基于量化交易回测的金融股票案例分析

绝地灬酷狼 2021-12-20 04:41 228阅读 0赞

本案例涉及到大量金融方面知识，大家可以自行去网上搜寻，我会在另一篇博客上写一些本项目涉及到的基础知识，欢迎大家浏览！  
准备阶段：

因子选取很重要，会直接影响量化的结果准确性。这里省去寻找因子过程  
因子已经提前准备好：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70]  
context.weights = np.array(\[ 0.02953221, -0.04920124, -0.10791485, 0.00801783, -0.03613599, 0.1310877 , -0.03030564, 0.40286239, -0.30166898\])

本分析用的软件是米筐（[https://www.ricequant.com/）][https_www.ricequant.com]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 2]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 3]

项目过程  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 4]  
代码：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 5]

# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。
    import pandas as pd
    import numpy as np
    from sklearn.linear_model import  LinearRegression
    # 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
    def init(context):
        # 在context中保存全局变量
        # context.s1 = "000001.XSHE"
        #确定股票池
        context.hs300=index_components('000300.XSHG')
        #定义选股数量
        context.stock_num=20
        # print(context.hs300)
        #确定权重系数 一一对应
        arr = np.array([ 0.02953221, -0.04920124, -0.10791485,  0.00801783, -0.03613599, 0.1310877 , -0.03030564,  0.40286239, -0.30166898])
        context.weights=np.mat(arr).T
        #获取财务数据
        scheduler.run_monthly(myregression,tradingday=1)
        
    #离群点处理
    def three_sigan(data):
        high=data.mean()+3*data.std()
        low=data.mean()-3*data.std()
    
        #将离群点拉倒正常范围内
        np.where(data>high,high,data)
        np.where(data<low,low,data)
        return data
    
    #标准化处理   
    def stand(data):
        data=(data-data.mean())/data.std()
        return data
        
    #数据处理     
    def deal_data(data):
    
        #去除空值，离群值，标准化处理，市值中心化
        data=data.dropna()
        #name 为每一个因子名称
        #先拿出一份市值因子
        #market_cap  市值因子单词
        market_cap_data=data['market_cap']
        for name in data.columns:
            
            data[name]=three_sigan(data[name])
            data[name]=stand(data[name])
            if name=='market_cap':
                continue
            
        #市值中性化
        #确定市值因子为特征值，其他为目标值,训练数据等
            x=market_cap_data
            y=data[name]
            lr=LinearRegression()
            lr.fit(x.values.reshape(-1,1),y.values.reshape(-1,1))
            y_predict=lr.predict(x.values.reshape(-1,1))
            #获取与市值不相关的部分
            data[name]=y.values-y_predict
        return data
    
    #进行调仓         
    def tiaocang(context,bar_dict):           
        for stock in context.portfolio.positions.keys():
            #如果股票不在列表里，卖掉
            if stock not in context.stock_list:
                #股票交易接口，参数1位股票代码，参数2为  占参数比例   0为卖空
                order_target_percent(stock,0)
                
        for stock in context.stock_list:
            #
            order_target_percent(stock,1/len(context.stock_list))
                
                
                
               
    def myregression(context,bar_dict):
        #获取财务数据获取因子的值
        q=query(fundamentals.eod_derivative_indicator.pe_ratio,
        fundamentals.eod_derivative_indicator.pb_ratio,
        fundamentals.eod_derivative_indicator.market_cap,
        fundamentals.financial_indicator.ev,
        fundamentals.financial_indicator.return_on_asset_net_profit,
        fundamentals.financial_indicator.du_return_on_equity,
        fundamentals.financial_indicator.earnings_per_share,
        fundamentals.income_statement.revenue,
        fundamentals.income_statement.total_expense
        ).filter(fundamentals.stockcode.in_(context.hs300))
        fund=get_fundamentals(q)
        # print(fund)
        #因子处理
        context.factor_data=fund.T#保存起来
        # print(context.factor_data)
        context.factor_data=deal_data(context.factor_data)
        # print(context.factor_data)
        #因子数据预测，建立线性关系
        # print(context.weights.shape)
        #返回预测的收益
        factor_return=np.dot(context.factor_data,context.weights)
        context.factor_data['factor_return']=factor_return
        # print(context.factor_data.shape)
        #300行一列
        #获取股票收益率较好的20支股票
        context.stock_list=context.factor_data.sort_values('factor_return',ascending=False)[:context.stock_num].index
        # print(context.stock_list)
        #仓位
        tiaocang(context,bar_dict)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 6]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70]: /images/20211220/e0451d7fb08d46eca50c5b35a02d92dd.png
[https_www.ricequant.com]: https://www.ricequant.com/%EF%BC%89
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 1]: /images/20211220/fda18d78fce94b319cd56c0b948b6357.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 2]: /images/20211220/c6bd5912dadc435794cd93239cb75ec4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 3]: /images/20211220/c9e1ae2733584d8390c777a72f4da70d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 4]: /images/20211220/eda0cacb95484b82ba5e8be69d221e34.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 5]: /images/20211220/16d3d9bb30ab4faea9a1a949acfe6a34.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDY3NTM4NA_size_16_color_FFFFFF_t_70 6]: /images/20211220/54667ec3e39147ed902560332d21bc4a.png