import statsmodels.api as sm
from jqdata import *
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

prices = get_price('RB8888.XSGE',  start_date='2011-01-01', end_date='2019-06-12', frequency='1d', fields=None, 
          skip_paused=False, fq='pre', count=None)#RB9999.XSGE//
prices.head()

N = 24 #设置周期
betas=[]
rsquared=[]
for i in range(N-1,len(prices)):
    highs = prices.iloc[i-23:i].high
    lows = prices.iloc[i-23:i].low
    x = sm.add_constant(lows)
    model = sm.OLS(highs, x)
    beta = model.fit().params.iloc[-1]          # beta值
    r2 = model.fit().rsquared           # 决定系数值
    betas.append(beta)
    rsquared.append(r2)

betas=pd.Series(betas)
print(betas.max(),betas.min())

plt.hist(betas,bins=50)
plt.title('11年 至 19年 斜率数据分布')

print('11年 至 19年 历史 RSRS 斜率数据低阶矩统计','\n',
    'batas 均值：', betas.mean(),'\n',
    'betas 标准差：', betas.std(),'\n',
    'batas 偏度：', betas.skew(),'\n',
    'batas 峰度：', betas.kurt(),'\n',)

df=pd.DataFrame(prices.close.iloc[N-1:])
df['beta']=betas.tolist()
df.tail()

fig1,ax = plt.subplots(figsize = (20,16))      #plt.subplot会返回一个figure对象和一个坐标轴对象；

plt.plot(df['close'], lw=1.5, label='line1')
plt.grid(True)
plt.legend()

ax2 = ax.twinx()       #复制上一张子图的横坐标轴；
plt.plot(df['beta'], 'y', lw=1.5, label='line2')
plt.legend()
plt.title('RB收盘价与RSRS走势图')

df['return']=df['close'].pct_change()
df.head()

df['signal']=np.where(df.beta>1,1,np.nan)
df['signal']=np.where(df.beta<0.8,-1,df['signal'])
df.head()

df=df.fillna(method='ffill')

df['strategy_return']=df['return']*df['signal'].shift(1)

df['strategy_cum_return']=(1 + df['strategy_return']).cumprod()

df['strategy_cum_return'].plot(figsize=(20,16))

print('在不计成本的情况下 净值 ', df['strategy_cum_return'].iloc[-1] )
annual_yield=df['strategy_return'].mean() * 252     #年化收益率；
print('年化收益率：', annual_yield)
annual_risk=df['strategy_return'].std() * 252 ** 0.5   #年化风险；
print('年化风险: ', annual_risk)
trade_count=0
for i in range(0,len(df)-1):
    if df.signal.iloc[i]*df.signal.iloc[i+1] != 1:
        trade_count+=1
print('交易次数： ', trade_count)
#计算夏普比率
sharperatio=np.sqrt(252)*(annual_yield-0.04)/annual_risk
print('夏普率为： ', sharperatio)
df['cumret'] = df['return'].cumsum().apply(np.exp)
df['cummax'] = df['cumret'].cummax()
max_drown = (df['cummax'] - df['cumret']).max()
print('最大回撤：',max_drown)

df['beta_normal']=(df['beta']-df['beta'].rolling(300).mean())/df['beta'].rolling(300).std()
df.tail()

# df[df.beta_normal==np.inf]=0
df.beta_normal.min()

plt.hist(df.beta_normal,bins=50)
plt.title('11年 至 19年 标准分数据分布')

print('11年 至 19年 历史 RSRS 标准分数据统计','\n',
      '标准分 batas 均值：', df.beta_normal.mean(),'\n',
      '标准分 batas 标准差：', df.beta_normal.std(),'\n',
     '标准分 batas 偏度：', df.beta_normal.skew(),'\n',
     '标准分 batas 峰度：', df.beta_normal.kurt(),'\n',)

df['signal_normal']=np.where(df.beta_normal > 1.8,1,np.nan)
df['signal_normal']=np.where(df.beta_normal < -1.8,-1,df['signal_normal'])
df.tail()

df=df.fillna(method='ffill').dropna()

df.tail()

df['normal_return']=df['return']*df['signal_normal'].shift(1)
df['normal_cum_return']=(1 + df['normal_return']).cumprod()
df['normal_cum_return'].plot(figsize=(20,16))

print('在不计成本的情况下 净值 ', df['normal_cum_return'].iloc[-1] * 1)
annual_yield=df['normal_return'].mean() * 252     #年化收益率；
print('年化收益率：', annual_yield)
annual_risk=df['normal_return'].std() * 252 ** 0.5   #年化风险；
print('年化风险: ', annual_risk)
trade_count=0
for i in range(0,len(df)-1):
    if df.signal_normal.iloc[i]*df.signal_normal.iloc[i+1] != 1:
        trade_count+=1
print('交易次数： ', trade_count)
#计算夏普比率
sharperatio=np.sqrt(252)*(annual_yield-0.04)/annual_risk
print('夏普率为： ', sharperatio)
df['cumret'] = df['normal_return'].cumsum().apply(np.exp)
df['cummax'] = df['cumret'].cummax()
max_drown = (df['cummax'] - df['cumret']).max()
print('最大回撤：',max_drown)

len(df)

df['beta_modify']=df['beta_normal']*rsquared[-len(df):]

#df[df.beta_right==np.inf]=0
#df[df.beta_right==-np.inf]=0
#df.head()

df[df.beta_modify==np.inf]
df[df.beta_modify==-np.inf]

plt.hist(df.beta_modify, bins=50, normed=True) 
plt.title('11年 至 19年 修正标准分数据分布')

print('batas 修正均值：', df.beta_modify.mean(),'\n',
      'batas 修正标准差：', df.beta_modify.mean(),'\n',
     'batas 修正偏度：', df.beta_modify.skew(),'\n',
     'batas 修正峰度：', df.beta_modify.kurt(),'\n',)

df['signal_modify']=np.where(df.beta_modify>1,1,np.nan)
df['signal_modify']=np.where(df.beta_modify<-1,-1,df['signal_modify'])
df=df.fillna(method='ffill').dropna()
df.tail()

df['modify_return']=df['return']*df['signal_modify'].shift(1)
df['modify_cum_return']=(1 + df['modify_return']).cumprod()
df['modify_cum_return'].plot(figsize=(20,16))

print('在不计成本的情况下\n净值 ', df['modify_cum_return'].iloc[-1])
annual_yield=df['modify_return'].mean() * 252     #年化收益率；
print('年化收益率：', annual_yield)
annual_risk=df['modify_return'].std() * 252 ** 0.5   #年化风险；
print('年化风险: ', annual_risk)
trade_count=0
for i in range(0,len(df)-1):
    if df.signal_modify.iloc[i]*df.signal_modify.iloc[i+1] != 1:
        trade_count+=1
print('交易次数： ', trade_count)
#计算夏普比率
sharperatio=np.sqrt(252)*(annual_yield-0.04)/annual_risk
print('夏普率为： ', sharperatio)
df['cumret'] = df['modify_return'].cumsum().apply(np.exp)
df['cummax'] = df['cumret'].cummax()
max_drown = (df['cummax'] - df['cumret']).max()
print('最大回撤：',max_drown)

df.head()

fig1,ax = plt.subplots(figsize = (20,12))      #plt.subplot会返回一个figure对象和一个坐标轴对象；
plt.plot(df.strategy_cum_return)
plt.plot(df.normal_cum_return)
plt.plot(df.modify_cum_return)
plt.grid(True)
plt.legend()

ax2 = ax.twinx()       #复制上一张子图的横坐标轴；
plt.plot(df.close, 'y.')
plt.legend(loc = 'upper left')
plt.title('RB收盘价与RSRS斜率策略、标准分、修正走势图')

df['10_normal_return']=df['normal_return'].rolling(10).sum().shift(-10)
df.head()

plt.bar(df.beta_normal, df['10_normal_return'], width=0.1)
plt.title('RSRS 标准分对应其后未来 10 日期望收益')

df['10_modify_return']=df['modify_return'].rolling(10).sum().shift(-10)
df.head()

plt.bar(df.beta_modify, df['10_modify_return'], width=0.1)
plt.title('RSRS 修正标准分对应其后未来 10 日期望收益')

df['right_beta']=df['beta']*df['beta_modify']
df.head()

plt.hist(df.right_beta,bins=50, normed=True)
plt.title('11年 至 19年 右偏修正标准分数据分布')

df['10_right_return']=df['modify_return'].rolling(10).sum().shift(-10)

plt.bar(df.right_beta, df['10_right_return'], width=0.1)
plt.title('RSRS 右偏修正标准分对应其后未来 10 日期望收益')

df['signal_right']=np.where(df.right_beta>1.8,1,np.nan)
df['signal_right']=np.where(df.right_beta<-1.8,-1,df['signal_right'])
df=df.fillna(method='ffill').dropna()
df.tail()

df['right_return']=df['return']*df['signal_right'].shift(1)
df['right_cum_return']=(1 + df['right_return']).cumprod()
df['right_cum_return'].plot(figsize=(20,16))

print('在不计成本的情况下 净值 ', df['right_cum_return'].iloc[-1])
annual_yield=df['right_return'].mean() * 252     #年化收益率；
print('年化收益率：', annual_yield)
annual_risk=df['right_return'].std() * 252 ** 0.5   #年化风险；
print('年化风险: ', annual_risk)
trade_count=0
for i in range(0,len(df)-1):
    if df.signal_right.iloc[i]*df.signal_right.iloc[i+1] != 1:
        trade_count+=1
print('交易次数： ', trade_count)
#计算夏普比率
sharperatio=np.sqrt(252)*(annual_yield-0.04)/annual_risk
print('夏普率为： ', sharperatio)
df['cumret'] = df['right_return'].cumsum().apply(np.exp)
df['cummax'] = df['cumret'].cummax()
max_drown = (df['cummax'] - df['cumret']).max()
print('最大回撤：',max_drown)