既然已经接触了股票类金融，便也尝试一下宽客的滋味，至少python编程还是在的，在聚宽创了个号，了解基本的几个股票概念，便开始实践。
看了很多知乎，雪球大v的文章，了解到量化大多也是条充满荆棘的道路，然而这种路走多了好像也习惯了，（绝望多了也享受绝望的感觉了）<-这种feeling很奇妙。不试试咋么知道呢，反正还没到头脑发热的程度，大不了重头再来呗。
家里人谈股色变，但好像我没咋受影响，自己的路自己走，也没有太多包袱。
可能我注定不会是一个专精的程序员，从web前端到后台，再到机器学习神经网络；从js到php，再到python，然后到现在写写量化策略。是种历练吧。
开始说第一个策略把，策略叫聪明钱，注解还是在代码里展示：
# 导入函数库
import jqdata
import numpy as np
import random
import datetime
# 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)
# 输出内容到日志 log.info()
# 过滤掉order系列API产生的比error级别低的log
log.set_level('order', 'error')
### 股票相关设定 ###
# 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')
#运行，这里按天回测
run_daily(trade, "every_bar")
#下面三个是过滤器，过滤停牌，摘牌，st的股票
def paused_filter(security_list):
current_data=get_current_data()
security_list=[stock for stock in security_list if not current_data[stock].paused]
return security_list
def delisted_filter(security_list):
current_data=get_current_data()
security_list=[stock for stock in security_list if not '退' in current_data[stock].name]
return security_list
def st_filter(security_list):
current_data=get_current_data()
security_list=[stock for stock in security_list if not current_data[stock].is_st]
return security_list
#主要交易
def trade(context):
#选择股票，并用一些财务数据简单过滤，挑中100个
stock_to_choose=get_fundamentals(query(
valuation.code,valuation.pe_ratio,
valuation.pb_ratio,valuation.market_cap,
indicator.eps,indicator.inc_net_profit_annual
).filter(
valuation.pe_ratio<400,
valuation.pe_ratio>0,
indicator.eps>0.1,
indicator.inc_net_profit_annual>0.2,
indicator.roe>2
).order_by(
valuation.pb_ratio.asc()
).limit(
100
), date=None)
#过滤股票
stockpool=list(stock_to_choose['code'])
stockpool=paused_filter(stockpool)
stockpool=delisted_filter(stockpool)
stockpool=st_filter(stockpool)
#选择在每周周五交易
if context.current_dt.weekday()==4:
all_q={"stock":[],"q":[]}
#遍历股票池
for stock in stockpool:
#按分钟获取20天的历史数据---收盘价，成交量，成交额
df=attribute_history(stock,240*20,'1m',['close','volume','money'])
#计算单笔的平均价格
vwap_all = df['money'].sum()/df['volume'].sum()
#计算涨跌幅，定义聪明因子s=涨跌幅除以根号成交量
data_return=df['close'].pct_change()
df["smart"]=np.abs(data_return)/np.sqrt(df['volume'])
#过滤
df = df[(df['smart']>0) & (df['smart']<np.inf)]
#按聪明因子s排序
df=df.sort("smart",ascending=False)
#计算成交量累积和
df["accumvol"]=df['volume'].cumsum()
if len(df["accumvol"].values)==0:
continue
#获取总和的前百分之20
high_acc=df["accumvol"].values[-1]*0.2
tmp = df[df['accumvol'] <= high_acc]
if tmp['volume'].sum()==0:
continue
#截取的单笔的均价
vwap_smart = tmp['money'].sum()/tmp['volume'].sum()
#均价相比较
all_q['stock'].append(stock)
all_q['q'].append(vwap_smart/vwap_all)
#获取前百分之2
tmp_q=pd.DataFrame(all_q)
q_min=tmp_q["q"].quantile(0)
q_max=tmp_q["q"].quantile(0.02)
my_q=tmp_q[tmp_q["q"]>=q_min][tmp_q["q"]<q_max]
my_stk=my_q['stock'].values
#获取持仓的股票代码
slist=list(context.portfolio.positions.keys())
#不符合的卖出
for stk in slist:
if stk not in my_stk:
order_target_value(stk, 0)
#符合的买进
buy_list=[]
for stock in my_stk:
if stock not in slist:
buy_list.append(stock)
if len(buy_list)==0:
Cash=context.portfolio.available_cash
else:
Cash=context.portfolio.available_cash/len(buy_list)
for stock in buy_list:
order_target_value(stock,Cash)
回测结果：
这个策略在16年的时候还是可以的，但在17年回测的时候就不太行了。也了解了策略必须要经常更替，一个策略不可能长时间保持高收益。
策略来源：https://uqer.io/community/share/578f04e0228e5b3b9b5f1ab7
版权声明：本文为原创文章，转载请注明出处和作者，不得用于商业用途，请遵守
CC BY-NC-SA 4.0协议。
赏
支付宝打赏
微信打赏
支付宝打赏
微信打赏
赞赏一下