聚宽
聚宽基础使用
双均线分析
因子选股策略
导入函数库
初始化函数，设定基准等等
A股指数成分股
查询财务数据
在数据字典->股票数据->搜索市值，找到markey_cap，这就是股票的总市值
因此搜索的表就是：valuation表中的market_cap
构建get_fundamentals中的query对象
每月执行策略函数
- 均值回归理论
- PEG策略

聚宽

聚宽官网：https://www.joinquant.com

聚宽基础使用

每天买100股的平安银行 ```python “”” 每天买100股的平安银行
初始化的函数：选定要交易的股票为平安银行
每天循环：买每天买100股的平安银行
平安银行的股票代码应是一个全局变量

本质：初始化+周期循环 “”” from jqdata import *

def initialize(context): “”” 初始化函数，用于初始化全局变量、设置 “”” g.security = “000001.XSHE”

# 定义每天内何时运行
run_daily(period, time='every_bar')

def period(context): “”” 实现买股票的函数 “”” order(g.security, amount=200) # amount买入的股数，要是100的倍数

# 计算股票的收益率，当股票亏损达到1%卖出股票
# 收益率 = （收入 - 成本）/ 成本 --> 收入/成本-1
# 收入：股票的现价  成本：之前持仓的成本
# 通过当前账户信息来反馈一个买卖记录

# 成本
# print(context.portfolio.positions["000001.XSHE"].avg_cost)
cost = context.portfolio.positions["000001.XSHE"].avg_cost

# 收入
price = context.portfolio.positions["000001.XSHE"].price

# 计算收益率
ret = price/cost - 1

# 判断是否亏损
if ret < -0.01:
    order_target(g.security, amount=0)
    print("止损")

“”” -红色：默认以沪深300指（代表整个市场增长水平） -蓝色：策略收益曲线 “””


<a name="7qaYH"></a>
### 简单量化策略

- 设置股票池为沪深300的所有成分股
- 如果当前股价小于10元/股且当前不持仓，则买入
- 如果当前股价比买入时上涨了25%，则清仓止盈
- 如果当前股价比买入时下跌了10%，则清仓止损
```python
"""
设置股票池为沪深300的所有成分股
如果当前股价小于10元/股且当前不持仓，则买入
如果当前股价比买入时上涨了25%，则清仓止盈
如果当前股价比买入时下跌了10%，则清仓止损
"""

from jqdata import *


# 1.初始化函数
def initialize(context):
    # 设置股票池为沪深300的所有成分股
    g.security = get_index_stocks("000300.XSHG")

    # 2.每个交易日执行一次
    run_daily(period, time="every_bar")

def period(context):
    tobuy = []

    # 筛选每支股票-->遍历出每支股票的股票代码
    for stock in g.security:
        # 获取股票的开盘价
        p = get_current_data()[stock].day_open

        # 获取当前账户持有对应股票的股数
        amount = context.portfolio.positions[stock].total_amount

        # 获取买入时的成本
        cost = context.portfolio.positions[stock].avg_cost

        # 如果当前股价比买入时上涨了25%，则清仓止盈
        if amount > 0 and p >= cost * 1.25:
            order_target(stock, 0)

        if amount > 0 and p <= cost * (1-0.1):
            order_target(stock, 0)


        # 如果当前股价小于10/股且当前不持仓，则买入
        if p <= 10 and amount == 0:  # 股票价格即小于10且未持仓
            tobuy.append(stock)

    # 将当前账户信息可用资金 除以tobuy长度 ==> 为每支股票可花的钱
    cash_per_stock = context.portfolio.available_cash / len(tobuy)


    # 循环取出tobuy每支股票，然后进行下单
    for stock in tobuy:
        order_value(stock, cash_per_stock)

双均线分析

均线

对于每一个交易日，都可以计算出前N天的移动平均值，然后把这些移动平均值连起来，成为一条线，就叫做N日移动平均线。移动平均线常用：5天,10天,30天,60天，120天和240天的指标

5天和10天的是短线操作的参照指标，称做日均线指标;
30天和60天的是中期均线指标，称做季均线指标;
120天和240天的是长期均线指标，称做年均线指标。
黄金交叉
短期均线上穿长期均线，买入信号

死亡交叉

短期均线下穿长期均线，卖出信号

# 导入函数库
from jqdata import *

# 初始化函数，设定基准等等
def initialize(context):
    # 初始化股票代码
    g.security = ["000001.XSHE"]

    # 初始化天数
    g.d5 = 5
    g.d60 = 60

    run_daily(period, time="every_bar")

def period(context):
    """
    双均线策略
    金叉买入， 死叉卖出
    """
    for stock in g.security:
        # 构建MA5以及MA60数据
        # MA5： 第一天~第五天的平均价格
        # MA60： 第一天~第60天的平均价格
        df_5 = attribute_history(stock, g.d5)
        df_60 = attribute_history(stock, g.d60)

        # 求均值
        MA_5 = df_5["close"].mean()
        MA_60 = df_60["close"].mean()

        """
        - 判断金叉和死叉
        - 金叉： 短期均线上穿长期均线 ==> 前一天MA5<MA60并且后一天MA_5>=MA60
        - 死叉： 短期均线下穿长期均线 ==> 前一天MA5>MA60并且后一天MA_5<=MA60
        - 由于金叉跟死叉是交替出现，
        - 如果是金叉买入，死叉全部卖出，
        - 因此当MA5>MA60且不持仓时，就是金叉。
        - 反之，当MA5<MA60且持仓时，就是死叉。
        """
        # 金叉
        if MA_5 > MA_60 and stock not in context.portfolio.positions:
            order(stock, context.portfolio.available_cash)


        # 死叉：
        if MA_5 < MA_60 and stock in context.portfolio.positions:
            order_target(stock, 0)

        # 显示均线图
        record(ma_5=MA_5, ma_60=MA_60)

因子选股策略

因子：选择股票的某种标准
- 增长率、市值、市盈率、ROE(净资产收益率)
选股策略：
- 对于某个因子，选取表现最好(因子最大或最小)的N支股票持仓
- 每隔一段时间调仓一次
- 选股策略一般都是长期的投资，因为不是一天交易一次而是几个月交易一次
小市值策略：选取股票池中市值最小的N只股票持仓 ```python “”” 根据市值做因子策略
市值属于财务数据
每隔一个月就要将股票池中市值大的卖掉，买入市值小的 “””

导入函数库

from jqdata import *

初始化函数，设定基准等等

def initialize(context):

A股指数成分股

g.security = get_index_stocks(“000002.XSHG”)

查询财务数据

在数据字典->股票数据->搜索市值，找到markey_cap，这就是股票的总市值

因此搜索的表就是：valuation表中的market_cap

构建get_fundamentals中的query对象

g.q = query(valuation).filter(valuation.code.in_(g.security)) # 查询code在股票池中的valuation表

g.N = 20 # 初始化股票数量

每月执行策略函数

run_monthly(handle_month, 1) # 1=每月第一个交易日

def handle_month(context):

# 获取市值最小的20支股票
# 在财务数据中获取两列：code，market_capp
df = get_fundamentals(g.q)[["code", "market_cap"]]

# 获取到数据后，对market_cap进行升序排序，然后切片
df = df.sort_values("market_cap").iloc[:g.N, :]

# 调仓，持有的股票在df里面就保留，如果在df里面但又没持有则买入
to_hold = df["code"].values

# 遍历现在所持有的所有股票
for stock in context.portfolio.positions:
    # 如果持有股票没在to_hold列表里，就卖掉
    if stock not in to_hold:
        order_target(stock, 0)

# 买入的股票：在to_hold里面，但不在我持有的股票列表里面
tobuy = [stock for stock in to_hold if stock not in context.portfolio.positions]

# 计算每只股票可以使用的资金
# 但要注意，tobuy的长度很有可能为0，所以需要做判断
if len(tobuy) > 0:
    cash_per_stock = context.portfolio.available_cash/len(tobuy)
    for stock in tobuy:
        order_value(stock, cash_per_stock)


<a name="NvLry"></a>
### 多因子选股策略
**综合多个因子：**市值，市盈率，ROE(净资产收益率)等等

<a name="ZLT04"></a>
#### 评分模型：

- 每个股票针对每个因子进行评分，将**评分相加**
- 选出总评分最大的N只股票持仓
- 如何计算股票在某个因子下的评分：归一化(标准化)
<a name="YMJHQ"></a>
### 标准化(归一化：数据预处理)
<a name="oVVCK"></a>
#### min-max标准化：**x* = (x-min)/(max-min)**

- 将原始数据转化为一个0到1的数
- 缺点：如果有新数据加入，可能导致min和max的变化

<br />
<a name="8yKKL"></a>
#### Z-score标准化：x* = (x-μ)/σ

- μ一组数的平均值 σ为标准差
- 将原始数据转化为均值为0，标准差为1的正态分布的随机变量
```python
# 导入函数库
from jqdata import *

"""
ROE（市盈率） - 市值=越大越好
"""

# 初始化函数，设定基准等等
def initialize(context):
    # 初始化股票池
    g.security = get_index_stocks("000002.XSHG")

    # 获取财务数据中的市值和ROE（市盈率）
    # 市值=valuation表中的market_cap
    # ROE = indicator表中的roe
    g.q = query(valuation, indicator).filter(valuation.code.in_(g.security))


    # 执行函数
    run_monthly(handle_month, 1)


# 循环执行函数 
def handle_month(context):
    df = get_fundamentals(g.q)[["code", "market_cap", "roe"]]


    # 市值与ROE的值相差太大，因此需要先做归一化（0-1）
    # 公式 (x-min)/(max-min)
    df["market_cap"] = (df["market_cap"] - df["market_cap"].min()) / (df["market_cap"].max() - df["market_cap"].min())
    df["roe"] = (df["roe"] - df["roe"].min()) / (df["roe"].max() - df["roe"].min())


    df["score"] = df["roe"] - df["market_cap"]

    # 选择前20个综合指标优良的股票
    df = df.sort_values("score", ascending=False).iloc[:20, :]

    # 获取优良股票的代码
    to_hold = df["code"].values

    # 检查目前账户所持有的股票
    for stock in context.portfolio.positions:
        # 将持有的股票，但不在优良股票（to_hold）列表的股票清仓
        if stock not in to_hold:
            order_target(stock, 0)

    # 买入在to_hold里面，但是不在我持有的股票列表里面的股票
    tobuy = [stock for stock in to_hold if stock not in context.portfolio.positions]

    if len(tobuy) > 0:
        cash_per_stock=context.portfolio.available_cash/len(tobuy)
        for stock in tobuy:
            order_value(stock, cash_per_stock)

均值回归理论

均值回归：“跌下去的迟早要涨上来”

均值回归的理论基于以下观测

价格的波动一般会以它的均线为中心。也就是说，当标的价格由于波动而偏离移动均线时，它将调整并重归于均线

定义偏离程度：(MA-P)/MA

均值回归策略执行

计算股票池中所有股票的N日均线
计算股票池中所有股票与均线的偏离度
选取偏离度最高的M支股票并调仓(是否风险最大) ```python from jqdata import *

def initialize(context): g.security = “600036.XSHG”

# 择时    
run_daily(period,time="every_bar")

def period(context):

# 压力线 支撑线 (a.mean()-2*a.std(),a.mean()+2*a.std())
# 求20日均线
sr = attribute_history(g.security,20)["close"]

# 求均值
ma_20 = sr.mean()

# 求标准差
std_20 = sr.std()

# 压力线
up_line = ma_20 + 2 * std_20

# 支撑线
down_line = ma_20 - 2 * std_20

# 当当前价格 突破了 上线 则卖出  跌破了下线 买入
p = get_current_data()[g.security].day_open

# 当前可用资金
cash = context.portfolio.available_cash

if p < down_line and g.security not in context.portfolio.positions:
    order_value(g.security,cash)
elif p > up_line and g.security in context.portfolio.positions:
    order_target(g.security,0)

<a name="MlZ0a"></a>
### 布林带策略
<a name="B9EKb"></a>
#### 布林带策略定义
布林带/布林线/保利加(Bollinger Band)通道策略：由三条轨道线组成，其中上下两条线分别可以看成是价格的压力线和支撑线，在两条线之间是一条价格平均线。<br />![image.png](https://cdn.nlark.com/yuque/0/2020/png/704747/1602327350949-ddf19910-9db7-45c7-a631-59ac6f390922.png#align=left&display=inline&height=254&margin=%5Bobject%20Object%5D&name=image.png&originHeight=304&originWidth=626&size=175081&status=done&style=none&width=523)
<a name="bvAAV"></a>
#### 计算公式

- 压力线 = M日均线 + N*STD
- 支撑线 = M日均线 - N*STD
   - STD为标准差
   - N为参数，意味着布林带宽度
```python
"""
布林带
"""
from jqdata import *

def initialize(context):
    g.security = get_index_stocks("000300.XSHG")

    g.ma_days = 30

    run_monthly(handle_month,1)


def handle_month(context):
    # 索引：股票代码  值：偏离率 
    sr = pd.Series(index=g.security)

    for stock in sr.index:
        # MA30
        ma = attribute_history(stock,g.ma_days)["close"].mean()

        # 获取当天价格
        p = get_current_data()[stock].day_open

        # 偏离率
        ratio = (ma-p)/ma

        sr[stock] = ratio

    # 从sr里面选择 10个 最大的选出来
    to_hold = sr.nlargest(10).index.values
    # print(to_hold)

    # 目前账户所持有的股票
    for stock in context.portfolio.positions:
        # 不再to_hold 股票 给 卖掉
        if stock not in to_hold:
            order_target(stock,0)

    # 买入 在to_hold里面 但是不在我持有的股票列表里面
    tobuy = [stock for stock in to_hold if stock not in context.portfolio.positions]

    if len(tobuy) > 0:
        cash_per_stock = context.portfolio.available_cash/len(tobuy)
        for stock in tobuy:
            order_value(stock,cash_per_stock)

PEG策略

彼得林奇：任何一家公司股票如果定价合理的话，市盈率就会与收益增长率相等。这就是PEG估值法。

市盈率

市盈率是当前股价(P)相对每股收益(EPS)的比值

市盈率(PE) = 股价(P) / 每股收益 (EPS)
- 股价*股数 ≈ 市值
- 每股收益*股数 ≈ 净收益
市盈率 ≈ 市值 / 净收益

收益增长率

PEG策略

PEG策略重要条件为：市盈率会与收益增长率相等。也就是PE = G，则得出公式：

由此可以得出结论：

PEG越低，代表股价被低估的可能性越大，股价会涨的可能性越大。
PEG是一个综合指标，既考察价值，又兼顾成长性。PEG估值法适合应用于成长型的公司

PEG策略执行思路

PEG策略(选股)：

计算股票池中所有股票的PEG指标
选择PEG最小的N只股票调仓(小的买入，大的卖出)

注意：过滤掉市盈率或收益增长率为负的数据。

"""
PEG策略
"""
from jqdata import *

def initialize(context):
    g.security = get_index_stocks("000300.XSHG")

    # 市盈率 净利润同比增长率 财务数据 query对象
    # pe_ratio  所属表：valuation
    # inc_net_profit_year_on_year 所属表：indicator
    g.q = query(valuation.code,valuation.pe_ratio,indicator.inc_net_profit_year_on_year).filter(valuation.code.in_(g.security))

    run_monthly(handle_month,1)


def handle_month(context):
    # 获取财务数据
    df = get_fundamentals(g.q)
    # print(df)

    # 选出 PE 并且 G 都大于 0 的数据
    df = df[(df["pe_ratio"]>0) & (df["inc_net_profit_year_on_year"]>0)]

    # 计算PEG 
    df["peg"] = df["pe_ratio"]/df["inc_net_profit_year_on_year"]*100

    # 排序 选出最小的
    df = df.sort_values("peg")

    # 取前20支股票的code 放到 tohold 中
    to_hold = df["code"][:20].values
    # print(to_hold)

    # 目前账户所持有的股票
    for stock in context.portfolio.positions:
        # 不再to_hold 股票 给 卖掉
        if stock not in to_hold:
            order_target(stock,0)

    # 买入 在to_hold里面 但是不在我持有的股票列表里面
    tobuy = [stock for stock in to_hold if stock not in context.portfolio.positions]

    if len(tobuy) > 0:
        cash_per_stock = context.portfolio.available_cash/len(tobuy)
        for stock in tobuy:
            order_value(stock,cash_per_stock)

数据分析

聚宽的使用

聚宽

聚宽基础使用

双均线分析

均线

黄金交叉

死亡交叉

因子选股策略

导入函数库

初始化函数，设定基准等等

A股指数成分股

查询财务数据

在数据字典->股票数据->搜索市值，找到markey_cap，这就是股票的总市值

因此搜索的表就是：valuation表中的market_cap

构建get_fundamentals中的query对象

每月执行策略函数

均值回归理论

均值回归：“跌下去的迟早要涨上来”

均值回归的理论基于以下观测

定义偏离程度：(MA-P)/MA

均值回归策略执行

PEG策略

市盈率

收益增长率

PEG策略

PEG策略执行思路