股票因子扩展2（双神因子计算）——从零到实盘5
前文记录了涨停因子的实现，本文记录双神因子的实现。
双神本质上就是间隔的两个涨停，网上也有人称之为双龙。
主要代码分析
新建源文件，命名为data_center_v4.py，全部内容见文末，v4主要涉及4个方面的改动：
新增计算移动因子函数
def shift_i(df, factor_list, i, fill_value=0, suffix='a'):
该函数用于计算移动因子，用于获取前i日或者后i日的因子，其中：
- 参数df为待计算扩展因子的DataFrame
- 参数factor_list为待移动的因子列表
- 参数i为移动的步数
- 参数fill_value为用于填充NA的值，默认为0
- 参数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
- 返回值为包含扩展因子的DataFrame
shift_df = df[factor_list].shift(i, fill_value=fill_value)
选取需要shift的列构成新的DataFrame，进行shift操作。shift方法实现对数据进行按列移动，更多说明可参见链接。由于移动会产生空值，使用fill_value值对这些空值进行填充。
shift_df.rename(columns={x: '{}_{}{}'.format(x, i, suffix) for x in factor_list}, inplace=True)
对新的DataFrame列进行重命名。例如，将涨停因子zt向下移动2步的得到数据的列名修改为zt_2a。
df = pd.concat([df, shift_df], axis=1)
将重命名后的DataFrame合并到原始DataFrame中。
return df
返回包含扩展因子的DataFrame。
例如，我们计算三美股份sh.603379在2021年9月6日至2021年9月17日10个交易日的因子情况，在计算完涨停因子后，调用下面的代码计算2天前涨停的情况：
print(shift_i(df, ['zt'], 2, fill_value=False)) # test code
date open high low ... pcfNcfTTM isST zt zt_2a
593 2021-09-06 26.08 27.56 25.58 ... -59.964931 0 False False
594 2021-09-07 28.12 30.26 27.01 ... -65.959245 0 True False
595 2021-09-08 31.35 31.42 29.26 ... -65.719472 0 False False
596 2021-09-09 30.10 30.50 28.85 ... -66.482385 0 False True
597 2021-09-10 30.55 31.99 28.20 ... -67.572260 0 False False
598 2021-09-13 31.58 33.38 30.49 ... -70.841885 0 False False
599 2021-09-14 32.52 35.00 31.44 ... -71.822773 0 False False
600 2021-09-15 33.02 36.25 32.10 ... -79.015949 0 True False
601 2021-09-16 37.90 38.00 35.30 ... -77.381136 0 False False
602 2021-09-17 35.51 39.05 35.51 ... -85.119250 0 True True
[10 rows x 19 columns]
对照K线图：
9月7日该股涨停，zt因子结果为True，9月9日的zt_2a因子结果为True，即从9号来看，2天前该股是涨停的，计算结果正确。检查后面的数据也是正确的。
新增计算范围移动因子函数
def shift_till_n(df, factor_list, n, fill_value=0, suffix='a'):
该函数用于计算范围移动因子，获取前/后n日内的相关因子，内部调用了shift_i，其中：
- 参数df为待计算扩展因子的DataFrame
- 参数factor_list为待移动的因子列表
- 参数n为移动的步数范围
- 参数fill_value用于填充NA的值，默认为0
- 参数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
- 返回值为包含扩展因子的DataFrame
for i in range(n):
df = shift_i(df, factor_list, i + 1, fill_value, suffix)
return df
循环调用函数shift_i，计算得到范围移动因子。
新增计算双神因子函数
def ss(df, delta_days=30):
该函数用于计算双神因子，即间隔的两个涨停，其中：
- 参数df为待计算扩展因子的DataFrame
- 参数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
- 返回值为包含扩展因子的DataFrame
若当日形成双神，则因子为True，否则为False。
temp_df = shift_till_n(df, ['zt'], delta_days, fill_value=False)
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。
col_list = ['zt_{}a'.format(x) for x in range(2, delta_days + 1)]
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。
df['ss'] = temp_df[col_list].any(axis=1) & ~temp_df['zt_1a'] & temp_df['zt']
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
return df
返回包含双神因子的DataFrame。
以下是三美股份sh.603379在2021年9月6日至2021年9月17日10个交易日的因子计算情况：
date open high low ... pcfNcfTTM isST zt ss
593 2021-09-06 26.08 27.56 25.58 ... -59.964931 0 False False
594 2021-09-07 28.12 30.26 27.01 ... -65.959245 0 True True
595 2021-09-08 31.35 31.42 29.26 ... -65.719472 0 False False
596 2021-09-09 30.10 30.50 28.85 ... -66.482385 0 False False
597 2021-09-10 30.55 31.99 28.20 ... -67.572260 0 False False
598 2021-09-13 31.58 33.38 30.49 ... -70.841885 0 False False
599 2021-09-14 32.52 35.00 31.44 ... -71.822773 0 False False
600 2021-09-15 33.02 36.25 32.10 ... -79.015949 0 True True
601 2021-09-16 37.90 38.00 35.30 ... -77.381136 0 False False
602 2021-09-17 35.51 39.05 35.51 ... -85.119250 0 True True
[10 rows x 19 columns]
对照上文中的K线图，9月7日双神是因为8月19日和9月7日都是涨停，9月15日双神是因为9月7日和9月15日都是涨停，9月17日双神是因为9月15日和9月17日都是涨停，计算结果正确。
修改计算扩展因子函数
def extend_factor(df):
df = df.pipe(zt).pipe(ss, delta_days=30)
return df
使用pipe计算扩展因子，这里依次计算涨停和双神因子。
小结
本文主要介绍了双神因子的计算，后续继续介绍策略所需的其他因子的实现方式。
到目前为止，创建的数据只是用于打印，未实现存储。因此只要确保程序能正常运行即可，不需要等待程序运行结束。等后续文章所有因子都介绍完成后，我们会进行多线程计算，并将结果保存到MySQL中。
data_center_v4.py的全部代码如下：
import baostock as bs
import datetime
import sys
import numpy as np
import pandas as pd
# 可用日线数量约束
g_available_days_limit = 250
# 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'
def get_stock_codes(date=None):
"""
获取指定日期的A股代码列表
若参数date为空，则返回最近1个交易日的A股代码列表
若参数date不为空，且为交易日，则返回date当日的A股代码列表
若参数date不为空，但不为交易日，则打印提示非交易日信息，程序退出
:param date: 日期
:return: A股代码的列表
"""
# 登录baostock
bs.login()
# 从BaoStock查询股票数据
stock_df = bs.query_all_stock(date).get_data()
# 如果获取数据长度为0，表示日期date非交易日
if 0 == len(stock_df):
# 如果设置了参数date，则打印信息提示date为非交易日
if date is not None:
print('当前选择日期为非交易日或尚无交易数据，请设置date为历史某交易日日期')
sys.exit(0)
# 未设置参数date，则向历史查找最近的交易日，当获取股票数据长度非0时，即找到最近交易日
delta = 1
while 0 == len(stock_df):
stock_df = bs.query_all_stock(datetime.date.today() - datetime.timedelta(days=delta)).get_data()
delta += 1
# 注销登录
bs.logout()
# 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')]
# 返回股票列表
return stock_df['code'].tolist()
def create_data(stock_codes, from_date='1990-12-19', to_date=datetime.date.today().strftime('%Y-%m-%d'),
adjustflag='2'):
"""
下载指定日期内，指定股票的日线数据，计算扩展因子
:param stock_codes: 待下载数据的股票代码
:param from_date: 日线开始日期
:param to_date: 日线结束日期
:param adjustflag: 复权选项 1：后复权 2：前复权 3：不复权 默认为前复权
:return: None
"""
# 下载股票循环
for code in stock_codes:
print('正在下载{}...'.format(code))
# 登录BaoStock
bs.login()
# 下载日线数据
out_df = bs.query_history_k_data_plus(code, g_baostock_data_fields, start_date=from_date, end_date=to_date,
frequency='d', adjustflag=adjustflag).get_data()
# 注销登录
bs.logout()
# 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，则不创建
if not out_df.shape[0]:
continue
# 删除重复数据
out_df.drop_duplicates(['date'], inplace=True)
# 日线数据少于g_available_days_limit，则不创建
if out_df.shape[0] < g_available_days_limit:
continue
# 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)
# 重置索引
out_df.reset_index(drop=True, inplace=True)
# 计算扩展因子
out_df = extend_factor(out_df)
print(out_df)
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计算扩展因子
df = df.pipe(zt).pipe(ss, delta_days=30)
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
if __name__ == '__main__':
stock_codes = get_stock_codes()
create_data(stock_codes)
博客内容只用于交流学习，不构成投资建议，盈亏自负！
个人博客：https://coderx.com.cn/（优先更新）
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！
本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
THE END
二维码