本文是“从零到实盘”系列的最后一篇文章，将介绍实现全自动实盘交易的最后一个步骤，即实现定时更新股票数据任务。
schedule模块安装
我们使用schedule来实现定时任务，首先需要安装schedule模块，在终端中输入以下命令安装：
pip install schedule
主要代码分析
我们实现最终版本的data_center.py，全部内容见文末，主要新增2个函数：
新增按天更新任务函数
def task_update_daily():
该函数包含每日更新任务。
start_time = time.time()
首先记录任务开始运行时间，用于后续计算任务花费时间。
stock_codes = get_stock_codes(update=True)
获取待交易股票列表，这里将update置为True，每日都通过查询BaoStock获取最新的股票代码。
update_data_mp(stock_codes)
更新股票数据，这里会更新前复权数据。对于已在数据库中的股票，会更新获取最新交易日的数据；对于未在数据库中的股票，以及新除权除息的股票，将重新创建所有历史数据。
update_trade(stock_codes)
根据更新后的股票数据，更新交易数据，一方面根据PTrade的交易数据进一步更新数据库的数据，一方面输出待交易数据，供PTrade实盘交易使用。
end_time = time.time()
print('程序运行时间：{}s'.format(end_time - start_time))
记录任务结束运行时间，并计算任务运行时间。
新增定时任务执行函数
def main():
该函数用于设置定时任务，每交易日17:40启动任务，进行每日数据更新计算。
schedule.clear()
清空任务列表。
task_time = '17:40:00'
设置任务执行时间。
schedule.every().monday.at(task_time).do(task_update_daily)
schedule.every().tuesday.at(task_time).do(task_update_daily)
schedule.every().wednesday.at(task_time).do(task_update_daily)
schedule.every().thursday.at(task_time).do(task_update_daily)
schedule.every().friday.at(task_time).do(task_update_daily)
设置交易日定时启动任务。
while True:
schedule.run_pending()
print('.', end='')
time.sleep(60)
循环等待任务执行。
总结
- 我们从零开始，完成了一套以BaoStock为数据源、以MySQL为存储、以PTrade为交易接口的运行在Windows PC上的全自动化A票交易系统。只要电脑保持开机、data_center.py保持运行、PTrade保持打开，交易所需的全部步骤会自动完成，无需人工干预。
- 项目git地址：https://gitee.com/sl/quant_from_scratch
- 系列文章展示了从零到实盘的过程，是笔者自接触量化以来总结出的运行比较稳定的系统，供读者实现自己的交易系统做参考。
- 距离躺着赚钱还有很长路要走。目前策略表现不稳定，最大盈利9%，最大回撤近20%，目前还在微亏状态。虽然还在回测结果范围内（2018年至2020年3年周期回测后，年化收益为41.7%，最大回撤为25.8%），但是并不令人满意。也请读者只参考系统框架，切勿盲目实盘。
- 笔者会基于当前系统框架继续挖掘策略，欢迎感兴趣的读者一起讨论研究。
- 非常感觉广大群友的支持与建议，使笔者更有创作和分享动力。
data_center的全部代码如下：
import os
import baostock as bs
import datetime
import sys
import numpy as np
import pandas as pd
import multiprocessing
import time
import sqlalchemy
import matplotlib.pyplot as plt
from pandas.plotting import table
import math
import schedule
# 可用日线数量约束
g_available_days_limit = 60
# 历史数据开始时间
g_start_date = '1990-12-19'
# BaoStock日线数据字段
g_baostock_data_fields = 'date,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,peTTM,pbMRQ, psTTM,pcfNcfTTM,isST'
# 定时上传到ptrade的文件路径
g_ptrade_upload_path = 'D:/quant_from_scratch/quant_from_scratch/a-share/data/file_update/trade_data.csv'
# ptrade输出交易数据文件目录
g_ptrade_export_dir = 'D:/quant_from_scratch/quant_from_scratch/a-share/data/file_export/'
# 止盈比例
g_take_profit_percent = 0.0618
# 止损比例
g_stop_loss_percent = 0.1618
def bs_func_decorator(func):
"""
BaoStock方法装饰器
调用BaoStock方法，如果失败，尝试重新连接BaoStock
避免重复建立BaoStock连接
:param args:
:param func: BaoStock方法
:return: 装饰器
"""
# 装饰
def wrap_func(*args, **kwargs):
# 最多尝试次数
retry_n = 5
# 循环尝试查询复权数据，最多尝试retry_n次
for i in range(retry_n):
# 调用BaoStock方法
rs = func(*args, **kwargs)
# 如果查询成功，则返回查询结果
if rs.error_code == '0':
return rs.get_data()
# 未查询成功，则尝试重新连接BaoStock
else:
print('重新连接BaoStock...')
bs.login()
# 无法连接，则程序退出
print('无法连接BaoStock，程序退出...')
exit(0)
return wrap_func
@bs_func_decorator
def wrap_query_all_stock(date):
"""
装饰股票代码查询函数
:param date: 需要查询的交易日期
:return: 包含股票代码的DataFrame
"""
return bs.query_all_stock(date)
@bs_func_decorator
def wrap_query_history_k_data_plus(code, data_fields=g_baostock_data_fields,
start_date=g_start_date, end_date=datetime.date.today().strftime('%Y-%m-%d'),
frequency='d', adjustflag='2'):
"""
装饰获取历史股票K线数据函数
:param code: 股票代码
:param data_fields: 指标数据
:param start_date: 开始日期
:param end_date: 结束日期
:param frequency: 数据类型，默认为d，日k线；d=日k线、w=周、m=月、5=5分钟、15=15分钟、30=30分钟、60=60分钟k线数据，不区分大小写；指数没有分钟线数据；周线每周最后一个交易日才可以获取，月线每月最后一个交易日才可以获取。
:param adjustflag: 复权类型，默认前复权：2；1：后复权；3：不复权
:return: 包含K线数据的DataFrame
"""
return bs.query_history_k_data_plus(code, data_fields, start_date, end_date, frequency, adjustflag)
@bs_func_decorator
def wrap_query_dividend_data(code, year, yearType='report'):
"""
装饰除权除息信息函数
:param code: 股票代码
:param year: 查询年份
:param yearType: 年份类别，默认为"report":预案公告年份，可选项"operate":除权除息年份。此参数不可为空
:return: 包含除权除息信息的DataFrame
"""
return bs.query_dividend_data(code, year, yearType=yearType)
def create_mysql_engine():
"""
创建数据库引擎对象
:return: 新创建的数据库引擎对象
"""
# 引擎参数信息
host = 'localhost'
user = 'root'
passwd = '111111'
port = '3306'
db = 'db_quant'
# 创建数据库引擎对象
mysql_engine = sqlalchemy.create_engine(
'mysql+pymysql://{0}:{1}@{2}:{3}'.format(user, passwd, host, port),
poolclass=sqlalchemy.pool.NullPool
)
# 如果不存在数据库db_quant则创建
mysql_engine.execute("CREATE DATABASE IF NOT EXISTS {0} ".format(db))
# 创建连接数据库db_quant的引擎对象
db_engine = sqlalchemy.create_engine(
'mysql+pymysql://{0}:{1}@{2}:{3}/{4}?charset=utf8'.format(user, passwd, host, port, db),
pool_size=get_process_num() * 2, max_overflow=get_process_num() * 2, pool_timeout=50
)
# 返回引擎对象
return db_engine
def get_stock_codes(date=None, update=False):
"""
获取指定日期前（含当日）最近交易日的A股代码列表
若参数update为False，表示从数据库中读取股票列表
若数据库中不存在股票列表的表，或者update为True，则下载指定日期date前（含date）最近交易日的交易股票列表
:param date: 日期，默认为None
:param update: 是否更新股票列表，默认为False
:return: A股代码的列表
"""
print('正在获取股票代码...')
# 创建数据库引擎对象
engine = create_mysql_engine()
# 数据库中股票代码的表名
table_name = 'stock_codes'
# 数据库中不存在股票代码表，或者需要更新股票代码表
if table_name not in sqlalchemy.inspect(engine).get_table_names() or update:
# 获取最新交易日
trading_date = get_trading_date(date)
# 从BaoStock查询股票数据
stock_df = wrap_query_all_stock(trading_date)
# 如果无数据，则程序退出
if 0 == len(stock_df):
engine.dispose()
print('数据异常，程序退出...')
exit(0)
# 筛选股票数据，上证和深证股票代码在sh.600000与sz.39900之间
stock_df = stock_df[(stock_df['code'] >= 'sh.600000') & (stock_df['code'] < 'sz.399000')]
# 将股票代码写入数据库
stock_df.to_sql(name=table_name, con=engine, if_exists='replace', index=False, index_label=False)
# 关闭数据库连接
engine.dispose()
# 返回股票列表
return stock_df['code'].tolist()
# 从数据库中读取股票代码列表
else:
# 待执行的sql语句
sql_cmd = 'SELECT {} FROM {}'.format('code', table_name)
# 读取sql
stock_codes = pd.read_sql(sql=sql_cmd, con=engine)['code'].tolist()
# 关闭数据库连接
engine.dispose()
# 返回股票列表
return stock_codes
def update_data(code, latest_trading_date, db_tables, query_days=60, adjustflag='2', recreate=False):
"""
更新日线数据，计算相关因子
:param code: 待更新数据的股票代码
:param latest_trading_date: 最新交易日期
:param db_tables: 数据库中已存在股票的表名列表
:param query_days: 在数据库中查询历史日线数据的天数，用于计算扩展因子，需要根据扩展因子设置，这里要计算60日均线，所以最小设置为60
:param adjustflag: 复权选项 1：后复权 2：前复权 3：不复权 默认为前复权
:param recreate: 是否重新创建数据
:return: 包含所有待处理股票的最新日线数据及扩展因子的Series
"""
# 创建数据库引擎对象
engine = create_mysql_engine()
# 创建空Series存储最新一日的数据
latest_series = pd.Series(dtype='float64')
print('正在更新{}...'.format(code))
# 股票数据在数据库中的表名
table_name = '{}_{}'.format(code[3:], code[:2])
# 数据库写入模式，默认为添加
if_exists = 'append'
# 数据id，默认为-1
last_id = -1
# 日线开始时间，默认为1990-12-19
start_date = g_start_date
# 用于读取数据库数据的DataFrame
db_df = pd.DataFrame()
# 重新创建或者数据库中无该股票的数据表，需要重新创建数据
if recreate or (table_name not in db_tables):
if_exists = 'replace'
else:
# 获取按时间排序的最后query_days行数据
sql_cmd = 'SELECT * FROM {} ORDER BY date DESC LIMIT {};'.format(table_name, query_days)
db_df = pd.read_sql(sql=sql_cmd, con=engine)
# 数据按id(date)升序排序
db_df = db_df.sort_values(by='id', ascending=True)
# 获取数据库中最新数据日期及id
last_id = db_df['id'].iloc[-1]
start_date = db_df['date'].iloc[-1]
# 如果数据库中已包含最新一日数据
if start_date >= latest_trading_date:
# 将最新一日数据，添加code字段，并返回
latest_series = db_df.iloc[-1].copy()
latest_series['code'] = code[3:]
print('{}当前已为最新数据'.format(code))
# 关闭数据库连接
engine.dispose()
return latest_series
# 计算待更新数据的开始日期
start_date = (datetime.datetime.strptime(
start_date, '%Y-%m-%d') + datetime.timedelta(days=1)).strftime('%Y-%m-%d')
# 新除权除息，需重新创建数据
if query_dividend(code, start_date):
if_exists = 'replace'
start_date = g_start_date
# 下载日线数据
out_df = wrap_query_history_k_data_plus(
code, start_date=start_date, end_date=latest_trading_date, adjustflag=adjustflag)
# 剔除停盘数据
if out_df.shape[0]:
out_df = out_df[(out_df['volume'] != '0') & (out_df['volume'] != '')]
# 如果数据为空，则不更新
if not out_df.shape[0]:
# 关闭数据库连接
engine.dispose()
return latest_series
# 将数值数据转为float型，便于后续处理
convert_list = ['open', 'high', 'low', 'close', 'preclose', 'volume', 'amount', 'turn', 'pctChg']
out_df[convert_list] = out_df[convert_list].astype(float)
# 新添加行数
new_rows = out_df.shape[0]
# 如果是更新数据，将数据库中读取的数据拼接到新下载日线数据上
if db_df.shape[0]:
out_df = db_df[list(out_df)].append(out_df)
# 如果数据少于query_days，则不更新
if out_df.shape[0] < query_days:
# 关闭数据库连接
engine.dispose()
return latest_series
# 重置索引
out_df.reset_index(drop=True, inplace=True)
# 计算扩展因子
out_df = extend_factor(out_df)
# 取最后new_rows行
out_df = out_df.iloc[-new_rows:]
# 判读是否有字段缺失
if np.any(out_df.isnull()):
print('{}有缺失字段！！！'.format(code))
# 更新id
id_s = pd.Series(np.arange(last_id + 1, last_id + 1 + new_rows), index=out_df.index)
# 如果是更新数据，则直接赋值id列
if db_df.shape[0]:
out_df['id'] = id_s
# 如果是新建数据，则将id插入到第一列
else:
out_df.insert(0, 'id', id_s)
# 将更新数据写入数据库
out_df.to_sql(name=table_name, con=engine, if_exists=if_exists, index=False)
# 关闭数据库连接
engine.dispose()
# 将更新的最后一行添加code字段，append到latest_df中
latest_series = out_df.iloc[-1].copy()
latest_series['code'] = code[3:]
# 返回包含最新一日股票日线数据的Series
return latest_series
def update_data_mp(stock_codes):
"""
使用多进程更新日线数据，计算扩展因子
将最新一日各个股票数据存储在数据库表latest中，便于后续筛选候选股票使用
:param stock_codes: 待更新数据的股票代码
:return: 包含所有待处理股票的最新日线数据的DataFrame
"""
# 创建数据库引擎实例
engine = create_mysql_engine()
# 获取数据库内所有表的表名
db_tables = sqlalchemy.inspect(engine).get_table_names()
# 获取最新交易日
trading_date = get_trading_date()
# 多进程更新数据，获取最新日线数据的DataFrame
with multiprocessing.Pool(processes=get_process_num()) as pool:
rs = pool.starmap(update_data, [(code, trading_date, db_tables) for code in stock_codes])
# 删除空值
rs = [s for s in rs if 0 != len(s)]
# 将各进程返回值组装为pd.DataFrame
latest_df = pd.DataFrame(rs)
# 将所有股票最新日线数据写入数据库表latest
if latest_df.shape[0]:
latest_df.to_sql(name='latest', con=create_mysql_engine(), if_exists='replace', index=False)
# 关闭数据库连接
engine.dispose()
print('完成数据更新')
return latest_df
def get_trading_date(date=None):
"""
取得指定日期前市场最近交易日，这里的交易日特指有日线数据的交易日
:param date: 日期字符串，默认为空，返回历史离当日最近的有日线的交易日（当日为交易日，若17:30前调用，也无日线数据）
:return: 最近交易日日期字符串，格式'%Y-%m-%d'
"""
# date为空时，将trade_date设置为当日
if date is None:
trading_date = datetime.date.today().strftime('%Y-%m-%d')
# 否则将trade_date设置为指定date
else:
trading_date = date
# 查询股票数据，query_all_stock与K线在17:30同时更新,向trading_date前寻找有K线数据的日期
while 0 == wrap_query_all_stock(trading_date).shape[0]:
# trading_date向历史移动1天
trading_date = (datetime.datetime.strptime(trading_date, '%Y-%m-%d') - datetime.timedelta(days=1)).strftime(
'%Y-%m-%d')
# 返回最近交易日日期
return trading_date
def query_dividend(code, date):
"""
查询是否在指定日期后除权除息
:param code: 股票代码
:param date: 指定日期
:return: 在指定日期后除权除息返回True，否则返回False
"""
# 查询除权除息数据
rs_df = wrap_query_dividend_data(code, date[:4])
# 在指定日期后除权除息返回True，否则返回False
if rs_df.shape[0] and rs_df['dividOperateDate'].iloc[-1] >= date:
return True
else:
return False
def extend_factor(df):
"""
计算扩展因子
:param df: 待计算扩展因子的DataFrame
:return: 包含扩展因子的DataFrame
"""
# 使用pipe依次计算涨停、双神及是否为候选股票
df = df.pipe(zt).pipe(ss, delta_days=30).pipe(candidate)
return df
def zt(df):
"""
计算涨停因子
若涨停，则因子为True，否则为False
以当日收盘价较前一日收盘价上涨9.8%及以上作为涨停判断标准
:param df: 待计算扩展因子的DataFrame
:return: 包含扩展因子的DataFrame
"""
df['zt'] = np.where((df['close'].values >= 1.098 * df['preclose'].values), True, False)
return df
def shift_i(df, factor_list, i, fill_value=0, suffix='a'):
"""
计算移动因子，用于获取前i日或者后i日的因子
:param df: 待计算扩展因子的DataFrame
:param factor_list: 待移动的因子列表
:param i: 移动的步数
:param fill_value: 用于填充NA的值，默认为0
:param suffix: 值为a(ago)时表示移动获得历史数据，用于计算指标；值为l(later)时表示获得未来数据，用于计算收益
:return: 包含扩展因子的DataFrame
"""
# 选取需要shift的列构成新的DataFrame，进行shift操作
shift_df = df[factor_list].shift(i, fill_value=fill_value)
# 对新的DataFrame列进行重命名
shift_df.rename(columns={x: '{}_{}{}'.format(x, i, suffix) for x in factor_list}, inplace=True)
# 将重命名后的DataFrame合并到原始DataFrame中
df = pd.concat([df, shift_df], axis=1)
return df
def shift_till_n(df, factor_list, n, fill_value=0, suffix='a'):
"""
计算范围移动因子
用于获取前/后n日内的相关因子，内部调用了shift_i
:param df: 待计算扩展因子的DataFrame
:param factor_list: 待移动的因子列表
:param n: 移动的步数范围
:param fill_value: 用于填充NA的值，默认为0
:param suffix: 值为a(ago)时表示移动获得历史数据，用于计算指标；值为l(later)时表示获得未来数据，用于计算收益
:return: 包含扩展因子的DataFrame
"""
for i in range(n):
df = shift_i(df, factor_list, i + 1, fill_value, suffix)
return df
def ss(df, delta_days=30):
"""
计算双神因子，即间隔的两个涨停
若当日形成双神，则因子为True，否则为False
:param df: 待计算扩展因子的DataFrame
:param delta_days: 两根涨停间隔的时间不能超过该值，否则不判定为双神，默认值为30
:return: 包含扩展因子的DataFrame
"""
# 移动涨停因子，求取近delta_days天内的涨停情况，保存在一个临时DataFrame中
temp_df = shift_till_n(df, ['zt'], delta_days, fill_value=False)
# 生成列表，用于后续检索第2天前至第delta_days天前是否有涨停出现
col_list = ['zt_{}a'.format(x) for x in range(2, delta_days + 1)]
# 计算双神，需同时满足3个条件：
# 1、第2天前至第delta_days天前，至少有1个涨停
# 2、1天前不是涨停（否则就是连续涨停，不是间隔的涨停）
# 3、当天是涨停
df['ss'] = temp_df[col_list].any(axis=1) & ~temp_df['zt_1a'] & temp_df['zt']
return df
def mas(df, ma_list, factor='close'):
"""
计算多条均线因子，内部调用ma计算单条均线
:param df: 待计算扩展因子的DataFrame
:param ma_list: 待计算均线的周期列表
:param factor: 待计算均线的因子，默认为收盘价
:return: 包含扩展因子的DataFrame
"""
for i in ma_list:
df = ma(df, i, factor)
return df
def ma(df, n=5, factor='close'):
"""
计算均线因子
:param df: 待计算扩展因子的DataFrame
:param n: 待计算均线的周期，默认计算5日均线
:param factor: 待计算均线的因子，默认为收盘价
:return: 包含扩展因子的DataFrame
"""
# 均线名称，例如，收盘价的5日均线名称为ma_5，成交量的5日均线名称为volume_ma_5
name = '{}ma_{}'.format('' if 'close' == factor else factor + '_', n)
# 取待计算均线的因子列
s = pd.Series(df[factor], name=name, index=df.index)
# 利用rolling和mean计算均线数据
s = s.rolling(center=False, window=n).mean()
# 将均线数据添加到原始的DataFrame中
df = df.join(s)
# 均线数值保留两位小数
df[name] = df[name].apply(lambda x: round(x + 0.001, 2))
return df
def cross_mas(df, ma_list):
"""
计算穿均线因子
若当日最低价不高于均线价格
且当日收盘价不低于均线价格
则当日穿均线因子值为True，否则为False
:param df: 待计算扩展因子的DataFrame
:param ma_list: 均线的周期列表
:return: 包含扩展因子的DataFrame
"""
for i in ma_list:
df['cross_{}'.format(i)] = (df['low'] <= df['ma_{}'.format(i)]) & (
df['ma_{}'.format(i)] <= df['close'])
return df
def candidate(df):
"""
计算是否为候选
若当日日线同时穿过5、10、20、30日均线
且30日均线在60日均线上方
且当日形成双神
则当日作为候选，该因子值为True，否则为False
:param df: 待计算扩展因子的DataFrame
:return: 包含扩展因子的DataFrame
"""
# 均线周期列表
ma_list = [5, 10, 20, 30, 60]
# 计算均线的因子，保存到临时的DataFrame中
temp_df = mas(df, ma_list)
# 计算穿多线的因子，保存到临时的DataFrame中
temp_df = cross_mas(temp_df, ma_list)
# 穿多线因子的列名列表
column_list = ['cross_{}'.format(x) for x in ma_list[:-1]]
# 计算是否为候选
df['candidate'] = temp_df[column_list].all(axis=1) & (temp_df['ma_30'] >= temp_df['ma_60']) & df['ss']
return df
def get_process_num():
"""
获取建议进程数目
对于I/O密集型任务，建议进程数目为CPU核数/(1-a)，a去0.8~0.9
:return: 进程数目
"""
return min(60, int(os.cpu_count() / (1 - 0.9)))
def profit_loss_statistic_mp(stock_codes, hold_days=10):
"""
多进程盈亏分布统计，计算当日candidate为True，持仓hold_days天的收益分布
输出数据分布表格及图片文件
:param stock_codes: 待分析的股票代码
:param hold_days: 持仓天数
:return: None
"""
# 多进程计算获得候选股票数据
with multiprocessing.Pool(processes=get_process_num()) as pool:
rs = pool.starmap(profit_loss_statistic, [(code, hold_days) for code in stock_codes])
# 拼接候选DataFrame
candidate_df = pd.concat(rs, axis=0)
# 将收益分布数据保存到excel文件
candidate_df[['date', 'code', 'max_profit', 'max_loss']].to_excel(
'profit_loss_{}.xlsx'.format(hold_days), index=False, encoding='utf-8')
# 重置索引，方便后面绘图
candidate_df.reset_index(inplace=True)
# 设置绘图格式并绘图
fig, ax = plt.subplots(1, 1)
table(ax, np.round(candidate_df[['max_profit', 'max_loss']].describe(), 4), loc='upper right',
colWidths=[0.2, 0.2, 0.2])
candidate_df[['max_profit', 'max_loss']].plot(ax=ax, legend=None)
# 保存图表
fig.savefig('profit_loss_{}.png'.format(hold_days))
# 显示图表
plt.show()
def profit_loss_statistic(code, hold_days=10):
"""
盈亏分布统计，计算当日candidate为True，持仓hold_days天的收益分布
输出数据分布表格及图片文件
:param code: 待分析的股票代码
:param hold_days: 持仓天数
:return: 筛选出符合买入条件的股票DataFrame
"""
# 创建数据库引擎对象
engine = create_mysql_engine()
# 创建空的DataFrame
candidate_df = pd.DataFrame()
# 计算收益分布循环
print('正在处理{}...'.format(code))
# 股票数据在数据库中的表名
table_name = '{}_{}'.format(code[3:], code[:2])
# 如果数据库中没有该股票数据则跳过
if table_name not in sqlalchemy.inspect(engine).get_table_names():
# 关闭数据库连接
engine.dispose()
return candidate_df
# 从数据库读取特定字段数据
cols = 'date, open, high, low, close, candidate'
sql_cmd = 'SELECT {} FROM {} ORDER BY date DESC'.format(cols, table_name)
df = pd.read_sql(sql=sql_cmd, con=engine)
print(df.dtypes)
# 关闭数据库连接
engine.dispose()
# 移动第2日开盘价、最低价，以及hold_days的最高价、最低价数据
df = shift_i(df, ['open'], 1, suffix='l')
df = shift_till_n(df, ['high', 'low'], hold_days, suffix='l')
# 丢弃最近hold_days日的数据
df = df.iloc[hold_days: df.shape[0] - g_available_days_limit, :]
# 选取出现买点的股票
df = df[(df['candidate'] > 0) & (df['low_1l'] <= df['close'])]
# 将数据添加到候选池中
if df.shape[0]:
df['code'] = code
candidate_df = candidate_df.append(df)
if candidate_df.shape[0]:
# 计算最大盈利
# 买入当天无法卖出，因此计算最大收益时，从第2日开始
cols = ['high_{}l'.format(x) for x in range(2, hold_days + 1)]
candidate_df['max_high'] = candidate_df[cols].max(axis=1)
candidate_df['max_profit'] = candidate_df['max_high'] / candidate_df[['open_1l', 'close']].min(axis=1) - 1
# 计算最大亏损
cols = ['low_{}l'.format(x) for x in range(2, hold_days + 1)]
candidate_df['min_low'] = candidate_df[cols].min(axis=1)
candidate_df['max_loss'] = candidate_df['min_low'] / candidate_df[['open_1l', 'close']].min(axis=1) - 1
return candidate_df
def update_latest_table(code):
"""
更新数据库中最新日线数据表
从数据库中读取股票的最新一天数据并返回
:param code: 待更新数据的股票代码
:return: 包含所有待处理股票的最新日线数据的DataFrame
"""
# 创建数据库引擎对象
engine = create_mysql_engine()
# 创建空的DataFrame
latest_df = pd.DataFrame()
print('正在更新{}...'.format(code))
# 股票数据在数据库中的表名
table_name = '{}_{}'.format(code[3:], code[:2])
# 判断是否存在该表，不存在则跳过
if table_name not in sqlalchemy.inspect(engine).get_table_names():
# 关闭数据库连接
engine.dispose()
return latest_df
# 从数据库中读取股票的最新一天数据
sql_cmd = 'SELECT * FROM {} ORDER BY date DESC LIMIT 1;'.format(table_name)
df = pd.read_sql(sql=sql_cmd, con=engine)
# 关闭数据库连接
engine.dispose()
# 有缺失字段就不参与候选
if np.any(df.isnull()):
print('{}有缺失字段！！！'.format(code))
return latest_df
# 添加code字段，并append到latest_df中
df['code'] = code[3:]
latest_df = latest_df.append(df)
return latest_df
def update_latest_table_mp(stock_codes):
"""
多进程更新数据库中最新日线数据表
从各个进程收集每只股票的最新一天数据并返回
:param stock_codes: 待更新数据的股票代码
:return: 包含所有待处理股票的最新日线数据的DataFrame
"""
# 多进程更新最新日线数据表，获取该表数据的DataFrame
with multiprocessing.Pool(processes=get_process_num()) as pool:
rs = pool.map(update_latest_table, stock_codes)
# 拼接最新日线数据
latest_df = pd.concat(rs, axis=0)
# 将所有股票最新日线数据写入数据库表latest
if latest_df.shape[0]:
latest_df.to_sql(name='latest', con=create_mysql_engine(), if_exists='replace', index=False)
return latest_df
def query_latest_table(stock_codes, by_latest_table=True):
"""
查询最新日线数据表
:param stock_codes: 待获取最新日线数据的股票代码
:param by_latest_table: 是否通过表latest查询，为True（默认）时，直接从表latest中查询，否则从各个股票数据表中分别读取
:return: 包含所有待处理股票的最新日线数据的DataFrame
"""
# 创建数据库引擎对象
engine = create_mysql_engine()
# 如果设置直接从表latest查询，且表latest存在，则直接从数据库读取数据返回
if by_latest_table and 'latest' in sqlalchemy.inspect(engine).get_table_names():
sql_cmd = 'SELECT * FROM latest;'
latest_df = pd.read_sql(sql=sql_cmd, con=engine)
# 否则从各股票数据表中分别读取最新一日数据再返回（过程中会更新表latest）
else:
latest_df = update_latest_table_mp(stock_codes)
# 关闭数据库连接
engine.dispose()
return latest_df
def write_easymoney_candidates(df):
"""
输出候选股票txt，供东方财富读取
:param df: 包含候选股票数据的DataFrame
:return: None
"""
# 候选输出目录
out_dir = '../data/candidates/'
# 如果目录不存在，则创建
if not os.path.exists(out_dir):
os.makedirs(out_dir)
out_file = open('{}{}.txt'.format(out_dir, datetime.datetime.today().date()), mode='w')
for stock in df['code'].tolist():
print(stock, file=out_file)
out_file.close()
def update_trade(stock_codes):
"""
更新交易数据，与ptrade进行数据交互
:param stock_codes: 更新股票范围
:return: None
"""
# 查询最新日线数据
df = query_latest_table(stock_codes)
# 筛选出候选股票
if df.shape[0]:
df = df[df['candidate'] > 0]
if df.shape[0]:
df = df.sort_values(by='turn')
print(df['code'].tolist())
else:
print('当日无候选股票')
# 输出候选股票txt，供东方财富读取
write_easymoney_candidates(df)
# 更新ptrade交易数据
update_ptrade(df)
def update_ptrade(df):
"""
更新ptrade交易数据
:param df: 包含当日候选股票日线数据的DataFrame
:return:
"""
# 将候选更新到数据库中
update_ptrade_candidate(df)
# 从ptrade获取成交信息，在数据库中进行更新
update_ptrade_deal()
# 盘后更新数据库中持仓股票的持有天数字段
update_ptrade_hold_days()
# 盘后更新数据库中股票是否继续日后交易
update_ptrade_to_trade()
# 输出ptrade交易所需的文件
output_ptrade_file()
def output_ptrade_file():
"""
输出ptrade交易所需的文件
!!!向ptrade传递数据的唯一方式!!!
ptrade提供定时上传文件功能，将交易所需的数据写入指定文件，供ptrade读取使用
:return: None
"""
# 创建数据库引擎对象
engine = create_mysql_engine()
# 获取数据库内所有表的表名
db_tables = sqlalchemy.inspect(engine).get_table_names()
# 判断是否存在表ptrade，不存在则无需更新
table_name = 'ptrade'
if table_name not in db_tables:
return
# 读取数据库中待交易表数据
sql_cmd = 'SELECT * FROM {};'.format(table_name)
db_data = pd.read_sql(sql=sql_cmd, con=create_mysql_engine())
# 关闭数据库连接
engine.dispose()
# 如果不存在目录则创建
upload_dir = g_ptrade_upload_path[:g_ptrade_upload_path.rfind('/')]
if not os.path.exists(upload_dir):
os.makedirs(upload_dir)
# 将待交易数据写到指定文件，供ptrade读取
db_data.to_csv(g_ptrade_upload_path, index=False, encoding='utf-8')
def update_ptrade_deal():
"""
从ptrade获取成交信息，在数据库中进行更新
!!!从ptrade获取交易数据的方式!!!
ptrade会每个一段时间（该时间可设置）将交易、持仓等数据写入指定文件
可以通过读取这些文件来获取去实盘交易和仓位等数据
:return: None
"""
# 创建数据库引擎对象
engine = create_mysql_engine()
# 获取数据库内所有表的表名
db_tables = sqlalchemy.inspect(engine).get_table_names()
# 判断是否存在表ptrade，不存在则无需更新
table_name = 'ptrade'
if table_name not in db_tables:
return
# 读取待交易数据数据
sql_cmd = 'SELECT * FROM {};'.format(table_name)
db_data = pd.read_sql(sql=sql_cmd, con=engine)
# 目录是否存在，不存在则创建
if not os.path.exists(g_ptrade_export_dir):
os.makedirs(g_ptrade_export_dir)
# 读取ptrade输出的交易文件
trading_date = get_trading_date()
deal_file = '{}Deal_{}.csv'.format(g_ptrade_export_dir, trading_date.replace('-', ''))
deal_df = pd.DataFrame()
# 判断交易文件是否存在
if os.path.exists(deal_file):
deal_df = pd.read_csv(deal_file, encoding='gbk', usecols=['证券代码', '买卖方向', '成交数量', '成交价格', '成交金额'],
converters={'证券代码': str})
else:
print('无交易文件！')
# 没有成交，则无需更新
if not deal_df.shape[0]:
return
# 合并交易数据，按证券代码和买卖方向对数据分组，求取总成交金额、总成交数量和均价
group = deal_df.groupby(['证券代码', '买卖方向'])
deal_df['总金额'] = group['成交金额'].transform('sum')
deal_df['总数量'] = group['成交数量'].transform('sum')
deal_df['均价'] = deal_df['总金额'] / deal_df['总数量']
deal_df = deal_df.drop_duplicates(['证券代码', '买卖方向'])
# 合并后交易数据按行循环
for row in deal_df.itertuples():
# 处理卖出成交数据，填写数据库中该股票的卖出日期、卖出价格、总卖出金额字段，并设置股票为不再交易
if '卖出' == getattr(row, '买卖方向'):
idcs = db_data[db_data['code'] == getattr(row, '证券代码')].index
if len(idcs) < 1:
continue
idx = idcs[0]
db_data.loc[idx, 'date_sell'] = trading_date
db_data.loc[idx, 'price_sell'] = getattr(row, '均价')
db_data.loc[idx, 'amount_sell'] = getattr(row, '总金额')
db_data.loc[idx, 'to_trade'] = 0
# 处理买入成交数据，填写数据库中该股票的买入日期、买入价格、总买入数量、总买入金额、是否到达买点字段
if '买入' == getattr(row, '买卖方向'):
idcs = db_data[db_data['code'] == getattr(row, '证券代码')].index
if len(idcs) < 1:
continue
idx = idcs[0]
db_data.loc[idx, 'date_buy'] = trading_date
db_data.loc[idx, 'price_buy'] = getattr(row, '均价')
db_data.loc[idx, 'trade_volume'] = getattr(row, '总数量')
db_data.loc[idx, 'amount_buy'] = getattr(row, '总金额')
db_data.loc[idx, 'buy_available'] = 1
# 将更新后的待交易数据写回数据库
db_data.to_sql(name=table_name, con=engine, if_exists='replace', index=False)
# 关闭数据库连接
engine.dispose()
print('完成ptrade订单信息更新!')
def get_table_name(code):
"""
根据纯数字股票代码，获取对应在数据库中的表名
:param code: 纯数字股票代码
:return: 代码对应的数据库中的表名
"""
if '6' == code[:1]:
market = 'sh'
else:
market = 'sz'
return '{}_{}'.format(code, market)
def update_ptrade_hold_days():
"""
盘后更新数据库中持仓股票的持有天数字段
:return: None
"""
# 创建数据库引擎对象
engine = create_mysql_engine()
# 获取数据库内所有表的表名
db_tables = sqlalchemy.inspect(engine).get_table_names()
# 判断是否存在表ptrade，不存在则无需更新
table_name = 'ptrade'
if table_name not in db_tables:
return
# 读取待交易数据数据
sql_cmd = 'SELECT * FROM {};'.format(table_name)
db_data = pd.read_sql(sql=sql_cmd, con=engine)
# 待交易数据循环
for row in db_data.itertuples():
# 只更新待交易且已买入的股票
if getattr(row, 'to_trade') and getattr(row, 'date_buy') is not None:
# 查询数据库个股的日线数据，计算hold_days
sql_cmd = 'SELECT * FROM {} ORDER BY date DESC LIMIT {};'.format(get_table_name(getattr(row, 'code')), 10)
read_df = pd.read_sql(sql=sql_cmd, con=engine)
if read_df.shape[0] < 1:
continue
# 选出日期大于买入日期的行，行数+1即为持股的天数
after_buy_df = read_df[read_df['date'] > getattr(row, 'date_buy')]
db_data.loc[getattr(row, 'Index'), 'hold_days'] = after_buy_df.shape[0] + 1
# 将更新后的待交易数据写回数据库
db_data.to_sql(name='ptrade', con=engine, if_exists='replace', index=False)
# 关闭数据库连接
engine.dispose()
print('完成持有天数更新!')
def update_ptrade_to_trade():
"""
盘后更新数据库中股票是否继续日后交易
:return: None
"""
# 创建数据库引擎对象
engine = create_mysql_engine()
# 获取数据库内所有表的表名
db_tables = sqlalchemy.inspect(engine).get_table_names()
# 判断是否存在表ptrade，不存在则无需更新
table_name = 'ptrade'
if table_name not in db_tables:
return
# 读取待交易数据数据
sql_cmd = 'SELECT * FROM {};'.format(table_name)
db_data = pd.read_sql(sql=sql_cmd, con=engine)
# 读取最新一日所有股票的日线数据
sql_cmd = 'SELECT * FROM latest;'
latest_df = pd.read_sql(sql=sql_cmd, con=engine)
# 是否达到买点的字段名称
buy_available = 'buy_available'
# 获取最新交易日期
trading_date = get_trading_date()
# 待交易数据循环
for row in db_data.itertuples():
# 当日更新选出的候选股票，不更新是否交易字段
if getattr(row, 'date_candidate') >= trading_date:
continue
# 已达到买点的股票，不更新是否交易字段
if getattr(row, buy_available) > 0:
continue
# 在最新日线数据表中，查询对应股票的位置
idcs = latest_df[latest_df['code'] == getattr(row, 'code')].index
if len(idcs) < 1:
continue
# 当日最低价小于等于买点价格，表示股票当日达到了买点
if latest_df.loc[idcs[0], 'low'] <= getattr(row, 'buy_point'):
# 标记股票已达到买点
db_data.loc[getattr(row, 'Index'), buy_available] = 1
# 如果该股票尚未买入，则不再进行交易，标记是否交易字段为0
if getattr(row, 'date_buy') is None:
db_data.loc[getattr(row, 'Index'), 'to_trade'] = 0
# 选出待交易数据及不再交易数据
trade_data = db_data[db_data['to_trade'] == 1]
history_data = db_data[db_data['to_trade'] == 0]
# 更新待交易数据，并将不再交易的数据添加到历史数据表中
trade_data.to_sql(name='ptrade', con=engine, if_exists='replace', index=False)
history_data.to_sql(name='ptrade_history', con=engine, if_exists='append', index=False)
# 关闭数据库连接
engine.dispose()
print('完成可交易股票更新!')
def update_ptrade_candidate(df):
"""
根据当日日线数据，选出候选交易股票，待交易数据写入数据库
:param df: 包含当日候选股票日线数据的DataFrame
:return: None
"""
# df为空，则直接退出
if not df.shape[0]:
return
# 删除科创板数据，无科创板权限
out_df = df['68' != df['code'].str[:2]]
# out_df为空，则直接退出
if not out_df.shape[0]:
return
# ptrade表名
table_name = 'ptrade'
# 创建数据库引擎对象
engine = create_mysql_engine()
# 日期列名
date_col = 'date_candidate'
# 获取按时间降序的第1行数据
if table_name in sqlalchemy.inspect(engine).get_table_names():
sql_cmd = 'SELECT {0} FROM {1} ORDER BY {0} DESC LIMIT 1;'.format(date_col, table_name)
db_df = pd.read_sql(sql=sql_cmd, con=engine)
if db_df.shape[0]:
# 获取数据库中的最新候选日期
db_date = db_df[date_col].iloc[0]
# 如果数据库中候选日期已为最新，则无需更新，避免重复添加
if db_date >= out_df['date'].iloc[0]:
return
# 设置候选数据各字段的值
out_df = out_df[['code', 'date', 'close']]
buy_point = 'buy_point'
out_df = out_df.rename(columns={'date': 'date_candidate', 'close': buy_point})
out_df['price_take_profit'] = out_df[buy_point].apply(
lambda x: math.floor(x * (1 + g_take_profit_percent) * 100) / 100)
out_df['price_stop_loss'] = out_df[buy_point].apply(lambda x: math.ceil(x * (1 - g_stop_loss_percent) * 100) / 100)
out_df['date_buy'] = None
out_df['hold_days'] = 0
out_df['date_sell'] = None
out_df['price_buy'] = 0.0
out_df['price_sell'] = 0.0
out_df['trade_volume'] = 0
out_df['amount_buy'] = 0.0
out_df['amount_sell'] = 0.0
out_df['buy_available'] = 0
out_df['to_trade'] = 1
# 将新选出的候选股票数据append到数据库
if out_df.shape[0]:
out_df.to_sql(name=table_name, con=engine, if_exists='append', index=False)
# 关闭数据库连接
engine.dispose()
def task_update_daily():
"""
每日更新任务，可设置为17:40启动
:return: None
"""
# 程序开始运行时间
start_time = time.time()
# 获取待交易股票列表
stock_codes = get_stock_codes(update=True)
# 更新股票数据
update_data_mp(stock_codes)
# 更新交易数据
update_trade(stock_codes)
# 程序结束运行时间
end_time = time.time()
print('程序运行时间：{}s'.format(end_time - start_time))
def main():
"""
每日更新数据
:return: None
"""
# 清空任务列表
schedule.clear()
# 任务执行时间
task_time = '17:40:00'
# 交易日定时启动任务
schedule.every().monday.at(task_time).do(task_update_daily)
schedule.every().tuesday.at(task_time).do(task_update_daily)
schedule.every().wednesday.at(task_time).do(task_update_daily)
schedule.every().thursday.at(task_time).do(task_update_daily)
schedule.every().friday.at(task_time).do(task_update_daily)
# 循环等待任务执行
while True:
schedule.run_pending()
print('.', end='')
time.sleep(60)
if __name__ == '__main__':
main()
# 如果不按定时任务启动，可以直接运行下面的函数
# task_update_daily()
博客内容只用于交流学习，不构成投资建议，盈亏自负！
欢迎大家转发、留言。已建微信群用于学习交流，群1已满，群2已创建，感兴趣的读者请扫码加微信！
项目最新代码：https://gitee.com/sl/quant_from_scratch
如果认为博客对您有帮助，可以扫码进行捐赠，感谢！
| 微信二维码 | 微信捐赠二维码 |
|---|---|
 |
 |
学习了您的文章，收货颇丰。
请问在2022年的策略收益如何呀 ：）
感谢！还在摸索策略的过程中，策略收益没有参考价值。