学习《深入浅出python量化交易交易实战》第二章（笔记1）

1.学习《深入浅出python量化交易交易实战》第二章（笔记1）

记录学习过程中的代码、疑问和心得

2 回测

名词

本章节提到的金融名字和解释

• PnL: 利润和损失（Profit and Loss）
• net PnL: 净利润和损失
• 年化收益
• 交易手数
• 风险敞口（exposure）:是指未加保护的风险，在股市中，其实是指投资股票的资金。

  例如：牛顿有1万元，他拿其中的5000元买了股票，其余5000元买了保本的理财产品，那么买股票的5000元就面临这下跌的风险。也就是说他的风险敞口就是5000元。

• 夏普指数（sharpe ratio）: 将一组投资组合的回报率与无风险投资（银行存款、国债）回报率进行对比。

夏普指数越高，说明投资组合回报率越高；相反，如果投资组合回报不及无风险投资回报，就是说明投资是不应该进行的。

假设：牛顿买了保本理财产品的收益是4%，而投资股票的预期收益是100%，同时，投资股票的超额收益指标差是20%，则牛顿进行股票投资的夏普指数是：
（100%），同时，投资股票的超额收益标准差是20%，则牛顿进行股票投资的夏普指数是：
（100% - 4%）/ 20% = 4.8

• 超额收益指标差： 方差开根号
• 方差（n为总体数据）=((x1-m)^2 + … (xn-m)^2) / n;
• 方差（n为总体数据样本数据）=((x1-m)^2 + … (xn-m)^2) / n - 1;
• 标准差和方差

1. 回测第一章重的简单交易策略

书中的代码没有对方法进行非封装，这里我自己将获取股票数据并组装数据封装成一个方法gen_stock_data_table:

'''
- 回测
- python实现简单回测
'''
import pandas as pd
import numpy as np
import akshare as ak

def gen_stock_data_table(symbol, start_date, end_date):
    print(symbol, start_date, end_date)
    stock = ak.stock_zh_a_hist(symbol=symbol,
                               period="daily",
                               start_date=start_date,
                               end_date=end_date, adjust="hfq")

    print('------原始数据处理---------', stock)
    stock = pd.DataFrame(stock, columns=['日期', '开盘', '最高', '最低', '收盘', '成交量'])
    stock.rename(columns={
        '日期': 'date',
        '开盘': 'open',
        '最高': 'high',
        '最低': 'low',
        '收盘': 'close',
        '成交量': 'volume'
    },
        inplace=True)
    stock.index = pd.DatetimeIndex(stock['date'])

    return {'stock': stock}

回测代码：

import numpy as np
import pandas as pd

from chapter_2_get import gen_stock_data_table
import matplotlib.pyplot as plt
import seaborn as sns  # seaborn是python中的一个可视化库，是对matplotlib进行二次封装

'''
回测交易策略
'''
# 初始资金
initial_cash = 20000.00
stock_data = gen_stock_data_table('002419', '20220101', '20221231')
stock_data = stock_data['stock']


# 1. 创建交易账号
# 2. 为了不影响原始数据，创建一个新的数据表

# 创建一个新表，只保留原始数据重的日期index
stock_002419_signal = pd.DataFrame(index=stock_data.index)

# 使用close作为股票价格
stock_002419_signal['price'] = stock_data['close']

# 增加diff字段，存储股价变化
print('------增加diff字段，存储股价变化，出现NaN---------')
stock_002419_signal['diff'] = stock_002419_signal['price'].diff()
print(stock_002419_signal.head(10))

# 增加diff字段后，第一行会出现空值，使用0来进行填补
print('------NaN用0.0填补------')
stock_002419_signal = stock_002419_signal.fillna(0.0)
print(stock_002419_signal.head(10))

print('------使用signal标记估计上涨或不变：0（卖出），下跌：1(买入)---------')
stock_002419_signal['signal'] = np.where(stock_002419_signal['diff'] >= 0, 0, 1)
print(stock_002419_signal.head(10))

print('------根据交易信号进行下单---------')
print('------卖/买出100股---------')
'''
相对于前一天不变不操作
相对于前一天下跌：买入100股
相对于前一天上涨：卖出100股
'''
# order买入或卖出，hold持仓数
stock_002419_signal['order'] = stock_002419_signal['signal'].diff() * 100
stock_002419_signal['hold'] = stock_002419_signal['order'].cumsum()
# stock_002419_signal = stock_002419_signal.fillna('--')


# 增加trade_stock字段代表 交易股票的市值
stock_002419_signal['trade_stock'] = stock_002419_signal['order'] * stock_002419_signal['price']
# 现金流变化, pd.cumsum()累加函数
# 单次交易金额
stock_002419_signal['use_cash'] = -stock_002419_signal['trade_stock']
# 累加值
stock_002419_signal['use_cash_cum_sum'] = stock_002419_signal['use_cash'].cumsum()
# 初始金额 + 现金流累加（已转换了正负） = 剩余金额；
stock_002419_signal['cash'] = initial_cash + stock_002419_signal['use_cash_cum_sum']
# 持仓市值+现金=总资产
stock_002419_signal['total'] = stock_002419_signal['hold'] * stock_002419_signal['price'] + stock_002419_signal['cash']

print('-------结果--------')
print(stock_002419_signal.head(10))

# 导出表格
stock_002419_signal.head(30).to_excel('dahua_002419.xls')

'''
用图形表示
总资产
持仓市值
'''
plt.figure(figsize=(10, 6))
plt.plot(stock_002419_signal['total'], '-', label='total assets')  # 总资产
plt.plot(stock_002419_signal['hold'] * stock_002419_signal['price'], '--', label='hold stock')  # 持仓市值

plt.grid()
plt.legend(loc='center right')
plt.show()