楼主: tkfy920
111 1

[源码分享] 【手把手教你】Python实现量价形态选股 [分享]

  • 8关注
  • 22粉丝

CuteHand

讲师

20%

还不是VIP/贵宾

-

威望
0
论坛币
903 个
通用积分
12.0049
学术水平
26 点
热心指数
24 点
信用等级
18 点
经验
42725 点
帖子
406
精华
0
在线时间
414 小时
注册时间
2008-3-28
最后登录
2020-1-19

tkfy920 在职认证  学生认证  发表于 2020-1-16 16:52:27 |显示全部楼层


01引言







在股票市场上,一切交易行为的成功皆为概率事件,交易获利的核心在于选择了上涨概率较高的股票。因此,利用高概率的上升形态来选股,是技术分析的重要方法之一。威廉·欧奈尔在《笑傲股市》中通过研究100多只超级牛股,总结出看涨形态中出现最为普遍的一种形态——杯柄形态。欧奈尔杯柄选股模型的买点,说白了是股价放量上升即将创出新高的时点。也就是说,最佳买点是在股价经过回调整理,股价即将创出新高且成交量放大50%以上


欧奈尔“逢高买入”的逻辑主要基于三点,一是“逢高买入”可以规避股票长时间在底部盘整时的等待;二是在牛市初期和调整期,越早结束底部盘整创出新高的股票,未来的涨幅通常越大;三是在牛市初期和调整期,先买入更早结束盘整创出新高的股票,待其上涨获利部分卖出再建仓后启动的股票,可以提高资金使用效率。


本文基于欧奈尔“杯柄形态”和“逢高买入”的技术分析思想,使用Python基于个股价量形态进行简单的量化选股,以期对股票价格形态量化选股起到抛砖引玉的作用。实际上欧奈尔的选股精髓在于技术面和基本面的有机结合,并提出了CANSLIM七步选股法,感兴趣的可参见其原书《笑傲股市》。废话少说,下面直接给出Python价量选股代码。注意,文中提及股票仅作为分析案例,不构成任何投资建议!



02Python选股代码


Python实现的步骤主要包括数据获取及清洗、价量突破规则设定、股票筛选和可视化分析。数据获取基于tushare开源框架,使用Python自带的Sqlit3轻量级数据库进行数据管理,参见推文《【手把手教你】Python面向对象编程入门及股票数据管理应用实例》。下面要引入的base、update_sql、plot_stock均是为方便数据管理写的个人脚本文件,在运行时可以注释掉使用自己的数据来替换和画图。加入知识星球获取可获取所有完整代码。




0.png

(数据管理的py文件和选股分析的ipynb文件)


#更新数据库信息
from update_sql import update_sql,info_sql
#画K线图
from plot_stock import stock_plot


更新数据库信息

update_sql()

输出结果:数据已经是最新的!


获取数据库信息info_sql()

输出结果:

数据库包含股票个数:3760

统计查询的总数:7873981
数据期间:20050104——20200113

文件大小为918M。


import pandas as pd

#base是个人写的脚本文件
from base import sql_engine,ts_pro
from datetime import datetime,timedelta
pro=ts_pro()
engine = sql_engine()


从数据库中获取复权价格和成交量

def get_price_vol_data():
    now=datetime.now()
    date=(now-timedelta(360)).strftime('%Y%m%d')
    sql=f'select * from daily_data where trade_date>{date}'
    all_data=pd.read_sql(sql,engine)
    all_data=all_data.sort_values(['ts_code','trade_date'])
    codes=list(all_data.ts_code.unique())
    #前复权
    all_data['adjclose']=all_data.groupby('ts_code').apply(lambda x:x.close*x.adj_factor/x.adj_factor.iloc[-1]).values
    all_data['adjvol']=all_data.groupby('ts_code').apply(lambda x:x.vol*x.adj_factor/x.adj_factor.iloc[-1]).values
    all_data['adjopen']=all_data.groupby('ts_code').apply(lambda x:x.open*x.adj_factor/x.adj_factor.iloc[-1]).values
    all_data['adjhigh']=all_data.groupby('ts_code').apply(lambda x:x.high*x.adj_factor/x.adj_factor.iloc[-1]).values
    all_data['adjlow']=all_data.groupby('ts_code').apply(lambda x:x.low*x.adj_factor/x.adj_factor.iloc[-1]).values

    #设置索引
    all_data=all_data.set_index(['trade_date','ts_code'])[['adjclose','adjvol','adjopen','adjhigh','adjlow']]
    #转成面板数据
    all_data=all_data.unstack()
    return codes,all_data


筛选价格和成交量突破N日阈值的个股

def find_price_vol_stock(n,r=1.2):

    codes,all_data=get_price_vol_data()

    up_list=[]
    for code in codes:
        close=all_data['adjclose'][code]
        open_=all_data['adjopen'][code]
        high=all_data['adjhigh'][code]
        low=all_data['adjlow'][code]
        vol=all_data['adjvol'][code]
        #剔除一字涨停
        flag=True
        if close.iloc[-1]==open_.iloc[-1]==high.iloc[-1]==low.iloc[-1]:
            flag=False
            break
        #最近五日没有长上影线,以单日回撤3%为长上影线
        for i in range(5):
            if close[-5:]*1.03<high[-5:]:
                flag=False
                break
        #价格突破前N日新高
        p=close.iloc[-1] #当前价格
        p0=close[-n:-1].min()
        p1=close[-n:-1].max() #前n-1日最高价
        #价格短期已上涨超过50%,涨幅过大不宜介入
        '''
        if (p-p0)/p0>r:
            flag=False
            break '''
        #价格突破且放量上涨
        if flag==True and \
           p1<p<p1*r and \
           vol[-5:].mean()/vol[-10:-5].mean()>2.0:
            up_list.append(code)
    return up_list


运行选股函数:

stocks_60=find_price_vol_stock(60)

print('突破60日量价的个股为:\n')
print(stocks_60)
print(f'突破60日量价个股个数为:{len(stocks_60)}')

突破60日量价的个股为:
['000417.SZ', '000885.SZ']

突破60日量价个股个数为:2


对选出的个股K线可视化

stock_plot(stocks_20[0]).kline_plot(ktype=0)


stock_plot(stocks_20[1]).kline_plot(ktype=0)



下面不考虑成交量,主要基于价格形态,寻找W底或圆底形态的个股。

#RPS是用于计算欧奈尔RPS相对强弱指标的脚本文件

from RPS import get_data


data=get_data()

#data.tail()



剔除了次新股和ST股后对剩下的2871只股票进行筛选。


def find_stock(data,n=20):

    stock_list=[]
    for c in data.columns:
        d0=data[c][-n]
        d1=data[c][-(n-2):-1].max()
        d2=data[c][-1]
        #考虑股价在3-20元个股情况
        if 3<d2<20 and d1<d0<d2<d0*1.52:
            stock_list.append(c)

    #print(len(stock_list))

    return stock_list


运行函数:

ss_20=find_stock(data)

print(ss_20)

#输出结果:

['恒华科技', '东方电缆', '立霸股份', '鼎信通讯', '普洛药业']

基于60天价格形态。
ss_60=find_stock(data,n=60)

print(ss_60)#输出结果:

['中航重机', '鲁阳节能', '金牛化工', '农尚环境', '北汽蓝谷']

价格形态的可视化,其中stock_plot是使用pyecharts0.5.11版本写的画图脚本文件,ktype=0为普通K线,=1为修正K线图。
stock_plot(ss_20[0]).kline_plot(ktype=0)


stock_plot(ss_20[1]).kline_plot(ktype=0)


stock_plot(ss_60[0]).kline_plot(ktype=0)


stock_plot(ss_60[1]).kline_plot(ktype=0)


stock_plot(ss_60[2]).kline_plot(ktype=0)



03结语


随着股票数量的增多,借助技术手段进行量化选股已越来越普遍,不少平台也用上了AI的手段。市场讯息万变,往往体现在量价关系的变化中。因此采用技术分析的量价时空分析,可以提高选股的成功概率。但所有技术分析都基于对历史的归纳,而历史并不总是全然相似,所处的市场环境和公司情况也不尽相同,未来的发展走势也可能不一样。技术分析本身是存在一定局限性的,凭借高概率的价格形态选股能够判定一只股票未来上涨,但也未必如你所愿的方式上涨,可能中间的震荡又将你洗出局。本文以Python为工具,对A股3700多只股票进行价量分析,利用价量突破进行选股,为股票技术分析的量化提供了一种简单的视角,具有一定的实战意义。具体应用中还可结合市场横截面的强弱指标——欧奈尔的RPS和基本面业绩指标进一步优化。以上分析仅供参考,不构成任何投资建议!
关于Python金融量化






专注于分享Python在金融量化领域的应用。加入知识星球,可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架,与博主直接交流、结识圈内朋友等。






当一个人把爱倾注于心灵的深处,有什么样的高度不能踩在脚下。
stata SPSS
renwl 发表于 2020-1-17 10:44:24 |显示全部楼层
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 我要注册

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2020-1-20 21:19