获取股票数据并进行量化回测——基于ADX和MACD趋势策略

01

引言

不少喜欢量化的读者向我反馈，虽然已经掌握了Python的编程基础，但仍不知道如何切入到股票量化分析上，一是对如何获取股票数据还不太熟悉；二是拿到股票数据后不知道怎么做量化回测。实际上公众号分享了很多这方面的文章，可以作为参考模板的包括：《【手把手教你】Python获取交易数据》、《【手把手教你】搭建自己的量化分析数据库》、《【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》；《手把手教你用Python搭建自己的量化回测框架【均值回归策略】》、《【手把手教你】用Python量化海龟交易法则》、《A股存在月份效应吗？构建月度择时策略【附Python源码】》、《北向资金能预示大盘涨跌？【附Python源码】》，专业量化回测框架可以参考backtrader的系列文章（如【手把手教你】入门量化回测最强神器backtrader（一））。目前公众号文章主要是以tusahre来获取数据，实际上Python可用的获取数据api还是很多的，如开源的有akshare、baostock、pandas_datareader（国内外数据丰富，但外网访问常连接不上）、alpha_vantage（国外）、quandl（国外）、yfinance（原雅虎财经，外网访问常连接不上）；非开源的有WindPy（Wind付费插件）、恒有数hs_udata（恒生云）、聚宽JQData（可试用）等等。关于这些库或数据api的详细介绍大家可以直接百度进入官网了解，此处不做进一步展开，本文主要介绍如何使用开源数据包获取数据并进行量化回测，实现最简单的代码输出专业的分析图表。

02

数据获取

下面分别对tusahre、tushare pro、akshare和baostock四个当前较流行的开源数据包构建统一参数的数据获取函数，比较程序编写的复杂程度和获取数据所需时间。

先导入pandas、matplotlib等常用包。

import pandas as pd  
import numpy as np
import matplotlib.pyplot as plt
#正常显示画图时出现的中文和负号
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
#不显示警告信息
import warnings
warnings.filterwarnings('ignore')

构建统一参数的数据获取函数，复权、起始和结束时间设置为默认参数，注意tushare pro需要注册获取token（
https://tushare.pro/register?reg=218422）才能使用，某些数据权限受积分限制，其旧版非常接口简洁好用但不再维护。akshare相当于连接全网开放数据源api的数据网站（如新浪财经、同花顺、东方财富等），某些函数由于包更新不可用。basostock无需注册且免费，但函数调用稍显麻烦。

#使用tushare旧版获取数据
import tushare as ts
def get_from_tushare(code,adj='hfq',start='2010-01-01',end='2021-11-05'):
    df=ts.get_k_data(code,autype=adj,start=start,end=end)
    df.index=pd.to_datetime(df.date)
    #原数据已默认按日期进行了排序
    return df

#使用tushare pro获取数据
import tushare as ts
token='输入你自己的token'
pro=ts.pro_api(token)
ts.set_token(token)
def get_from_tushare_pro(code,adj='hfq',start='2010-01-01',end='2021-11-05'):
    #code:输入数字字符串，如‘300002’
    #start和end输入'年-月-日'需转为'年月日'格式
    if code.startswith('6'):
        code=code+'.SH'
    else:
        code=code+'.SZ'
    start=''.join(start.split('-'))
    end=''.join(end.split('-'))
    df=ts.pro_bar(ts_code=code,adj=adj,start_date=start,end_date=end)
    #原数据是倒序的，所以将时间设置为索引，根据索引重新排序
    df.index=pd.to_datetime(df.trade_date)
    df=df.sort_index()
    return df

#使用akshare获取数据,其数据源来自新浪，与tushare旧版本相似
import akshare as ak
def get_from_akshare(code,adj='hfq',start='2010-01-01',end='2021-11-05'):
    if code.startswith('6'):
        code='sh'+code
    else:
        code='sz'+code
    start=''.join(start.split('-'))
    end=''.join(end.split('-'))
    df = ak.stock_zh_a_daily(symbol=code, start_date=start, end_date=end, adjust=adj)
    return df

#使用baostock获取数据
import baostock as bs
def get_from_baostock(code,adj='hfq',start='2010-01-01',end='2021-11-05'):
    if code.startswith('6'):
        code='sh.'+code
    else:
        code='sz.'+code
    #转换复权为数字
    if adj=='hfq':
        adj='1'
    elif adj=='qfq':
        adj='2'
    else:
        adj='3'
    #必须登陆和登出系统
    bs.login() #登陆系统
    rs = bs.query_history_k_data_plus(code,
       fields="date,code,open,high,low,close,volume",
       start_date=start, end_date=end,
       frequency="d", adjustflag=adj)
    #adjustflag：复权类型，默认不复权：3；1：后复权；2：前复权
    data_list = []
    while (rs.error_code == '0') & rs.next():
        data_list.Append(rs.get_row_data())
    #将数据转为dataframe格式
    df = pd.DataFrame(data_list, columns=rs.fields)
    df.index=pd.to_datetime(df.date)
    bs.logout() #登出系统 
    return df

下面分别使用这四个api接口获取数据并比较耗用时间，结果显示，tushare pro和akshare耗用时间均较短，获取‘300002’于2010.1-2021.11期间数据只需0.6-0.8秒，tushare旧版接口代码最简洁，但需1.05秒，而baostock则需1.6，当然结果会受网络状态影响。

func={'tushare':get_from_tushare,
           'tushare pro':get_from_tushare_pro,
           'akshare':get_from_akshare,
           'baostock':get_from_baostock}
#以个股神州泰岳为例
code='300002'
from time import time
data=pd.DataFrame()
for name,f in func.items():
    t0=time()
    data[name]=f(code).close
    t1=time()
    print(f'{name}耗时:{t1-t0:.04f}秒')

输出结果：
tushare耗时:1.0488秒
tushare pro耗时:0.6780秒
akshare耗时:0.7795秒
login success!
logout success!
baostock耗时:1.6439秒

比较四个api获取的“300002”后复权价格数据，结果显示四个接口得到的数据存在一些差别，其中tushare和baostock数据接近，二者与akshare差别较大，可能是计算方式存在差异。由于采用后复权，随着时间拉长，分红次数增加，差异越来越大。

data.tail()

(data['tushare pro']-data['akshare']).plot(figsize=(12,5),c='r');

03

策略回测

下面以tushare旧版接口为例，获取数据并基于技术指标进行量化回测。图中显示，“300002”的股价在2010.1.4-2021.11.5期间波动非常大，累计收益率-14.5%，年化收益率-1.4%，年化波动率53.8%，最大回撤高达89%，日VaR为-6.7%。换句话说，如果从2010年1月4日开始持有该股票，至2021年11月5日将亏损14.5%，但如果是在其最高点买入最大亏损为89%；当然，如果你是在2012年12月买入，持有到2015年6月21日，股价差不多增长了10倍。现实的情况往往是，大量股民像韭菜一样在股价不断波动的过程中被收割。

df=get_from_tushare('300002')
df.close.plot(figsize=(12,6));
plt.title('神州泰岳股价走势n2010-2021',size=15)

import pyfolio as pf
pf.create_simple_tear_sheet((df.close.pct_change()).fillna(0).tz_localize('UTC'))

下面以趋势指标ADX结合均线和macD指标构建交易策略进行量化回测。ADX是一种常用的趋势衡量指标，指标值越大代表趋势越强，但指标本身无法告诉你趋势的发展方向，与均线和MACD指标配合运用，可以确认市场是否存在趋势，并衡量趋势的强度。下面以13、55、89日均线（斐波那契数列），MACD（12,26,9）和ADX（阈值设置为前值和25）指标为例，得到下列回测结果。

#技术分析包import talib as ta
def adx_strategy(df,ma1=13,ma2=55,ma3=89,adx=25):
    #计算MACD和ADX指标
    df['EMA1'] = ta.EMA(df.close,ma1)
    df['EMA2'] = ta.EMA(df.close,ma2)
    df['EMA3'] = ta.EMA(df.close,ma3)
    df['MACD'],df['MACDSignal'],df['MACDHist'] = ta.MACD(df.close,12,26,9)
    df['ADX'] = ta.ADX(df.high,df.low,df.close,14)
    #设计买卖信号:21日均线大于42日均线且42日均线大于63日均线;ADX大于前值小于25；MACD大于前值
    df['Buy_Sig'] =(df['EMA1']>df['EMA2'])&(df['EMA2']>df['EMA3'])&(df['ADX']<=adx)
                    &(df['ADX']>df['ADX'].shift(1))&(df['MACDHist']>df['MACDHist'].shift(1))
    df.loc[df.Buy_Sig,'Buy_Trade'] = 1
    df.loc[df.Buy_Trade.shift(1)==1,'Buy_Trade'] = " "
    #避免最后三天内出现交易
    df.Buy_Trade.iloc[-3:]  = " " 
    df.loc[df.Buy_Trade==1,'Buy_Price'] = df.close
    df.Buy_Price = df.Buy_Price.ffill()
    df['Buy_Daily_Return']= (df.close - df.Buy_Price)/df.Buy_Price
    df.loc[df.Buy_Trade.shift(3)==1,'Sell_Trade'] = -1
    df.loc[df.Sell_Trade==-1,'Buy_Total_Return'] = df.Buy_Daily_Return
    df.loc[(df.Sell_Trade==-1)&(df.Buy_Daily_Return==0),'Buy_Total_Return'] = 
                                (df.Buy_Price - df.Buy_Price.shift(1))/df.Buy_Price.shift(1)
    df.loc[(df.Sell_Trade==-1)&(df.Buy_Trade.shift(1)==1),'Buy_Total_Return'] = 
                                (df.close-df.Buy_Price.shift(2))/df.Buy_Price.shift(2)
    #返回策略的日收益率
    return df.Buy_Total_Return.fillna(0)

回测结果显示，使用该交易策略可获得11.3%的年化收益率，累计收益率221.5%，最大回撤-24.2%，夏普比率0.63。使用策略后各项指标得到有效改善。

import pyfolio as pf
pf.create_simple_tear_sheet(adx_strategy(df).tz_localize('UTC'))

04

结语

对于tushare、tushare pro、akshare、baostock开源数据api，本文构建了统一参数的数据获取函数，获取个股后复权数据并以技术指标ADX结合均线和MACD构建交易策略进行量化回测。本文旨在为大家利用开源数据进行量化分析提供一个思路和模板，各位读者可以在此基础上结合自身对市场的理解进行深入拓展。值得注意的是，文中提及的交易策略仅供学习参考，切勿直接拿来做真实交易。实际上，文中对‘300002’单个标的进行回测得到结果不代表该交易策略就有效，可能正好适合该股票和该段时间走势，任何基于技术指标的交易策略均具有一定的局限性，具体问题具体分析。