python股票量化指标_第三篇 用Pandas计算股票指标

关键词

Pandas Sqlite3

GitHub

思路

当前只计算某只股票最多一年的指标，常见的5天，10天，20天和一年的指标。

从数据库中拿到某只股票一年的K线数据，振幅指标只需要自己的数据，贝塔系数需要对比大盘的数据，上海交易所的股票就用上证指数计算，深圳交易所的股票就用深成指来计算。

读数据库

从数据库中读取某只股票的K线数据，上一篇有说到 pandas.to_sql() 方法存数据不太好用，但是pandas.read_sql()方法可以比较方便的读取数据，而且返回数据结构就是DataFrame，便于我们计算。读取上证指数from sqlalchemy import create_engine

import pandas as pd

import datetime

db = create_engine('sqlite:///mystock.db')

sql_cmd = "SELECT * FROM stock_day_k where code='sh.000001' order by date desc limit 0,251"

datash = pd.read_sql(sql=sql_cmd, con=db)

这里我们用251天的原因是一年的交易天数大概是251天。用date倒序取251行就大概是一年的K线数据。读取股票K线

读取单只股票K线数据和读取上证指数是一样的，只是有些股票可能会存在停盘的情况，所以判断如果十个交易日都是非交易状态，这个股票就先不计算了。

想拿到交易状态，数据中有一列列名是 ‘tradestatus’，用dataframe[‘columnname’]就可以拿到一整列数据。sql_cmd = "SELECT * FROM stock_day_k where code='" + ticker+"' order by date desc limit 0,251"

daily = pd.read_sql(sql=sql_cmd, con=db)

if tradestatus == 0:

count = 0

canSkip = False

for tradestatus2 in daily['tradestatus']:

if tradestatus2 == 1:

break

count += 1

if count ==10:

canSkip = True

break

if canSkip:

continue数据处理

从数据库中拿到的数据，是根据日期倒序排列的，这里需要升序排序，并把索引重置。 daily = daily.sort_values(by='date', ascending=True)

daily = daily.reset_index(drop = True)

给数据加一列，计算所有日期和第一天的相对价格，close就是某日的收盘价格。daily['relaprice'] = daily['close']/daily['close'][0]计算贝塔系数

找了一些计算贝塔系数的方法，Scipy里scipy.stats.linregress函数可以直接计算。 取一段时间内大盘的相对数据和某只股票的相对数据来计算，考虑到有些股票可能没有比较新，时间不够一年或者一个月，如果想计算的日期数比股票的数据还多的话，最后取时间区间为股票的时间。

用 array[-N:] 来获取数组的最后N个数据。#relaticker = daily['relaprice']

#relash = datash['relaprice']

from scipy import stats

def cal_alpha_beta(relash, relaticker, dayNumber=0):

if dayNumber > relaticker.shape[0]:

return np.nan,np.nan,np.nan

if dayNumber == 0:

dayNumber = relaticker.shape[0]

beta,alpha,r_value,p_value,std_err=stats.linregress(relash[-dayNumber:], relaticker[-dayNumber:])

return alpha,beta,r_value**2计算相关系数

相关系数是另一个股票与大盘的对比指标。Pandas有提供现成的方法pandas.DataFrame.pct_change，需要将股票数据和大盘数据组合在一起# 用sh.000001和sh.000002为例，将第二个数据的close列连接到sh.000001数据

price = DataFrame({'date': datash['date'], 'sh.000001':datash['close']})

pp = DataFrame({'sh.000002':daily['close']})

#拼接

price2 = pd.concat([price, pp], axis=1)

#按照date升序排列

price2 = price2.sort_values(by='date', ascending=True)

#把date列去掉，因为计算的时候不需要这一列了

price2 = price2.drop(['date'], axis=1)

#去除索引

price2 = price2.reset_index(drop = True)

corr, cov = cal_correlation(price2, pp.shape[0])

def cal_correlation(price, length, dayNumber=0):

if dayNumber >length:

return np.nan,np.nan

if dayNumber == 0:

dayNumber = length

#获取后N个数据

pricelastN = price.tail(dayNumber)

returns = pricelastN.pct_change()

corr=returns.corr()

cov=returns.cov()

return corr.iloc[1][0],cov.iloc[1][0]计算振幅

振幅这个比较简单，计算起来也比较简单#dayK 就是股票的K线数据

def cal_amplitude(dayK,dayNumber=0):

if dayNumber > dayK.shape[0]:

return np.nan

if dayNumber == 0:

dayNumber = dayK.shape[0]

dailylastN = dayK.tail(dayNumber)

maxhigh = dailylastN['high'].max()

minlow = dailylastN['low'].min()

amplitude = (maxhigh - minlow)/dailylastN['preclose'].iloc[0]

return amplitude其他指标

后续再想想。。。

https://www.jianshu.com/p/56150cda0018