标签归档：Python 量化投资

量化投资

Python 获取股票数据并存入MongoDB实战教程

留下评论

量化投资系列文章：

Backtrader 教程 — Python 量化投资实战教程(1)

Python 量化投资实战教程(2) —MACD策略

Python 量化投资实战教程(3) —A股回测MACD策略

Python 量化投资实战教程(4) —KDJ 策略

Python 量化投资实战教程(5) — A股回测KDJ 策略

Python 量化投资实战教程(6) — 交易平均收益率

在前几篇量化投资文章中，使用的是保存为csv的本地股票数据。

但考虑到长远的未来，如果我们想要加快回测运行速度，就要分布式地在不同的机器上进行策略回测。

那么将股票数据保存到数据库上则是必然的选择，因为这样每台服务器都能够直接连接到同一个数据库拉到数据，管理起来方便许多。

今天我们就先讲讲如何使用MongoDB保存股票数据。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。

当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。

在终端输入以下命令安装我们所需要的依赖模块:

pip install tushare
pip install pymongo

看到 Successfully installed xxx 则说明安装成功。

安装MongoDB

MongoDB 请前往以下链接下载：

https://www.mongodb.com/try/download/community

第一步选择On-Premises, 第二部选择自己的操作系统，第三部点击Download下载安装包。

下载完成安装包后一路默认即可，不过推荐修改data_path, 毕竟数据库有可能变得比较大，装在C盘不合适。

安装完成后，打开CMD输入以下命令启动MongoDB服务：

C:\Program Files\MongoDB\Server\4.2\bin\mongod.exe --dbpath F:\mongodb\data

前者是你的mongod.exe所在文件夹，后者是你的数据库文件路径。请注意根据自己的安装配置更改。

Tushare 股票数据接口

为了下载股票数据，我用到了tushare，一个大佬做的相对稳定的股票数据服务。

tushare采用积分制，你的积分越高，能调的接口约高级。不过其实我们的策略所需要的接口用普通账号的积分就够了。

你需要到https://tushare.pro/上注册一个tushare账户，然后进入账号页面拿到token：

这是我们需要用到的接口：

2.编写代码

首先，学会连接MongoDB数据库并创建集合（表），也就4行代码的事情：

import pymongo

# 建立连接
client = pymongo.MongoClient(host='localhost', port=27017)

# 连接stock数据库，注意只有往数据库中插入了数据，数据库才会自动创建
stock_db = client.stock

# 创建一个daily集合，类似于MySQL中"表"的概念
daily = stock_db["daily"]

这样就能连接本地MongoDB的stock数据库，如果该库不存在，当你往集合中插入数据的时候，就会自动新建数据库。

有一点需要非常注意：MongoDB默认不设密码，因此你如果要上线MongoDB，请注意手动设置密码。

其次，拿到股票数据：

def get_stock_daily(start_date, end_date):
    """
    获得A股所有股票日数据

    Args:
        start_date (str): 起始日
        end_date (str): 结束日
    """

    pro = ts.pro_api(token="你的账号token")
    codes = open('./codes.csv', 'r', encoding='utf-8').readlines()

    # 遍历所有股票ID
    for code in codes:
        code = code.strip('\n')

        # 请求tushare数据，并转化为json格式
        df = pro.daily(ts_code=code, start_date=start_date, end_date=end_date)

因为并不一定需要用到所有股票数据，所以我维护了一个股票列表：codes.csv.

当然，这个股票列表最好也写到MongoDB里以方便维护（我这里省麻烦就没写入了）。

如果你需要用到所有股票，请调tushare的stock_basic接口：

data = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,list_date')

这个接口能返回当前所有正常上市的股票列表。

最后，将这些股票数据写入到MongoDB中：

def get_stock_daily(start_date, end_date):
    """
    获得A股所有股票日数据

    Args:
        start_date (str): 起始日
        end_date (str): 结束日
    """

    pro = ts.pro_api(token="你的账号token")
    codes = open('./codes.csv', 'r', encoding='utf-8').readlines()

    # 遍历所有股票ID
    for code in codes:
        code = code.strip('\n')

        # 请求tushare数据，并转化为json格式
        df = pro.daily(ts_code=code, start_date=start_date, end_date=end_date)
        data = json.loads(df.T.to_json()).values()

        # 对股票每一天数据进行保存，注意唯一性
        # 这里也可以批量创建，速度更快，但批量创建容易丢失数据
        # 这里为了保证数据的绝对稳定性，选择一条条创建
        for row in data:
            daily.update({"_id": f"{row['ts_code']}-{row['trade_date']}"}, row, upsert=True)

        time.sleep(0.1)

获得请求数据后，将其转置一下，以变成【字段-值】的形式，并转成json.

转成json后就可以保存到数据库中，这里我们选择了一条条数据地插入，而不是批量插入。

因为批量插入在遇到重复值的时候，可能会导致那一批数据全部丢失，对于股票回测而言，丢失数据是致命的。

最后，为了防止请求接口频率过高，设置了一个time.sleep延时。

全部核心代码如上所示，可运行的完整代码可以在【Python实用宝典】后台回复：MongoDB 下载。

3.可视化查看数据

MongoDB可视化查看数据，我推荐NoSQLBooster. 一个免费的MongoDB查看器。

https://nosqlbooster.com/downloads

选择对应系统下载，一路默认安装就能开始使用。

基本上你需要的功能它都有了（这界面其实很像Mysql Workbench）

啊对了，最后别忘记加我们新的交流群，加我好友，备注上面红字语句答案即可进群（防范营销号，大家见谅）：

我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

​Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典

量化投资

Python 量化投资实战教程(6) — 交易平均收益率

留下评论

量化投资系列文章：

Backtrader 教程 — Python 量化投资原来这么简单(1)

Python 量化投资原来这么简单(2) —MACD策略

Python 量化投资原来这么简单(3) —A股回测MACD策略

Python 量化投资原来这么简单(4) —KDJ 策略

Python 量化投资原来这么简单(5) — A股回测KDJ 策略

Github仓库：https://github.com/Ckend/pythondict-quant

在之前的五篇系列文章中，计算收益率时没有考虑每次按策略进行交易时的收益率，而是单纯回测一段时间后，通过计算最终价值和本金的差距并除以本金，得到最终收益率。这样的计算方法其实是不准确的，因为交易时每次都采用100股的形式进行，在没有引入调仓技术前，我们应该以每次交易的平均收益率为准。

具体计算方法如下：

  • 在每次买入股票的时候，记录购买价格：self.buyprice
  • 在每次卖出股票的时候，计算收益率：(卖出价格-买入价格)/买入价格，忽略佣金。
  • 将每次交易收益存入params变量中，以便后续分析。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的主要目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，内含许多科学计算模块。

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。

当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事：Python 编程的最好搭档—VSCode 详细指南。

在终端输入以下命令安装我们所需要的依赖模块:

pip install backtrader

看到 Successfully installed xxx 则说明安装成功。

Backtrader基本使用请看我们前一篇文章：
backtrader教程—量化投资原来这么简单(1)

本文全部代码，请在Python实用宝典后台回复：量化投资6 进行下载。

2.交易收益率

以第二篇的macd策略为例，首先初始化策略变量，用于记录股票交易的每次收益率：

class TestStrategy(bt.Strategy):
    params = (
        ('code', 0),
        ('profits', [])
    )

第二，要在notify_order函数中记录购买时的价格：

    def notify_order(self, order):
        # 交易状态处理
        # Python实用宝典
        if order.status in [order.Submitted, order.Accepted]:
            return
        if order.status in [order.Completed]:
            if order.isbuy():
                self.log(
                    "BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f"
                    % (order.executed.price, order.executed.value, order.executed.comm)
                )
                
                # 记录买入价格
                self.buyprice = order.executed.price
                self.buycomm = order.executed.comm
                self.bar_executed_close = self.dataclose[0]

第三，在卖出的时候，根据卖出价格和买入价格计算收益率，并存入策略变量里的profits变量中：

    def notify_order(self, order):
        # 交易状态处理
        # Python实用宝典
        if order.status in [order.Submitted, order.Accepted]:
            return
        if order.status in [order.Completed]:
            if order.isbuy():
                self.log(
                    "BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f"
                    % (order.executed.price, order.executed.value, order.executed.comm)
                )
                
                # 记录买入价格
                self.buyprice = order.executed.price
                self.buycomm = order.executed.comm
                self.bar_executed_close = self.dataclose[0]
            else:
                self.log(
                    "SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f"
                    % (order.executed.price, order.executed.value, order.executed.comm)
                )
                # 收益率计算
                profit_rate = float(order.executed.price - self.buyprice)/float(self.buyprice)
                # 存入策略变量
                self.params.profits.append(profit_rate)
            self.bar_executed = len(self)

在策略运行完毕后，可以通过以下变量获得策略变量里profits的值：

cerebro.runstrats[0][0].params.profits

结果如下：

[0.021676761236850372, -0.1054225992123598, 0.10678571428571423, 0.11044953855314062, 0.21502209131075103, 0.15729837813819164, 0.10841304881039966, 0.16918294849023086]

可以看到，每次该策略进行交易时的收益率，第一次盈利2%、第二次亏损10%、第三次盈利10%、第四次盈利11%…

有趣的是第五次，盈利了21%，这个策略明明是在盈利10%的时候卖出，为什么这次交易能盈利21%？

主要是在涨停板之下，股票无法卖出导致的。

这也给我们一个hint：这个策略写死的涨/跌10%卖出是不是过于死板了，有没有更合适的卖出策略？

大家可以尝试一下找到更好的卖出策略，下一篇文章中我们将重点讨论这个问题。

3. 平均收益率

使用numpy的mean函数，可以直接算出数组的平均值：

print(np.mean(profits))

结果如下：

0.09792573520161482

平均下来，该策略在这只股票上的收益率为9.7%.

但是这并不代表这个策略是可用的，因为有可能它只是适用于这只股票，是否适合所有股票需要通过回测A股来决定：Python 量化投资原来这么简单(3) —A股回测MACD策略

我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

我要打赏
给作者打赏，选择打赏金额
¥1¥5¥10¥20¥50¥100¥200 自定义
立即支付

​Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典

量化投资

Python 量化投资实战教程(5) — A股回测KDJ 策略

留下评论

量化投资系列文章：

Backtrader 教程 — Python 量化投资原来这么简单(1)

Python 量化投资原来这么简单(2) —MACD策略(+26.9%)

Python 量化投资原来这么简单(3) —A股回测MACD策略

Python 量化投资原来这么简单(4) —KDJ 策略

Github仓库：https://github.com/Ckend/pythondict-quant

许多技术投资方面的教材，经常会用几幅上涨的图来表明某些指标的用处，实际上那些上涨的图很可能只是假象。作者为了证明他所强调的指标的作用，选定了符合该指标策略的股票上升趋势图，但实际上这些策略并不一定适合全部股票，许多人被傻傻地骗了进去，血本无归。

因此，判断一个策略的好坏一定要有回测证据。我们将在A股中随机抽取1000只股票，在2010年1月1日至2020年5月10日期间采用上回的 Python 量化投资原来这么简单(4) —KDJ 策略 进行交易，并计算得到其最终收益率。最后看正收益与负收益股票的对比，基于此来判断该策略是否具有通用性。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。

当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。

在终端输入以下命令安装我们所需要的依赖模块:

pip install backtrader

看到 Successfully installed xxx 则说明安装成功。

Backtrader基本使用请看我们前一篇文章：
backtrader教程—量化投资原来这么简单(1)

本文全部代码，请在Python实用宝典后台回复：量化投资5 进行下载。

2.编写策略

这一部分与 Python 量化投资原来这么简单(3) —A股回测MACD策略 非常相似，不过有许多读者反映看不懂，事实上真的非常简单，可能是由于要显示许多交易日志，大家被代码弄晕了。因此这一篇文章我将详细解析每一个步骤，为了方便阅读，我把所有的日志显示代码都去除了，以清除地展示代码逻辑。

不过值得一提的是，我们在这采用的投资回报率的计算都是静态的，即本金多少，最后相比之下盈余多少作为我们的回报率，而且每次交易只买入100股，这是非常不智能的，在下一篇文章中，我们将实现动态买入股数计算投资回报率。

2.1 计算指标

第一步，构建我们的KDJ指标，在上篇Python KDJ量化投资中我们提到了KDJ的几个计算方法。此外，我们根据MACD指标优化了买入策略，你可以在 Python MACD量化投资 中阅读详细的教程。

根据这两篇文章，我们知道KDJ指标计算方法如下：

  • RSV = （收盘价-N周期最低价）/（N周期最高价-N周期最低价）*100
  • K值 = RSV的N周期加权移动平均值(EMA)
  • D值 = K值的N周期加权移动平均值(EMA)
  • J值 = 3K-2D

MACD指标计算方法如下（EMA后的括号表示周期）：

  • MACD=价格EMA(12) – 价格EMA(26).
  • 信号线=MACD的EMA(9)

这样，我们就可以开始计算这些指标了，在Backtrader中计算这些指标非常方便，最高价、最低价、EMA都有内置函数计算，比如bt.indicators.EMA用于计算EMA的值，period参数表示周期。计算方法如下：

import datetime
import os.path
import sys
import pickle
import backtrader as bt
from backtrader.indicators import EMA

class TestStrategy(bt.Strategy):

    def __init__(self):
        self.dataclose = self.datas[0].close
        self.volume = self.datas[0].volume

        self.order = None
        self.buyprice = None
        self.buycomm = None

        # 9个交易日内最高价
        self.high_nine = bt.indicators.Highest(self.data.high, period=9)
        # 9个交易日内最低价
        self.low_nine = bt.indicators.Lowest(self.data.low, period=9)
        # 计算rsv值
        self.rsv = 100 * bt.DivByZero(
            self.data_close - self.low_nine, self.high_nine - self.low_nine, zero=None
        )
        # 计算rsv的3周期加权平均值，即K值
        self.K = bt.indicators.EMA(self.rsv, period=3, plot=False)
        # D值=K值的3周期加权平均值
        self.D = bt.indicators.EMA(self.K, period=3, plot=False)
        # J=3*K-2*D
        self.J = 3 * self.K - 2 * self.D

        # MACD策略参数
        me1 = EMA(self.data, period=12)
        me2 = EMA(self.data, period=26)
        self.macd = me1 - me2
        self.signal = EMA(self.macd, period=9)
        bt.indicators.MACDHisto(self.data)

2.2 策略买入卖出与运行

我们根据上一篇文章提到的，基于MACD金叉进行买入，基于KDJ死叉进行卖出 构建我们的买入卖出量化策略：

    # 接上部分代码
    # Python 实用宝典
    def next(self):

        if not self.position:
            # 买入：基于MACD策略
            condition1 = self.macd[-1] - self.signal[-1]
            condition2 = self.macd[0] - self.signal[0]
            if condition1 < 0 and condition2 > 0:
                self.order = self.buy()

        else:
            # 卖出：基于KDJ策略
            condition1 = self.J[-1] - self.D[-1]
            condition2 = self.J[0] - self.D[0]
            if condition1 > 0 or condition2 < 0:
                self.order = self.sell()

这样，我们的策略就构建完毕了，这个TestStrategy类至此结束。接下来让策略运行起来，为方便回测A股，我们把运行策略部分封装成了一个函数，以方便回测大量数据：

def run_cerebro(stock_file, result):
    """
    运行策略
    :param stock_file: 股票数据文件位置
    :param result: 回测结果存储变量
    """

    cerebro = bt.Cerebro()

    cerebro.addstrategy(TestStrategy)

    # 加载数据到模型中
    data = bt.feeds.GenericCSVData(
        dataname=stock_file,
        fromdate=datetime.datetime(2010, 1, 1),
        todate=datetime.datetime(2020, 5, 10),
        dtformat="%Y%m%d",
        datetime=2,
        open=3,
        high=4,
        low=5,
        close=6,
        volume=10,
        reverse=True,
    )
    cerebro.adddata(data)

    # 本金10000，每次交易100股
    cerebro.broker.setcash(10000)
    cerebro.addsizer(bt.sizers.FixedSize, stake=100)

    # 万五佣金
    cerebro.broker.setcommission(commission=0.0005)

    # 运行策略
    cerebro.run()

    # 剩余本金
    cerebro.broker.get_value()
    money_left = cerebro.broker.getvalue()

    # 获取股票名字
    stock_name = stock_file.split("\\")[-1].split(".csv")[0]

    # 将最终回报率以百分比的形式返回
    result[stock_name] = float(money_left - 10000) / 10000

将股票数据文件和一个变量传入该函数，你就能得到该股票使用此策略的整体回报率。这里回报率的计算其实并不准确，因为我们每次仅交易100股，有些股票其实走势不错，但是买的太少会出现投资回报率很低的情况，甚至有些股票100股的价格会超过本金导致交易无法进行。

这些问题我们将在下一篇文章中解决，本篇文章只考虑该策略在A股中的整体盈余和亏损情况。

3.A股回测

我们将遍历抽取出来的1000只股票数据，计算出该策略在这些股票上的投资回报率，我们重点观察的是盈余股票的数量和亏损股票的数量。

files_path = "./thoudsand_stocks/"
result = {}

# 遍历所有股票数据
for stock in os.listdir(files_path):
    modpath = os.path.dirname(os.path.abspath(sys.argv[0]))
    datapath = os.path.join(modpath, files_path + stock)
    print(datapath)
    try:
        run_cerebro(datapath, result)
    except Exception as e:
        print(e)

这样，针对每一只股票都会运行一遍策略，然后将最终的盈余值放入result变量中。

然后我们再针对result变量进行相应的最最最简单分析：

# 计算
pos = []
neg = []
for data in result:
    res = result[data]
    if res > 0:
        pos.append(res)
    else:
        neg.append(res)
print(f'正收益数量: {len(pos)}, 负收益数量:{len(neg)}')

得到的结果如下，有些股票数据不足被遗弃：

正收益数量: 430, 负收益数量:568

从结果上看，显然，如果我们不考虑基本面，单纯地买入符合该策略的股票，最终很大可能是亏损的。许多技术投资方面的教材，用了几幅上涨的图来表明这些指标的用处，实际上那些上涨的图只是假象，但是许多人被傻傻地骗了进去，血本无归。

量化投资就是为了避免这种情况的发生，某些技术策略你觉得靠谱，那你就需要回测出一个证据来，靠几个上涨的图示来强调一个指标的好坏其实没有说服力，而根据没有证据的技术策略进行投资，和赌博无太大区别。

我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

我要打赏
给作者打赏，选择打赏金额
¥1¥5¥10¥20¥50¥100¥200 自定义
立即支付

​Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典

量化投资

Python 量化投资实战教程(4) —KDJ 策略

3条评论

量化投资系列文章：

Backtrader 教程 — Python 量化投资原来这么简单(1)

Python 量化投资原来这么简单(2) —MACD策略(+26.9%)

Python 量化投资原来这么简单(3) —A股回测MACD策略

Github仓库：https://github.com/Ckend/pythondict-quant

今天我们来使用backtrader试试另一个量化投资策略：KDJ策略，KDJ是最常用的指标之一，其中文名叫“随机指标”。它通过统计学原理，识别N个交易日内最高价、最低价、最新收盘价三者之间的比例关系来计算随机值（RSV），然后再根据加权移动平均线(EMA)的方法来计算K值、D值、J值。

具体计算方法如下：

  • RSV = （收盘价-N周期最低价）/（N周期最高价-N周期最低价）*100
  • K值 = RSV的N周期加权移动平均值
  • D值 = K值的N周期加权移动平均值
  • J值 = 3K-2D

一般来说，RSV的N周期选择9，K和D的N周期选择3。

基本概念大家都懂了，那如何根据KDJ值决定买入和卖出呢？

当J值上穿K值的时候，是买入信号，此时买入。

当J值下穿K值的时候，是卖出信号，此时卖出。

这个策略有用吗？让我们来试试看。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。

当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。

在终端输入以下命令安装我们所需要的依赖模块:

pip install backtrader

看到 Successfully installed xxx 则说明安装成功。

Backtrader基本使用请看我们前一篇文章：
backtrader教程—量化投资原来这么简单(1)

本文全部代码，请在Python实用宝典后台回复：量化投资4 进行下载。

2.单一KDJ策略

如果你以前没用过backtrader，请先看：

backtrader教程—量化投资原来这么简单(1)

进行学习，不然你会有点蒙。直接下载代码学习也是一种方式，但前提是你的自学本领够强。

首先我们需要先计算K、D、J三个值，前面我们也说过了他们的计算方式：

  • RSV = （收盘价-N周期最低价）/（N周期最高价-N周期最低价）*100
  • K值 = RSV的N周期加权移动平均值
  • D值 = K值的N周期加权移动平均值
  • J值 = 3K-2D

知道了计算方式，那之后的工作就简单了：

        # 9个交易日内最高价
        self.high_nine = bt.indicators.Highest(self.data.high, period=9)
        # 9个交易日内最低价
        self.low_nine = bt.indicators.Lowest(self.data.low, period=9)
        # 计算rsv值
        self.rsv = 100 * bt.DivByZero(
            self.data_close - self.low_nine, self.high_nine - self.low_nine, zero=None
        )
        # 计算rsv的3周期加权平均值，即K值
        self.K = bt.indicators.EMA(self.rsv, period=3)
        # D值=K值的3周期加权平均值
        self.D = bt.indicators.EMA(self.K, period=3)
        # J=3*K-2*D
        self.J = 3 * self.K - 2 * self.D

最后决定买入点和卖出点：

    # Python 实用宝典
    def next(self):
        self.log("Close, %.2f" % self.dataclose[0])
        if self.order:
            return

        if not self.position:
            # J - D 值
            condition1 = self.J[-1] - self.D[-1]
            condition2 = self.J[0] - self.D[0]
            if condition1 < 0 and condition2 > 0:
                self.log("BUY CREATE, %.2f" % self.dataclose[0])
                self.order = self.buy()

        else:
            condition = (self.dataclose[0] - self.bar_executed_close) / self.dataclose[0]
            if condition > 0.1 or condition < -0.1:
                self.log("SELL CREATE, %.2f" % self.dataclose[0])
                self.order = self.sell()

不过从卖出策略中可以看到，我暂时没有使用J下穿K值的方式来卖出股票，而是采用涨跌10%的限制性条件作为卖出信号，看看这样的策略表现如何。

这里和上篇文章一样，咱用10000元作为本金，对002859这只股票，回测其2010年1月1日至2020年4月21日期间的走势：

效果不是很好，本金10000元，最后剩余9892元，也就是还亏损了。从盈利和亏损点上来看，该策略确实亏损次数更多，比盈利次数多了一次。

不过这是我们基于限制性卖出的条件，如果是J值下穿K值作为卖出信号呢？

基于backtrader，我们做这样的买入卖出信号调整真的非常简单：

    # Python 实用宝典
    def next(self):
        self.log("Close, %.2f" % self.dataclose[0])
        if self.order:
            return

        condition1 = self.J[-1] - self.D[-1]
        condition2 = self.J[0] - self.D[0]
        if not self.position:
            # J - D 值
            if condition1 < 0 and condition2 > 0:
                self.log("BUY CREATE, %.2f" % self.dataclose[0])
                self.order = self.buy()

        else:
            if condition1 > 0 or condition2 < 0:
                self.log("SELL CREATE, %.2f" % self.dataclose[0])
                self.order = self.sell()

效果如何？

我勒个去，您这个不太靠谱啊，10000元本金只剩9029元了。

但是这样并没有足够证据否认这个策略的价值，接下来我们尝试将它和MACD策略结合在一起使用。

3.多策略回测

通过回测得到的图表，我发现，KDJ指标在决定买入信号的时候有很大的延迟，比MACD的买入信号延迟重得多，但是它的卖出信号却不错，很敏感。

所以我们可以考虑将MACD策略也引入进来，使用MACD决策买入，KDJ信号决策卖出。引入MACD策略相关变量：

        # MACD策略参数
        me1 = EMA(self.data, period=12)
        me2 = EMA(self.data, period=26)
        self.macd = me1 - me2
        self.signal = EMA(self.macd, period=9)
        bt.indicators.MACDHisto(self.data)

至于为什么MACD策略是这么计算的，请看我们上一篇文章：Python 量化投资原来这么简单(2) —MACD策略(+26.9%)。所以我们的文章是环环相扣的哦，如果没有阅读，请记得回头补上。

从上面两张图中，大家可以看到两条变化非常大的线，这是两条3日EMA的线。我们可以将其取消掉，因为它们没有太多价值。加一个plot=False参数即可让它们不显示：

        # 计算rsv的3周期加权平均值，即K值
        self.K = bt.indicators.EMA(self.rsv, period=3, plot=False)
        # D值=K值的3周期加权平均值
        self.D = bt.indicators.EMA(self.K, period=3, plot=False)

基于MACD策略的买入信号进行买入，KDJ策略的卖出信号进行卖出：

        if not self.position:
            # 买入基于MACD策略
            condition1 = self.macd[-1] - self.signal[-1]
            condition2 = self.macd[0] - self.signal[0]
            if condition1 < 0 and condition2 > 0:
                self.log('BUY CREATE, %.2f' % self.dataclose[0])
                self.order = self.buy()

        else:
            # 卖出基于KDJ策略
            condition1 = self.J[-1] - self.D[-1]
            condition2 = self.J[0] - self.D[0]
            if condition1 > 0 or condition2 < 0:
                self.log("SELL CREATE, %.2f" % self.dataclose[0])
                self.order = self.sell()

回测效果如下：

最终得到10057.06，赚了57块钱。。当然，总比单纯KDJ策略不赚的好。但是这个策略依然存在问题，它在很多能赚大钱的时候，过于保险地将股票卖出了，以至于其亏损的次数其实大于盈利的次数。

当然，单纯从一只股票上我们是无法看出这个策略的整体好坏的，下一篇量化投资文章（大约在2020/05/09），我们将在A股中随机取1000只股票，来验证这个复合策略的整体收益。敬请期待Python实用宝典的最新更新哦。

我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

我要打赏
给作者打赏，选择打赏金额
¥1¥5¥10¥20¥50¥100¥200 自定义
立即支付

​Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典

量化投资

Python 量化投资实战教程(3) —A股回测MACD策略

留下评论

量化投资系列文章：

Backtrader 教程 — Python 量化投资原来这么简单(1)

Python 量化投资原来这么简单(2) —MACD策略(+26.9%)

Python 量化投资原来这么简单(3) —A股回测MACD策略

Github仓库：https://github.com/Ckend/pythondict-quant

上一回，我们基于简单的MACD策略回测了华正新材这只股票的收益率，发现效果非常好，收益达到了26.9%，但这个策略放到其他股票上会不会有这么高的收益呢？我们今天就来试试看这个策略在不考虑基本面，只考虑技术面的情况下，在A股上的平均表现。

为了回测该策略在A股上的平均表现，我们从A股随机选取了1000只股票，使用MACD策略回测其2010年1月1日至今，使用MACD策略进行投资的表现。其中，以一万元作为本金，佣金为万分之五，每次交易100股。

最终发现，使用该策略最终亏损的股票有626只，盈利的有372只，有2只股票数据不足被去除。最高盈利有84%，最差亏损也达-34%。盈利超过10%的股票有30只，亏损超过30%的有29只。并总结了这30只盈利超过10%的股票的特点。

下面是用Python和backtrader分析这些股票的详细教程。在公众号后台回复：量化投资3 可获得本文全部代码及数据。本系列文章github仓库：
https://github.com/Ckend/pythondict-quant

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。

当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。

在终端输入以下命令安装我们所需要的依赖模块:

pip install backtrader

看到 Successfully installed xxx 则说明安装成功。

2.改造策略

最方便的回测股票数据的形式是将股票数据存储在MySQL数据库中，每次回测从数据库中拉取数据即可。但为了能够方便地让大家复现实验，我们将这些股票的数据以文件的形式存储下来。

策略上，我们不需要做改变，但是需要将运行策略的这一部分封装起来，用于批量执行策略：

def run_cerebro(stock_file, result):
    """
    运行策略
    :param stock_file: 股票数据文件位置
    :param result: 回测结果存储变量
    """
    
    cerebro = bt.Cerebro()

    cerebro.addstrategy(TestStrategy)

    # 加载数据到模型中
    data = bt.feeds.GenericCSVData(
        dataname=stock_file,
        fromdate=datetime.datetime(2010, 1, 1),
        todate=datetime.datetime(2020, 4, 25),
        dtformat='%Y%m%d',
        datetime=2,
        open=3,
        high=4,
        low=5,
        close=6,
        volume=10,
        reverse=True
    )
    cerebro.adddata(data)

    # 本金10000，每次交易100股
    cerebro.broker.setcash(10000)
    cerebro.addsizer(bt.sizers.FixedSize, stake=100)

    # 万五佣金
    cerebro.broker.setcommission(commission=0.0005)

    # 运行策略
    cerebro.run()

    # 剩余本金
    money_left = cerebro.broker.getvalue()

    # 获取股票名字
    stock_name = stock_file.split('\\')[-1].split('.csv')[0]

    # 将最终回报率以百分比的形式返回
    result[stock_name] = float(money_left - 10000) / 10000

然后遍历所有股票，运行策略，结果保存在result变量中：

files_path = 'stocks\\'
result = []

# 遍历所有股票数据
for stock in os.listdir(files_path):
    modpath = os.path.dirname(os.path.abspath(sys.argv[0]))
    datapath = os.path.join(modpath, files_path + stock)
    print(datapath)
    try:
        run_cerebro(datapath, result)
    except Exception as e:
        print(e)

最后，我们使用pickle将变量结果保存为文件，以方便后续分析：

f = open('./batch_macd_result.txt', 'wb')
pickle.dump(result, f)
f.close()

随后，我们就可以随意分析这个结果，而不用重新跑一遍策略了。

3.结果分析

接下来，使用最简单的方法分析结果：

import pickle

# 加载保存的结果
f = open('./batch_macd_result.txt', 'rb')
data = pickle.load(f)
f.close()

# 计算
pos = []
neg = []
ten_pos = []
ten_neg = []
for result in data:
    res = data[result]
    if res > 0:
        pos.append(res)
    else:
        neg.append(res)

    if res > 0.1:
        ten_pos.append(result)
    elif res < -0.1:
        ten_neg.append(result)

max_stock = max(data, key=data.get)

print(f'最高收益的股票： {max_stock}, 达到 {data[max_stock]}')
print(f'正收益数量: {len(pos)}, 负收益数量:{len(neg)}')
print(f'+10%数量: {len(ten_pos)}, -10%数量:{len(ten_neg)}')
print(f'收益10%以上的股票: {ten_pos}')

随机抽取的1000千股票，回测结果如下：

D:\CODE\stock\backtrader&gt;python analysis.py
最高收益 600745.SH, 达到 0.8413365999999998
正收益数量: 372, 负收益数量:626
+10%数量: 30, -10%数量:29
收益10%以上的股票: ['000403.SZ', '000858.SZ', '002271.SZ', '002311.SZ', '002475.SZ', '002555.SZ', '002568.SZ', '002605.SZ', '002714.SZ', '300007.SZ', '300136.SZ', '300220.SZ', '300347.SZ', '300476.SZ', '300482.SZ', '300566.SZ', '300601.SZ', '300613.SZ', '300630.SZ', '300725.SZ', '600570.SH', '600585.SH', '600745.SH', '601231.SH', '601799.SH', '603297.SH', '603378.SH', '603655.SH', '603737.SH', '603823.SH']

显然，在不考虑基本面的情况下，该策略的收益并不高，因此不建议用该策略进行A股整体回测并作交易。但是我们可以观察一下收益10%以上的股票的基本面特点。

你会发现大部分使用MACD策略收益10%以上的股票，其同比年利润增长都是大于0的，只有2只股票例外。此外，大部分股票平均年利润同比增长都在20%到30%左右，而且不会有太大的波动。

所以，MACD策略只有在股票的基本面优秀的情况下，才能发挥最大的价值。而在股票基本面比较差的情况下，这个策略的表现非常差，因此对于投机者而言，它并不是一个好的策略，但是对于价值投资者而言，其具备一定的参考价值。

好了，我们关于MACD策略的分析就到这里，如果大家有进一步的兴趣的话，记得关注Python实用宝典哦，我们将每周更新一期量化投资相关的推送，希望大家喜欢，本文的代码及数据，请在公众号后台回复：量化投资3 下载。

我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

我要打赏
给作者打赏，选择打赏金额
¥1¥5¥10¥20¥50¥100¥200 自定义
立即支付

​Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典