ptrade从零开始学习量化交易第45期【ptrade获取股票信息之get_index_stocks- 获取指数成分股】

最新推荐文章于 2025-06-30 16:45:22 发布
原创 最新推荐文章于 2025-06-30 16:45:22 发布 · 604 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习 #python #算法 #经验分享 #笔记

PTrade获取股票信息

更加详细的调用方法，后续会慢慢整理。

也可找寻博主历史文章，搜索关键词使用方案，比如本文涉及函数get_index_stocks！

感谢关注，咨询免费开通量化回测与获取实盘权限，欢迎和博主联系！

get_index_stocks- 获取指数成分股

get_index_stocks(index_code,date)
使用场景

该函数在研究、回测、交易模块可用

接口说明

该接口用于获取一个指数在平台可交易的成分股列表，指数列表

注意事项：

1、在回测中，date不入参默认取当前回测周期所属历史日期

2、在研究中，date不入参默认取的是当前日期

3、在交易中，date不入参默认取的是当前日期

参数

index_code：指数代码，尾缀必须是.SS 如沪深300：000300.SS(str)

date：日期，输入形式必须为'YYYYMMDD'，如'20170620'，不输入默认为当前日期(str)；

返回

返回股票代码的list(list[str,...])。

['000001.SZ', '000002.SZ', '000063.SZ', '000069.SZ', '000100.SZ', '000157.SZ', '000425.SZ', '000538.SZ', '000568.SZ', '000625.SZ', '000651.SZ', '000725.SZ', '000728.SZ', '000768.SZ', '000776.SZ',
 '000783.SZ', '000786.SZ', ..., '603338.SS', '603939.SS', '603233.SS', '600426.SS', '688126.SS', '600079.SS', '600521.SS', '600143.SS', '000800.SZ']
最低0.47元/天 解锁文章

200万优质内容无限畅学
GJ57017_wx
关注
Python量化炒股的获取数据函数—get_index_weights()
Liu_Bruce的博客
05-03 209
单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令，进入Jupyter Notebook的研究平台。该函数的参数与获取指数成分股代码函数get_index_stocks()相同，该函数的返回值是DataFrame对象。
Python量化炒股的获取数据函数—get_index_stocks()
Liu_Bruce的博客
05-04 1015
单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令，进入Jupyter Notebook的研究平台。行业代码有很多，常用行业代码及意义如下。参数date和返回值，都与get_index_stocks()函数相同。C15：酒、饮料喝精制茶制造业。A05：农、林、牧、渔服务业。B07：石油和天然气开采业。B06：煤炭开采和洗选业。B08：黑色金属矿采选业。B09：有色金属矿采选业。C13：农副食品加工业。C28：化学纤维制造业。C34：通用设备制造业。
量化实操之获取历史行情，生成5日、10日均线
qq_29301281的博客
06-30 604
量化实操之获取历史行情，生成5日、10日均线
用聚宽量化炒股-5获取数据函数-6）获取指数成分股代码函数get_index_stocks
weixin_44020827的博客
10-27 1801
get_index_stocks(index_symbol,date=None) 获取一个指数给定日期在平台可交易的成分股列表。 1.各项参数意义 1)date：查询日期，类型为字符串，如：“2021-10-20”或为datetime.datetime对象和datatime.date。 默认值为None，研究中默认为当天；回测时默认随着回测日期的变化而变化，等于context.current_dt。 2).index_symbol 指数代码。这里支持600种股票指数数据。 该函数的返回值是股票
[ptrade交易实战] 第十一篇 股票信息获取函数（2）
vv_LCJL319的博客
07-11 941
ptrade开通详则》
量化学习第八天——获取某类股票
IAlexanderI的专栏
07-22 4392
一、get_index_stocks 获取指数成份股 > get_index_stocks(index_symbol, date=None) 获取一个指数给定日期在平台可交易的成分股列表，请点击指数列表查看指数信息参数 index_symbol: 指数代码 date: 查询日期, 一个字符串(格式类似’20151015’)或者datetime.date/datetime.datetime对象...
量化交易入门笔记-数据获取函数 二
东南有大树的博客
10-11 5918
gt_fundamentals() 函数 该函数可查询一只股票或多只股票的财务数据，其语法如下： get_fundamentals(query_object, date=None, statDate=None) 参数解析： query_object : 这是一个 sqlalchemy.orm.query.Query 对象，可以通过全局的 query 函数获取 Query 对象 date...
ptrade从零开始学习量化交易第36期【ptrade获取行情信息之get_etf_stock_info - 获取ETF成分券信息】
GJ57017_wx的博客
06-06 400
get_etf_stock_info - 获取ETF成分券信息 参数 etf_code : 单支ETF代码，必传参数(str) security : 单只股票代码或者一个由多只股票代码组成的列表，必传参数(list[str]/str) 返回 正常返回一个dict类型字段，包含每只etf代码中成分股的信息。异常返回空dict，如{}(dict[str:dict[...]]) 返回结果字段介绍： code_num -- 成分券数量(str:float)； cash_replace_flag -- 现金替
从零开始构建量化价值投资多因子模型
AI天才研究院
04-19 851
量化价值投资多因子模型的构建目的在于通过系统性的方法，综合考虑多个影响股票价值的因素，以更准确地评估股票的投资价值，为投资者提供科学的投资决策依据。本模型的构建范围涵盖了从因子的选取、数据的处理、模型的建立到模型的评估和优化等一系列过程。通过对历史数据的分析和回测，验证模型的有效性和稳定性，进而应用于实际的投资组合管理中。本文将按照以下结构进行组织：首先介绍量化价值投资和多因子模型的相关背景知识，包括核心概念和联系；接着详细阐述核心算法原理和具体操作步骤，并给出Python代码示例；
[QMT量化交易小白入门]-六十一、多因子选股+布林带择时年化收益率21.5%
木头大左的博客
06-05 915
本策略旨在通过多因子模型筛选出优质股票，并利用布林带技术指标进行买卖时机的判断。多因子选股：基于市值、利润、现金流和负债等财务指标，对股票进行综合评分，选取排名前20的股票作为股票池。布林带择时：根据股价相对于布林带中轨和上轨的位置，决定买入或卖出的时机。
从零开始学量化：市盈率在价值投资中的关键作用
2501_92132293的博客
06-13 609
市盈率的基本概念和计算方法市盈率在价值投资理论中的核心地位市盈率的量化实现和策略构建市盈率指标的局限性和改进方法本文采用从理论到实践的递进结构，首先介绍市盈率的基本概念，然后深入其数学原理和量化实现，最后通过实际案例展示其在投资策略中的应用。市盈率(P/E Ratio)：股票价格与每股收益(EPS)的比率，衡量投资者为公司每单位收益支付的价格TTM市盈率：使用最近12个月(Trailing Twelve Months)收益计算的市盈率远期市盈率：基于未来预期收益计算的市盈率价值投资。
聚宽API文档
07-06
JoinQuant聚宽量化交易平台,资源是平台的API文档，是学习量化交易的基础
python数据分析及可视化（十七）聚宽（双均线分析、因子选股策略、多因子选股策略、均值回归理论、布林带策略、PEG策略、权重收益策略）
hwwaizs的博客
12-11 7833
python数据分析及可视化（十七）聚宽（双均线分析、因子选股策略、多因子选股策略、均值回归理论、布林带策略、PEG策略、权重收益策略）
Python爬取聚宽量化平台沪深300价格数据保存成excel文件
Pedrotime的博客
08-28 3310
Python爬取聚宽量化平台获取沪指300价格数据，保存成excel文件
如何抓取股票数据
zhang, yan-feng
09-14 3599
http://table.finance.yahoo.com/table.csv?s=ibm&d=6&e=22&f=2006&g=d&a=11&b=16&c=1991&ignore=.csv上面的链接可以抓取IBM股票从1991年11月16日起到2006年6月22的数据。把ibm改成sohu，就可以抓到sohu的股票数据了。http://table.finance.yahoo.
[ptrade交易实战] 第九篇 市场信息获取函数
vv_LCJL319的博客
07-08 712
ptrade的渠道可以通过《ptrade开通详则》
ptrade从零开始学习量化交易第34期【ptrade获取行情信息之get_sort_msg – 获取板块、行业的涨幅排名】
GJ57017_wx的博客
06-06 1257
get_sort_msg – 获取板块、行业的涨幅排名 参数 sort_type_grp: 板块或行业的代码(list[str]/str)；(暂时只支持XBHS.DY地域、XBHS.GN概念、XBHS.ZJHHY证监会行业、XBHS.ZS指数、XBHS.HY行业等) sort_field_name: 需要排序的字段(str)；该字段支持输入的参数如下： preclose_px: 昨日收盘价； open_px: 今日开盘价； last_px: 最新价； high_px: 最高价； low_px: 最低价；
【量化投资】策略六（聚宽）
gc.collect()
08-26 2188
简述 相比之前的策略4，这里就是换成了用一个新的因子。两者对比来看，似乎发现是不是我的beta对冲的时候出现了问题。 由于这里我大多数数据都换成用scipy和numpy来算，所以计算速度明显增加了。 对比着来看，这个因子似乎是比之前的策略4用的alpha1要好很多。虽然最终的结果只差一个小数点。但是我觉得很有可能是出现在那个操作股指期货的方式上了。 这个可以有待改进。 效果图 代码...
from jqdata import * from jqfactor import get_factor_values import datetime import math from scipy.optimize import minimize import pandas as pd # 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("399303.XSHE") # 打开防未来函数 set_option("avoid_future_data", True) # 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() log.info("初始函数开始运行") # 过滤掉order系列API产生的比error级别低的log log.set_level("order", "error") # 固定滑点设置ETF 0.001(即交易对手方一档价) set_slippage(FixedSlippage(0.002), type="fund") # 股票交易总成本0.3%(含固定滑点0.02) set_order_cost( OrderCost( open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003, close_today_commission=0, min_commission=5, ), type="stock", ) g.hold_list = [] # 记录策略的持仓股票 g.positions = {} # 记录策略的持仓股票 # 持仓股票数 g.stock_sum = 6 # 判断买卖点的行业数量 g.num = 1 # 空仓的月份 g.pass_months = [] # 策略执行计划 run_weekly(adjust, 1, "9:31") run_daily(check, "14:50") # 获取昨日涨停票并卖出 def check(context): # 获取已持有列表 g.hold_list = list(g.positions.keys()) banner_stocks = [] # 获取昨日涨停列表 if g.hold_list != []: df = get_price( g.hold_list, end_date=context.previous_date, frequency="daily", fields=["close", "high_limit"], count=1, panel=False, fill_paused=False, ) df = df[df["close"] == df["high_limit"]] banner_stocks = list(df.code) for stock in banner_stocks: order_target_value_(context, stock, 0) # 获取昨日跌停列表 if g.hold_list != []: df = get_price( g.hold_list, end_date=context.previous_date, frequency="daily", fields=["close", "low_limit"], count=1, panel=False, fill_paused=False, ) df = df[df["close"] == df["low_limit"]] banner_stocks = list(df.code) for stock in banner_stocks: order_target_value_(context, stock, 0) # 获取策略当前持仓市值 def get_total_value(context): return sum(context.portfolio.positions[key].price * value for key, value in g.positions.items()) # 调仓 def adjust(context): target = select(context) # 获取前stock_sum个标的 target = target[:min(len(target), g.stock_sum)] # 获取已持有列表 g.hold_list = list(g.positions.keys()) portfolio = context.portfolio # 调仓卖出 for stock in g.hold_list: if stock not in target: order_target_value_(context, stock, 0) # 调仓买入 count = len(set(target) - set(g.hold_list)) if count == 0: return # 目标市值 target_value = portfolio.total_value # 当前市值 position_value = get_total_value(context) # 可用现金:当前现金 available_cash = portfolio.available_cash # 买入股票的总市值 value = max(0, min(target_value - position_value, available_cash)) # 等价值买入每一个未买入的标的 for security in target: if security not in g.hold_list: order_target_value_(context, security, value / count) # 择时 def select(context): I = get_market_breadth(context) industries = {"银行I", "煤炭I", "采掘I", "钢铁I"} if not industries.intersection(I) and not is_empty_month(context): return filter(context) return [] # 获取市场 def get_market_breadth(context): # 指定日期防止未来数据 yesterday = context.previous_date # 获取初始列表 中证全指（000985.XSHG） stocks = get_index_stocks("000985.XSHG") count = 1 h = get_price( stocks, end_date=yesterday, frequency="1d", fields=["close"], count=count + 20, panel=False, ) h["date"] = pd.DatetimeIndex(h.time).date # 将长表格转换为宽表格，方便按日期分析股票价格。 df_close = h.pivot(index="code", columns="date", values="close").dropna(axis=0) # 计算20日均线 df_ma20 = df_close.rolling(window=20, axis=1).mean().iloc[:, -count:] # 计算偏离程度 df_bias = df_close.iloc[:, -count:] > df_ma20 df_bias["industry_name"] = getStockIndustry(stocks) # 计算行业偏离比例 df_ratio = ((df_bias.groupby("industry_name").sum() * 100.0) / df_bias.groupby("industry_name").count()).round() # 获取偏离程度最高的行业 top_values = df_ratio.loc[:, yesterday].nlargest(g.num) I = top_values.index.tolist() return I # 基础过滤(过滤科创北交、ST、停牌、次新股) def filter_basic_stock(context, stock_list): # 30开头的是深交所的创业板， # 68开头的是上交所的科创板， # 8开头的股票可能指的是北交所的， # 新三板北交所的股票代码通常以43、83、87等开头 # 4开头的股票可能属于退市板块 current_data = get_current_data() return [ stock for stock in stock_list if not current_data[stock].paused and not current_data[stock].is_st and "ST" not in current_data[stock].name and "*" not in current_data[stock].name and "退" not in current_data[stock].name and not (stock[0] == "4" or stock[0] == "8" or stock[:2] == "68") and not context.previous_date - get_security_info(stock).start_date < datetime.timedelta(375) ] # 过滤当前时间涨跌停的股票 def filter_limitup_limitdown_stock(stock_list): current_data = get_current_data() return [ stock for stock in stock_list if current_data[stock].last_price < current_data[stock].high_limit and current_data[stock].last_price > current_data[stock].low_limit ] # 判断今天是在空仓月 def is_empty_month(context): month = context.current_dt.month return month in g.pass_months def getStockIndustry(stocks): # 第一步：获取原始行业数据（假设stocks是股票代码列表） industry = get_industry(stocks) # 第二步：提取申万一级行业名称 return pd.Series({stock: info["sw_l1"]["industry_name"] for stock, info in industry.items() if "sw_l1" in info}) # 过滤股票 def filter(context): stocks = get_index_stocks("399303.XSHE") # 这里的有问题，需要由399303.XSHE代替 stocks = filter_basic_stock(context, stocks) stocks = ( get_fundamentals( query( valuation.code, ) .filter( valuation.code.in_(stocks), # 从现有股票池中筛选 indicator.adjusted_profit > 0, # 要求调整后净利润>0 ) .order_by(valuation.market_cap.asc()) # 按市值升序排列（从小市值开始） ) .head(20) # 取前20只股票 .code # 提取股票代码 ) stocks = filter_limitup_limitdown_stock(stocks) return stocks # 自定义下单(涨跌停不交易) def order_target_value_(context, security, value): current_data = get_current_data() # 检查标的是否停牌、涨停、跌停 if current_data[security].paused: log.info(f"{security}: 今日停牌") return False # 检查是否涨停 if current_data[security].last_price == current_data[security].high_limit: log.info(f"{security}: 当前涨停") return False # 检查是否跌停 if current_data[security].last_price == current_data[security].low_limit: log.info(f"{security}: 当前跌停") return False # 获取当前标的的价格 price = current_data[security].last_price # 获取当前策略的持仓数量 current_position = g.positions.get(security, 0) # 计算目标持仓数量 target_position = (int(value / price) // 100) * 100 if price != 0 else 0 # 计算需要调整的数量 adjustment = target_position - current_position # 检查是否当天买入卖出 closeable_amount = context.portfolio.positions[security].closeable_amount if security in context.portfolio.positions else 0 if adjustment < 0 and closeable_amount == 0: log.info(f"{security}: 当天买入不可卖出") return False # 下单并更新持仓 if adjustment != 0: o = order(security, adjustment) if o: # 更新持仓数量 amount = o.amount if o.is_buy else -o.amount g.positions[security] = amount + current_position # 如果目标持仓为零，移除该证券 if target_position == 0: g.positions.pop(security, None) # 更新持有列表 g.hold_list = list(g.positions.keys()) return True return False （把这个聚宽的代码迁移到backtrade
最新发布
07-20
注意：由于Backtrader不支持动态获取股票池（如获取指数成分股），我们通常需要预先确定股票池，并在回测时加载这些股票的数据。 考虑到Backtrader的多股回测机制，我们将使用cerebro.adddata加载多个股票数据，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值