[点击右上角Star和Watch来跟踪项目进展! 点击Fork来创建属于你的QUANTAXIS!]
欢迎加群讨论: 群链接
QUANTAXIS量化金融策略框架,是一个面向中小型策略团队的量化分析解决方案. 我们通过高度解耦的模块化以及标准化协议,可以快速的实现面向场景的定制化解决方案.QUANTAXIS是一个渐进式的开放式框架,你可以根据自己的需要,引入自己的数据,分析方案,可视化过程等,也可以通过RESTful接口,快速实现多人局域网/广域网内的协作.
======
已经实现：
- 日线（自1990年）回测 [定点复权] (T+1)
- 分钟线 [1min/5min/15min/30min/60min]回测 (T+1)
- 股指期货日线(T+0)/指数日线/ETF日线
- 股指期货分钟线(T+0) / 指数分钟线/ETF分钟线 [1min/5min/15min/30min/60min]
- 基于tushare/pytdx/各种爬虫的数据源
- 实时交易数据
- 基于Vue.js的前端网站
- 自定义的数据结构
- 指标计算
- 板块数据(0.5.1新增)
预计实现:
- 文档更新
- 基本面数据
- Windows/Linux(ubuntu) 已测试通过
- python3.6(开发环境) python2 回测框架不兼容(attention! 之后会逐步用更多高级语法) [*] 如果需要交易,请下载32位的python3.6
- nodejs 需要安装>7的版本,来支持es6语法
- mongodb是必须要装的
- 强烈推荐mongodb的可视化库 robomongo 百度即可下载
一个简易demo(需要先安装并启动mongodb,python版本需要大于3)
windows
百度搜索:git 下载--exe安装
linux
自带 无需安装
Windows
-
下载地址 MongoDB 64位 3.4.7:下载链接
-
可以使用迅雷下载加速
-
下载完毕以后双击MSI文件安装,一般会安装到C:\Program Files\MongoDB\Server\3.4\bin
- MongoDB需要一个data目录一个logo目录,一般我们会在D:中新建一个data目录
# 打开Powershell(Win键+R 在运行中输入Powershell)
cd D:
md data
# 然后在data目录下 新建一个data目录用于存放mongo的数据,log目录用于存放log
cd data
md data
md log
# 到Mongo的程序文件夹下,使用命令
cd C:\Program Files\MongoDB\Server\3.4\bin
# 用mongod 命令安装
.\mongod.exe --dbpath D:\data\data --logpath D:\data\log\mongo.log --httpinterface --rest --serviceName 'MongoDB' --install
# 启动mongodb服务
net start MongoDBlinux
- Ubuntu
# 添加源
sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv 0C49F3730359A14518585931BC711F9BA15703C6
# Ubuntu 12.04
echo "deb [ arch=amd64 ] http://repo.mongodb.org/apt/ubuntu precise/mongodb-org/3.4 multiverse" | sudo tee /etc/apt/sources.list.d/mongodb-org-3.4.list
# Ubuntu 14.04
echo "deb [ arch=amd64 ] http://repo.mongodb.org/apt/ubuntu trusty/mongodb-org/3.4 multiverse" | sudo tee /etc/apt/sources.list.d/mongodb-org-3.4.list
# Ubuntu 16.04
echo "deb [ arch=amd64,arm64 ] http://repo.mongodb.org/apt/ubuntu xenial/mongodb-org/3.4 multiverse" | sudo tee /etc/apt/sources.list.d/mongodb-org-3.4.list
# 更新源
sudo apt-get update
# 安装MongoDB
sudo apt-get install -y mongodb-org
# 开启MongoDB服务
sudo service mongod start
windows
官网链接: https://nodejs.org/zh-cn/download/current/
直接下载exe 按要求安装即可 最新版本 8.2.1
Linux
- Ubuntu
sudo apt-get install npm
sudo npm install n -g
sudo n latest
sudo npm install npm -g #更新npm
sudo npm install forever -g #安装一个全局的forever 用于之后启动linux/mac下的nodejs有一个版本管理包 叫n 需要全局安装 -g
所以无论装了什么版本的nodejs 只需要npm install n -g 就行
Linux
#install python3.6 in linux
sudo add-apt-repository ppa:jonathonf/python-3.6
sudo apt-get update
sudo apt-get install python3.6
wget https://bootstrap.pypa.io/get-pip.py
sudo -H python3.6 get-pip.pyWindows
建议直接安装Anaconda包,记住在安装时 选择添加path不然后面会很麻烦
python的一些需要编译的包的安装
安装TA-Lib
Ubuntu
sudo apt-get update
sudo apt-get install python3.6-dev
# 装talib前要先装numpy
python3.6 -m pip install numpy -i https://pypi.doubanio.com/simple
wget http://prdownloads.sourceforge.net/ta-lib/ta-lib-0.4.0-src.tar.gz
tar -xzvf ta-lib-0.4.0-src.tar.gz
cd ta-lib
./configure --prefix=/usr
make
sudo make install
cd ..
pip install TA-Lib
# 安装剩余的依赖项
python3.6 -m pip install -r requirements.txt -i https://pypi.doubanio.com/simple
python3.6 -m pip install tushare https://pypi.doubanio.com/simple
Windows
# 访问http://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载对应的whl安装包
# pip install xxxxx(文件名).whl
git clone https://github.com/yutiansut/quantaxis
cd quantaxis .
pip install -r requirements.txt -i https://pypi.doubanio.com/simple
pip install tushare https://pypi.doubanio.com/simple
(sudo) pip install -e . # 一定要用这种方法,python setup.py install方法无法解压 安装在本目录下的开发模式
cd QUANTAXIS_Webkit
(sudo) npm install forever -g
# 先去后台项目的文件夹安装
cd backend
(sudo) npm install
# 再去前端的文件夹安装
cd ..
cd web
(sudo) npm install在命令行输入 quantaxis 进去quantaxis CLI quantaxis> save all
随意新建一个目录:(不要跟QUANTAXIS文件夹在一个目录)
在命令行输入 quantaxis 进去quantaxis CLI
输入examples 在当前目录下生成一个示例策略
运行这个示例策略:
python backtest.py
一般而言 日线4个组合的回测(一年)在14-17秒左右 5min级别4个组合的回测(一年)在3-4分钟左右
启动网络插件(nodejs 版本号需要大于6,最好是7)
cd QUANTAXIS_Webkit
# 先启动后台服务器 在3000端口
cd backend
(sudo) forever start bin/www
cd ..
# 再启动前端服务器 在8080端口
cd web
(sudo) npm run dev 或者 forever start build/dev-server.js会自动启动localhost:8080网页端口,用账户名admin,密码admin登录 (注明: admin注册是在python的QUANTAXIS save all时候执行的)
另外 如果save all已经执行,依然登录不进去 点击插件状态 查看3000端口是否打开
登录后点击左上角 <模拟回测> 在模拟回测的选择界面的用户名搜索框输入回测的时候的用户名(默认是admin),回车
选择和你回测策略中名称一致的结果即可进入可视化界面
由于目前项目还在开发中,所以需要使用Git来更新项目:
点击右上角的Star和watch来持续跟踪项目进展~
常规更新:
cd QUANTAXIS
git pull
如果本地有进行更改,遇到更新失败:
(注意: 最好不要在本地修改该项目文件,如果需要做一些自定义功能,可以进fork[在项目的右上角])
git reset --hard origin/master
git pull
写代码不易...写文档最难过...请作者喝杯咖啡呗?
(PS: 支付的时候 请带上你的名字/昵称呀 会维护一个赞助列表~ )
第一天挂上项目捐赠就有童靴赞助支持蟹蟹蟹蟹
准备把项目捐赠的钱 以及我自己会补一部分进来 维护一个基金会 主要是奖励文档编写和bug提交的童鞋们~
QUANTAXIS 是一个渐进式的框架,也就是说 你可以很简单的只使用回测部分,也可以逐步深入开发,从数据源获取/数据库替代,到回测的引擎的修改,自定义交易模式,事件修改等等.
在0.5.0以前,api都不是很稳定,所以文档这块比较欠缺,暂时先给一些常用的api说明:
from QUANTAXIS import QA_Backtest as QB
#常量:
QB.backtest_type #回测类型 day/1min/5min/15min/30min/60min/index_day/index_1min/index_5min/index_15min/index_30min/index_60min/
QB.account.message #当前账户消息
QB.account.cash #当前可用资金
QB.account.hold # 当前账户持仓
QB.account.history #当前账户的历史交易记录
QB.account.assets #当前账户总资产
QB.account.detail #当前账户的交易对账单
QB.account.init_assest #账户的最初资金
QB.strategy_gap #前推日期
QB.strategy_name #策略名称
QB.strategy_stock_list #回测初始化的时候 输入的一个回测标的
QB.strategy_start_date #回测的开始时间
QB.strategy_end_date #回测的结束时间
QB.today #在策略里面代表策略执行时的日期
QB.now #在策略里面代表策略执行时的时间
QB.benchmark_code #策略业绩评价的对照行情
QB.backtest_print_log = True # 是否在屏幕上输出结果
QB.setting.QA_setting_user_name = str('admin') #回测账户
QB.setting.QA_setting_user_password = str('admin') #回测密码
#函数:
#获取市场(基于gap)行情:
QB.QA_backtest_get_market_data(QB,code,QB.today/QB.now)
- 可选项: gap_
- 可选项: type_ 'lt','lte' 默认是lt
#获取单个bar
QB.QA_backtest_get_market_data_bar(QB,code,QB.today/QB.now)
#拿到开高收低量
Open,High,Low,Close,Volume=QB.QA_backtest_get_OHLCV(QB,QB.QA_backtest_get_market_data(QB,item,QB.today))
#获取市场自定义时间段行情:
QA.QA_fetch_stock_day(code,start,end,model)
#一键平仓:
QB.QA_backtest_sell_all(QB)
#报单:
QB.QA_backtest_send_order(QB, code,amount,towards,order: dict)
"""
order有三种方式:
1.限价成交 order['bid_model']=0或者l,L
注意: 限价成交需要给出价格:
order['price']=xxxx
2.市价成交 order['bid_model']=1或者m,M,market,Market [其实是以bar的开盘价成交]
3.严格成交模式 order['bid_model']=2或者s,S
及 买入按bar的最高价成交 卖出按bar的最低价成交
3.收盘价成交模式 order['bid_model']=3或者c,C
"""
#查询当前一只股票的持仓量
QB.QA_backtest_hold_amount(QB,code)
#查询当前一只股票的可卖数量
QB.QA_backtest_sell_available(QB,code)
#查询当前一只股票的持仓平均成本
QB.QA_backtest_hold_price(QB,code)QA_DataStruct
属性用@property装饰器装饰,进行懒运算 提高效率
DataStruct具有的功能:
- 数据容器
- 数据变换 [分拆/合并/倒序] split/merge/reverse
- 数据透视 pivot
- 数据筛选 select_time/select_time_with_gap/select_code/get_bar
- 数据复权 to_qfq/to_hfq
- 数据显示 show
- 格式变换 to_json/to_pandas/to_list/to_numpy
- 数据库式查询 query
- 画图 plot
- 计算指标 add_func
QA_DataStruct_Stock_block
- (属性)该类下的所有板块名称 block_name
- 查询某一只股票所在的所有板块 get_code(code)
- 查询某一个板块下的所有股票 get_block(block)
- 展示当前类下的所有数据 show
我们可以通过
import QUANTAXIS as QA
# QA.QA_fetch_stock_day_adv
# QA.QA_fetch_stock_min_adv
# QA.QA_fetch_index_day_adv
# QA.QA_fetch_index_min_adv
day线的参数是code, start, end min线的参数是code, start, end, type_='1min'
其中 code 可以是一个股票,也可以是一列股票(list)
取一个股票的数据
QA.QA_fetch_stock_day_adv('000001','2017-01-01','2017-10-01')
In [5]: QA.QA_fetch_stock_day_adv('000001','2017-01-01','2017-10-01')
Out[5]: QA_DataStruct_Stock_day with 1 securities
取多个股票的数据
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-01-01','2017-10-01')
In [6]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-01-01','2017-10-01')
Out[6]: QA_DataStruct_Stock_day with 2 securities
显示结构体的数据 .data
In [10]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').data
Out[10]:
code open high low close volume date
date code
2017-09-20 000001 000001 11.14 11.37 11.05 11.29 787154.0 2017-09-20
2017-09-21 000001 000001 11.26 11.51 11.20 11.46 692407.0 2017-09-21
2017-09-22 000001 000001 11.43 11.52 11.31 11.44 593927.0 2017-09-22
2017-09-25 000001 000001 11.44 11.45 11.18 11.29 532391.0 2017-09-25
2017-09-26 000001 000001 11.26 11.30 10.96 11.05 967460.0 2017-09-26
2017-09-27 000001 000001 11.01 11.08 10.90 10.93 727188.0 2017-09-27
2017-09-28 000001 000001 10.98 10.98 10.82 10.88 517220.0 2017-09-28
2017-09-29 000001 000001 10.92 11.16 10.86 11.11 682280.0 2017-09-29
2017-09-20 000002 000002 28.50 29.55 28.00 28.73 613095.0 2017-09-20
2017-09-21 000002 000002 28.50 29.06 27.75 28.40 536324.0 2017-09-21
2017-09-22 000002 000002 28.39 28.67 27.52 27.81 423093.0 2017-09-22
2017-09-25 000002 000002 27.20 27.20 26.10 26.12 722702.0 2017-09-25
2017-09-26 000002 000002 26.12 27.22 26.10 26.76 593044.0 2017-09-26
2017-09-27 000002 000002 27.00 27.28 26.52 26.84 367534.0 2017-09-27
2017-09-28 000002 000002 27.00 27.15 26.40 26.41 262347.0 2017-09-28
2017-09-29 000002 000002 26.56 26.80 26.00 26.25 345752.0 2017-09-29
显示结构体的开/高/收/低 .open/.high/.close/.low
In [5]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').high
Out[5]:
date code
2017-09-20 000001 11.37
2017-09-21 000001 11.51
2017-09-22 000001 11.52
2017-09-25 000001 11.45
2017-09-26 000001 11.30
2017-09-27 000001 11.08
2017-09-28 000001 10.98
2017-09-29 000001 11.16
2017-09-20 000002 29.55
2017-09-21 000002 29.06
2017-09-22 000002 28.67
2017-09-25 000002 27.20
2017-09-26 000002 27.22
2017-09-27 000002 27.28
2017-09-28 000002 27.15
2017-09-29 000002 26.80
Name: high, dtype: float64
数据结构复权to_qfq()/to_hfq()
返回的是一个DataStruct,用.data展示返回的数据的结构
其中DataStruct.if_fq的属性会改变
In [4]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').to_qfq().data
Out[4]:
code open high low close volume date \
date code
2017-09-20 000001 000001 11.14 11.37 11.05 11.29 787154.0 2017-09-20
2017-09-21 000001 000001 11.26 11.51 11.20 11.46 692407.0 2017-09-21
2017-09-22 000001 000001 11.43 11.52 11.31 11.44 593927.0 2017-09-22
2017-09-25 000001 000001 11.44 11.45 11.18 11.29 532391.0 2017-09-25
2017-09-26 000001 000001 11.26 11.30 10.96 11.05 967460.0 2017-09-26
2017-09-27 000001 000001 11.01 11.08 10.90 10.93 727188.0 2017-09-27
2017-09-28 000001 000001 10.98 10.98 10.82 10.88 517220.0 2017-09-28
2017-09-29 000001 000001 10.92 11.16 10.86 11.11 682280.0 2017-09-29
2017-09-20 000002 000002 28.50 29.55 28.00 28.73 613095.0 2017-09-20
2017-09-21 000002 000002 28.50 29.06 27.75 28.40 536324.0 2017-09-21
2017-09-22 000002 000002 28.39 28.67 27.52 27.81 423093.0 2017-09-22
2017-09-25 000002 000002 27.20 27.20 26.10 26.12 722702.0 2017-09-25
2017-09-26 000002 000002 26.12 27.22 26.10 26.76 593044.0 2017-09-26
2017-09-27 000002 000002 27.00 27.28 26.52 26.84 367534.0 2017-09-27
2017-09-28 000002 000002 27.00 27.15 26.40 26.41 262347.0 2017-09-28
2017-09-29 000002 000002 26.56 26.80 26.00 26.25 345752.0 2017-09-29
preclose adj
date code
2017-09-20 000001 NaN 1.0
2017-09-21 000001 11.29 1.0
2017-09-22 000001 11.46 1.0
2017-09-25 000001 11.44 1.0
2017-09-26 000001 11.29 1.0
2017-09-27 000001 11.05 1.0
2017-09-28 000001 10.93 1.0
2017-09-29 000001 10.88 1.0
2017-09-20 000002 NaN 1.0
2017-09-21 000002 28.73 1.0
2017-09-22 000002 28.40 1.0
2017-09-25 000002 27.81 1.0
2017-09-26 000002 26.12 1.0
2017-09-27 000002 26.76 1.0
2017-09-28 000002 26.84 1.0
2017-09-29 000002 26.41 1.0
数据透视 .pivot()
In [6]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').pivot('open')
Out[6]:
code 000001 000002
date
2017-09-20 11.14 28.50
2017-09-21 11.26 28.50
2017-09-22 11.43 28.39
2017-09-25 11.44 27.20
2017-09-26 11.26 26.12
2017-09-27 11.01 27.00
2017-09-28 10.98 27.00
2017-09-29 10.92 26.56
数据的时间筛选.select_time(start,end)
In [10]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_time('2017-09-20','2017-09-25')
Out[10]: QA_DataStruct_Stock_day with 2 securities
In [11]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_time('2017-09-20','2017-09-25').data
Out[11]:
code open high low close volume date
date code
2017-09-20 000001 000001 11.14 11.37 11.05 11.29 787154.0 2017-09-20
2017-09-21 000001 000001 11.26 11.51 11.20 11.46 692407.0 2017-09-21
2017-09-22 000001 000001 11.43 11.52 11.31 11.44 593927.0 2017-09-22
2017-09-25 000001 000001 11.44 11.45 11.18 11.29 532391.0 2017-09-25
2017-09-20 000002 000002 28.50 29.55 28.00 28.73 613095.0 2017-09-20
2017-09-21 000002 000002 28.50 29.06 27.75 28.40 536324.0 2017-09-21
2017-09-22 000002 000002 28.39 28.67 27.52 27.81 423093.0 2017-09-22
2017-09-25 000002 000002 27.20 27.20 26.10 26.12 722702.0 2017-09-25
数据按时间往前/往后推 select_time_with_gap(time,gap,methods)
time是你选择的时间 gap是长度 (int) methods有 '<=','lte','<','lt','eq','==','>','gt','>=','gte'的选项
In [14]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_time_with_gap('2017-09-20',2,'gt')
Out[14]: QA_DataStruct_Stock_day with 2 securities
In [15]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_time_with_gap('2017-09-20',2,'gt').data
Out[15]:
code open high low close volume date
date code
2017-09-21 000001 000001 11.26 11.51 11.20 11.46 692407.0 2017-09-21
2017-09-22 000001 000001 11.43 11.52 11.31 11.44 593927.0 2017-09-22
2017-09-21 000002 000002 28.50 29.06 27.75 28.40 536324.0 2017-09-21
2017-09-22 000002 000002 28.39 28.67 27.52 27.81 423093.0 2017-09-22
选取结构组里面某一只股票select_code(code)
In [16]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_code('000001')
Out[16]: QA_DataStruct_Stock_day with 1 securities
In [17]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_code('000001').data
Out[17]:
code open high low close volume date
date code
2017-09-20 000001 000001 11.14 11.37 11.05 11.29 787154.0 2017-09-20
2017-09-21 000001 000001 11.26 11.51 11.20 11.46 692407.0 2017-09-21
2017-09-22 000001 000001 11.43 11.52 11.31 11.44 593927.0 2017-09-22
2017-09-25 000001 000001 11.44 11.45 11.18 11.29 532391.0 2017-09-25
2017-09-26 000001 000001 11.26 11.30 10.96 11.05 967460.0 2017-09-26
2017-09-27 000001 000001 11.01 11.08 10.90 10.93 727188.0 2017-09-27
2017-09-28 000001 000001 10.98 10.98 10.82 10.88 517220.0 2017-09-28
2017-09-29 000001 000001 10.92 11.16 10.86 11.11 682280.0 2017-09-29
取某一只股票的某一个时间的bar(code,time,if_trade)
第三个选项 默认是True
第三选项的意义在于,如果出现了停牌,参数如果是True 那么就会返回空值 而如果是False,就会返回停牌前最后一个交易日的值
In [18]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').get_bar('000001','2017-09-20',True)
Out[18]: QA_DataStruct_Stock_day with 1 securities
In [19]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').get_bar('000001','2017-09-20',True).data
Out[19]:
code open high low close volume date
date code
2017-09-20 000001 000001 11.14 11.37 11.05 11.29 787154.0 2017-09-20
画图 plot(code)
如果是()空值 就会把全部的股票都画出来
In [20]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').plot()
QUANTAXIS>> The Pic has been saved to your path: .\QA_stock_day_codepackage_bfq.html
In [21]: QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').plot('000001')
QUANTAXIS>> The Pic has been saved to your path: .\QA_stock_day_000001_bfq.html
QUANTAXIS的核心数据结构有一个方法叫add_func(func,*args,**kwargs),作为一个指标入口,会返回一个和DataStruct中股票数量一致长度的list
QUANTAXIS有两种类型的指标:
- 基础指标(输入为Series的指标)
- 应用级指标(可应用于DataStruct的指标)
其中,基础指标是为了应用级指标做准备的,及对应于Series的分析和dataframe的分析的关系
基础类指标 [基本和同花顺/通达信一致]
import QUANTAXIS as QA
QA.MA(Series, N)
QA.EMA(Series, N)
QA.DIFF(Series, N=1)
QA.HHV(Series, N)
QA.LLV(Series, N)
QA.SUM(Series, N)
QA.ABS(Series)
QA.MAX(A, B)
QA.MIN(A, B)
QA.CROSS(A, B)
QA.COUNT(COND, N)
QA.IF(COND, V1, V2)
QA.REF(Series, N)
QA.STD(Series, N)
QA.AVEDEV(Series, N)
QA.BBIBOLL(Series, N1, N2, N3, N4, N, M)应用级指标 add_func(func)
import QUANTAXIS as QA
QA.QA_indicator_OSC(DataFrame, N, M)
QA.QA_indicator_BBI(DataFrame, N1, N2, N3, N4)
QA.QA_indicator_PBX(DataFrame, N1, N2, N3, N4, N5, N6)
QA.QA_indicator_BOLL(DataFrame, N)
QA.QA_indicator_ROC(DataFrame, N, M)
QA.QA_indicator_MTM(DataFrame, N, M)
QA.QA_indicator_KDJ(DataFrame, N=9, M1=3, M2=3)
QA.QA_indicator_MFI(DataFrame, N)
QA.QA_indicator_ATR(DataFrame, N)
QA.QA_indicator_SKDJ(DataFrame, N, M)
QA.QA_indicator_WR(DataFrame, N, N1)
QA.QA_indicator_BIAS(DataFrame, N1, N2, N3)
QA.QA_indicator_RSI(DataFrame, N1, N2, N3)
QA.QA_indicator_ADTM(DataFrame, N, M)
QA.QA_indicator_DDI(DataFrame, N, N1, M, M1)
QA.QA_indicator_CCI(DataFrame, N=14)自己写一个指标:
比如 绝路航标
import QUANTAXIS as QA
def JLHB(data, m=7, n=5):
"""
通达信定义
VAR1:=(CLOSE-LLV(LOW,60))/(HHV(HIGH,60)-LLV(LOW,60))*80;
B:SMA(VAR1,N,1);
VAR2:SMA(B,M,1);
绝路航标:IF(CROSS(B,VAR2) AND B<40,50,0);
"""
var1 = (data['close'] - QA.LLV(data['low'], 60)) / \
(QA.HHV(data['high'], 60) - QA.LLV(data['low'], 60)) * 80
B = QA.MA(var1, m)
var2 = QA.MA(B, n)
if QA.CROSS(B,var2) and B[-1]<40:
return 1
else:
return 0
# 得到指标
QA.QA_fetch_stock_day_adv('000001','2017-01-01','2017-01-31').to_qfq().add_func(JLHB)主要是针对行情的各种统计学特征/指标等分析,支持QA_DataStruct_系列的add_func()功能
接收DataFrame形式的行情以及QUANTAXIS.QADATA格式的行情
目前有:
(属性)
- 一阶差分
- 样本方差
- 方差
- 标准差
- 样本标准差
- 平均数
- 调和平均数
- 众数
- 振幅(极差)
- 偏度
- 峰度
- 百分比变化
- 平均绝对偏差
import QUANTAXIS as QA
data=QA.QA_fetch_stock_day_adv('600066','2013-12-01','2017-10-01') #[可选to_qfq(),to_hfq()]
s=QA.QA_Analysis_stock(data)
# s 的属性是( < QA_Analysis_Stock > )
s.open # 开盘价序列
s.close # 收盘价序列
s.high # 最高价序列
s.low # 最低价序列
s.vol # 量
s.volume # 同vol
s.date # 日期
s.datetime
s.index # 索引
s.price # 平均价(O+H+L+C)/4
s.mean # price的平均数
s.max # price的最大值
s.min # price的最小值
s.mad # price的平均绝对偏差
s.mode # price的众数(没啥用)
s.price_diff # price的一阶差分
s.variance # price的方差
s.pvariance # price的样本方差
s.stdev # price的标准差
s.pstdev # price的样本标准差
s.mean_harmonic # price的调和平均数
s.amplitude #price的振幅[极差]
s.skewnewss # price的峰度 (4阶中心距)
s.kurtosis # price的偏度 (3阶中心距)
s.pct_change # price的百分比变化序列
s.add_func(QA.QA_indicator_CCI) # 指标计算, 和DataStruct用法一致import QUANTAXIS as QA
"""
QA.QA_fetch_get_ 系列:
从网上获取数据
"""
QA.QA_util_log_info('日线数据')
QA.QA_util_log_info('不复权')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_day('00001','2017-01-01','2017-01-31')
QA.QA_util_log_info('前复权')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_day('00001','2017-01-01','2017-01-31','01')
QA.QA_util_log_info('后复权')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_day('00001','2017-01-01','2017-01-31','02')
QA.QA_util_log_info('定点前复权')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_day('00001','2017-01-01','2017-01-31','03')
QA.QA_util_log_info('定点后复权')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_day('00001','2017-01-01','2017-01-31','04')
QA.QA_util_log_info('分钟线')
QA.QA_util_log_info('1min')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_min('000001','2017-07-01','2017-08-01','1min')
QA.QA_util_log_info('5min')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_min('000001','2017-07-01','2017-08-01','5min')
QA.QA_util_log_info('15min')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_min('000001','2017-07-01','2017-08-01','15min')
QA.QA_util_log_info('除权除息')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_xdxr('00001')
QA.QA_util_log_info('股票列表')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_list('stock')
QA.QA_util_log_info('指数列表')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_list('index')
QA.QA_util_log_info('全部列表')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_list('all')
QA.QA_util_log_info('指数日线')
data=QA.QAFetch.QATdx.QA_fetch_get_index_day('000001','2017-01-01','2017-09-01')
QA.QA_util_log_info('指数分钟线')
QA.QA_util_log_info('1min')
data=QA.QAFetch.QATdx.QA_fetch_get_index_min('000001','2017-07-01','2017-08-01','1min')
QA.QA_util_log_info('5min')
data=QA.QAFetch.QATdx.QA_fetch_get_index_min('000001','2017-07-01','2017-08-01','5min')
QA.QA_util_log_info('15min')
data=QA.QAFetch.QATdx.QA_fetch_get_index_min('000001','2017-07-01','2017-08-01','15min')
QA.QA_util_log_info('最后一次交易价格')
QA.QA_util_log_info('参数为列表')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_latest(['000001','000002'])
QA.QA_util_log_info('参数为一只股票')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_latest('000001')
QA.QA_util_log_info('实时价格')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_realtime(['000001','000002'])
QA.QA_util_log_info('分笔成交')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_transaction('000001','2001-01-01','2001-01-15')
QA.QA_util_log_info('板块数据')
data=QA.QAFetch.QATdx.QA_fetch_get_stock_block()
"""
QA.QA_fetch_ 系列
从本地数据库获取数据
"""
# 股票
QA_fetch_stock_day_adv(code,start,end)
QA_fetch_stock_min_adv(code,start,end,type_='1min') # type_可以选1min/5min/15min/30min/60min
# 指数/ETF
QA_fetch_index_day_adv(code,start,end)
QA_fetch_index_min_adv(code,start,end,type_='1min') # type_可以选1min/5min/15min/30min/60min
# 板块
QA_fetch_stock_block_adv(code)
QUANTAXIS-Stardand-Protocol 版本号0.0.8
详情参见 QUANATXISProtocol