阅读 60

python实现马丁策略回测3000只股票

python实现马丁策略回测3000只股票

批量爬取股票数据

这里爬取数据继续使用tushare,根据股票代码来遍历,因为爬取数据需要一定时间,不妨使用多线程来爬取,这里要注意tushare规定每分钟爬取不能超过500次,除非你有很多积分,所以线程数要适当调低。

首先我们生成上证与深证所有股票的代码:

#上证代码
shanghaicode = []
for i in range(600000, 604000, 1):
    shanghaicode.append(str(i))

#深证代码
shenzhencode = []
for i in range(1000000, 1005000, 1):
    i = str(i)[1:]  
    shenzhencode.append(i)
复制代码

然后再定义一个爬取函数,broker则是上一篇文章创建的实例:

def getalldata(code):
        if os.path.exists(datapath + code + '.csv'):
            print(code + 'already existed!')
            return
        metadata = broker.get_stock_pro(code)
        if len(metadata) == 0:
            return
        metadata.to_csv('C:/Users/abc/Desktop/' + code + '.csv',index = False)
        print(code + 'finished!')
复制代码

导入多线程需要的模块

from concurrent.futures.thread import ThreadPoolExecutor #多线程
复制代码

遍历所有代码开始爬取,max_workers可适当调整

    executor = ThreadPoolExecutor(max_workers=3)
    for datatemp in executor.map(getalldata, shenzhencode):
        pass  

    executor = ThreadPoolExecutor(max_workers=3)
    for datatemp in executor.map(getalldata, shanghaicode):
        pass  
复制代码

批量回测股票

数据爬好后则可开始回测了,因为回测是CPU瓶颈运算,所以这里就不使用多线程了,速度差不多。

首先将一只股票的回测程序封装到函数中,回测时间设置为2020年全年,起始资金设置为20万元:

def martinmulti(code):
    broker = backtesting(200000,'20200101', '20201231')
    #获取股票数据
    metadata = pd.read_csv(datapath + code)
    data = np.array(metadata['close'])
    exdata = np.array(metadata['pre_close'])
    everyChange = np.array(metadata['change'])
    date = metadata['trade_date'].values
    everyChange = everyChange/data
    #开始回测
    broker.startbackmartin(data, exdata, everyChange, date)
    dicttemp = {'股票代码': code,'终止现金': broker.cash}
    return dicttemp
复制代码

遍历股票代码回测并记录终止现金

cashlist = pd.DataFrame(columns= ['股票代码','终止现金'])
for code in datalist:
    datatemp = martinmulti(code)
    cashlist = cashlist.append(datatemp,ignore_index=True)
复制代码

回测过程如下

接下来看看哪支股票获得了最大利润:

看看平均值

cashlist.mean()
Out[12]: 
终止现金    208279.115166
复制代码

可以从均值看出马丁策略赚作为一种相对保险的方法赚的不多,当然想要找到一劳永逸的方法是不可能的,并且用平均数不能代表一切,那看看盈利比例如何:

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.style.use('ggplot')
plt.title("盈利分布(万元)")
bins = []
for i in range(10000, 600000, 10000):
    bins.append(i)
plt.hist(cashlist['终止现金'],bins = bins)
plt.axvline(x = cashlist.mean().values,ls="-",c="green")#添加垂直直线
复制代码

在这里插入图片描述

在这里插入图片描述

可以看出有折腰的也有翻倍的,且绝大部分集中于20w元旁边,分布图形整体往20万右侧偏移,该策略还有待改进。

对python感兴趣的可加QQ:3271330538一起学习交流分享

文章分类
阅读
文章标签