量化选股就是采用数量的方法判断某个公司是否值得买入的行为。根据某个方法，如果该公司满足了该方法的条件，则放入股票池，如果不满足，则从股票池中剔除。量化选股的方法有很多种，总的来说，可以分为公司估值法、趋势法和资金法三大类。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 |
import numpy as np # 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。 def init(context): # 查询revenue前十名的公司的股票并且他们的pe_ratio在55和60之间。打fundamentals的时候会有auto-complete方便写查询代码。 fundamental_df = get_fundamentals( query( fundamentals.income_statement.revenue, fundamentals.eod_derivative_indicator.pe_ratio ).filter( fundamentals.eod_derivative_indicator.pe_ratio > 55 ).filter( fundamentals.eod_derivative_indicator.pe_ratio < 60 ).order_by( fundamentals.income_statement.revenue.desc() ).limit( 10 ) ) # 将查询结果dataframe的fundamental_df存放在context里面以备后面只需： context.fundamental_df = fundamental_df # 实时打印日志看下查询结果，会有我们精心处理的数据表格显示： logger.info(context.fundamental_df) update_universe(context.fundamental_df.columns.values) # 对于每一个股票按照平均现金买入： context.stocks = context.fundamental_df.columns.values stocks_number = len(context.stocks) context.average_percent = 0.99 / stocks_number logger.info("Calculated average percent for each stock is: %f" % context.average_percent) context.fired = False # 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新 def handle_bar(context, bar_dict): # 开始编写你的主要的算法逻辑 # bar_dict[order_book_id] 可以拿到某个证券的bar信息 # context.portfolio 可以拿到现在的投资组合状态信息 # 使用order_shares(id_or_ins, amount)方法进行落单 # TODO: 开始编写你的算法吧！ # 对于选择出来的股票按照平均比例买入： if not context.fired: for stock in context.stocks: order_target_percent(stock, context.average_percent) logger.info("Bought: " + str(context.average_percent) + " % for stock: " + str(stock)) context.fired = True |
参考资料：McCarthy E. " Augmented Intelligence": Combining Human Intelligence and Technology[J]. CFA Institute Magazine, 2017, 28(3).
