概述

量化说得简单一些用策略进行股票交易，在实施交易之前，需要制定策略，并回测试共效果
为了把交易说明清楚，将这个过程，能简单，就简单，总之，简单，简单再简单。
以下主要以代码为主。

获取数据

按照惯例用baostock 数据

# 加载相应的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import baostock as bs
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus']=False

加载数据

仍以sh.60000为例，从今年【2023年1月1日 到至今天(2023-10-19)】数据为演示。

lg = bs.login()
#指定一下获取股票数据的起始日期和截止日期
#这里就用2023年1月1日至今日的数据
start_date = '2023-01-01'
end_date = '2023-10-19'
#创建数据表，这里选择下载的股票代码为600000rs=bs.query_history_k_data_plus('600000.sh', "date,open,high,low,close,volume",start_date=start_date, end_date=end_date,
frequency="d", adjustflag="3")
# .get_data()
#下面来检查一下数据表的前5行
data=rs.get_data()
data.head()

数据见下表

		date	open	high	low	close	volume
0	2023-01-03	7.2700	7.2800	7.1700	7.2300	25892521
1	2023-01-04	7.2700	7.3500	7.2300	7.3100	30947081
2	2023-01-05	7.3700	7.3800	7.3000	7.3500	30162154
3	2023-01-06	7.3500	7.3800	7.3100	7.3400	20312881
4	2023-01-09	7.3800	7.3800	7.3000	7.3400	19612260

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 191 entries, 0 to 190
Data columns (total 6 columns):#   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 0   date    191 non-null    object1   open    191 non-null    object2   high    191 non-null    object3   low     191 non-null    object4   close   191 non-null    object5   volume  191 non-null    object
dtypes: object(6)
memory usage: 9.1+ KB

• 特别说明一下，这里有个坑，baostock 采集的数据均是字符串，无法进行数值计算 可以通info() 函数查看

数据处理

1. 转化为数值型和日期，并建立以日期为索引
   你也可以不用建议索引，不过，建立以日期为索引的好处在于作图时，横坐标会显示日期，定位也很方便。

cols=["open","high","low","close","volume"]
data[cols]=data[cols].astype('float')
data['date']=pd.to_datetime(data['date'])
data.set_index('date',inplace=True)

2. 增加一列价格变化

#给新的字段命名为diff，代表difference
#用.diff()方法来计算每日股价变化情况
data['diff'] = data['close'].diff()

3. 增加交易信号

#创建交易信号字段，命名为Signal 
#如果diff值大于0，则Signal为1 卖出，否则为0 买入
data['signal'] = np.where(data['diff'] > 0, 1, 0)

作图查看

#设置画布的尺寸为12*8
plt.figure(figsize = (12,8))
#使用折线图绘制出每天的收盘价
data['close'].plot(linewidth=2, color='k', grid=True)
#如果当天股价上涨，标出卖出信号，用倒三角表示
plt.scatter(data['close'].loc[data.signal==1].index,data['close'][data.signal==1],marker = 'v', s=80, c='g')
#如果当天股价下跌给出买入信号，用正三角表示
plt.scatter(data['close'].loc[data.signal==0].index,data['close'][data.signal==0],marker = '^', s=80, c='r')
#将图像进行展示
plt.show()

回测

为了更加清晰的看到回测结果，删除不参加计算的列，只保留相关的列。

df = data.copy()
df.rename(columns={"close": "price"}, inplace=True)
df.drop(columns=['open','high','low','volume'], inplace=True)
df=df.fillna(0)
#一般情况下，在A股市场，买入或卖出至少为100股，即1手
df['order'] = df['signal'].diff()*100
df.head()

	        price	diff	signal	order
date				
2023-01-03	7.23	0.00	0	NaN
2023-01-04	7.31	0.08	1	100.0
2023-01-05	7.35	0.04	1	0.0
2023-01-06	7.34	-0.01	0	-100.0
2023-01-09	7.34	0.00	0	0.0

回测的逻辑：
根据买卖信号，进行买卖操作，每次操作相应的数量。对于这里的股票，只有做多，即只能是买进后，才能卖出。
特别要说明的的一个函数cumsum()，即累加。

#考虑到股价较低，我们初始1千元钱让去交易
initial_cash = 1000.00
#增加一个字段，代表交易的股票的市值
df['stock'] = df['order']*df['price']
#两次买卖的订单变化之差就是某一时刻仓位的变化情况
#持仓股票的数量变化乘以现价，就是代表交易产生的现金流
#用初始资金减去现金流变化的累加，就是剩余的现金
df['cash'] = initial_cash -\
(df['order'].diff()*df['price']).cumsum()
#而最股票的市值加上剩余的现金，就是的总资产
df['total'] = df['stock'] + df['cash']
#为了让直观看到自己的总资产变化
#我们用图形来进行展示
#设置图形的尺寸是10*6
plt.figure(figsize=(10,6))
#分别绘制总资产和持仓股票市值的变化
plt.plot(df['total'],label='总市值')
plt.plot(df['order'].cumsum()*df['price'],'--',label='股票市值')
#增加网格，调整一下图注的位置，就可以显示图像了
plt.grid()
plt.legend(loc='center right')
plt.show()

通过上图，可以看到上面蓝色的曲线为资产曲线，下面橙色的表示股票买卖的情况。

datepricediffsignalorderstockcashtotal2023-01-037.230.000NaNNaNNaNNaN2023-01-047.310.081100.0731.0NaNNaN2023-01-057.350.0410.00.01735.01735.02023-01-067.34-0.010-100.0-734.02469.01735.02023-01-097.340.0000.00.01735.01735.0……………………2023-10-137.10-0.040-100.0-710.02514.01804.02023-10-167.07-0.0300.00.01807.01807.02023-10-177.090.021100.0709.01098.01807.02023-10-187.05-0.040-100.0-705.02508.01803.02023-10-196.84-0.2100.00.01824.01824.0

191 rows × 7 columns

小结

查看数据表，我们惊奇的发现居然盈利了。资产由原来的1000元，变成1824元。
以上的仅仅是一个策略的制定和回测的过程，盈利并不代表什么，不能直接用于实践。
有了这个简单的策略，我们了解策略是什么，回测是什么，分别是如何实现的。在以后的章节，我们将一步地进行研究和说明。

在此警告：文章中的所有内容，不能给你构成投资的理由。