量化策略——准备4python量化因子测算绘图

• 测算需要用到的第三方库&＃xff1a;numpy&＃xff0c;pandas&＃xff0c;talib
• 绘图需要用到的第三方库&＃xff1a;matplotlib&＃xff0c;seaborn

其他库随策略的需要额外添加

这里博主分享自己测算时常使用的流程&＃xff0c;希望与大家共同进步&＃xff01;

测算时从因子到收益的整个流程如下&＃xff1a;策略&＃xff08;因子组合&＃xff09; -> 买卖信号 -> 买点与卖点 -> 收益

因此我们在测算时&＃xff0c;针对每一个个股&＃xff1a;

1. 预处理股票数据

首先这里是常用的一个工具导入&＃xff0c;包括测算用的库与绘图用的库&＃xff08;含图片中文显示空白解决方案&＃xff09;

# 测算用
import numpy as np
import pandas as pd
from copy import deepcopy
from tqdm import tqdm
from datetime import datetime
import talib
# 绘图用
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
# 绘图现实中文
sns.set()
plt.rcParams["figure.figsize"] &＃61; (20,10)
plt.rcParams[&＃39;font.sans-serif&＃39;] &＃61; [&＃39;Arial Unicode MS&＃39;] # 当前字体支持中文
plt.rcParams[&＃39;axes.unicode_minus&＃39;] &＃61; False # 解决保存图像是负号&＃39;-&＃39;显示为方块的问题
# 其他
import warnings
warnings.filterwarnings("ignore")


然后是循环读取股票的代码&＃xff1a;

import os
def readfile(path, limit&＃61;None):
files &＃61; os.listdir(path)
file_list &＃61; []
for file in files: # 遍历文件夹
if not os.path.isdir(file):
file_list.append(path &＃43; &＃39;/&＃39; &＃43; file)
if limit:
return file_list[:limit]
return file_list
stock_dict &＃61; {}
for _file in tqdm(readfile("../data/stock_data")):
if not _file.endswith(".pkl"):
continue
# TODO 这里可以添加筛选&＃xff0c;是否需要将当前的股票添加到测算的股票池中
file_df &＃61; pd.read_pickle(_file)
file_df.set_index(["日期"], inplace&＃61;True)
file_df.index.name &＃61; ""
file_df.index &＃61; pd.to_datetime(file_df.index)
file_df.rename(columns&＃61;{&＃39;开盘&＃39;:&＃39;open&＃39;,"收盘":"close","最高":"high","最低":"low","成交量":"volume"},inplace&＃61;True)
stock_code &＃61; _file.split("/")[-1].replace(".pkl", &＃39;&＃39;)
# TODO 这里可以添加日期&＃xff0c;用来截取一部分数据
stock_dict[stock_code] &＃61; file_df


上面一部分是处理股票数据&＃xff0c;处理后的数据都会保存在 stock_dict 这个变量中&＃xff0c;键是股票的代码&＃xff0c;值是股票数据

2. 指标测算

测算指标时&＃xff0c;我们以一只股票为例&＃xff1a;

for _index,_stock_df in tqdm(stock_dict.items()):
measure_df &＃61; deepcopy(_stock_df)


代码中的&＃xff1a;

• 这里的measure_df即要测算的dataframe数据
• 使用deepcopy是防止测算的过程影响到原始数据

然后我们就可以循环这一个股票的每一行&＃xff08;代表每一天&＃xff09;&＃xff0c;测算的交易规则如下&＃xff1a;

1. 买入规则&＃xff1a;买入信号发出&当前没有持仓&＃xff0c;则买入
2. 卖出规则&＃xff1a;卖出信号发出&当前有持仓&＃xff0c;则卖出

# 开始测算
trade_record_list &＃61; []
this_trade:dict &＃61; None
for _mea_i, _mea_series in measure_df.iterrows(): # 循环每一天
if 发出买入信号:
if this_trade is None: # 当前没有持仓&＃xff0c;则买入
this_trade &＃61; {
"buy_date": _mea_i,
"close_record": [_mea_series[&＃39;close&＃39;]],
}
elif 发出卖出信号:
if this_trade is not None: # 要执行卖出
this_trade[&＃39;sell_date&＃39;] &＃61; _mea_i
this_trade[&＃39;close_record&＃39;].append(_mea_series[&＃39;close&＃39;])
trade_record_list.append(this_trade)
this_trade &＃61; None
else:
if this_trade is not None: # 当前有持仓
this_trade[&＃39;close_record&＃39;].append(_mea_series[&＃39;close&＃39;])


上述代码中&＃xff0c;我们将每一个完整的交易&＃xff08;买->持有->卖&＃xff09;&＃xff0c;都保存在了trade_record_list变量中&＃xff0c;每一个完整的交易都会记录&＃xff1a;

{
&＃39;buy_date&＃39;: Timestamp(&＃39;2015-08-31 00:00:00&＃39;), # 买入时间
&＃39;close_record&＃39;: [41.1,42.0,40.15,40.65,36.6,32.97], # 收盘价的记录
&＃39;sell_date&＃39;: Timestamp(&＃39;2015-10-12 00:00:00&＃39;)} # 卖出时间
# TODO 也可以添加自定义记录的指标
}


3. 测算结果整理

直接使用 pd.DataFrame(trade_record_list)&＃xff0c;就可以看到总的交易结果&＃xff1a;

整理的过程也相对简单且独立&＃xff0c;就是循环这个交易&＃xff0c;然后计算想要的指标&＃xff0c;比如单次交易的年化收益可以使用&＃xff1a;

trade_record_df &＃61; pd.DataFrame(trade_record_list)
for _,_trade_series in trade_record_df.iterrows():
trade_record_df.loc[_i,&＃39;年化收益率&＃39;] &＃61; (_trade_series[&＃39;close_record&＃39;][-1] - _trade_series[&＃39;close_record&＃39;][0])/_trade_series[&＃39;close_record&＃39;][0]/(_trade_series[&＃39;sell_date&＃39;] - _trade_series[&＃39;buy_date&＃39;]).days * 365 # 年化收益
# TODO 这里根据自己想要的结果添加更多的测算指标


4. 结果绘图

绘图的代码通常比较固定&＃xff0c;比如胜率图&＃xff1a;

# 清理绘图缓存
plt.cla()
plt.clf()
# 开始绘图
plt.figure(figsize&＃61;(10, 14), dpi&＃61;100)
# 使用seaborn绘制胜率图
fig &＃61; sns.heatmap(pd.DataFrame(total_measure_record).T.round(2), annot&＃61;True, cmap&＃61;"RdBu_r",center&＃61;0.5)
plt.title("胜率图")
scatter_fig &＃61; fig.get_figure()
# 保存到本地
scatter_fig.savefig("胜率图")
scatter_fig.show() # 最后显示