概述
量化说得简单一些用策略进行股票交易，在实施交易之前，需要制定策略，并回测试共效果
为了把交易说明清楚，将这个过程，能简单，就简单，总之，简单，简单再简单。
以下主要以代码为主。
获取数据
按照惯例用baostock 数据
# 加载相应的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import baostock as bs
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus']=False
加载数据
仍以sh.60000为例，从今年【2023年1月1日 到至今天(2023-10-19)】数据为演示。
lg = bs.login()
#指定一下获取股票数据的起始日期和截止日期
#这里就用2023年1月1日至今日的数据
start_date = '2023-01-01'
end_date = '2023-10-19'
#创建数据表，这里选择下载的股票代码为600000rs=bs.query_history_k_data_plus('600000.sh', "date,open,high,low,close,volume",start_date=start_date, end_date=end_date,
frequency="d", adjustflag="3")
# .get_data()
#下面来检查一下数据表的前5行
data=rs.get_data()
data.head()
数据见下表
date open high low close volume
0 2023-01-03 7.2700 7.2800 7.1700 7.2300 25892521
1 2023-01-04 7.2700 7.3500 7.2300 7.3100 30947081
2 2023-01-05 7.3700 7.3800 7.3000 7.3500 30162154
3 2023-01-06 7.3500 7.3800 7.3100 7.3400 20312881
4 2023-01-09 7.3800 7.3800 7.3000 7.3400 19612260
data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 191 entries, 0 to 190
Data columns (total 6 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 date 191 non-null object1 open 191 non-null object2 high 191 non-null object3 low 191 non-null object4 close 191 non-null object5 volume 191 non-null object
dtypes: object(6)
memory usage: 9.1+ KB
- 特别说明一下，这里有个坑，baostock 采集的数据均是字符串，无法进行数值计算 可以通
info()函数查看
数据处理
- 转化为数值型和日期，并建立以日期为索引
你也可以不用建议索引，不过，建立以日期为索引的好处在于作图时，横坐标会显示日期，定位也很方便。
cols=["open","high","low","close","volume"]
data[cols]=data[cols].astype('float')
data['date']=pd.to_datetime(data['date'])
data.set_index('date',inplace=True)
- 增加一列价格变化
#给新的字段命名为diff，代表difference
#用.diff()方法来计算每日股价变化情况
data['diff'] = data['close'].diff()
- 增加交易信号
#创建交易信号字段，命名为Signal
#如果diff值大于0，则Signal为1 卖出，否则为0 买入
data['signal'] = np.where(data['diff'] > 0, 1, 0)
作图查看
#设置画布的尺寸为12*8
plt.figure(figsize = (12,8))
#使用折线图绘制出每天的收盘价
data['close'].plot(linewidth=2, color='k', grid=True)
#如果当天股价上涨，标出卖出信号，用倒三角表示
plt.scatter(data['close'].loc[data.signal==1].index,data['close'][data.signal==1],marker = 'v', s=80, c='g')
#如果当天股价下跌给出买入信号，用正三角表示
plt.scatter(data['close'].loc[data.signal==0].index,data['close'][data.signal==0],marker = '^', s=80, c='r')
#将图像进行展示
plt.show()
回测
为了更加清晰的看到回测结果，删除不参加计算的列，只保留相关的列。
df = data.copy()
df.rename(columns={"close": "price"}, inplace=True)
df.drop(columns=['open','high','low','volume'], inplace=True)
df=df.fillna(0)
#一般情况下，在A股市场，买入或卖出至少为100股，即1手
df['order'] = df['signal'].diff()*100
df.head()
price diff signal order
date
2023-01-03 7.23 0.00 0 NaN
2023-01-04 7.31 0.08 1 100.0
2023-01-05 7.35 0.04 1 0.0
2023-01-06 7.34 -0.01 0 -100.0
2023-01-09 7.34 0.00 0 0.0
回测的逻辑：
根据买卖信号，进行买卖操作，每次操作相应的数量。对于这里的股票，只有做多，即只能是买进后，才能卖出。
特别要说明的的一个函数cumsum()，即累加。
#考虑到股价较低，我们初始1千元钱让去交易
initial_cash = 1000.00
#增加一个字段，代表交易的股票的市值
df['stock'] = df['order']*df['price']
#两次买卖的订单变化之差就是某一时刻仓位的变化情况
#持仓股票的数量变化乘以现价，就是代表交易产生的现金流
#用初始资金减去现金流变化的累加，就是剩余的现金
df['cash'] = initial_cash -\
(df['order'].diff()*df['price']).cumsum()
#而最股票的市值加上剩余的现金，就是的总资产
df['total'] = df['stock'] + df['cash']
#为了让直观看到自己的总资产变化
#我们用图形来进行展示
#设置图形的尺寸是10*6
plt.figure(figsize=(10,6))
#分别绘制总资产和持仓股票市值的变化
plt.plot(df['total'],label='总市值')
plt.plot(df['order'].cumsum()*df['price'],'--',label='股票市值')
#增加网格，调整一下图注的位置，就可以显示图像了
plt.grid()
plt.legend(loc='center right')
plt.show()
通过上图，可以看到上面蓝色的曲线为资产曲线，下面橙色的表示股票买卖的情况。
| date | price | diff | signal | order | stock | cash | total |
|---|---|---|---|---|---|---|---|
| 2023-01-03 | 7.23 | 0.00 | 0 | NaN | NaN | NaN | NaN |
| 2023-01-04 | 7.31 | 0.08 | 1 | 100.0 | 731.0 | NaN | NaN |
| 2023-01-05 | 7.35 | 0.04 | 1 | 0.0 | 0.0 | 1735.0 | 1735.0 |
| 2023-01-06 | 7.34 | -0.01 | 0 | -100.0 | -734.0 | 2469.0 | 1735.0 |
| 2023-01-09 | 7.34 | 0.00 | 0 | 0.0 | 0.0 | 1735.0 | 1735.0 |
| … | … | … | … | … | … | … | … |
| 2023-10-13 | 7.10 | -0.04 | 0 | -100.0 | -710.0 | 2514.0 | 1804.0 |
| 2023-10-16 | 7.07 | -0.03 | 0 | 0.0 | 0.0 | 1807.0 | 1807.0 |
| 2023-10-17 | 7.09 | 0.02 | 1 | 100.0 | 709.0 | 1098.0 | 1807.0 |
| 2023-10-18 | 7.05 | -0.04 | 0 | -100.0 | -705.0 | 2508.0 | 1803.0 |
| 2023-10-19 | 6.84 | -0.21 | 0 | 0.0 | 0.0 | 1824.0 | 1824.0 |
191 rows × 7 columns
小结
查看数据表，我们惊奇的发现居然盈利了。资产由原来的1000元，变成1824元。
以上的仅仅是一个策略的制定和回测的过程，盈利并不代表什么，不能直接用于实践。
有了这个简单的策略，我们了解策略是什么，回测是什么，分别是如何实现的。在以后的章节，我们将一步地进行研究和说明。
在此警告：文章中的所有内容，不能给你构成投资的理由。
)
