Python编写量化交易策略—基础教材-经管之家官网！

MINDGO量化平台推出策略编写教材，希望给哪些想要学习Python语言以及编写量化策略的小伙伴提供学习免费教材，详细教材登录MINDGO量化交易平台，点击策略库即可免费查看。如下图：
https://bbs.pinggu.org/forum.php?mod=image&aid=2313937&size=300x300&key=b87c72181eed6567&nocache=yes&type=fixnone
除了一些学习教材，小伙伴还可以免费查看并且复制大师系列，分钟级量化策略的源代码，让你更快掌握Python编写策略的技巧。
以下是均值回归策略编写技巧----策略编写学习教材（四），里面包括了如果用好Python的字典功能，以及理解均值回归策略的核心。希望能给小伙伴们带来帮助！
'''
均值回归策略编写技巧----策略编写学习教材（四）
本章内容主要介绍了如何在MINDGO平台上快速学会编写均值回归策略，希望能给有需要的小伙伴带来一定帮助。
本文建立于动量策略编写技巧之上，因此需要完整地学习的同学可以先看教材（三）


均值回归策略逻辑
一、均值回归介绍
均值回归是金融学的一个重要概念，也是一种数学方法，市场中指的是：个股股价偏离其内在价值过高或者
过低时，就会改变原有趋势，而形成靠拢内在价值的趋势。酷似价值规律，如下图：
均值回归是否与动量效应冲突？从形式上看，动量效应认为趋势会延续，均值回归认为趋势会改变，但是从
内在逻辑上看，均值回归通过计算个股内在价值，从而研判个股内在趋势，但是动量效应与均值回归不同，它不
存在一个内在价值，或者说动量效应是研究价格的一种方式，而均值回归是研究价值的一种方式，因此两者形式
相冲，但内在逻辑不冲突。
均值回归的核心：准确计算出个股内在价值。均值回归之所以能经久不衰，靠的是价值这口气活着，如果投
资者在运用均值回归时，无法准确计算出个股的价值，那么其结果必定是惨烈的，不是在股价上涨时提前抛售，
就是在股价下跌时过早买入。
均值回归的价值计算方式：说实话，计算个股内在价值的方式有很多种，并且每个投资者都有自己的观点和
看法，因此本文为了演示策略，挑选了三种个股内在价值的计算方法：
第一种市盈率法，目前一年期的货币基金利率为3%，对应股市中的平均市盈率为33倍。
第二种市净率法，一般而言，市净率小于1，表明公司股价被严重低估，1-3是合理投资区间，超过3就表明公
司股价偏高。
第三种市销率，市销率越低，说明该公司股票目前的投资价值越大，一般情况下，市销率小于2，则股票具有
投资价值，超过10，则说明风险较大。
二、构建简单均值回归策略
根据上一节的内容，我们构建一个简单的均值回归策略：
第一步:
通过以上三种方法来判断其内在价值是否为低估，如果低估，则可能在一段时间内进行均值回归，也就是价格
上涨至价值区。其中市盈率，市销率，市净率是我们判断的指标，本策略采用经典打分法，也就是说，我们把单纯
的市盈率指标进行解剖，上文已经算出市盈率均值为33.因此将市盈率33以下的个股给予10分，反之则不给分。市
净率小于1的个股给予10分，在1至3区间的给予5分，反之不给分。市销率小于2的给予10分，在2-10区间的给予5分
，反之不给分。采用以上打分法，得分较高的个股说明其股价被低估的越严重，越有可能进行均值回复！
第二步:
确定调仓周期：一个月，确定最大持股数量:30只。
第三步：
设置风险措施，个股亏损超过10%，则进行止损。止盈为时间止盈，满一个月止盈。
策略框架
I.初始化函数，设置账户条件
II.交易函数，用于买卖个股
III.选股函数，用于选择相应股票列表
IV.风控函数，用于止损止盈
'''
#=====================================================================================================
#导包操作
from datetime import timedelta, date
import pandas as pd
#=====================================================================================================
#=====================================================================================================
#初始化函数，设置初始条件
def initialize(account):
account.n = 30
account.trade_date = range(1,13,1)
run_monthly(trade,date_rule=2)
get_iwencai('未停牌,上市时间超过2年')
#=====================================================================================================
#=====================================================================================================
#设置止损止盈，handle_data是每日（分钟/tick）运行
def handle_data(account,data):
if len(account.positions) > 0:
securities = list(account.positions)
for stock in securities:
price = data.attribute_history(stock, ['close'], 1, '1d', skip_paused=False, fq='pre')
if account.positions[stock].cost_basis /price['close'][0]-1 < -0.1:
order_target(stock, 0)
#=====================================================================================================
#=====================================================================================================
#选股函数
def stocks_jz(account,data):
date= get_last_datetime().strftime('%Y%m%d')
#获取时间，并将其转化成年月日
df = {'security': [], 1:[], 2:[], 3:[], 'score':[]}
#创建字典，一个5个键，对应5个值
stocks=account.iwencai_securities
#从问财的选股结果导入到stocks
for security in stocks:
q=query(profit.symbol,valuation.pe_ttm,valuation.pb,valuation.ps_ttm
).filter(profit.symbol==security)
yz = get_fundamentals(q, date=date).fillna(0)
#get_fundamentals，获取股票代码，市盈率，市销率，市净率数据,fillna(0)能将数据缺失值填充为0
df['security'].append(security)
if (not (yz['valuation_pe_ttm'].empty or yz['valuation_ps_ttm'].empty or yz['valuation_pb'].empty)):
#判断这些数据中是否有空值，如果存在则跳到101行，直接打0分
if yz['valuation_pe_ttm'][0]<33 :
#判断单个股票的市盈率因子，满足条件则加10分，不满足则不加分。
df[1].append(10)
else:
df[1].append(0)
if yz['valuation_ps_ttm'][0]<2.01:
df[2].append(10)
elif yz['valuation_ps_ttm'][0]<10.01 and yz['valuation_ps_ttm'][0]>2.01:
df[2].append(5)
else:
df[2].append(0)
if yz['valuation_pb'][0]<1.01:
df[3].append(10)
elif yz['valuation_pb'][0]<3.01 and yz['valuation_pb'][0]>1.01:
df[3].append(5)
else:
df[3].append(0)
else:
df[1].append(0)
df[2].append(0)
df[3].append(0)
for i in range(len(df['security'])):
s = (df[1]+df[2]+df[3])
#将三个因子的打分结果相加
df['score'].append(s)
#相加后的结果导入score键中
df = pd.DataFrame(df).sort_values(by ='score', ascending=False)
#将字典转化成DF格式，并以总分从大到小排序。
account.sample = df['security'][:30]
return account.sample
#=====================================================================================================
#=====================================================================================================
#交易函数
def trade(account, data):
date = get_datetime()
months = get_datetime().month
if months in account.trade_date:
jz_list = stocks_jz(account,data)
stock_list = list(set(jz_list))
if len(account.positions) > 0:
for stock in list(account.positions):
if stock not in stock_list:
order_target(stock, 0)
if len(stock_list) > 0:
for stock in stock_list:
if stock not in list(account.positions):
if len(account.positions) < account.n :
number = account.n- len(account.positions)
order_value(stock,account.cash/number)
else:
order_value(stock,account.cash)

else:
pass
#=====================================================================================================
#=====================================================================================================

「经管之家」APP：经管人学习、答疑、交友，就上经管之家！
免流量费下载资料----在经管之家app可以下载论坛上的所有资源，并且不额外收取下载高峰期的论坛币。
涵盖所有经管领域的优秀内容----覆盖经济、管理、金融投资、计量统计、数据分析、国贸、财会等专业的学习宝库，各类资料应有尽有。
来自五湖四海的经管达人----已经有上千万的经管人来到这里，你可以找到任何学科方向、有共同话题的朋友。
经管之家（原人大经济论坛），跨越高校的围墙，带你走进经管知识的新世界。
扫描下方二维码下载并注册APP