发现大家刚开始不太会实现某种方法,其实平时多使用平台完全可以自己解决,但为了尽量避免让大家走弯路.在这里对一些问题进行有限整理,针对大家经常性问到的方法实现。

其实很多问题可以通过社区搜索和共享函数库解决的,这里并不是单纯为大家提供代码,而是选取一些比较有借鉴性的方法供大家参考,重要的不是代码,而是实现代码过程中的思路以及路径,因为方法有千千万万种,需要举一而反三。

今后会持续选取一些比较有代表性的代码进行添加,您也可以将一些初学时碰到的常见问题在下方留言反馈或分享。

收录列表

获得向前推第T个交易日日期
获取向后推X个交易日的交易日列表
市场每日统计(上涨,下跌,涨停,跌停户数等)
HHV,LLV:过去N日的最高/最低价的时间序列
MACD(多股票,多周期)
国内sma算法(与talib不一致)
剔除上市不满一年的次新股
分时走势图的黄线(均价线)
日内每x分钟运行
时间段内运行/时间点运行
根据大盘指数跌幅进行止损【回测专用】
缠论Ｋ线包含关系处理
设置pandas的最大显示行数,列数
将array数据格式转为dataframe
多个dataframe的合并 (数据拼接) 获取多份报表
panel数据可视化(转dataframe)
剔除过去N天停牌超过X日的股票
移动窗口(rolling)和 拓展窗口(expanding)
简单的ema计算
量比
DatetimeIndex 转 strindex (解决绘图非交易时间自动补全) 以及绘图正常显示问题
解决中文显示
查询股息率(近12个月)
期货合约每点价位
查询申万行情( 包含行业pe/pb)
中证指数pe/股息率
获取所有商品指数,主力合约,品种代号等
字典转dataframe/panel
数据库/pandas的模糊查询
研究中进行性能分析
区间换手率

VPT量能指标  
ADF 平稳性检验(有点小问题,修改方法):

from  statsmodels.tsa.stattools import adfuller   
import pandas as pd   
for key,value in enumerate(dftest[4]):

https://www.joinquant.com/algorithm/apishare/get?apiId=1113
和行情软件（同花顺、大智慧、通达信等）一致的KDJ和RSI以及MACD算法

抛物线转向（Stop And Reverse）(注意更改大小写,如Date>date)
s = psar(get_bars('600741.XSHG',count=10,fields=['date','close', 'high', 'low']));     pd.DataFrame(s)

有效前沿计算:https://www.joinquant.com/post/14766
Tradestat 策略常用的一个小工具,非常漂亮的持仓收益日志显示 

获得向前推第T个交易日日期¶

利用get_trade_days和context对象中的current_dt等获取上上一个交易日等,在此给出示例 使用前: from jqdata import * 当前交易日: now_ = context.current_dt.strftime("%Y-%m-%d") 上上一个交易日: the_day = get_the_day(now,2)

有关时间处理的demo请看这里:

from jqdata import *def get_the_day(date,T):'''输入,当前日期  向前推T天个交易日      比如date为9月13,前几天无节假日,传入T=1,返回上一个交易日的日期'''return get_trade_days(end_date=date,count=T+1)[0]get_the_day('2018-09-13',2)

datetime.date(2018, 9, 11)

获取向后推X个交易日的交易日列表¶

import jqdataimport datetimedate = datetime.date(2018,10,1)def get_future_trade_days(date,count):if count>5: all_data = jqdata.get_trade_days(start_date=date,end_date=date+datetime.timedelta(days=count*2))else:all_data = jqdata.get_trade_days(start_date=date,end_date=date+datetime.timedelta(days=count+10))return all_data[:count]date = datetime.date(2018,10,8)get_future_trade_days(date,2)

array([datetime.date(2018, 10, 8), datetime.date(2018, 10, 9)], dtype=object)

市场每日统计(上涨,下跌,涨停,跌停户数等)¶

def Market_statistics(check_date,filter_st=True):'''check_date: 统计日期,      filter_st: 是否过滤st'''info_data = get_all_securities(date=check_date)all_list = info_data.index.tolist()st_df  =  get_extras('is_st', all_list,end_date=check_date, df=True, count=1).Tst_list = st_df[st_df.iloc[:,0]].index.tolist()print ('st股票有%s只'%len(st_list))print ('未退市的有%s只'%len(all_list))all_data = get_price(all_list,end_date=check_date,count=2,fields=['paused','close','high_limit','low_limit'])paused_data = all_data.paused.iloc[-1]paused_list = paused_data[paused_data==1].index.tolist()print ('停牌%s只'%len(paused_list))new_data = all_data.drop(paused_list,axis=2)if filter_st ==True:filter_list = list(set(st_list)-set(paused_list))new_data = new_data.drop(filter_list,axis=2)pct_data = new_data.close.pct_change().iloc[1]print ('当日新上市股票:%s'%pct_data[np.isnan(pct_data)].index.tolist())print ('上涨%s只(不含当日上市)'%len(pct_data[pct_data>=0]))print ('下跌%s只'%len(pct_data[pct_data<0]))limit_up_data = new_data.iloc[:,-1,:][new_data.iloc[:,-1,:].close==new_data.iloc[:,-1,:].high_limit]print ('涨停%s只'%len(limit_up_data))limit_down_data = new_data.iloc[:,-1,:][new_data.iloc[:,-1,:].close==new_data.iloc[:,-1,:].low_limit]print ('跌停%s只'%len(limit_down_data))now_time = datetime.datetime.now()Market_statistics(now_time,True)  #彩蛋:2008-04-24,2008-09-19大盘涨停# 2015-07-08年千股停牌 ,15年停牌股票较多# 2016年开年,熔断机制*,千股跌停

st股票有89只
未退市的有3551只
停牌84只
当日新上市股票:[]
上涨524只(不含当日上市)
下跌2863只
涨停16只
跌停20只

HHV,LLV:过去N日的最高/最低价的时间序列¶

import pandas as pddef HHV(srcuritys,windows,end_date=None,count=20,fq='pre'):'''传入,股票列表,时间窗口,查询日期(包含当天,返回的数量,复权方式'''df =  get_price(srcuritys,end_date=end_date,count=count+windows-1,fq=fq,fields='high')return pd.rolling_max(df.high,windows).dropna()###########################################################def LLV(srcuritys,windows,end_date=None,count=20,fq='pre'):'''传入,股票列表,时间窗口,查询日期(包含当天,返回的数量,复权方式'''df =  get_price(srcuritys,end_date=end_date,count=count+windows-1,fq=fq,fields='low')return pd.rolling_min(df.low,windows).dropna()# HHV(['600741.XSHG','600507.XSHG'],10,'2018-09-04')LLV(['600741.XSHG','600507.XSHG'],10,'2018-09-04')

MACD(多股票,多周期)¶

获取各周期MACD # stock: 股票代码 # period: history支持的周期

import numpy as npimport talib# MACDdef MACD(security_list,period='1d', fastperiod=12, slowperiod=26, signalperiod=9):# 修复传入为单只股票的情况if isinstance(security_list, str):security_list = [security_list]# 计算 MACDsecurity_data = history(slowperiod*3, period, 'close' , security_list, df=False, skip_paused=True)macd_DIF = {}; macd_DEA = {}; macd_HIST = {}for stock in security_list:nan_count = list(np.isnan(security_data[stock])).count(True)if nan_count == len(security_data[stock]):log.info("股票 %s 输入数据全是 NaN，该股票可能已退市或刚上市，返回 NaN 值数据。" %stock)macd_DIF[stock] = array([np.nan])macd_DEA[stock] = array([np.nan])macd_HIST[stock]= array([np.nan])else:macd_DIF[stock], macd_DEA[stock], macd = talib.MACDEXT(security_data[stock], fastperiod=fastperiod, fastmatype=1, slowperiod=slowperiod, slowmatype=1, signalperiod=signalperiod, signalmatype=1)macd_HIST[stock] = macd * 2return macd_DIF, macd_DEA, macd_HISTmacd_DIF, macd_DEA, macd_HIST = MACD(['600741.XSHG','600507.XSHG'],period='5m')

国内sma算法(与talib不一致)¶

def SMA(security_list, timeperiod=5) :# 修复传入为单只股票的情况if isinstance(security_list, str):security_list = [security_list]# 计算 SMAsecurity_data = history(timeperiod*2, '1d', 'close' , security_list, df=False, skip_paused=True)sma = {}for stock in security_list:close = np.nan_to_num(security_data[stock])sma[stock] = reduce(lambda x, y: ((timeperiod - 1) * x + y) / timeperiod, close)return sma

剔除上市不满一年的次新股¶

剔除上市不满一年的次新股(count设置为365天，注意不是交易日，而是自然日)

import datetimedef get_filter_timedelta_stocks(stock_list, date=None,count=365):if isinstance(date,str):date = datetime.datetime.strptime(date, "%Y-%m-%d").date()if isinstance(date,datetime.datetime):date=date.date()the_day = date-datetime.timedelta(days=count)new_list=[s for  s in stock_list if get_security_info(s).start_date <the_day]return new_listget_filter_timedelta_stocks(['600741.XSHG'], date='2018-01-01')a =datetime.datetime.now()get_filter_timedelta_stocks(['600741.XSHG'], date=a)

['600741.XSHG']

分时走势图的黄线(均价线)¶

def get_yellow_line(code,date,w=1):'''输入:股票 , 查询日期 ,每点价值(股票为1,如IF为300)'''p_date = date-datetime.timedelta(days=1)df = get_price(code,end_date=str(date)[:10]+' 15:10:00',start_date=str(p_date)+' 15:10:00',   frequency='1m',fields=['volume','money'])cum = df.iloc[:,-2:].cumsum()return cum['money']/cum['volume']/w

code='IF1812.CCFX'date = datetime.date(2018,12,5)*g = get_yellow_line(code,date,300)data = get_price(code,end_date='2018-12-06',count=240 ,frequency='1m',fields='close')data['*g']=*gindex = data.indexpydate_array = index.to_pydatetime()date_only_array = np.vectorize(lambda s: s.strftime('%Y-%m-%d %H:%M:%S'))(pydate_array ) #将datetimeindex转为strdata.index = date_only_arraydata.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x7fa6c81dd950>

日内每x分钟运行¶

每隔x分钟运行一次,用于日内交易,在初始化函数中执行run_time并定义需要定时的函数run_min,*研究可以查看策略截图

def initialize(context):run_time(30)#每30分钟运行一次def run_time(x):datas = get_price('000300.XSHG',count=240,frequency='1m').index.tolist()[:-1]#剔除15:00times = [str(t)[-8:] for t in datas]times.insert(0,'09:30:00')for t in times[::x]:run_daily(run_min, t)def run_min(context):'''需要运行的函数或代码放在这里'''print 'run'

时间段内运行/时间点运行¶

#策略选择分钟频率,在handle_data(或其他定时运行函数)的开始加上下述判断:def handle_data(context, data):now_time = context.current_dt.strftime('%H:%M:%S')'''在10:00:00以后每分钟执行'''if now_time<='10:00:00':  #return# '''在10:00以后,11:30之前每分钟执行'''# if now_time<='10:00:00' or now_time>='11:30:00': #     return# '''在10:00时执行一次'''# if now_time !='10:00:00':#     returnprint '执行'

根据大盘指数跌幅进行止损【回测专用】¶

# 根据大盘指数跌幅进行止损def index_stoploss_diefu(index, context, n=10, zs=0.03):'''    当大盘N日内跌幅超过zs，则清仓止损    '''if len(context.portfolio.positions)>0:hist = attribute_history(index, n, '1d', 'close',df=False)if ((1-float(hist['close'][-1]/hist['close'][0])) >= zs):log.info('大盘触及止损线，清仓！')for stock in context.portfolio.positions.keys():order_target_value(stock, 0)

缠论Ｋ线包含关系处理¶

输入：股票历史数据的dataframe,含有‘high’，‘low’的股票历史数据，聚宽的获取价格的接口得出的数据就OK 输出：增加了label_k,label_high,label_low列信息的股票历史数据dataframe 进行K线的包含关系处理，再原dataframe数据表中增加label列进行是否有效的标记，增加两列记录合并K线后的最值 其中，label_k的值为1时是上升K线，为-1时是下降K线，为0时，是包含关系的K线

def label_k_func(df):#进行K线的包含关系处理，再原dataframe数据表中增加label列进行是否有效的标记，增加两列记录合并K线后的最值h=df['high'].valuesl=df['low'].valuesdf['t']=pd.Series(range(len(df)),index=df.index)t=df['t'].valueslabel=[1]h_jizhi,l_jizhi=h[0],l[0]high_new=[h[0]]low_new=[l[0]]#标记Ｋ线的有效性，上升Ｋ线为１，下降为－１，无效为０for i in t[1:]:#缠论上升K线的定义if h[i]>h_jizhi and l[i]>l_jizhi:label.append(1)h_jizhi=max(h[i],h[i-1])l_jizhi=max(l[i],l[i-1])#缠论下降K线的定义elif h[i]<h_jizhi and l[i]<l_jizhi:label.append(-1)h_jizhi=min(h[i],h[i-1])l_jizhi=min(l[i],l[i-1])#包涵K线的处理else:label.append(0)#下面的内容主要是进行极值的更新for j in label[::-1]:if j != 0:a=jbreakif a==1:h_jizhi=max(h[i],h_jizhi)l_jizhi=max(l[i],l_jizhi)else:h_jizhi=min(h[i],h_jizhi)l_jizhi=min(l[i],l_jizhi)high_new.append(h_jizhi)low_new.append(l_jizhi)#把结果添加到dfdf['label_k']=pd.Series(label,index=df.index)df['high_k']=pd.Series(high_new,index=df.index)df['low_k']=pd.Series(low_new,index=df.index)return df

设置pandas的最大显示行数,列数¶

import pandas as pd# 设定最大显示行数、列数为10000pd.set_option('display.max_rows', 10000)pd.set_option('display.max_columns', 10000)pd.set_option('display.width', 10000)

将array数据格式转为dataframe¶

import pandas as pdar = get_ticks('000001.XSHE',end_dt='2018-10-08 09:31:00',count=20)df = pd.DataFrame(ar)l = df['time'].values.tolist()s = ['%.2f'%(x) for x in l]t = [o[:4]+'-'+o[4:6]+'-'+o[6:8]+' '+o[8:10]+':'+o[10:12]+':'+o[12:] for o in s]df.time = pd.to_datetime(t)df =df.set_index('time')df

ar = get_bars('600741.XSHG',end_dt='2018-09-14 14:50:00',count=5,fields=['date','close','open'],  unit='30m',include_now=True)pd.DataFrame(ar).set_index('date')

多个dataframe的合并 (数据拼接) 获取多份财务报表¶

#获取多年的季度度数据import pandas as pddef get_more_state_fund(q_object,year_list):df_list = []for year in year_list:rets = [get_fundamentals(q, statDate=str(year)+'q'+str(i)) for i in range(1, 5)]df = pd.concat(rets).set_index('statDate')  #个人习惯df_list.append(df)df_ = pd.concat(df_list,keys=year_list,axis=0) #axis=1或axis=0,依据个人习惯return df_q = query(indicator.code,  indicator.statDate,indicator.roe,indicator.inc_return,indicator.pubDate,
  ).filter(  income.code.in_(['000001.XSHE','600507.XSHG']))df = get_more_state_fund(q,['2017','2018'])# df.loc[('2014',slice(None))]df

#h获取多年度财务数据import pandas as pdstock_list=['000001.XSHE','000527.XSHE','600970.XSHG','600875.XSHG','600880.XSHG']years = range(2005,2018)df_list=[]for year in years:df_year= get_fundamentals(query( indicator.code, indicator.inc_return,indicator.roe   ).filter( indicator.code.in_(stock_list)   ),statDate=year).set_index('code')df_list.append(df_year)name = [str(x) for x in range(2005,2017)]df=pd.concat(df_list,axis=1,keys=name)df

5 rows × 24 columns

panel数据可视化(转dataframe)¶

panel = get_price(['600741.XSHG','600507.XSHG'],count=10)df = panel.to_frame()df#df转panel用 to_frame  具体参数自行百度

剔除过去N天停牌超过X日的股票¶

def set_stock(stock_list,end_date,N=63,X =0):'''默认剔除过去3个月有过停牌的股票'''datas = get_price(stock_list,end_date=end_date,fields=['paused'], skip_paused=False, fq='pre', count=N)f = datas.to_frame()g=f[f.iloc[:,0]==1].unstack()['paused']i =N-g.isnull().sum()t = i[i>X].index.tolist()   new_stock_list = list(set(stock_list) ^ set(t))return new_stock_liststocks = get_all_securities().index.tolist()set_stock(stocks,'2018-09-28')[:5]

['002233.XSHE', '603809.XSHG', '002897.XSHE', '002596.XSHE', '600387.XSHG']

移动窗口(rolling)和 拓展窗口(expanding)¶

注意这两个函数可以解决很多指标问题并简化代码减少重复计算,如MA等,还有rolling_apply等函数,可以适当了解一下¶

注意区分pandas版本,不同版本的用法及参数,目前0.23是兼容0.16的(官网研究默认环境和回测都是0.16,pacver版本为0.23):

rolling 是对窗口进行移动处理,窗口大小自定义,大小不变

expanding是对窗口进行拓展处理,窗口大小不断变大

import pandas as pdc_data = get_price(['600741.XSHG','600507.XSHG','000001.XSHE'],fields='high',end_date='2018-09-26',count=100).high

# 求序列的HHV5pd.rolling_max(c_data,window=5,min_periods=None, freq=None, center=False, how='max')[5:10] #pandas0.16用法 # c_data.rolling(window=5, min_periods=None, freq=None, center=False, win_type=None, on=None, #                axis=0, closed=None).max()  #pandas 0.23用法

#求序列过去一段时间所产生的历史最高价序列pd.expanding_max(c_data,min_periods=0, freq=None).head() #pandas0.16用法 # c_data.expanding(min_periods=1, freq=None).max()  #pandas 0.23用法

#求序列的 MA5 序列pd.rolling_mean(c_data,window=5,min_periods=None, freq=None, center=False, how='max')[-5:]

简单的ema计算¶

import pandas as pd#注意ema有用到回溯算法,所以出于指标精度方面考虑建议数据的长度至少为span的2-3倍,且前期数据可能不太准确,如需使用到更多ema数据#需要增加依赖数据的长度c_data = get_price(['600741.XSHG','600507.XSHG','000001.XSHE'],fields='close',end_date='2018-09-26',   fq=None,count=10*3).closepd.ewma(c_data,span=5)[-5:]

量比¶

#计算结果与行情软件有稍许差异,对比数据没有问题 ,经过验证是由计算精度引起的(交易软件的成交量精度),实际上平台的结果是更准确的def get_v_ratio(security_list,time):'''计算某个时间点股票的量比,    输入:股票池/股票,时间(datetime)    返回:截至当天某一时间点的量比'''if isinstance(security_list,str):security_list = [security_list]d = {}time2= time-datetime.timedelta(days=1)start_time = datetime.datetime(time.year,time.month,time.day,9,30)for security in security_list:ma5 = get_price(security,end_date=time2,frequency='5d',skip_paused=True,fields='volume',count=1).volume/1200n_ma = get_price(security,end_date=time,start_date =start_time ,skip_paused=True,fields='volume',  frequency='1m').volume.mean()d[security]=float(n_ma/ma5)#     print start_time,timereturn dsecurity_list = ['600016.XSHG','601166.XSHG','000001.XSHE']time = datetime.datetime(2018,9,27,15,30)get_v_ratio(security_list,time)

{'000001.XSHE': 0.7405546291120892,
 '600016.XSHG': 0.8102664114217498,
 '601166.XSHG': 0.8697879043965755}

#使用新浪数据 000001.XSHE 在 2018年9月27日的数据计算的结果:round((88.04/240)/(594.38/1200),2)

0.74

DatetimeIndex 转 strindex (解决绘图非交易时间自动补全) 以及绘图正常显示问题¶

当用pandas绘图时,当index为datetimeindex时会自动根据横轴(index)进行补全,导致出现非交易时间而出现绘图跳空: 方法1:https://blog.csdn.net/tpoy0099/article/details/49511907 方法2:

import matplotlib.pyplot as plt# plt.rcParams['font.sans-serif']=['SimHei'] # 标签mpl.rcParams['font.family']='serif' #用来正常显示中文plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号

df = get_price('600741.XSHG',end_date='2018-09-27 09:50:00',frequency='1m',count=50,fields='close')df.plot()print type(df.index)  #会出现问题的绘图方法:

<class 'pandas.tseries.index.DatetimeIndex'>

将index转为str类型:

import pandas as pdimport numpy as npdf = get_price('600741.XSHG',end_date='2018-09-27 09:50:00',frequency='1m',count=50,fields=['close','volume'],skip_paused=True)index = df.indexpydate_array = index.to_pydatetime()date_only_array = np.vectorize(lambda s: s.strftime('%Y-%m-%d %H:%M:%S'))(pydate_array ) #将datetimeindex转为strdf.index = date_only_arrayprint type(df.index)plt.axhline(21.8, color="black", linestyle="-") #绘制轴线df.volume.plot(secondary_y = True,kind='bar',legend=True) df.close.plot(figsize=(15,5),grid=True,rot =50,fontsize=10,title='正常显示',legend=True,  style='r') #通过多次绘制series和secondary_y绘制右刻度,grid显示网格,rot控制标签斜率,fontsize控制字体大小,style控制颜色,legend显示标注

<class 'pandas.core.index.Index'>

<matplotlib.axes._subplots.AxesSubplot at 0x7f04e42e2a50>

解决中文显示(只解决显示问题):¶

luanma = get_all_securities().display_name.values

其实这只是python2的显示问题,只能曲线救国,其实如果只是查看某个list的内容,建议转化成其他形式(如dataframe)而非list, 当然还可以直接切换到python3内核:

import pandas as pdpd.DataFrame(luanma).head()

print luanma  #输出显示乱码print type(luanma[0]) #检查为unicode类型print luanma[0] #单个用print输出正常right_str = str(luanma).replace('u\'','\'').decode("unicode-escape")  #可以用print输出,但类型变为unicode而非listprint type(right_str)print right_str

[u'\u5e73\u5b89\u94f6\u884c' u'\u4e07\u79d1A' u'\u56fd\u519c\u79d1\u6280'
 ..., u'\u7ee7\u5cf0\u80a1\u4efd' u'\u65b9\u76db\u5236\u836f'
 u'\u8bfb\u8005\u4f20\u5a92']
<type 'unicode'>
平安银行
<type 'unicode'>
['平安银行' '万科A' '国农科技'
 ..., '继峰股份' '方盛制药'
 '读者传媒']

查询股息率(近12个月)¶

from jqdata import *def DividendRatio(security_list,end_date,count=1):'''查询股息率(日更新)    输入:股票池,截止日期,获取数量    输出:panel结构,单位:1'''trade_days = get_trade_days(end_date=end_date,count = count)security_list.sort()secu_list = [x[:6] for x in security_list]code_df = jy.run_query(query( jy.SecuMain.InnerCode,jy.SecuMain.SecuCode,#     jy.SecuMain.ChiName,jy.SecuMain.CompanyCode).filter(jy.SecuMain.SecuCode.in_(secu_list),jy.SecuMain.SecuCategory==1).order_by(jy.SecuMain.SecuCode))code_df['code'] = security_listdf = jy.run_query(query(#         jy.LC_DIndicesForValuation    #得到整表jy.LC_DIndicesForValuation.InnerCode,jy.LC_DIndicesForValuation.TradingDay, jy.LC_DIndicesForValuation.DividendRatio,).filter(jy.LC_DIndicesForValuation.InnerCode.in_(code_df.InnerCode),jy.LC_DIndicesForValuation.TradingDay.in_(trade_days)))f_df = df.merge(code_df,on='InnerCode').set_index(['TradingDay','code']).drop(['InnerCode','SecuCode'],axis=1)panel = f_df.to_panel()return panelsecuritys =get_index_stocks('399015.XSHE')date='2018-01-01'DividendRatio(securitys,date)

<class 'pandas.core.panel.Panel'>
Dimensions: 1 (items) x 1 (major_axis) x 500 (minor_axis)
Items axis: DividendRatio to DividendRatio
Major_axis axis: 2017-12-29 00:00:00 to 2017-12-29 00:00:00
Minor_axis axis: 000007.XSHE to 300735.XSHE

期货合约每点价位¶

from jqdata import jy#期货合约每点价位 =   ContractMulti*PriceUnit 注意统一单位q = query(jy.Fut_FuturesContract ).filter(jy.Fut_FuturesContract.Exchange.in_([10,11,13,15,19,20]),#                  jy.Fut_FuturesContract.TradingCode=='JD' )jy.run_query(q).tail()

5 rows × 30 columns

查询申万行情( 包含行业pe/pb)¶

from jqdata import jyfrom jqdata import *import pandas as pd#注意申万指数在2014年有一次大改,聚源使用的是为改变之前的代码,官网包含更改前和更改后的代码,如果遇到找不到的标的可以根据需求自行查找#如801124 >>801121食品加工IIdef get_sw_quote(code,end_date=None,count=None,start_date=None):'''获取申万指数行情,返回panel结构'''if isinstance(code,str):code=[code]days = get_trade_days(start_date,end_date,count)code_df = jy.run_query(query( jy.SecuMain.InnerCode,jy.SecuMain.SecuCode,jy.SecuMain.ChiName).filter(jy.SecuMain.SecuCode.in_(code)))df = jy.run_query(query( jy.QT_SYWGIndexQuote).filter(jy.QT_SYWGIndexQuote.InnerCode.in_(code_df.InnerCode),jy.QT_SYWGIndexQuote.TradingDay.in_(days),))df2  = pd.merge(code_df, df, on='InnerCode').set_index(['TradingDay','SecuCode'])df2.drop(['InnerCode','ID','UpdateTime','JSID'],axis=1,inplace=True)return df2.to_panel()code = get_industries(name='sw_l2').index[:5]df = get_sw_quote(code,end_date='2018-01-01',count=10)df.to_frame(False).tail()

中证指数pe/股息率¶

def get_zz_quote(code,end_date=None,count=None,start_date=None):'''获取中证指数行情,返回panel结构'''if isinstance(code,str):code=[code]code.sort()code = [x[:6] for x in code]days = get_trade_days(start_date,end_date,count)code_df = jy.run_query(query( jy.SecuMain.InnerCode,jy.SecuMain.SecuCode,jy.SecuMain.ChiName).filter(jy.SecuMain.SecuCode.in_(code)).order_by(jy.SecuMain.SecuCode))df = jy.run_query(query( jy.QT_CSIIndexQuote).filter(jy.QT_CSIIndexQuote.IndexCode.in_(code_df.InnerCode),jy.QT_CSIIndexQuote.TradingDay.in_(days),))df2  = pd.merge(code_df, df, left_on='InnerCode',right_on='IndexCode').set_index(['TradingDay','SecuCode'])df2.drop(['InnerCode','IndexCode','ID','UpdateTime','JSID','OpenInterest','SettleValue','IndexCSIType'],axis=1,inplace=True)return df2.to_panel()panel = get_zz_quote(['000016.XSHG','000001.XSHG'],end_date='2018-01-01',count=10)panel.ClosePrice.tail()

获取所有商品指数,主力合约,品种代号等¶

df = get_all_securities(types=['futures'])                       #获取期货合约# dominant_and_idnex = df[df.end_date==datetime.date(2030,1,1)]  #商品指数和主力合约dominant_future = [d for d in df.index if '9999' in d]           #所有品种的主力合约index_future = [i for i in df.index if '8888' in i]              #所有品种的指数代码code_name = [c[:-9] for c in index_future]                       #获取各个品种代号,使用get_dominant_future时会用到

字典转dataframe/panel¶

#2层的嵌套字典可以转为dataframe,3层的嵌套字典可以转为panel方便后续的数据处理,下边以个股的所属行业数据为例from jqdata import *import pandas as pdstocks = get_index_stocks('000300.XSHG')industry_dict = get_industry(stocks)panel = pd.Panel(industry_dict)panel[:,'industry_code' ]

6 rows × 300 columns

数据库/dataframe的模糊查询¶

在获取报告期数据时,因为有些报表是增量性质的,这个季度无法和上个季度进行对比,所以大多数是与上年进行同比,下面以获取中报数据为例:

from jqdata import finance# 获取000001.XSHG每一年的年报   df = finance.run_query(query(finance.FINANCE_INCOME_STATEMENT   ).filter(finance.FINANCE_INCOME_STATEMENT.code=='000001.XSHE',finance.FINANCE_INCOME_STATEMENT.end_date.like('%-06-30'),#或end_date.contains('12-31') ,end_date.like('_____12-31'),#                 finance.FINANCE_INCOME_STATEMENT.pub_date>='2015-01-01',finance.FINANCE_INCOME_STATEMENT.report_type==0   ))df.tail()

5 rows × 66 columns

df = get_all_securities()df[df.display_name.str.contains('证券',regex=False)] #挑选出display_name中含有'证券'字的行

研究中进行性能分析¶

from line_profiler import LineProfilerimport randomdef do_stuff(a,b):s = sum(1000)l = [numbers[i]/43 for i in range(len(numbers))]m = ['hello'+str(numbers[i]) for i in range(len(numbers))]numbers = [random.randint(1,100) for i in range(1000)]lp = LineProfiler()  lp_wrapper = lp(do_stuff)    #函数lp_wrapper(numbers,100)         #写入参数运行,如果没有参数括号中就无需内容lp.print_stats()            #显示

Timer unit: 1e-06 s

Total time: 0.002667 s
File: <ipython-input-60-cae2cba1719c>
Function: do_stuff at line 4

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
     4                                           def do_stuff(a,b):
     5         1           89     89.0      3.3      s = sum(1000)
     6      1001         1309      1.3     49.1      l = [numbers[i]/43 for i in range(len(numbers))]
     7      1001         1269      1.3     47.6      m = ['hello'+str(numbers[i]) for i in range(len(numbers))]

区间换手率¶

from jqdata import *def shuttle_turnover_ratio(code_list,end_date,start_date=None,day=None):'''start_date和day 二选一 , 选取day参数时代表day个交易日的区间换手率'''if not day:day = len(get_trade_days(start_date,end_date))if isinstance(code_list,str):code_list=[code_list]q = query(valuation.turnover_ratio).filter(valuation.code.in_(code_list))return get_fundamentals_continuously(q,end_date=end_date,count=day).turnover_ratio.sum()shuttle_turnover_ratio(['600741.XSHG','000002.XSHE'],'2018-11-13','2018-10-01')

code
000002.XSHE    16.2519
600741.XSHG    10.6901
dtype: float64