由于笔者并无深厚的数学功底也无深厚的金融知识, 所以不会在本文中引用各种高深的投资模型或数学模型，参考书籍主要是《海龟交易法则》《以交易为生》。
交易系统
在交易之前，我们应该首先有一个交易系统用于指导我们自己交易，不一定有什么规范，但是可以作为一个交易的依据，至于这个依据可不可行，科不科学那就见仁见智了。
当然了,这里的交易系统不一定是程序，只是指你自己的交易原则或者遵守的一些技巧或者方法，你可以手动执行也可以借助编程语言，编程语言不就是一套用来使用的工具么.
这里参考海龟交易法则里面的交易体系(这里只是参考大方向).
建立一个完善的交易体系，我们至少应该思考一下六个方面。
- 1、市场----买卖什么
- 2、头寸规模----买卖多少
- 3、入市----何时买入
- 4、止损----何时退出亏损的头寸
- 5、止盈----何时退出盈利的头寸
- 6、离市----何时离市
简单的示例
- 买卖A股
- 全仓
- 当日涨幅超过3%买入。
- 当持有头寸亏损超过3%，平仓
- 当日跌幅大于3%或者三个连续阴线
分析: 这个交易策略其实只有在行情以波浪形状向上的行情时候才能获利，如果是盘整的情况下，怕是会亏的很惨。这里之所以写的这么简单粗暴是为了后面策略测试撸代码简单。
数据获取及处理
因为这里说的是用python炒股，所以应该采用程序的方式去获取数据，如果人工炒股，下载任何股票行情软件都是可以的，但是人工的执行是需要花费比较多的精力的。
而python语言中用于获取股票行情数据的库，最有名莫过于tushare了。
这里以上证乐视的股票为例吧。
python环境安装
安装Anaconda(python2版本)下载地址:https://www.anaconda.com/download/
注:如果没安装过这个环境的经验，就百度或者谷歌一下吧,如果不是安装anaconda则需要艰难的自行解决依赖。
如果你依然在编程的世界里迷茫，可以加入我们的Python学习扣qun：784758214，看看前辈们是如何学习的。交流经验。从基础的python脚本到web开发、爬虫、django、数据挖掘等，零基础到项目实战的资料都有整理。送给每一位python的小伙伴！分享一些学习的方法和需要注意的小细节，点击加入我们的 python学习者聚集地
安装tushare
pip install tushare获取行情数据
import pandas as pd
import tushare as ts
# 通过股票代码获取股票数据,这里没有指定开始及结束日期
df = ts.get_k_data("300104")
# 查看前十条数据
df.head()
# 查看后十条数据
df.tail()
# 将数据的index转换成date字段对应的日期
df.index = pd.to_datetime(df.date)
# 将多余的date字段删除
df.drop("date", inplace=True, axis=1)注:关于股票数据的相关处理需要由pandas,matplotlib的知识，参考:http://pandas.pydata.org/pandas-docs/version/0.20/10min.html
计算常用指标
# 计算5,15,50日的移动平均线, MA5, MA15, MA50
days = [5, 15, 50]
for ma in days:
column_name = "MA{}".format(ma)
df[column_name] = pd.rolling_mean(df.close, ma)
# 计算浮动比例
df["pchange"] = df.close.pct_change()
# 计算浮动点数
df["change"] = df.close.diff()最终处理完成后的结果如下:
df.head()
Out[13]:
open close high low volume code MA5 MA15 MA50 date
2013-11-29 9.396 9.741 9.870 9.389 146587.0 300104 NaN NaN NaN
2013-12-02 9.298 8.768 9.344 8.768 177127.0 300104 NaN NaN NaN
2013-12-03 8.142 8.414 8.546 7.890 176305.0 300104 NaN NaN NaN
2013-12-04 8.391 8.072 8.607 8.053 120115.0 300104 NaN NaN NaN
2013-12-05 7.983 7.366 8.108 7.280 253764.0 300104 8.4722 NaN NaN
pchange change
date
2013-11-29 NaN NaN
2013-12-02 -0.099887 -0.973
2013-12-03 -0.040374 -0.354
2013-12-04 -0.040647 -0.342 可视化
走势图
所谓一图胜前言，将数据可视化可以非常直观的感受到股票的走势。
个人觉得，如果用程序炒股还是应该一切都量化的，不应该有过多的主观观点，如果过于依赖直觉或者当时心情，那么实在没必要用程序分析了。
df[["close", "MA5", "MA15", "MA50"]].plot(figsiz=(10,18))效果如下:
k线图
import matplotplib.pyplot as plt
from matplotlib.daet import DateFormatter
from matplotlib.finance import date2num, candlestick_ohlc
def candlePlot(data, title=""):
data["date"] = [date2num(pd.to_datetime(x)) for x in data.index]
dataList = [tuple(x) for x in data[
["date", "open", "high", "low", "close"]].values]
ax = plt.subplot()
ax.set_title(title)
ax.xaxis.set_major_formatter(DateFormatter("%y-%m-%d"))
candlestick_ohlc(ax, dataList, width=0.7, colorup="r", colordown="g")
plt.setp(plt.gca().get_xticklabels(), rotation=50,
horizontalalignment="center")
fig = plt.gcf()
fig.set_size_inches(20, 15)
plt.grid(True)
candlePlot(df)效果如下:
注: 这里只是一个示例，说明matplotlib的强大以及小小的演示，如果遇到什么奇怪的问题就查api或者google吧。
策略测试
手动撸代码
这里用最近买过的一只股票吧，京东方A(000725)。
# 导入相关模块
import tushare as ts
import pandas as pd
# 获取数据
df = ts.get_k_data("000725")
# 处理数据
df.index = pd.to_datetime(df.date)
df.drop("date", axis=1, inplace=True)
# 计算浮动比例
df["pchange"] = df.close.pct_change()
# 计算浮动点数
df["change"] = df.close.diff()
# 查看当前数据数据前五行
open close high low volume code pchange change
date
2015-07-20 4.264 4.234 4.342 4.165 13036186.0 000725 NaN NaN
2015-07-21 4.136 4.195 4.274 4.096 8776773.0 000725 -0.009211 -0.039
2015-07-22 4.175 4.146 4.214 4.067 9083703.0 000725 -0.011681 -0.049
2015-07-23 4.136 4.254 4.283 4.096 12792734.0 000725 0.026049 0.108
2015-07-24 4.224 4.136 4.254 4.106 13009620.0 000725 -0.027739 -0.118
# 设定回撤值
withdraw = 0.03
# 设定突破值
breakthrough = 0.03
# 设定账户资金
account = 10000
# 持有仓位手数
position = 0
def buy(bar):
global account, position
print("{}: buy {}".format(bar.date, bar.close))
# 一手价格
one = bar.close * 100
position = account // one
account = account - (position * one)
def sell(bar):
global account, position
# 一手价格
print("{}: sell {}".format(bar.date, bar.close))
one = bar.close * 100
account += position * one
position = 0
print("开始时间投资时间: ", df.iloc[0].date)
for date in df.index:
bar = df.loc[date]
if bar.pchange and bar.pchange > breakthrough and position == 0:
buy(bar)
elif bar.pchange and bar.pchange < withdraw and position > 0:
sell(bar)
print("最终可有现金: ", account)
print("最终持有市值: ", position * df.iloc[-1].close * 100)输出如下:
开始时间投资时间: 2015-07-20
2015-07-29: buy 3.83
2015-07-30: sell 3.653
2015-08-04: buy 3.752
......
2018-02-27: sell 5.71
2018-03-06: buy 5.79
最终可有现金: 333.3
最终持有市值: 7527.0结论: 通过上面的测试发现资亏了两千多...
借助测试框架
借助测试框架才是正确的回撤姿势,因为框架包含了更多的功能。这里使用pyalgotrade。
简单使用
from pyalgotrade import strategy
from pyalgotrade import technical
from pyalgotrade.barfeed import yahoofeed
# 自定义事件窗口类
class DiffEventWindow(technical.EventWindow):
def __init__(self, period):
assert(period > 0)
super(DiffEventWindow, self).__init__(period)
self.__value = None
def onNewValue(self, dateTime, value):
super(DiffEventWindow, self).onNewValue(dateTime, value)
if self.windowFull():
lastValue = self.getValues()[0]
nowValue = self.getValues()[1]
self.__value = (nowValue - lastValue) / lastValue
def getValue(self):
return self.__value
# 自定义指标
class Diff(technical.EventBasedFilter):
def __init__(self, dataSeries, period, maxLen=None):
super(Diff, self).__init__(dataSeries, DiffEventWindow(period), maxLen)
# 定义自己的策略
class MyStrategy(strategy.BacktestingStrategy):
def __init__(self, feed, instrument, diffPeriod=2):
# 传入feed及初始账户资金
super(MyStrategy, self).__init__(feed, 10000)
self.__instrument = instrument
self.__position = None
self.setUseAdjustedValues(True)
self.__prices = feed[instrument].getPriceDataSeries()
self.__diff = Diff(self.__prices, diffPeriod)
self.__break = 0.03
self.__withdown = -0.03
def getDiff(self):
return self.__diff
def onEnterCanceled(self, position):
self.__position = None
def onEnterOk(self, position):
execInfo = position.getEntryOrder().getExecutionInfo()
self.info("BUY at $%.2f" % (execInfo.getPrice()))
def onExitOk(self, position):
execInfo = position.getExitOrder().getExecutionInfo()
self.info("SELL at $%.2f" % (execInfo.getPrice()))
self.__position = None
def onExitCanceled(self, position):
# If the exit was canceled, re-submit it.
self.__position.exitMarket()
def onBars(self, bars):
account = self.getBroker().getCash()
bar = bars[self.__instrument]
if self.__position is None:
one = bar.getPrice() * 100
oneUnit = account // one
if oneUnit > 0 and self.__diff[-1] > self.__break:
self.__position = self.enterLong(self.__instrument, oneUnit * 100, True)
elif self.__diff[-1] < self.__withdown and not self.__position.exitActive():
self.__position.exitMarket()
def runStrategy():
# 下载数据
jdf = ts.get_k_data("000725")
# 新建Adj Close字段
jdf["Adj Close"] =jdf.close
# 将tushare下的数据的字段保存为pyalgotrade所要求的数据格式
jdf.columns = ["Date", "Open", "Close", "High", "Low", "Volume", "code", "Adj Close"]
# 将数据保存成本地csv文件
jdf.to_csv("jdf.csv", index=False)
feed = yahoofeed.Feed()
feed.addBarsFromCSV("jdf", "jdf.csv")
myStrategy = MyStrategy(feed, "jdf")
myStrategy.run()
print("Final portfolio value: $%.2f" % myStrategy.getResult())
runStrategy()
输出如下
2015-07-30 00:00:00 strategy [INFO] BUY at $3.78
2015-07-31 00:00:00 strategy [INFO] SELL at $3.57
2015-08-05 00:00:00 strategy [INFO] BUY at $3.73
2015-08-06 00:00:00 strategy [INFO] SELL at $3.56
...
2018-02-13 00:00:00 strategy [INFO] BUY at $5.45
Final portfolio value: $7877.30猛地一看会发现，用框架似乎写了更多的代码,但是框架内置了更多分析工具。
下面简单介绍。
策略可视化
from pyalgotrade import strategy
from pyalgotrade import technical
from pyalgotrade.barfeed import yahoofeed
from pyalgotrade import plotter
from pyalgotrade.stratanalyzer import returns
class DiffEventWindow(technical.EventWindow):
def __init__(self, period):
assert(period > 0)
super(DiffEventWindow, self).__init__(period)
self.__value = None
def onNewValue(self, dateTime, value):
super(DiffEventWindow, self).onNewValue(dateTime, value)
if self.windowFull():
lastValue = self.getValues()[0]
nowValue = self.getValues()[1]
self.__value = (nowValue - lastValue) / lastValue
def getValue(self):
return self.__value
class Diff(technical.EventBasedFilter):
def __init__(self, dataSeries, period, maxLen=None):
super(Diff, self).__init__(dataSeries, DiffEventWindow(period), maxLen)
class MyStrategy(strategy.BacktestingStrategy):
def __init__(self, feed, instrument, diffPeriod=2):
super(MyStrategy, self).__init__(feed, 10000)
self.__instrument = instrument
self.__position = None
self.setUseAdjustedValues(True)
self.__prices = feed[instrument].getPriceDataSeries()
self.__diff = Diff(self.__prices, diffPeriod)
self.__break = 0.03
self.__withdown = -0.03
def getDiff(self):
return self.__diff
def onEnterCanceled(self, position):
self.__position = None
def onEnterOk(self, position):
execInfo = position.getEntryOrder().getExecutionInfo()
self.info("BUY at $%.2f" % (execInfo.getPrice()))
def onExitOk(self, position):
execInfo = position.getExitOrder().getExecutionInfo()
self.info("SELL at $%.2f" % (execInfo.getPrice()))
self.__position = None
def onExitCanceled(self, position):
# If the exit was canceled, re-submit it.
self.__position.exitMarket()
def onBars(self, bars):
account = self.getBroker().getCash()
bar = bars[self.__instrument]
if self.__position is None:
one = bar.getPrice() * 100
oneUnit = account // one
if oneUnit > 0 and self.__diff[-1] > self.__break:
self.__position = self.enterLong(self.__instrument, oneUnit * 100, True)
elif self.__diff[-1] < self.__withdown and not self.__position.exitActive():
self.__position.exitMarket()
def runStrategy():
# 下载数据
jdf = ts.get_k_data("000725")
# 新建Adj Close字段
jdf["Adj Close"] =jdf.close
# 将tushare下的数据的字段保存为pyalgotrade所要求的数据格式
jdf.columns = ["Date", "Open", "Close", "High", "Low", "Volume", "code", "Adj Close"]
# 将数据保存成本地csv文件
jdf.to_csv("jdf.csv", index=False)
feed = yahoofeed.Feed()
feed.addBarsFromCSV("jdf", "jdf.csv")
myStrategy = MyStrategy(feed, "jdf")
returnsAnalyzer = returns.Returns()
myStrategy.attachAnalyzer(returnsAnalyzer)
plt = plotter.StrategyPlotter(myStrategy)
plt.getInstrumentSubplot("jdf")
plt.getOrCreateSubplot("returns").addDataSeries("Simple returns", returnsAnalyzer.getReturns())
myStrategy.run()
print("Final portfolio value: $%.2f" % myStrategy.getResult())
plt.plot()
runStrategy()
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎图片输出如下
注: 这里的策略测试股票选择以及时间选择并不严谨，仅作功能展示，测试结果可能有很大的巧合性。
股价监控
根据这个需求写了一个股价监控的半成品，通过邮箱监控。
技巧:在微信的辅助功能里面启用QQ邮箱提醒的功能，那么股价变动的通知就会很及时了,因为微信几乎等同于短信了。
这里简单说一下各个配置项及使用方法。
default段落
breakthrough代表突破的比例，需要传入两个值,项目里面的突破比例依次是3%，5%.
withdraw代表回撤，也需要两个值，示例为3%，5%.
attention代表关注的股票列表，填入关注的股票代码，用空格隔开
注:这里暂时没有考虑关注股票的情况，所以很多的关注股票也许有性能上的问题。
mail段落
依次输入用户名及密码以及收件人的邮箱
position段落
当前持仓的股票以及其持仓成本。
如持有京东方A(000725)以5.76的股价。
000725 = 5.76
如果多个持仓就多个如上的相应的键值对。
使用方法参考该脚本的readme
https://github.com/youerning/UserPyScript/blob/master/monitor/README.md
==PS:很难过的是英文水平不好还用因为注释，以及用英文词汇做变量名,如果词不达意请见谅。==
下单
这一部分本人暂时没有让程序自动执行，因为暂时还没有打磨出来一套适合自己并相信的体系，所以依靠股价监控的通知，根据不断修正的体系在手动执行交易。
后记
由于入市不到一年，所以就不用问我走势或者收益了, 当前战绩是5局3胜,微薄盈利。
最后以下图结束.
最后的最后:
关注一下再走呗^_^
原文地址：https://blog.51cto.com/14510224/2436279
时间： 2024-10-01 04:23:23