根据扣非净益率筛选白马股，以及介绍K线图的画法¶
在过去的一年里，“白马股”的概念收到了广泛重视，基本面财务状况良好的白马股涨势强劲。本文希望通过过去三段时间的扣非净益率来筛选优质的白马股。
扣非净益率即扣除非正常损益后的净益率，其计算公式为：（净利润+非正常损益）/股东权益
本来我们的算法是连续三年里，取财报中每一年的扣非净益率和股东权益并相除。但除了计算每年的扣非净益率，我们希望算法可以根据季报计算多个季度的扣非净益率，以适用于更灵活的场景。改进后可以选取三段时间内的扣非净益率之和，并除以每段时间末的股东权益。
传入参数：¶
- q_end：截止时间，由这个时间向前推三个时间段。格式为'20xxqx'，表示某年第几个季度，例：'2016q3'
- p3, p2, p1：由后至前的三个时间段分别覆盖了几个季度。例：3,4,5的输入方式表示最后一段时间覆盖3个季度(2015q4-2016q3)，中间一段覆盖4个季度(2014q4-2015q4)，第一段覆盖5个季度(2013q3-2014q4)。
- r3, r2, r1：由后至前的三个时间段的收益率阈值，即这个时间段内的扣非净益率超过多少才会被留下。经验表明，一个年净利率取0.2比较合适，故前面p为4的话，对应r可取0.2左右。
- date_for_index：根据指数选取指数所含股票的日期。日期不同，指数内包含的函数也不同。
样例：¶
举一个例子：函数输入的时间为2016q3，表示这三段时间的截止时间为2016年第三季度。为了确定三段时间的长度，需要依次输入p3, p2, p1，分别为第三段、第二段、第一段时间包括的季度数量。将每只股在这三个时间段内的扣非净利润加总，再除以每个时间段末的股东权益，就可以得到该公司在这一段时间内的扣非净益率了。
得到三段时间的扣非净益率后，我们根据需要，选取扣非净益率大于阈值的股票。三段时间的阈值也由我们手动输入，这里我们选取三段时间分别为3、4、4个季度，即三段时间由后向前覆盖的季度分别为：2015q4-2016q3、2014q4-2015q4、2013q4-2014q4。根据实验，我们将三段时间内的收益率阈值分别取为0.12,0.18,0.18。
#注意：需先运行下方函数代码，才能运行本段代码
df_use=cal_df('2016q3',3,4,4,0.12,0.18,0.18)
df_use
import numpy as np
import pandas as pd
from jqdata import *
from datetime import datetime
import datetime as dt
import matplotlib.dates as mdates
import matplotlib.pyplot as plt
from matplotlib.finance import candlestick_ohlc
def back(x):
if x[-1]=='1':
return str(int(x[:4])-1)+'q4'
else:
return str(x[:5])+str(int(x[-1])-1)
today=datetime.strptime(str(datetime.now())[:10], '%Y-%m-%d')
def delta_days(x):
d2=datetime.strptime(str(x)[:10], '%Y-%m-%d')
return (today-d2).days
def cal_df(q_end,p3=4,p2=4,p1=4,r3=0.15,r2=0.15,r1=0.15,date_for_index='2017-12-31'):
#选取上证综指和深证成指的全体股票
g1=get_index_stocks('000001.XSHG',date=date_for_index)
g2=get_index_stocks('399001.XSHE',date=date_for_index)
stocks=g1+g2
q1=query(indicator).filter(indicator.code.in_(stocks))
q2=query(balance).filter(balance.code.in_(stocks))
#计算第三段扣非净益率
df=get_fundamentals(q1,statDate=q_end)[['code','adjusted_profit']]
df=df.rename(columns={'adjusted_profit':'prof'+q_end})
df.index=df['code'].values
df_=get_fundamentals(q2,statDate=q_end)[['code','total_owner_equities']]
df_.index=df_['code'].values
df['equity'+q_end]=df_['total_owner_equities']
q_date=q_end
for i in range(p3-1):
q_date=back(q_date)
df_=get_fundamentals(q1,statDate=q_date)[['code','adjusted_profit']]
df_.index=df_['code'].values
df['prof'+q_end]=df['prof'+q_end]+df_['adjusted_profit']
q_end3=q_end
df['rate'+q_end3]=df['prof'+q_end3]/df['equity'+q_end3]
#计算第二段扣非净益率
q_end=back(q_date)
df_=get_fundamentals(q1,statDate=q_end)[['code','adjusted_profit']]
df_.index=df_['code'].values
df['prof'+q_end]=df_['adjusted_profit']
df_=get_fundamentals(q2,statDate=q_end)[['code','total_owner_equities']]
df_.index=df_['code'].values
df['equity'+q_end]=df_['total_owner_equities']
q_date=q_end
for i in range(p2-1):
q_date=back(q_date)
df_=get_fundamentals(q1,statDate=q_date)[['code','adjusted_profit']]
df_.index=df_['code'].values
df['prof'+q_end]=df['prof'+q_end]+df_['adjusted_profit']
q_end2=q_end
df['rate'+q_end2]=df['prof'+q_end2]/df['equity'+q_end2]
#计算第一段扣非净益率
q_end=back(q_date)
df_=get_fundamentals(q1,statDate=q_end)[['code','adjusted_profit']]
df_.index=df_['code'].values
df['prof'+q_end]=df_['adjusted_profit']
df_=get_fundamentals(q2,statDate=q_end)[['code','total_owner_equities']]
df_.index=df_['code'].values
df['equity'+q_end]=df_['total_owner_equities']
q_date=q_end
for i in range(p1-1):
q_date=back(q_date)
df_=get_fundamentals(q1,statDate=q_date)[['code','adjusted_profit']]
df_.index=df_['code'].values
df['prof'+q_end]=df['prof'+q_end]+df_['adjusted_profit']
q_end1=q_end
df['rate'+q_end1]=df['prof'+q_end1]/df['equity'+q_end1]
#选取符合条件的股票
df=df[(df['rate'+q_end1]>r1) & (df['rate'+q_end2]>r2) & (df['rate'+q_end3]>r3)
&(df['prof'+q_end1]>0)&(df['prof'+q_end2]>0)&(df['prof'+q_end3]>0)]
df=df[['rate'+q_end3,'rate'+q_end2,'rate'+q_end1]]
#对符合条件的股票进行处理
#start_date:上市日期 days:上市天数 pe_ratio：当天的市盈率 market_cap：当天的市值
sat_list=list(df.index)
name_list=list(map(lambda x:get_security_info(x).display_name,sat_list))
start_list=list(map(lambda x:get_security_info(x).start_date,sat_list))
df.insert(0,'name',name_list)
df['start_date']=start_list
days_list=list(map(lambda x:delta_days(x),start_list))
df['days']=days_list
df=df.sort(columns='rate'+q_end3,ascending=False)
q3=query(valuation).filter(valuation.code.in_(sat_list))
fund=get_fundamentals(q3)[['code','pe_ratio','market_cap']]
fund.index=fund['code'].values
df['pe_ratio']=fund['pe_ratio']
df['market_cap']=fund['market_cap']
return df
通过扣非净益率得到符合条件的白马股之后，不考虑未来函数的因素，将这些股票组成一个投资组合，并考察自15年初起该投资组合的K线图。
传入参数：¶
- df：上一部分计算后得到的dataframe结果。
- st_date, ed_date：画图选取的开始时间和结束时间。需要注意的是，如果将画图开始时间选得太早，有的股票可能还没上市，所以最好取2015年及其以后的日期作为开始时间。
- freq：调取价格的频率，默认为5分钟一次。精度越高，对投资组合价格变动的刻画就越精确。
- delta：画图时，K线图里每一个bar是由多少个价格画出来的。由于一天的交易时间是240分钟，故如果取freq=5m，一天就是48个价格。经验表明，若freq=5m，将delta取为240比较合适，大概需要跑1~2分钟。
这里向大家推荐一个画K线图的函数：matplotlib.finance中的candlestick_ohlc。具体使用方法可以参照下文的函数，也可以点击这里看matplotlib的官方示例。
#注意：需先运行下方函数代码，才能运行本段代码
draw_k(df_use,'2015-01-05','2017-12-29')
def draw_k(df,st_date,ed_date,freq='5m',delta=240):
#获取需要使用的股票代码，并标记开始和结束的日期
value_stocks=list(df.index)
days=get_all_trade_days()
trade_days=list(map(lambda x:str(x),days))
for i in range(len(trade_days)):
if trade_days[i]==st_date:
day_flag1=i
if trade_days[i]==ed_date:
day_flag2=i
#获取对应股票的价格，获取投资组合的价格情况
prices=get_price(value_stocks,start_date=trade_days[day_flag1],end_date=trade_days[day_flag2],frequency=freq)
prices['sum']=prices.sum(axis=1)
close_=prices['close'].sum(axis=1).values
open_=prices['open'].sum(axis=1).values
high_=prices['high'].sum(axis=1).values
low_=prices['low'].sum(axis=1).values
volum_=prices['volume'].sum(axis=1).values
closep=list(close_[delta*i+delta-1] for i in range(int(len(close_)/delta)))
openp=list(close_[delta*i] for i in range(int(len(close_)/delta)))
highp=list(max(close_[delta*i:delta*i+delta-1]) for i in range(int(len(close_)/delta)))
lowp=list(min(close_[delta*i:delta*i+delta-1]) for i in range(int(len(close_)/delta)))
volume=list(np.mean(close_[delta*i:delta*i+delta-1]) for i in range(int(len(close_)/delta)))
x,y,candleAr=0,len(closep),[]
date = np.linspace(0,y,y)
while x < y:
appendLine = date[x],openp[x],highp[x],lowp[x],closep[x],volume[x]
candleAr.append(appendLine)
x += 1
#提取日期，绘制K线图横坐标
quotes2=get_price('000001.XSHE', start_date=st_date, end_date=ed_date, frequency='daily',skip_paused=False)
t = quotes2.index.values
t1 = t[-len(t):].astype(dt.date)/1000000000
ti=[]
for i in range(int(len(t)/50)):
a=i*50
d = dt.date.fromtimestamp(t1[a])
t2=d.strftime('$%Y-%m-%d$')
ti.append(t2)
d1= dt.date.fromtimestamp(t1[len(t)-1])
d2=d1.strftime('$%Y-%m-%d$')
ti.append(d2)
#绘制K线图
fig = plt.figure(figsize=(16, 8))
ax1 = plt.subplot2grid((10,4),(0,0),rowspan=10,colspan=4)
candlestick_ohlc(ax1, candleAr, width=0.5, colorup='r', colordown='g', alpha=0.6)
ax1.set_xticks(np.linspace(-2,len(closep)+2,len(ti)))
ax1.set_xticklabels(ti)
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
plt.show()
