Python 量化代码

1、# coding: utf-8import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom _future_ import division# 获取数据函数def get_stock_data(stock_code, index_code, start_date, end_date): :param stock_code: 股票代码，例如sz000002 :param index_code: 指数代码，例如sh000001 :param start_date: 回测开始日期，例如1991-1-30 :param

2、 end_date: 回测结束日期，例如2015-12-31 :return: 函数返回其他函数的各参数序列 # 此处为存放csv文件的本地路径，请自行改正地址.注意windows和mac系统,斜杠的方向不一样 stock_data = pd.read_csv(rG:财通实习历史日线数据_样本%282013 2014年数据%292all_trading_datastock datash600000.csv, parse_dates=date) benchmark = pd.read_csv(rG:财通实习历史日线数据_样本%282013 2014年数据%292all_trading_datai

3、ndex datash000001.csv, parse_dates=date) date = pd.date_range(2016-01-01,2016-03-15) # 生成日期序列 # 选取在日期范围内的股票数据序列并按日期排序 stock_data = stock_data.ixstock_datadate.isin(date), date, change, adjust_price stock_data = stock_data.ixstock_datadate.isin(date), date, change, adjust_price # 选取在日期范围内的指数数据序列并按日期排

4、序 date_list = list(stock_datadate) benchmark = benchmark.ixbenchmarkdate.isin(date_list), date, change, close benchmark.sort_values(by=date, inplace=True) benchmark.set_index(date, inplace=True) # 将回测要用到的各个数据序列转成list格式 date_line = list(benchmark.index.strftime(%Y-%m-%d) # 日期序列 capital_line = list(st

5、ock_dataadjust_price) # 账户价值序列 return_line = list(stock_datachange) # 收益率序列 indexreturn_line = list(benchmarkchange) # 指数的变化率序列 index_line = list(benchmarkclose) # 指数序列 return date_line, capital_line, return_line, index_line, indexreturn_line# 计算年化收益率函数def annual_return(date_line, capital_line): :pa

6、ram date_line: 日期序列 :param capital_line: 账户价值序列 :return: 输出在回测期间的年化收益率 # 将数据序列合并成dataframe并按日期排序 df = pd.DataFrame(date: date_line, capital: capital_line) df.sort_values(by=date, inplace=True) df.reset_index(drop=True, inplace=True) rng = pd.period_range(dfdate.iloc0, dfdate.iloc-1, freq=D) # 计算年化收益

7、率 annual = pow(df.ixlen(df.index) - 1, capital / df.ix0, capital, 250 / len(rng) - 1 print 年化收益率为：%f % annual# 计算最大回撤函数def max_drawdown(date_line, capital_line): :param date_line: 日期序列 :param capital_line: 账户价值序列 :return: 输出最大回撤及开始日期和结束日期 # 将数据序列合并为一个dataframe并按日期排序 df = pd.DataFrame(date: date_line

8、, capital: capital_line) df.sort_values(by=date, inplace=True) df.reset_index(drop=True, inplace=True) dfmax2here = pd.expanding_max(dfcapital) # 计算当日之前的账户最大价值 dfdd2here = dfcapital / dfmax2here - 1 # 计算当日的回撤 # 计算最大回撤和结束时间 temp = df.sort_values(by=dd2here).iloc0date, dd2here max_dd = tempdd2here end

9、_date = tempdate # 计算开始时间 df = dfdfdate 0, rtn = 1 # 收益率大于0的记为1 df.ixdfrtn 0, up = 1 df.ixdfrtn 0, up = 0 dfup.fillna(method=ffill, inplace=True) # 根据up这一列计算到某天为止连续上涨下跌的天数 rtn_list = list(dfup) successive_up_list = num = 1 for i in range(len(rtn_list): if i = 0: successive_up_list.append(num) else:

10、if (rtn_listi = rtn_listi - 1 = 1) or (rtn_listi = rtn_listi - 1 = 0): num += 1 else: num = 1 successive_up_list.append(num) # 将计算结果赋给新的一列successive_up dfsuccessive_up = successive_up_list # 分别在上涨和下跌的两个dataframe里按照successive_up的值排序并取最大值 max_successive_up = dfdfup = 1.sort_values(by=successive_up, as

11、cending=False)successive_up.iloc0 max_successive_down = dfdfup = 0.sort_values(by=successive_up, ascending=False)successive_up.iloc0 print 最大连续上涨天数为：%d 最大连续下跌天数为：%d % (max_successive_up, max_successive_down)# 计算最大单周期涨幅和最大单周期跌幅def max_period_return(date_line, return_line): :param date_line: 日期序列 :par

12、am return_line: 账户日收益率序列 :return: 输出最大单周期涨幅和最大单周期跌幅 df = pd.DataFrame(date: date_line, rtn: return_line) # 分别计算日收益率的最大值和最小值 max_return = dfrtn.max() min_return = dfrtn.min() print 最大单周期涨幅为：%f 最大单周期跌幅为：%f % (max_return, min_return)# 计算收益波动率的函数def volatility(date_line, return_line): :param date_line:

13、日期序列 :param return_line: 账户日收益率序列 :return: 输出回测期间的收益波动率 from math import sqrt df = pd.DataFrame(date: date_line, rtn: return_line) # 计算波动率 vol = dfrtn.std() * sqrt(250) print 收益波动率为：%f % vol# 计算贝塔的函数def beta(date_line, return_line, indexreturn_line): :param date_line: 日期序列 :param return_line: 账户日收益率

14、序列 :param indexreturn_line: 指数的收益率序列 :return: 输出beta值 df = pd.DataFrame(date: date_line, rtn: return_line, benchmark_rtn: indexreturn_line) # 账户收益和基准收益的协方差除以基准收益的方差 b = dfrtn.cov(dfbenchmark_rtn) / dfbenchmark_rtn.var() print beta: %f % b# 计算alpha的函数def alpha(date_line, capital_line, index_line, ret

15、urn_line, indexreturn_line): :param date_line: 日期序列 :param capital_line: 账户价值序列 :param index_line: 指数序列 :param return_line: 账户日收益率序列 :param indexreturn_line: 指数的收益率序列 :return: 输出alpha值 # 将数据序列合并成dataframe并按日期排序 df = pd.DataFrame(date: date_line, capital: capital_line, benchmark: index_line, rtn: ret

16、urn_line, benchmark_rtn: indexreturn_line) df.sort_values(by=date, inplace=True) df.reset_index(drop=True, inplace=True) rng = pd.period_range(dfdate.iloc0, dfdate.iloc-1, freq=D) rf = 0.0284 # 无风险利率取10年期国债的到期年化收益率 annual_stock = pow(df.ixlen(df.index) - 1, capital / df.ix0, capital, 250 / len(rng)

17、- 1 # 账户年化收益 annual_index = pow(df.ixlen(df.index) - 1, benchmark / df.ix0, benchmark, 250 / len(rng) - 1 # 基准年化收益 beta = dfrtn.cov(dfbenchmark_rtn) / dfbenchmark_rtn.var() # 计算贝塔值 a = (annual_stock - rf) - beta * (annual_index - rf) # 计算alpha值 print alpha：%f % a# 计算夏普比函数def sharpe_ratio(date_line,

18、capital_line, return_line): :param date_line: 日期序列 :param capital_line: 账户价值序列 :param return_line: 账户日收益率序列 :return: 输出夏普比率 from math import sqrt # 将数据序列合并为一个dataframe并按日期排序 df = pd.DataFrame(date: date_line, capital: capital_line, rtn: return_line) df.sort_values(by=date, inplace=True) df.reset_ind

19、ex(drop=True, inplace=True) rng = pd.period_range(dfdate.iloc0, dfdate.iloc-1, freq=D) rf = 0.0284 # 无风险利率取10年期国债的到期年化收益率 # 账户年化收益 annual_stock = pow(df.ixlen(df.index) - 1, close / df.ix0, close, 250 / len(rng) - 1 # 计算收益波动率 volatility = dfrtn.std() * sqrt(250) # 计算夏普比 sharpe = (annual_stock - rf)

20、/ volatility print sharpe_ratio: %f % sharpe# 计算信息比率函数def info_ratio(date_line, return_line, indexreturn_line): :param date_line: 日期序列 :param return_line: 账户日收益率序列 :param indexreturn_line: 指数的收益率序列 :return: 输出信息比率 from math import sqrt df = pd.DataFrame(date: date_line, rtn: return_line, benchmark_r

21、tn: indexreturn_line) dfdiff = dfrtn - dfbenchmark_rtn annual_mean = dfdiff.mean() * 250 annual_std = dfdiff.std() * sqrt(250) info = annual_mean / annual_std print info_ratio: %f % info# 计算股票和基准在回测期间的累计收益率并画图def cumulative_return(date_line, return_line, indexreturn_line): :param date_line: 日期序列 :pa

22、ram return_line: 账户日收益率序列 :param indexreturn_line: 指数日收益率序列 :return: 画出股票和基准在回测期间的累计收益率的折线图 df = pd.DataFrame(date: date_line, rtn: return_line, benchmark_rtn: indexreturn_line) dfstock_cumret = (dfrtn + 1).cumprod() dfbenchmark_cumret = (dfbenchmark_rtn + 1).cumprod() # 画出股票和基准在回测期间的累计收益率的折线图 dfstock_cumret.plot(style=k-, figsize=(12, 5) dfbenchmark_cumret.plot(style=k-, figsize=(12, 5) plt.show()# 调用get_stock_data函数读取数据date_line, capital_line,