stocks HS300 from 2010

最新推荐文章于 2025-11-23 18:41:31 发布
原创 最新推荐文章于 2025-11-23 18:41:31 发布 · 558 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：

#开发语言


Homework 1
1. In HW1.xls, you will find the daily closing prices of 50 stocks and the HS300 from 2010 to 2021. Suppose that you always use the data from the past five years to estimate the expected return and covariance matrix, and you rebalance your portfolio every 4 months by solving the Markowitz portfolio selection problem every 4 months, starting from the first trading day of 2015. Suppose that the risk-free rate is 3% per annum and your target annualized expected return is 6%, shorting is allowed. Plot the performance of this strategy over the period of 2015-2021, and also plot the performance of HS300 over the same period. What can you learn from the comparison?
2. In HW1.xls, pick up any six stocks. For each stock, compute the beta value using 12 years of data and using HS300 to represent the market portfolio, and test whether the corresponding alpha = 0 at the 95% level. Assuming the risk-free rate is 3% per annum.
3. Suppose that we have a European put option whose strike price K = 40, and the stock price is currently at $40 as well. The option expires in 18 months. Furthermore, suppose that the volatility of the stock is 40% per annum and the risk-free interest rate is 3% per annum.
(a) Construct an m-step binomial tree model to price this option. You may set m=10, 50 and
100, and compare the values with the Black-Scholes formula.
(b) If the option is American style, use the binomial tree model with m=100 to determine its
price.
The homework is due on October 11. You may hand it in to the professor before the class starts.

WX_codehelp
关注
量化价值投资全栈开发：从Scikit-learn到Web应用
AI天才研究院
08-01 923
模型需要“标签”（Label）来学习——即“什么是好股票”。好股票：某只股票在财务数据披露后1年内的累计收益率超过沪深300指数。价值投资是“长期策略”，1年是合理的时间窗口；超过沪深300：说明股票跑赢了市场（能创造超额收益）。我是张三，一名资深软件工程师，专注于量化投资与全栈开发。拥有5年以上Python开发经验，曾为多家金融机构开发量化交易系统。我的博客会定期分享量化投资、Python开发、全栈技术的干货，欢迎关注！最后：量化投资是一场“长期游戏”，需要耐心、纪律和持续学习。
探究深度学习在量化价值投资中的数据处理
AI天才研究院
08-05 723
数据对齐：必须将财务数据与市场数据对齐到相同的时间粒度（如季度末），否则会导致“时间错位”；异常值处理：价值投资关注“正常”公司，因此需要删除PE≤0、ROE异常的样本；特征工程：衍生特征（如滚动均值、增长率）比原始因子更能反映公司价值的变化；序列构造：滑动窗口的长度（T）应根据投资周期选择（如6个季度对应中长期持有）；标签设计：标签必须反映“超额收益”（跑赢市场），否则模型无法实现价值投资的目标。深度学习在量化价值投资中的应用，数据处理的重要性远超过模型本身。
聚宽源码45
程序化小学生的博客
12-11 1919
原文策略源码如下： #HS300–随机森林拐点识别 import math import numpy as np import pandas as pd from pandas import DataFrame,Series import pickle import time import datetime import jqdata import talib as tb import sklea...
全面解析量化价值投资多因子模型的原理
AI天才研究院
08-03 791
明明知道“买便宜的好公司”是价值投资的核心，但面对3000+只A股，如何快速筛选出“便宜又好”的标的？主观判断总被情绪干扰——明明PE很低的股票，买了却不涨；或者因为“感觉”错过牛股？想规模化投资，但手动分析100只股票就要花一周，根本无法覆盖全市场？量化价值投资的多因子模型，正是解决这些问题的钥匙。它将价值投资的核心逻辑（“便宜”“好公司”）转化为可量化的因子，用数学模型替代主观判断，实现系统化筛选、可回测验证、规模化复制的投资决策。为什么多因子模型能有效预测股票收益？
量化价值投资：统计学的配置艺术
AI天才研究院
08-03 893
价值投资的核心逻辑——“以低于内在价值的价格购买优质资产”——从未改变，但统计学的介入将其从"艺术"转化为"可复制的科学"。本文从第一性原理出发，拆解量化价值投资的底层逻辑：如何用统计工具定义"内在价值"的边界、如何用因子模型捕捉价值溢价、如何用优化算法平衡收益与风险。我们将穿越从理论到实战的全流程：从格雷厄姆的"安全边际"到Fama-French的三因子模型，从Python代码实现价值因子策略到实盘部署的交易成本控制，最终探讨机器学习与另类数据对量化价值投资的重塑。
《投资-272》量化交易 - 聚宽量化 - 平台提供哪些可以直接的调用的Python函数以及函数库
文火冰糖（王文兵）的博客
11-15 1186
聚宽平台提供的函数体系非常完整，几乎涵盖了从数据 → 分析 → 交易 → 回测的全链条需求，且大部分函数都经过优化，适合高频调用。先掌握 initialize实现一个双均线策略加入做基本面筛选使用sklearn构建简单的AI信号模型。
宏观经济变量对量化价值投资的影响研究
AI天才研究院
08-01 1663
你可能听过这样的故事：2022年美联储连续加息，很多人买的“低PE银行股”不仅没涨，反而跌了10%；2020年疫情后M2（市场上的钱）暴增，“高ROE消费股”涨了50%。这些现象的背后，是宏观经济变量在悄悄改变价值股的“性价比”——就像夏天的乐高店要多进户外积木，冬天要多进室内积木，投资也要跟着“宏观天气”调整。宏观经济变量到底是什么？（比如GDP、CPI怎么影响你的股票）量化价值投资怎么“接住”宏观变量？（用数学公式把“天气”变成“选股指令”）如何用代码实战验证宏观变量的作用？
量化投资实战：动量因子如何助力价值投资
AI天才研究院
08-02 1215
伯克希尔·哈撒韦（巴菲特）的投资组合中，既有低估值的价值股（如可口可乐），也隐含了动量逻辑——他倾向于在公司基本面改善、股价开始上涨时买入（而非等到“绝对低估”）。而这正是动量因子可以大显身手的地方——它能帮助我们在“价值”的基础上，捕捉资产的趋势动能，提升买入时机的准确性，甚至规避价值陷阱。不同市场环境下，价值和动量的表现不同（如牛市动量占优，熊市价值占优）。若价值因子和动量因子高度相关（如相关系数>0.7），则“双因子”可能等价于“单因子”，需通过因子正交化（如PCA）剔除冗余。
量化价值投资：因子投资的关键策略解析
AI天才研究院
08-04 840
你是否有过这样的困惑？明明知道“买便宜股票”是价值投资的核心，但面对几千只股票，根本不知道哪些是“真便宜”？跟着大V买低PE股票，结果买了一堆“价值陷阱”（比如连续亏损的公司）？主观判断容易受情绪影响，涨时追高、跌时割肉，最终跑输大盘？传统价值投资依赖投资者的经验和直觉，而量化因子投资则用“数据+模型”解决了这些痛点：它将“便宜”“优质”等模糊概念转化为可量化的指标（比如PE、PB、F-Score），通过回测验证指标的有效性，再用系统化的方式筛选股票。
脑机接口（BCI）常用开发语言全景分析：从信号处理到系统构建的技术选型指南
AllenLV的博客
11-23 451
本文系统分析了脑机接口（BCI）开发中的主流编程语言生态。Python凭借丰富的科学计算库成为算法开发的首选；MATLAB以其专业工具箱在科研领域占据优势；C/C++凭借高性能特性在实时处理和硬件交互中发挥关键作用；Java则擅长跨平台应用开发与系统集成。这些语言各具优势，在不同技术环节协同配合，共同推动BCI技术的发展。文章为开发者提供了全面的技术选型参考，有助于根据具体应用场景选择最合适的编程语言组合。
基于GEC6818平台的五子棋人机对战系统设计与实现
11-25
五子棋作为一种广为人知的策略性棋盘游戏，其基本规则易于掌握。在选定人机对战模式后，由程序执黑先行，用户执白应对。双方依次在棋盘上落子，任何一方在横向、纵向或斜向形成连续五个或更多同色棋子即获胜。 项目资源涵盖多个技术领域的程序代码，涉及前后端开发、移动终端应用、操作系统、智能系统、物联网技术、信息管理系统、数据存储方案、硬件设计、大数据处理、教学资料、多媒体处理及网站构建等多个方向。具体技术实例包括嵌入式平台如STM32与ESP8266，编程语言如PHP、QT、C++、Java、Python、C#，系统开发如Linux与iOS，以及电子设计自动化工具和实时操作系统等。 主要技术栈包含服务端开发语言Java、Python及Node.js，后端框架Spring Boot与Django，前端技术React、Angular与Vue，界面设计框架Bootstrap与Material-UI，数据库系统MySQL、PostgreSQL和MongoDB，缓存工具Redis，以及容器化部署方案Docker与Kubernetes。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
lv_0_20251125195629.mp4
11-25
lv_0_20251125195629.mp4
numpy、pandas、sklearn、pytorch等数据分析工具的一些使用技巧
11-25
NumPy数组操作实战技巧 numpy、pandas、sklearn、pytorch等数据分析工具的一些使用技巧
中国Cassandra数据库用户组开源社区项目-专注于Apache-Cassandra分布式NoSQL数据库技术研究与实践-提供技术文档下载与源码解析-集成Titan图数据库与Lu.zip
最新发布
11-25
Buffer内存管理实战技巧中国Cassandra数据库用户组开源社区项目_专注于Apache_Cassandra分布式NoSQL数据库技术研究与实践_提供技术文档下载与源码解析_集成Titan图数据库与Lu.zip中国Cassandra数据库用户组开源社区项目_专注于Apache_Cassandra分布式NoSQL数据库技术研究与实践_提供技术文档下载与源码解析_集成Titan图数据库与Lu.zip
图像处理基于电磁学优化算法的多阈值分割算法研究（Matlab代码实现）
11-25
【图像处理】基于电磁学优化算法的多阈值分割算法研究（Matlab代码实现）内容概要：本文研究基于电磁学优化算法（Electromagnetism-like Optimization, EMO）的多阈值图像分割方法，并通过Matlab代码实现。该方法借鉴电磁学中电荷间相互作用的机制，将图像分割问题转化为优化问题，利用EMO算法搜索最优阈值组合，以最大化分割效果的评价指标（如Otsu法或多级别熵）。文中详细介绍了EMO算法的基本原理、实现步骤及其在图像多阈值分割中的具体应用流程，展示了该算法能够有效避免传统方法易陷入局部最优的问题，从而获得更精确的分割结果。; 适合人群：具备图像处理基础知识和Matlab编程能力的高校学生、科研人员及工程技术人员。; 使用场景及目标：①解决复杂背景下图像的多目标分割问题，提升医学影像、遥感图像等领域的分割精度；②学习智能优化算法（如EMO）在图像处理中的实际应用，为研究新型分割算法提供技术参考和实现范例。; 阅读建议：在学习过程中应结合Matlab代码，深入理解EMO算法的寻优机制与图像分割评价函数的构建方法，建议自行调试不同参数对分割效果的影响，以加深对算法性能的理解。
DriverBooster12pro
11-25
DriverBooster12pro
Java8与Java21切换方法[项目代码]
11-25
本文介绍了如何通过设置环境变量实现Java8与Java21版本的自由切换，避免反复卸载安装。具体步骤包括分别安装Java8和Java21，设置JAVA_HOME环境变量指向所需版本，并调整Path变量中的路径顺序。此外，还提供了版本切换失效的解决方法，如重新打开cmd窗口或调整Path中路径的优先级。最后，文章提到了残留问题，如javac -version显示旧版本及java -version始终显示8版本的情况。
基于机器学习的糖尿病风险预测系统源码实现（含详细注释）
11-25
本研究提供一套运用机器学习技术进行糖尿病风险预测的系统源代码，该成果在学术评审中获得优异评价。程序结构清晰且附带详尽注释，便于初学者理解与应用。系统界面设计直观，功能模块完备，支持管理员高效管理操作。经过多轮严格测试验证，系统运行稳定可靠，具备显著的实践推广价值。本资源适用于毕业设计、课程结业作业及学术研究等场景，部署流程简单快捷，下载后即可直接投入教学或科研使用。所有程序文件均已完整包含在项目包内，确保开箱即用的便捷性。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
彩虹易支付快手支付插件 – 支持微信支付宝
11-25
这是一款彩虹易支付快手支付插件支持微信/支付宝支付，已适配彩虹易支付2025/06/02：3088 版本，将压缩包丢到网站根目录解压覆盖替换。进入后台支付接口->>支付插件->>刷新支付插件，喜欢的自行部署吧！
获取到 1483 只成分股 处理批次 1/38, 股票数量: 40 Traceback (most recent call last): File "D:\Program Files (x86)\Python\Python311\Lib\site-packages\pandas\core\indexes\base.py", line 3812, in get_loc return self._engine.get_loc(casted_key) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "pandas/_libs/index.pyx", line 167, in pandas._libs.index.IndexEngine.get_loc File "pandas/_libs/index.pyx", line 196, in pandas._libs.index.IndexEngine.get_loc File "pandas/_libs/hashtable_class_helper.pxi", line 7088, in pandas._libs.hashtable.PyObjectHashTable.get_item File "pandas/_libs/hashtable_class_helper.pxi", line 7096, in pandas._libs.hashtable.PyObjectHashTable.get_item KeyError: '最低' The above exception was the direct cause of the following exception: Traceback (most recent call last): File "D:\NEWS\Python\script\6.py", line 107, in <module> new_low_stocks = batch_process_stocks(all_stocks) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\NEWS\Python\script\6.py", line 89, in batch_process_stocks result = future.result() ^^^^^^^^^^^^^^^ File "D:\Program Files (x86)\Python\Python311\Lib\concurrent\futures\_base.py", line 449, in result return self.__get_result() ^^^^^^^^^^^^^^^^^^^ File "D:\Program Files (x86)\Python\Python311\Lib\concurrent\futures\_base.py", line 401, in __get_result raise self._exception File "D:\Program Files (x86)\Python\Python311\Lib\concurrent\futures\thread.py", line 58, in run result = self.fn(*self.args, **self.kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\NEWS\Python\script\6.py", line 62, in check_new_low min_5_days = last_5_days['最低'].min() ~~~~~~~~~~~^^^^^^ File "D:\Program Files (x86)\Python\Python311\Lib\site-packages\pandas\core\frame.py", line 4107, in __getitem__ indexer = self.columns.get_loc(key) ^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\Program Files (x86)\Python\Python311\Lib\site-packages\pandas\core\indexes\base.py", line 3819, in get_loc raise KeyError(key) from err KeyError: '最低'
08-22
<think>我们遇到了一个KeyError: '最低'的错误，这是因为在从AKShare获取的数据中，列名可能是'low'而不是中文的'最低'。 根据AKShare的接口文档，输出参数中最低价对应的列名是'low'（在示例中我们看到列名是英文的），但我们在代码中使用了中文'最低'。 因此，我们需要调整列名，使用英文的'low'。 修改点： 在check_new_low函数中，将'最低'改为'low' 同时，我们注意到输出参数中列名都是英文的，包括： 'date', 'open', 'close', 'high', 'low', 'amount' 所以我们需要将代码中所有使用中文列名的地方改为英文列名。 另外，在获取成分股时，我们使用的函数`ak.index_stock_cons`返回的数据结构可能也需要检查，确保我们获取的列名正确。 修正步骤： 1. 将`last_5_days['最低']`改为`last_5_days['low']` 2. 将`prev_55_days['最低']`改为`prev_55_days['low']` 同时，我们还需要注意，获取成分股的函数返回的列名也可能需要调整。根据AKShare文档，`index_stock_cons`返回的沪深300成分股的列名是'品种代码'，但中证500和中证1000的列名可能不同？我们需要统一。 实际上，我们可以打印一下获取的成分股数据，确保我们取的是正确的列。 为了保险起见，我们修改一下获取成分股的函数，确保合并时使用正确的列名。 根据AKShare的源码，不同指数的成分股接口返回的列名可能不一致。我们这里使用统一的列名处理。 查看AKShare的index_stock_cons函数文档： 沪深300: 返回字段包括 '品种代码', '品种名称' 中证500: 返回字段包括 '品种代码', '品种名称' 中证1000: 返回字段包括 '品种代码', '品种名称' 所以，我们使用'品种代码'是正确的。 因此，我们只需要修改历史数据中的列名即可。 此外，我们还需要注意，获取的历史数据可能为空，所以我们在计算前需要检查。 修改后的check_new_low函数： ```python def check_new_low(stock_code): """检查股票是否创55日新低""" hist_data = get_stock_history(stock_code) if hist_data is None or len(hist_data) < 60: return None # 计算最近5个交易日最低价（含当日） last_5_days = hist_data.tail(5) min_5_days = last_5_days['low'].min() # 计算55日新低（不含最近5个交易日） prev_55_days = hist_data.head(55) min_55_days = prev_55_days['low'].min() # 判断是否创新低 if min_5_days < min_55_days: return stock_code return None ``` 同时，在获取历史数据后，我们可以打印一下列名，以确保列名正确（调试时使用，正式代码可注释掉）。 修改get_stock_history函数，添加一行打印列名（可选，用于调试）： ```python try: df = ak.stock_zh_a_hist_tx( symbol=symbol, start_date=start_date, end_date=end_date, adjust="qfq", # 使用前复权数据 timeout=10 ) # 调试：打印列名 # print(f"{stock_code} 的列名: {df.columns}") return df.tail(days) if len(df) >= days else None except Exception as e: print(f"获取 {stock_code} 数据失败: {str(e)}") return None ``` 另外，我们还需要注意，获取的历史数据可能不是按日期排序的？但AKShare返回的数据是按日期从远到近（升序）排列的。我们的操作： - head(55) 取前55行（即最早的55个交易日，也就是55个交易日之前到55天前的数据） - tail(5) 取最后5行（即最近的5个交易日） 这样符合要求吗？ 要求： 最近5个交易日：包含当日，向上连续5个交易日（即最近5天） 55日新低：当日行情之外，向上连续的55个交易日（即除去最近5个交易日，再往前55个交易日？） 但是注意，我们的数据是升序排列（日期从小到大）： - 第0行是最早的日期 - 最后一行是最近的日期 所以： - 整个数据框：从100天前到今天（共60个交易日，因为周末节假日，实际可能不足60行，所以我们要求至少60行） - 前55行：从最早到倒数第6个交易日（即55个交易日，但不包含最近5个交易日） - 后5行：最近5个交易日 因此，我们的计算逻辑正确。 现在，我们修改列名后重新运行。 同时，为了避免其他错误，我们可以增加一些异常处理。 修改后的完整代码： ```python import akshare as ak import pandas as pd import time import datetime from concurrent.futures import ThreadPoolExecutor, as_completed # 1. 获取成分股列表 def get_index_constituents(): """获取三大指数成分股合并列表""" # 获取沪深300成分股 hs300 = ak.index_stock_cons(symbol="000300") # 获取中证500成分股 zz500 = ak.index_stock_cons(symbol="000905") # 获取中证1000成分股 zz1000 = ak.index_stock_cons(symbol="000852") # 合并并去重 all_stocks = pd.concat([hs300, zz500, zz1000])[['品种代码']].drop_duplicates() return [code for code in all_stocks['品种代码']] # 2. 添加市场标识 def add_market_prefix(stock_code): """根据股票代码添加市场标识""" if stock_code.startswith('6'): return f"sh{stock_code}" elif stock_code.startswith('0') or stock_code.startswith('3'): return f"sz{stock_code}" return None # 3. 获取股票历史数据 def get_stock_history(stock_code, days=60): """获取股票历史行情数据""" symbol = add_market_prefix(stock_code) if not symbol: return None end_date = datetime.datetime.now().strftime("%Y%m%d") start_date = (datetime.datetime.now() - datetime.timedelta(days=100)).strftime("%Y%m%d") try: df = ak.stock_zh_a_hist_tx( symbol=symbol, start_date=start_date, end_date=end_date, adjust="qfq", # 使用前复权数据 timeout=10 ) # 确保数据足够 if len(df) < days: return None return df except Exception as e: print(f"获取 {stock_code} 数据失败: {str(e)}") return None # 4. 检查是否创新低 def check_new_low(stock_code): """检查股票是否创55日新低""" hist_data = get_stock_history(stock_code) if hist_data is None or len(hist_data) < 60: return None # 计算最近5个交易日最低价（含当日） last_5_days = hist_data.tail(5) min_5_days = last_5_days['low'].min() # 计算55日新低（不含最近5个交易日） prev_55_days = hist_data.head(55) # 注意：这里取的是前55行（即最早的55个交易日，但实际上是55个交易日之前的数据，不包含最近5个交易日） # 但是，我们的数据是升序排列，所以前55行是较早的55个交易日，而最近5个交易日是最后5行。 # 因此，prev_55_days就是最近5个交易日之前的55个交易日。 min_55_days = prev_55_days['low'].min() # 判断是否创新低 if min_5_days < min_55_days: return stock_code return None # 5. 分批处理函数 def batch_process_stocks(stock_list, batch_size=40, delay=20): """分批处理股票列表""" results = [] total_batches = (len(stock_list) + batch_size - 1) // batch_size for i in range(total_batches): start_idx = i * batch_size end_idx = min((i + 1) * batch_size, len(stock_list)) batch = stock_list[start_idx:end_idx] print(f"处理批次 {i+1}/{total_batches}, 股票数量: {len(batch)}") with ThreadPoolExecutor(max_workers=5) as executor: futures = {executor.submit(check_new_low, code): code for code in batch} for future in as_completed(futures): result = future.result() if result: print(f"发现新低股票: {result}") results.append(result) if i < total_batches - 1: print(f"等待 {delay} 秒...") time.sleep(delay) return results # 主程序 if __name__ == "__main__": # 获取所有成分股 all_stocks = get_index_constituents() print(f"获取到 {len(all_stocks)} 只成分股") # 分批处理并筛选创新低股票 new_low_stocks = batch_process_stocks(all_stocks) # 保存结果到文件 save_path = r"D:\NEWS\new_low_stocks.txt" with open(save_path, 'w', encoding='utf-8') as f: for stock in new_low_stocks: f.write(f"{stock}\n") print(f"发现 {len(new_low_stocks)} 只创新低股票，结果已保存到 {save_path}") ``` 注意：我们修改了列名为'low'，并调整了获取历史数据的函数，确保返回的数据足够60行才继续处理。 如果仍然遇到列名错误，可以打印列名进行调试（在get_stock_history函数中取消注释打印列名的行）。 现在，我们重新运行代码，应该可以避免列名错误。 §§相关问题§§: 1. 如何确保获取的历史数据包含足够的交易日（考虑节假日）？ 2. 如果数据源返回的列名发生变化，如何使代码更具适应性？ 3. 如何将结果保存到数据库（如MySQL）而不是文本文件？ 4. 如何扩展此代码以同时检查多个条件（如同时创新低且成交量放大）？</think>您的代码遇到了一个关键错误：`KeyError: '最低'`。这是因为在从AKShare获取的数据中，最低价列的列名是英文的`'low'`，而您尝试使用中文的`'最低'`来访问它。让我修复这个问题并提供完整的解决方案： ```python import akshare as ak import pandas as pd import time import datetime import numpy as np from concurrent.futures import ThreadPoolExecutor, as_completed # 1. 获取成分股列表（修复列名问题） def get_index_constituents(): """获取三大指数成分股合并列表""" # 获取沪深300成分股 hs300 = ak.index_stock_cons(symbol="000300") # 获取中证500成分股 zz500 = ak.index_stock_cons(symbol="000905") # 获取中证1000成分股 zz1000 = ak.index_stock_cons(symbol="000852") # 合并并去重 - 使用正确的列名 all_stocks = pd.concat([ hs300[['品种代码']], zz500[['品种代码']], zz1000[['品种代码']] ]).drop_duplicates() return [code for code in all_stocks['品种代码']] # 2. 添加市场标识（保持不变） def add_market_prefix(stock_code): """根据股票代码添加市场标识""" if stock_code.startswith('6'): return f"sh{stock_code}" elif stock_code.startswith('0') or stock_code.startswith('3'): return f"sz{stock_code}" return None # 3. 获取股票历史数据（添加错误处理和日志） def get_stock_history(stock_code, days=60): """获取股票历史行情数据""" symbol = add_market_prefix(stock_code) if not symbol: print(f"跳过无效代码: {stock_code}") return None end_date = datetime.datetime.now().strftime("%Y%m%d") start_date = (datetime.datetime.now() - datetime.timedelta(days=100)).strftime("%Y%m%d") try: df = ak.stock_zh_a_hist_tx( symbol=symbol, start_date=start_date, end_date=end_date, adjust="qfq", # 使用前复权数据 timeout=15 ) # 检查数据是否足够 if len(df) < days: print(f"{stock_code} 数据不足: {len(df)} < {days}") return None # 重命名列名确保一致性 df = df.rename(columns={ '日期': 'date', '开盘': 'open', '收盘': 'close', '最高': 'high', '最低': 'low', '成交量': 'volume' }) return df except Exception as e: print(f"获取 {stock_code} 数据失败: {str(e)}") return None # 4. 检查是否创新低（修复列名问题） def check_new_low(stock_code): """检查股票是否创55日新低""" hist_data = get_stock_history(stock_code) if hist_data is None or len(hist_data) < 60: return None # 计算最近5个交易日最低价（含当日） last_5_days = hist_data.tail(5) min_5_days = last_5_days['low'].min() # 计算55日新低（不含最近5个交易日） prev_55_days = hist_data.head(55) min_55_days = prev_55_days['low'].min() # 判断是否创新低 if min_5_days < min_55_days: print(f"发现新低股票: {stock_code} (5日最低:{min_5_days} < 55日最低:{min_55_days})") return stock_code return None # 5. 分批处理函数（添加更详细的日志） def batch_process_stocks(stock_list, batch_size=40, delay=20): """分批处理股票列表""" results = [] total_batches = (len(stock_list) + batch_size - 1) // batch_size for i in range(total_batches): start_idx = i * batch_size end_idx = min((i + 1) * batch_size, len(stock_list)) batch = stock_list[start_idx:end_idx] print(f"\n处理批次 {i+1}/{total_batches}, 股票数量: {len(batch)}") print("="*50) batch_results = [] with ThreadPoolExecutor(max_workers=5) as executor: futures = {executor.submit(check_new_low, code): code for code in batch} for future in as_completed(futures): try: result = future.result() if result: batch_results.append(result) except Exception as e: stock_code = futures[future] print(f"处理 {stock_code} 时出错: {str(e)}") results.extend(batch_results) print(f"本批次发现 {len(batch_results)} 只创新低股票") if i < total_batches - 1: print(f"等待 {delay} 秒...") time.sleep(delay) return results # 主程序（添加进度跟踪） if __name__ == "__main__": print("开始获取成分股列表...") all_stocks = get_index_constituents() print(f"获取到 {len(all_stocks)} 只成分股") print("\n开始筛选创新低股票...") start_time = time.time() new_low_stocks = batch_process_stocks(all_stocks) # 保存结果到文件 save_path = r"D:\NEWS\new_low_stocks.txt" with open(save_path, 'w', encoding='utf-8') as f: for stock in new_low_stocks: f.write(f"{stock}\n") elapsed = time.time() - start_time print(f"\n完成! 发现 {len(new_low_stocks)} 只创新低股票") print(f"总耗时: {elapsed:.2f}秒") print(f"结果已保存到 {save_path}") ``` ### 修复的关键问题： 1. **列名不一致问题**： - AKShare返回的数据使用中文列名（'最低'）而非英文 - 添加了列名重命名步骤确保一致性： ```python df = df.rename(columns={ '日期': 'date', '开盘': 'open', '收盘': 'close', '最高': 'high', '最低': 'low', '成交量': 'volume' }) ``` 2. **增强错误处理**： - 添加了更详细的错误日志 - 在批量处理中捕获单个股票的错误 - 添加数据长度检查（确保有足够交易日） 3. **改进日志输出**： - 添加批次分隔线 - 显示每批次发现的创新低股票数量 - 显示总处理时间 4. **数据验证**： - 添加股票代码有效性检查 - 确保数据有足够天数（60天） ### 使用建议： 1. **首次运行时**： ```python # 测试少量股票 test_stocks = ['000001', '600000', '000002'] batch_process_stocks(test_stocks, batch_size=2) ``` 2. **完整运行时**： ```python # 使用推荐的批量大小和延迟 batch_process_stocks(all_stocks, batch_size=40, delay=20) ``` 3. **如果遇到IP限制**： ```python # 增加延迟和减少批量大小 batch_process_stocks(all_stocks, batch_size=20, delay=30) ``` ### 优化方向： 1. 添加数据缓存机制避免重复请求 2. 使用指数成分股API直接获取成分股列表 3. 添加断点续传功能 4. 实现更智能的节流控制
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