说明：本文只是通过自己的已学知识对
一、分析目的
利用预先设定的策略，通过对股票交易的历史数据进行回测，验证该策略是否能指导股票交易。
二、数据处理
1、数据集描述
数据集简介：此数据集来源于Nasdaq网站，本文获取的是/04/15——/04/15三年的数据。
列名称理解：
原数据表的字段列名非常规范，无需进行重命名，以下是每个列名称的理解：
date:日期
close：收盘价格
volumn：成交量
open：开盘价格
high：日最高价格
low：日最低价格
本次只是简单针对收盘价格进行了分析。
2、 数据清洗
该数据集比较规范，没有重复值以及它异常值需要处理。
3、数据导入
# 加载库
import numpy as np
import pandas as pd
# 加载数据（本次只用到了日期和收盘价）
df = pd.read_csv('E:/相关文件夹/BABA_stock.csv',index_col = 'date',usecols = [0,1])
df.head()
三、数据分析
# 将索引转化为日期索引
df.index = pd.to_datetime(df.index)
# df.index = pd.DatetimeIndex(df.index.str.strip("'"))
df.index
# 按索引排序
df.sort_index(inplace = True )
df.head()
买卖策略：前一天低于60日平均线第二天高于60日平均线时买入，前一天高于60日平均线第二天低于60日平均线时卖出。
1、计算60日移动平均值
ma60 = df.rolling(60).mean().dropna()
ma60
2、找到值从False变为True时买入，True变为False时卖出
ma60_model = df['close'] - ma60['close'] >0
ma60_model
3、找出买点和卖点
# 自定义方法找出买点和卖点
def get_deal_date(w,is_buy = True):
if is_buy == True:
return True if w[0] == False and w[1] == True else False
else:
return True if w[0] == True and w[1] == False else False
# raw=False没有的话会有警告信息
# 如果删除Na值，会有缺失，所以这里用0填充，转换为bool值方便后面取值
se_buy = ma60_model.rolling(2).apply(get_deal_date,raw = False).fillna(0).astype('bool')
se_buy
# apply的args接受数组或者字典给自定义函数传参
se_sale = ma60_model.rolling(2).apply(get_deal_date,raw = False,args = [False]).fillna(0).astype('bool')
se_sale
# 使用布尔索引找出买点和卖点
buy_info = df[se_buy.values]
sale_info = df[se_sale.values]
buy_info
sale_info
4、计算获利情况（每股交易获利情况）
# 转换为数值索引：需要将索引进行处理后再进行运算
no_index_buy_info = buy_info.reset_index(drop = True)
no_index_sale_info = sale_info.reset_index(drop = True)
print(no_index_buy_info.head())
print(no_index_sale_info.head())
# 获利情况
profit = no_index_sale_info - no_index_buy_info
# 最后一组数据中没有卖出点，可能会出现null值
profit.dropna()
# 计算总体利润情况
profit.describe()
# 总共赚了多少钱
profit.sum()
close 57.66
dtype: float64
从图a可以看出每次的买入和卖出有盈有亏，从图b的整体情况来看，总共交易12次，亏损最多的时候是8.61美元，平均每次获利4.8，最多的一次赚了75.5美元；通过对
所有交易进行汇总分析，得出了获利总额为57.66美元，总体来说是盈利的。
5、1w美元的最终盈利情况
策略：将每次卖出的钱投入到下一次进行买入
all_money = 10000
remain = all_money
# 如果加上每次交易金额的万分之三手续费
fee = 0.0003
# 由于最后一次未出现卖点，所以交易次数需要用买入次数减一
for i in range(len(no_index_buy_info)-1):
buy_count = remain/no_index_buy_info.iloc[i]
remain = buy_count * no_index_sale_info.iloc[i]*(1-fee)
print(remain)
close 12413.412104
Name: 0, dtype: float64
close 22301.278558
dtype: float64
close 22412.294488
dtype: float64
close 22024.926199
dtype: float64
close 21439.23349
dtype: float64
close 20885.390796
dtype: float64
close 20576.028522
dtype: float64
close 19640.163023
dtype: float64
close 19232.001776
dtype: float64
close 18857.206606
dtype: float64
close 18595.722503
dtype: float64
close 18044.391215
dtype: float64
从以上结果可以看出：三年获得的利润为8044.39美元，年化大概26%左右，收益总体来说还是很不错的，该策略可以放到其他周期或者其他股票里进行分析，如果都可以获利，说明该策略在指导股票交易上是有效的。
如果觉得《python量化交易策略实例_Python量化实例 – 基于股票的金融数据量化分析》对你有帮助，请点赞、收藏，并留下你的观点哦！
