830 86.0440 85.507000 2020-01-23 84.010 83.490 84.560 82.480 85.6320 85.488667 """ 3、使用matplotlib包可视化历史数据的收盘价和两条均线 df[['close', 'ma5', 'ma30']].plot() plt.show()

　　运行后显示效果：

4、分析输出所有金叉日期和死叉日期

　　如果前一交易日五日均线小于30日均线，后一交易日五日均线大于30日均线，则说明是金叉；

　　如果前一交易日五日均线大于30日均线，后一交易日五日均线小于30日均线，则说明是死叉。

(1)循环的解法 # dropna()删除含有空数据的全部行,axis参数可删除含义空数据的全部列 df = df.dropna() gloden_cross = [] # 金叉 death_cross = [] # 死叉 for i in range(0, len(df)-1): if df['ma5'][i] >= df['ma30'][i] and df['ma5'][i-1] = df['ma30'][i-1]: death_cross.append(df.index[i]) print('金叉日期', gloden_cross) """ 金叉日期 [Timestamp('2007-06-14 00:00:00'), Timestamp('2007-12-10 00:00:00'),..., Timestamp('2020-01-02 00:00:00')] """ print('死叉日期', death_cross) """ 死叉日期 [Timestamp('2007-06-04 00:00:00'), Timestamp('2007-11-06 00:00:00'),..., Timestamp('2019-12-23 00:00:00')] """ (2)简便算法 # dropna()删除含有空数据的全部行,axis参数可删除含义空数据的全部列 df = df.dropna() sr1 = df['ma5'] < df['ma30'] sr2 = df['ma5'] >= df['ma30'] death_cross = df[sr1 & sr2.shift(1)].index golden_cross = df[-(sr1 | sr2.shift(1))].index print('金叉日期', golden_cross) """ 金叉日期 DatetimeIndex(['2007-04-12', '2007-06-14', '2007-12-10', '2008-04-23',..., '2020-01-02'] """ print('死叉日期', death_cross) """ 死叉日期 DatetimeIndex(['2007-06-04', '2007-11-06', '2007-12-13', '2008-05-20',..., '2019-11-12', '2019-12-23'] """ 5、使用该策略的炒股收益率

　　如果我从2010年1月1日起，初始资金为100000元，金叉尽量买入，死叉全部卖出，则到今天为止，我的炒股收益率？

# 炒股收益率 first_money = 100000 money = first_money # 持有的资金 hold = 0 # 持有的股票 sr1 = pd.Series(1, index=golden_cross) sr2 = pd.Series(0, index=death_cross) sr = sr1.append(sr2).sort_index() # 将两个表合并，并按时间排序 sr = sr['2010-01-01':] # 从2010年1月1日开始 for i in range(0, len(sr)): p = df['open'][sr.index[i]] # 当天的开盘价 if sr.iloc[i] == 1: # 金叉 buy = money // (100 * p) # 买多少手 hold += buy * 100 money -= buy * 100 * p else: # 死叉 money += hold * p hold = 0 # 持有股票重置为0 # 计算最后一天股票市值加上持有的资金 p = df['open'][-1] now_money = hold * p + money print('当前持有资产总额:', now_money) print('盈亏情况:', now_money - first_money) """ 当前持有资产总额: 551977.7999999997 盈亏情况: 451977.7999999997 """

　　需要注意的是：这里金叉死叉都是按照当天的收盘价计算的。但是如果得到当天的收盘价就已经无法进行交易了。因此要让策略可行，需要按照当天的开盘价计算。

三、在JoinQuant(聚宽)平台实现双均线策略

　　金叉：若5日均线大于10日均线且不持仓　　死叉：若5日均线小于10日均线且持仓

1、策略实现 # 导入函数库 from jqdata import * # 初始化函数，设定基准等等 def initialize(context): # 设定沪深300作为基准 set_benchmark('000300.XSHG') # 开启动态复权模式(真实价格) set_option('use_real_price', True) # 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱 set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock') g.security = ["601318.XSHG"] g.p1 = 5 # 五日均线 g.p2 = 10 # 十日均线 def handle_data(context, data): # 遍历股票 for stock in g.security: df = attribute_history(stock, g.p2) # 十日均线的值 ma10 = df['close'].mean() # 五日均线的值 ma5 = df['close'][-5:].mean() if ma10 > ma5 and stock in context.portfolio.positions: # 具有持仓 # 死叉卖出 order_target(stock, 0) if ma10 < ma5 and stock not in context.portfolio.positions: # 不具有持仓 # 金叉买入 # order(stock, context.portfolio.available_cash) # 能买多少买多少 order(stock, context.portfolio.available_cash * 0.8) # 可用资金的80%买入

　　执行效果：

2、record函数——画图函数

　　调用record函数可用来描画额外的曲线。

　　参数：一个或多个key=value形式的参数，key为曲线名称，value为值。

　　在双均线策略中加入画图函数：

# 导入函数库 from jqdata import * # 初始化函数，设定基准等等 def initialize(context): # 设定沪深300作为基准 set_benchmark('000300.XSHG') # 开启动态复权模式(真实价格) set_option('use_real_price', True) # 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱 set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock') g.security = ["601318.XSHG"] g.p1 = 5 # 五日均线 g.p2 = 10 # 十日均线 def handle_data(context, data): # 遍历股票 for stock in g.security: df = attribute_history(stock, g.p2) # 十日均线的值 ma10 = df['close'].mean() # 五日均线的值 ma5 = df['close'][-5:].mean() if ma10 > ma5 and stock in context.portfolio.positions: # 具有持仓 # 死叉卖出 order_target(stock, 0) if ma10 < ma5 and stock not in context.portfolio.positions: # 不具有持仓 # 金叉买入 # order(stock, context.portfolio.available_cash) # 能买多少买多少 order(stock, context.portfolio.available_cash * 0.8) # 可用资金的80%买入 record(ma5=ma5, ma10=ma10)

　　执行显示如下：

【本文地址】

公司简介

联系我们