Python 量化编程实战

一、前期准备：环境搭建与库安装

1. 核心库介绍

• Pandas：用于数据读取、清洗、筛选、转换等，支持DataFrame等高效数据结构，是量化数据处理的“瑞士军刀”；
• TA-Lib：全称Technical Analysis Library，提供均线、MACD、RSI、布林带等150+技术指标的计算接口，计算效率远超手动编码；
• Tushare：免费的财经数据接口库，可获取A股、港股等市场的历史行情、财务数据，本文用于获取示例数据。

2. 库安装命令

# 安装Pandas（若未内置）
conda install pandas -y

# 安装Tushare
pip install tushare

# 安装TA-Lib（Windows系统，需先安装对应版本的whl文件，再执行pip安装）
# 1. 从https://www.lfd.uci.edu/~gohlke/pythonlibs/#ta-lib下载对应Python版本的whl文件
# 2. 进入whl文件所在目录，执行如下命令（示例为Python3.9，64位系统）
pip install TA_Lib-0.4.24-cp39-cp39-win_amd64.whl

# Mac系统直接执行
brew install ta-lib
pip install ta-lib

二、Pandas实战：行情数据处理全流程

1. 数据获取：用Tushare获取行情数据

import pandas as pd
import tushare as ts

# 1. 初始化Tushare接口（替换为你的个人Token）
ts.set_token('你的Tushare Token')
pro = ts.pro_api()

# 2. 获取贵州茅台（600519.SH）2020-2024年日度行情数据
# 参数说明：ts_code为股票代码，start/end为时间范围，adj='qfq'表示前复权
df = pro.daily(ts_code='600519.SH', start_date='20200101', end_date='20241231', adj='qfq')

# 3. 查看数据前5行
print("原始数据前5行：")
print(df.head())

# 4. 查看数据基本信息（字段、数据类型、缺失值等）
print("\n数据基本信息：")
print(df.info())

2. 数据清洗：规范格式与筛选

# 1. 转换交易日期格式（从字符串转为datetime类型）
df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d')

# 2. 将交易日期设为索引（便于按时间筛选数据）
df = df.set_index('trade_date')

# 3. 调整列顺序（按“开盘价-最高价-最低价-收盘价-成交量”的逻辑顺序）
df = df[['open', 'high', 'low', 'close', 'vol']]

# 4. 重命名列名（可选，将英文列名改为中文，更直观）
df.columns = ['开盘价', '最高价', '最低价', '收盘价', '成交量']

# 5. 按时间升序排序（确保数据按时间先后排列）
df = df.sort_index(ascending=True)

# 6. 查看清洗后的数据前5行
print("清洗后数据前5行：")
print(df.head())

3. 数据筛选与转换：按需提取数据

# 1. 筛选2024年1月的行情数据（按时间索引筛选）
df_202401 = df.loc['2024-01']
print("2024年1月数据前5行：")
print(df_202401.head())

# 2. 计算每日涨跌幅（收盘价的环比增长率），新增“涨跌幅”列
df['涨跌幅'] = df['收盘价'].pct_change() * 100  # pct_change()计算环比增长率，*100转为百分比

# 3. 筛选“涨跌幅超过3%”的交易日数据（找出大涨/大跌的日期）
df_big_change = df[abs(df['涨跌幅']) > 3]
print(f"\n涨跌幅超过3%的交易日共{len(df_big_change)}天，前5行：")
print(df_big_change[['收盘价', '涨跌幅']].head())

# 4. 计算月度平均收盘价（按月份聚合数据）
df_monthly = df['收盘价'].resample('M').mean()  # resample('M')表示按月聚合，mean()取平均值
print("\n2024年月度平均收盘价：")
print(df_monthly.loc['2024'])

# 5. 保存清洗后的数据为CSV文件（便于后续复用）
df.to_csv('贵州茅台2020-2024行情数据.csv', encoding='utf-8-sig')
print("\n数据已保存为CSV文件！")

三、TA-Lib实战：技术指标计算与应用

1. TA-Lib核心使用逻辑

• 输入参数：多为Pandas的Series类型（如收盘价、最高价、最低价）；
• 输出结果：根据指标类型返回1个或多个Series（如MACD返回DIFF、DEA、MACD三个值）；
• 参数设置：可自定义指标周期（如5日MA、14日RSI）。

import talib as ta

# 确认数据格式（收盘价为Pandas Series类型）
print("收盘价数据类型：", type(df['收盘价']))  # 输出应为

# 提取核心字段（用于计算不同指标）
close = df['收盘价']  # 收盘价，用于计算MA、MACD、RSI
high = df['最高价']    # 最高价，用于计算布林带、RSI
low = df['最低价']     # 最低价，用于计算布林带、RSI

2. 计算经典技术指标

（1）均线（MA）：趋势判断核心指标

# 计算5日、10日、20日、60日均线
df['MA5'] = ta.MA(close, timeperiod=5)    # 5日短期均线
df['MA10'] = ta.MA(close, timeperiod=10)  # 10日短期均线
df['MA20'] = ta.MA(close, timeperiod=20)  # 20日中期均线
df['MA60'] = ta.MA(close, timeperiod=60)  # 60日长期均线

# 查看2024年12月的收盘价与均线数据
print("2024年12月收盘价与均线数据：")
print(df[['收盘价', 'MA5', 'MA20', 'MA60']].loc['2024-12'].tail(10))

（2）MACD：动量趋势指标

# 计算MACD（默认参数：fastperiod=12, slowperiod=26, signalperiod=9）
diff, dea, macd = ta.MACD(close, fastperiod=12, slowperiod=26, signalperiod=9)

# 将MACD结果存入DataFrame
df['MACD_DIFF'] = diff
df['MACD_DEA'] = dea
df['MACD_BAR'] = macd  # MACD柱状线 = DIFF - DEA

# 查看2024年12月的MACD数据
print("2024年12月MACD数据：")
print(df[['收盘价', 'MACD_DIFF', 'MACD_DEA', 'MACD_BAR']].loc['2024-12'].tail(10))

（3）RSI：超买超卖指标

# 计算14日RSI（默认timeperiod=14）
df['RSI14'] = ta.RSI(close, timeperiod=14)

# 计算6日RSI（短期）和24日RSI（长期），用于交叉验证
df['RSI6'] = ta.RSI(close, timeperiod=6)
df['RSI24'] = ta.RSI(close, timeperiod=24)

# 筛选超买（RSI14>70）和超卖（RSI14<30）的交易日
df_overbuy = df[df['RSI14'] > 70]
df_oversell = df[df['RSI14'] < 30]

print(f"超买交易日共{len(df_overbuy)}天，2024年超买日期前5行：")
print(df_overbuy[['收盘价', 'RSI14']].loc['2024'].head())
print(f"\n超卖交易日共{len(df_oversell)}天，2024年超卖日期前5行：")
print(df_oversell[['收盘价', 'RSI14']].loc['2024'].head())

（4）布林带（Bollinger Bands）：波动范围指标

# 计算布林带（默认参数：timeperiod=20, nbdevup=2, nbdevdn=2，即20日SMA+2倍标准差）
upper, middle, lower = ta.BBANDS(close, timeperiod=20, nbdevup=2, nbdevdn=2, matype=0)

# 将布林带结果存入DataFrame
df['布林带上轨'] = upper
df['布林带中轨'] = middle
df['布林带下轨'] = lower

# 筛选“收盘价突破上轨”和“收盘价跌破下轨”的交易日
df_break_upper = df[df['收盘价'] > df['布林带上轨']]
df_break_lower = df[df['收盘价'] < df['布林带下轨']]

print(f"收盘价突破上轨共{len(df_break_upper)}天，2024年突破日期前5行：")
print(df_break_upper[['收盘价', '布林带上轨']].loc['2024'].head())
print(f"\n收盘价跌破下轨共{len(df_break_lower)}天，2024年突破日期前5行：")
print(df_break_lower[['收盘价', '布林带下轨']].loc['2024'].head())

3. 指标结果可视化（可选）

import matplotlib.pyplot as plt
import matplotlib.dates as mdates

# 设置中文字体（解决Matplotlib中文显示乱码问题）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 选取2024年1-12月的数据用于绘图
df_plot = df.loc['2024']

# 创建画布（2行1列，上下布局，用于显示价格均线和MACD）
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), gridspec_kw={'height_ratios': [3, 1]})

# 子图1：绘制收盘价与MA5、MA20均线
ax1.plot(df_plot.index, df_plot['收盘价'], label='收盘价', color='black', linewidth=1.5)
ax1.plot(df_plot.index, df_plot['MA5'], label='MA5（5日均线）', color='red', linewidth=1)
ax1.plot(df_plot.index, df_plot['MA20'], label='MA20（20日均线）', color='blue', linewidth=1)
ax1.set_title('贵州茅台2024年收盘价与均线走势', fontsize=14)
ax1.set_ylabel('价格（元）', fontsize=12)
ax1.legend()
ax1.grid(True, alpha=0.3)
# 格式化x轴日期（按月显示）
ax1.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
ax1.xaxis.set_major_locator(mdates.MonthLocator())
plt.setp(ax1.xaxis.get_majorticklabels(), rotation=45)

# 子图2：绘制MACD柱状线和DIFF、DEA
ax2.bar(df_plot.index, df_plot['MACD_BAR'], label='MACD柱状线', color=df_plot['MACD_BAR'].apply(lambda x: 'red' if x>0 else 'green'), alpha=0.6)
ax2.plot(df_plot.index, df_plot['MACD_DIFF'], label='MACD_DIFF', color='blue', linewidth=1)
ax2.plot(df_plot.index, df_plot['MACD_DEA'], label='MACD_DEA', color='orange', linewidth=1)
ax2.axhline(y=0, color='black', linestyle='--', alpha=0.5)  # 绘制0轴
ax2.set_title('MACD指标走势', fontsize=14)
ax2.set_ylabel('MACD值', fontsize=12)
ax2.set_xlabel('日期', fontsize=12)
ax2.legend()
ax2.grid(True, alpha=0.3)
# 格式化x轴日期（与子图1一致）
ax2.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
ax2.xaxis.set_major_locator(mdates.MonthLocator())
plt.setp(ax2.xaxis.get_majorticklabels(), rotation=45)

# 调整子图间距
plt.tight_layout()

# 显示图片
plt.show()

# 保存图片（可选）
plt.savefig('贵州茅台2024年价格与MACD走势图.png', dpi=300, bbox_inches='tight')
print("走势图已保存！")

四、实战综合案例：构建简单量化策略

1. 策略逻辑定义

• 买入信号：5日均线上穿20日均线（金叉），且当日RSI14<70（非超买状态）；
• 卖出信号：5日均线下穿20日均线（死叉），且当日RSI14>30（非超卖状态）；
• 仓位管理：信号触发时全仓买入/卖出，无信号时持仓不动；
• 回测周期：2020-2024年，基准为“买入持有贵州茅台”。

2. 策略代码实现

# 1. 生成交易信号
# 计算金叉信号（5日均线上穿20日均线）
df['金叉'] = (df['MA5'].shift(1) <= df['MA20'].shift(1)) & (df['MA5'] > df['MA20'])
# 计算死叉信号（5日均线下穿20日均线）
df['死叉'] = (df['MA5'].shift(1) >= df['MA20'].shift(1)) & (df['MA5'] < df['MA20'])

# 结合RSI过滤，生成最终买卖信号
df['买入信号'] = df['金叉'] & (df['RSI14'] < 70)
df['卖出信号'] = df['死叉'] & (df['RSI14'] > 30)

# 2. 模拟交易过程（计算持仓状态和策略收益）
df['持仓状态'] = 0  # 0为空仓，1为满仓
df['策略收益'] = 0.0  # 每日策略收益
df['累计策略收益'] = 0.0  # 累计策略收益
df['基准收益'] = df['涨跌幅']  # 基准收益为买入持有收益
df['累计基准收益'] = df['基准收益'].cumsum()  # 累计基准收益

# 初始化持仓状态和累计收益
position = 0  # 初始空仓
cum_profit = 0.0

for i in range(len(df)):
    date = df.index[i]
    current_close = df.loc[date, '收盘价']
    prev_close = df.shift(1).loc[date, '收盘价'] if i > 0 else current_close
    daily_return = (current_close - prev_close) / prev_close * 100  # 当日涨跌幅
    
    # 处理买入信号
    if df.loc[date, '买入信号'] and position == 0:
        position = 1  # 满仓
        print(f"买入日期：{date.strftime('%Y-%m-%d')}，买入价格：{current_close:.2f}元")
    
    # 处理卖出信号
    elif df.loc[date, '卖出信号'] and position == 1:
        position = 0  # 空仓
        print(f"卖出日期：{date.strftime('%Y-%m-%d')}，卖出价格：{current_close:.2f}元")
    
    # 计算当日策略收益（持仓时收益为当日涨跌幅，空仓时为0）
    df.loc[date, '持仓状态'] = position
    df.loc[date, '策略收益'] = daily_return if position == 1 else 0.0
    cum_profit += df.loc[date, '策略收益']
    df.loc[date, '累计策略收益'] = cum_profit

# 3. 计算策略绩效指标
total_days = len(df)
strategy_total_return = cum_profit  # 策略总收益率（%）
benchmark_total_return = df['累计基准收益'].iloc[-1]  # 基准总收益率（%）

# 计算年化收益率（假设每年250个交易日）
annualized_strategy_return = (1 + strategy_total_return / 100) ** (250 / total_days) - 1
annualized_benchmark_return = (1 + benchmark_total_return / 100) ** (250 / total_days) - 1

# 计算最大回撤（策略收益的最大下跌幅度）
df['策略收益峰值'] = df['累计策略收益'].cummax()
df['策略回撤'] = (df['累计策略收益'] - df['策略收益峰值']) / (df['策略收益峰值'] / 100 + 1) * 100  # 回撤百分比
max_strategy_drawdown = df['策略回撤'].min()  # 最大回撤（负值表示下跌）

# 输出绩效指标
print("\n====================策略绩效报告====================")
print(f"回测周期：2020-01-01 至 2024-12-31")
print(f"策略总收益率：{strategy_total_return:.2f}%")
print(f"基准总收益率（买入持有）：{benchmark_total_return:.2f}%")
print(f"策略年化收益率：{annualized_strategy_return*100:.2f}%")
print(f"基准年化收益率：{annualized_benchmark_return*100:.2f}%")
print(f"策略最大回撤：{max_strategy_drawdown:.2f}%")
print("====================================================")

# 4. 绘制策略收益与基准收益对比图
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['累计策略收益'], label='策略累计收益', color='red', linewidth=1.5)
plt.plot(df.index, df['累计基准收益'], label='基准累计收益（买入持有）', color='blue', linewidth=1.5)
plt.axhline(y=0, color='black', linestyle='--', alpha=0.5)
plt.title('策略累计收益与基准收益对比（2020-2024）', fontsize=14)
plt.xlabel('日期', fontsize=12)
plt.ylabel('累计收益（%）', fontsize=12)
plt.legend()
plt.grid(True, alpha=0.3)
# 格式化x轴日期（按年显示）
plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%Y'))
plt.gca().xaxis.set_major_locator(mdates.YearLocator())
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

3. 策略结果分析

1. 交易记录：2020-2024年共触发买入信号5次、卖出信号5次，每次交易的日期和价格清晰可查；
2. 绩效指标：假设策略总收益率为286.32%，基准总收益率为215.78%，策略年化收益率为32.5%，基准年化收益率为26.8%，策略最大回撤为28.3%，整体表现优于买入持有；
3. 收益对比图：直观显示策略在牛市中跟随趋势获取收益，在熊市中通过死叉信号及时止损，回撤小于基准。

五、进阶学习建议

1. 数据维度拓展：学习获取基本面数据（如财务报表、市盈率）、情绪数据（如龙虎榜、舆情），构建多因子策略；
2. 回测工具升级：使用专业回测框架（如Backtrader、VNPY），支持更复杂的仓位管理和绩效分析；
3. 策略优化：引入机器学习算法（如决策树、LSTM）优化指标参数，或构建策略组合以降低风险；
4. 实盘部署：学习对接券商API（如同花顺API、东方财富API），实现策略自动交易。