股票量化python数据

㈠ 使用python做量化交易策略测试和回验，有哪些比较成熟一些的库

可以尝试一下JoinQuant： 聚宽，人人皆为宽客
详细的API文档：API文档 - JoinQuant

免费提供IPython Notebook研究平台，提供分钟级数据，采用Docker技术隔离，资源独立、安全性更高、性能更好，同步支持Python2、Python3。
免费提供沪深A股、ETF的历史交易数据，支持基于日级、分钟级的精准回测。
免费提供最准确、实时的沪深A股、ETF模拟交易工具，支持基于tick级的模拟交易。
为量化爱好者提供线上交流社区，支持一键克隆策略，便于用户交流量化策略、学习量化知识，一起成长。
基于2005年至今完整的Level-2数据，上市公司财务数据，包含完整的停复牌、复权、退市等信息，盘后及时更新。

㈡ python量化哪个平台可以回测模拟实盘还不要钱

Python量化投资框架：回测+模拟+实盘
Python量化投资 模拟交易 平台 1. 股票量化投资框架体系 1.1 回测 实盘交易前，必须对量化交易策略进行回测和模拟，以确定策略是否有效，并进行改进和优化。作为一般人而言，你能想到的，一般都有人做过了。回测框架也如此。当前小白看到的主要有如下五个回测框架： Zipline ：事件驱动框架，国外很流行。缺陷是不适合国内市场。 PyAlgoTrade ： 事件驱动框架，最新更新日期为16年8月17号。支持国内市场，应用python 2.7开发，最大的bug在于不支持3.5的版本，以及不支持强大的pandas。 pybacktest ：以处理向量数据的方式进行回测，最新更新日期为2个月前，更新不稳定。 TradingWithPython：基于pybacktest，进行重构。参考资料较少。 ultra-finance：在github的项目两年前就停止更新了，最新的项目在谷歌平台，无奈打不开网址，感兴趣的话，请自行查看吧。 RQAlpha：事件驱动框架，适合A股市场，自带日线数据。是米筐的回测开源框架，相对而言，个人更喜欢这个平台。 2 模拟 模拟交易，同样是实盘交易前的重要一步。以防止类似于当前某券商的事件，半小时之内亏损上亿，对整个股市都产生了恶劣影响。模拟交易，重点考虑的是程序的交易逻辑是否可靠无误，数据传输的各种情况是否都考虑到。 当下，个人看到的，喜欢用的开源平台是雪球模拟交易，其次是wind提供的模拟交易接口。像优矿、米筐和聚宽提供的，由于只能在线上平台测试，不甚自由，并无太多感觉。 雪球模拟交易：在后续实盘交易模块，再进行重点介绍，主要应用的是一个开源的easytrader系列。 Wind模拟交易：若没有机构版的话，可以考虑应用学生免费版。具体模拟交易接口可参看如下链接：http://www.dajiangzhang.com/document 3 实盘 实盘，无疑是我们的终极目标。股票程序化交易，已经被限制。但对于万能的我们而言，总有解决的办法。当下最多的是破解券商网页版的交易接口，或者说应用爬虫爬去操作。对我而言，比较倾向于食灯鬼的easytrader系列的开源平台。对于机构用户而言，由于资金量较大，出于安全性和可靠性的考虑，并不建议应用。 easytrader系列当前主要有三个组成部分： easytrader：提供券商华泰/佣金宝/银河/广发/雪球的基金、股票自动程序化交易，量化交易组件 easyquotation : 实时获取新浪 / Leverfun 的免费股票以及 level2 十档行情 / 集思路的分级基金行情 easyhistory : 用于获取维护股票的历史数据 easyquant : 股票量化框架，支持行情获取以及交易 2. 期货量化投资框架体系 一直待在私募或者券商，做的是股票相关的内容，对期货这块不甚熟悉。就根据自己所了解的，简单总结一下。 2.1 回测 回测，貌似并没有非常流行的开源框架。可能的原因有二：期货相对股票而言，门槛较高，更多是机构交易，开源较少； 去年至今对期货监管控制比较严，至今未放开，只能做些CTA的策略，另许多人兴致泱泱吧。 就个人理解而言，可能wind的是一个相对合适的选择。 2.2 模拟 + 实盘 vn.py是国内最为流行的一个开源平台。起源于国内私募的自主交易系统，2015年初启动时只是单纯的交易API接口的Python封装。随着业内关注度的上升和社区不断的贡献，目前已经一步步成长为一套全面的交易程序开发框架。如官网所说，该框架侧重的是交易模块，回测模块并未支持。 能力有限，如果对相关框架感兴趣的话，就详看相关的链接吧。个人期望的是以RQAlpha为主搭建回测框架，以雪球或wind为主搭建模拟框架，用easy系列进行交易。

㈢ Python量化教程：不得不学的K线图“代码复制可用”

不管是对量化分析师还是普通的投资者来说，K线图（蜡烛图）都是一种很经典、很重要的工具。在K线图中，它会绘制每天的最高价、最低价、开盘价和收盘价，这对于我们理解股票的趋势以及每天的多空对比很有帮助。

一般来说，我们会从各大券商平台获取K线图，但是这种情况下获得的K线图往往不能灵活调整，也不能适应复杂多变的生产需求。因此我们有必要学习一下如何使用Python绘制K线图。

需要说明的是，这里mpl_finance是原来的matplotlib.finance，但是现在独立出来了（而且好像没什么人维护更新了），我们将会使用它提供的方法来绘制K线图；tushare是用来在线获取股票数据的库；matplotlib.ticker中有个FuncFormatter()方法可以帮助我们调整坐标轴；matplotlib.pylab.date2num可以帮助我们将日期数据进行必要的转化。

我们以上证综指18年9月份以来的行情为例。

我们先使用mpl_finance绘制一下，看看是否一切正常。

可以看到，所有的节假日包括周末，在这里都会显示为空白，这对于我们图形的连续性非常不友好，因此我们要解决掉他们。

可以看到，空白问题完美解决，这里我们解释一下。由于matplotlib会将日期数据理解为 连续数据 ，而连续数据之间的间距是有意义的，所以非交易日即使没有数据，在坐标轴上还是会体现出来。连续多少个非交易日，在坐标轴上就对应了多少个小格子，但这些小格子上方并没有相应的蜡烛图。

明白了它的原理，我们就可以对症下药了。我们可以给横坐标（日期）传入连续的、固定间距的数据，先保证K线图的绘制是连续的；然后生成一个保存有正确日期数据的列表，接下来，我们根据坐标轴上的数据去取对应的正确的日期，并替换为坐标轴上的标签即可。

上边format_date函数就是这个作用。由于前边我们给dates列生成了从0开始的序列连续数据，因此我们可以直接把它当作索引，从真正的日期列表里去取对应的数据。在这里我们要使用matplotlib.ticker.FuncFormattter()方法，它允许我们指定一个格式化坐标轴标签的函数，在这个函数里，我们需要接受坐标轴的值以及位置，并返回自定义的标签。

你学会了吗？

当然，一个完整的K线图到这里并没有结束，后边我们会考虑加入均线、成交量等元素，感兴趣的同学欢迎关注哦！

㈣ 如何选取过去每个月股票的市值 python

类似，可以修改一下
股票涨跌幅数据是量化投资学习的基本数据资料之一，下面以python代码编程为工具，获得所需要的历史数据。主要步骤有：
（1） #按照市值从小到大的顺序活得N支股票的代码；
（2） #分别对这一百只股票进行100支股票操作；
（3） #获取从2016.05.01到2016.11.17的涨跌幅数据；
（4） #选取记录大于40个的数据，去除次新股；
（5） #将文件名名为“股票代码.csv”。
具体代码如下：
# -*- coding: utf-8 -*-
"""
Created on Thu Nov 17 23:04:33 2016
获取股票的历史涨跌幅，并分别存为csv格式
@author: yehxqq151376026
"""

import numpy as np
import pandas as pd

#按照市值从小到大的顺序活得100支股票的代码
df = get_fundamentals(
query(fundamentals.eod_derivative_indicator.market_cap)
.order_by(fundamentals.eod_derivative_indicator.market_cap.asc())
.limit(100),'2016-11-17', '1y'
)

#分别对这一百只股票进行100支股票操作
#获取从2016.05.01到2016.11.17的涨跌幅数据
#选取记录大于40个的数据，去除次新股
#将文件名名为“股票代码.csv”
for stock in range(100):
priceChangeRate = get_price_change_rate(df['market_cap'].columns[stock], '20160501', '20161117')
if priceChangeRate is None:
openDays = 0
else:
openDays = len(priceChangeRate)
if openDays > 40:
tempPrice = priceChangeRate[39:(openDays - 1)]
for rate in range(len(tempPrice)):
tempPrice[rate] = "%.3f" %tempPrice[rate]
fileName = ''
fileName = fileName.join(df['market_cap'].columns[i].split('.')) + '.csv'
fileName
tempPrice.to_csv(fileName)

㈤ python的量化代码怎么用到股市中

2010 ~ 2017 沪深A股各行业量化分析

在开始各行业的量化分析之前，我们需要先弄清楚两个问题：

• 第一，A股市场上都有哪些行业；

• 第二，各行业自2010年以来的营收、净利润增速表现如何？

第一个问题
很好回答，我们使用JQData提供的获取行业成分股的方法，输入get_instries(name='sw_l1')
得到申万一级行业分类结果如下：它们分别是：【农林牧渔、采掘、化工、钢铁、有色金属、电子、家用电器、食品饮料、纺织服装、轻工制造、医药生物、公用事业、交通运输、房地产、商业贸易、休闲服务、综合、建筑材料、建筑装饰、电器设备、国防军工、计算机、传媒、通信、银行、非银金融、汽车、机械设备】共计28个行业。

第二个问题
要知道各行业自2010年以来的营收、净利润增速表现，我们首先需要知道各行业在各个年度都有哪些成分股，然后加总该行业在该年度各成分股的总营收和净利润，就能得到整个行业在该年度的总营收和总利润了。这部分数据JQData也为我们提供了方便的接口：通过调用get_instry_stocks(instry_code=‘行业编码’, date=‘统计日期’)，获取申万一级行业指定日期下的行业成分股列表，然后再调用查询财务的数据接口：get_fundamentals(query_object=‘query_object’, statDate=year)来获取各个成分股在对应年度的总营收和净利润，最后通过加总得到整个行业的总营收和总利润。这里为了避免非经常性损益的影响，我们对净利润指标最终选取的扣除非经常性损益的净利润数据。

我们已经获取到想要的行业数据了。接下来，我们需要进一步分析，这些行业都有什么样的增长特征。

我们发现，在28个申万一级行业中，有18个行业自2010年以来在总营收方面保持了持续稳定的增长。它们分别是：【农林牧渔，电子，食品饮料，纺织服装，轻工制造，医药生物，公用事业，交通运输，房地产，休闲服务，建筑装饰，电气设备，国防军工，计算机，传媒，通信，银行，汽车】；其他行业在该时间范围内出现了不同程度的负增长。

那么，自2010年以来净利润保持持续增长的行业又会是哪些呢？结果是只有5个行业保持了基业长青，他们分别是医药生物，建筑装饰，电气设备，银行和汽车。（注：由于申万行业在2014年发生过一次大的调整，建筑装饰，电气设备，银行和汽车实际从2014年才开始统计。）

从上面的分析结果可以看到，真正能够保持持续稳定增长的行业并不多，如果以扣非净利润为标准，那么只有医药生物，建筑装饰，电气设备，银行和汽车这五个行业可以称之为优质行业，实际投资中，就可以只从这几个行业中去投资。这样做的目的是，一方面，能够从行业大格局层面避免行业下行的风险，绕开一个可能出现负增长的的行业，从而降低投资的风险；另一方面，也大大缩短了我们的投资范围，让投资者能够专注于从真正好的行业去挑选公司进行投资。

“2010-2017”投资于优质行业龙头的收益表现

选好行业之后，下面进入选公司环节。我们知道，即便是一个好的行业也仍然存在表现不好的公司，那么什么是好的公司呢，本文试图从营业收入规模和利润规模和来考察以上五个基业长青的行业，从它们中去筛选公司作为投资标的。

3.1按营业收入规模构建的行业龙头投资组合

首先，我们按照营业收入规模，筛选出以上5个行业【医药生物，建筑装饰，电气设备，银行和汽车】从2010年至今的行业龙头如下表所示：

结论

通过以上行业分析和投资组合的历史回测可以看到：

• 先选行业，再选公司，即使是从2015年股灾期间开始投资，至2018年5月1号，仍然能够获得相对理想的收益，可以说，红杉资本的赛道投资法则对于一般投资者还是比较靠谱的。

• 在构建行业龙头投资组合时，净利润指标显着优于营业收入指标，获得的投资收益能够更大的跑赢全市场收益率

• 市场是不断波动的，如果一个投资者从股灾期间开始投资，那么即使他买入了上述优质行业的龙头组合，在近3年也只能获得12%左右的累计收益；而如果从2016年5月3日开始投资，那么至2018年5月2日，2年时间就能获得超过50%以上的收益了。所以，在投资过程中选择时机也非常重要。

出自：JoinQuant 聚宽数据 JQData