# -*- encoding:utf-8 -*- from __future__ import print_function import warnings import matplotlib.pyplot as plt import numpy as np import seaborn as sns warnings.filterwarnings('ignore') sns.set_context(rc={'figure.figsize': (14, 7)}) """ 第三章 量化工具——NumPy abu量化系统github地址：https://github.com/bbfamily/abu (您的star是我的动力！) abu量化文档教程ipython notebook：https://github.com/bbfamily/abu/tree/master/abupy_lecture """ def sample_311(): """ 3.1.1 并行化思想 :return: """ # 注意 * 3的操作被运行在每一个元素上 np_list = np.ones(5) * 3 print('np_list:', np_list) # 普通的列表把*3操作认为是整体性操作 normal_list = [1, 1, 1, 1, 1] * 3 print('normal_list:', normal_list, len(normal_list)) # 200支股票 stock_cnt = 200 # 504个交易日 view_days = 504 # 生成服从正态分布：均值期望＝0，标准差＝1的序列 stock_day_change = np.random.standard_normal((stock_cnt, view_days)) try: # 使用沙盒数据，目的是和书中一样的数据环境，不需要注视掉 stock_day_change = np.load('../gen/stock_day_change.npy') except Exception as e: print('../gen/stock_day_change.npy load error:{}'.format(e)) def sample_312(): """ 3.1.2 初始化操作 :return: """ np_list = np.arange(10000) # 100个0 print('np.zeros(100):\n', np.zeros(100)) # shape：3行2列 全是0 print('np.zeros((3, 2):\n', np.zeros((3, 2))) # shape： 3行2列 全是1 print('np.ones((3, 2):\n', np.ones((3, 2))) # shape：x=2, y=3, z=3 值随机 print('np.empty((2, 3, 3):\n', np.empty((2, 3, 3))) # 初始化序列与np_list一样的shape，值全为1 print('np.ones_like(np_list):\n', np.ones_like(np_list)) # 初始化序列与np_list一样的shape，值全为0 print('np.zeros_like(np_list):\n', np.zeros_like(np_list)) # eye得到对角线全为1的单位矩阵 print('np.eye(3):\n', np.eye(3)) # 打印shape (200, 504) 200行504列 print('stock_day_change.shape:', stock_day_change.shape) # 打印出第一支只股票，头五个交易日的涨跌幅情况 print('stock_day_change[0:1, :5]:\n', stock_day_change[0:1, :5]) """ 3.1.3 索引选取和切片选 """ # tmp = a tmp = stock_day_change[0:2, 0:5].copy() # a = b stock_day_change[0:2, 0:5] = stock_day_change[-2:, -5:] # b = tmp stock_day_change[-2:, -5:] = tmp def sample_313(): """ 3.1.3 索引选取和切片选 :return: """ # 0:2第一，第二支股票，0:5头五个交易日的涨跌幅数据 print('stock_day_change[0:2, 0:5]:\n', stock_day_change[0:2, 0:5]) # -2:倒数一，第二支股票，-5:最后五个交易日的涨跌幅数据 print('stock_day_change[-2:, -5:]:\n', stock_day_change[-2:, -5:]) # view result print('[0:2, 0:5], [-2:, -5:]:\n', stock_day_change[0:2, 0:5], stock_day_change[-2:, -5:]) def sample_314(): """ 3.1.4 数据转换与规整 :return: """ print('stock_day_change[0:2, 0:5]:\n', stock_day_change[0:2, 0:5]) print('[0:2, 0:5].astype(int):\n', stock_day_change[0:2, 0:5].astype(int)) # 2代表保留两位小数 print('around 2:\n', np.around(stock_day_change[0:2, 0:5], 2)) # 使用copy目的是不修改原始序列 tmp_test = stock_day_change[0:2, 0:5].copy() # 将第一个元素改成nan tmp_test[0][0] = np.nan print('tmp_test:\n', tmp_test) def sample_315(): """ 3.1.5 逻辑条件进行数据筛选 :return: """ # 找出上述切片内涨幅超过0.5的股票时段, 通过输出结果你可以看到返回的是boolean的数组 mask = stock_day_change[0:2, 0:5] > 0.5 print('mask:\n', mask) tmp_test = stock_day_change[0:2, 0:5].copy() # 使用上述的mask数组筛选出符合条件的数组, 即中筛选mask中对应index值为True的 print('tmp_test[mask]:\n', tmp_test[mask]) tmp_test[tmp_test > 0.5] = 1 print('tmp_test:\n', tmp_test) tmp_test = stock_day_change[-2:, -5:] print('tmp_test2:\n', tmp_test) print('tmp_test[(tmp_test > 1) | (tmp_test < -1)]:\n', tmp_test[(tmp_test > 1) | (tmp_test < -1)]) # noinspection PyTypeChecker def sample_316(): """ 3.1.6 通用序列函数 :return: """ # np.all判断序列中的所有元素是否全部是true, 即对bool序列进行与操作 # 本例实际判断stock_day_change[0:2, 0:5]中是否全是上涨的 print('np.all(stock_day_change[0:2, 0:5] > 0):\n', np.all(stock_day_change[0:2, 0:5] > 0)) # np.any判断序列中是否有元素为true, 即对bool序列进行或操作 # 本例实际判断stock_day_change[0:2, 0:5]中是至少有一个是上涨的 print('np.any(stock_day_change[0:2, 0:5] > 0):\n', np.any(stock_day_change[0:2, 0:5] > 0)) # 对两个序列对应的元素两两比较，maximum结果集取大,相对使用minimum为取小的结果集 print('np.maximum(stock_day_change[0:2, 0:5], stock_day_change[-2:, -5:]):\n', np.maximum(stock_day_change[0:2, 0:5], stock_day_change[-2:, -5:])) change_int = stock_day_change[0:2, 0:5].astype(int) print('change_int:\n', change_int) # 序列中数值值唯一且不重复的值组成新的序列 print('np.unique(change_int):\n', np.unique(change_int)) # axis＝1 print('np.diff(stock_day_change[0:2, 0:5]):\n', np.diff(stock_day_change[0:2, 0:5])) # 唯一区别 axis=0 print('np.diff(stock_day_change[0:2, 0:5], axis=0):\n', np.diff(stock_day_change[0:2, 0:5], axis=0)) tmp_test = stock_day_change[-2:, -5:] print('np.where(tmp_test > 0.5, 1, 0):\n', np.where(tmp_test > 0.5, 1, 0)) print('np.where(tmp_test > 0.5, 1, tmp_test):\n', np.where(tmp_test > 0.5, 1, tmp_test)) # 序列中的值大于0.5并且小于1的赋值为1，否则赋值为0 print('np.where(np.logical_and(tmp_test > 0.5, tmp_test < 1), 1, 0):\n', np.where(np.logical_and(tmp_test > 0.5, tmp_test < 1), 1, 0)) # 序列中的值大于0.5或者小于－0.5的赋值为1，否则赋值为0 print('np.where(np.logical_or(tmp_test > 0.5, tmp_test < -0.5), 1, 0):\n', np.where(np.logical_or(tmp_test > 0.5, tmp_test < -0.5), 1, 0)) """ 3.1.7 数据本地序列化操作 """ stock_day_change = np.load('../gen/stock_day_change.npy') np.save('../gen/stock_day_change', stock_day_change) """ 3.2 统计概念与函数使用 """ stock_day_change_four = stock_day_change[:4, :4] def sample_320(): """ 3.2.0 统计概念与函数使用 :return: """ print('stock_day_change_four:\n', stock_day_change_four) def sample_321(): """ 3.2.1 统计基础函数使用 :return: """ print('最大涨幅 {}'.format(np.max(stock_day_change_four, axis=1))) print('最大跌幅 {}'.format(np.min(stock_day_change_four, axis=1))) print('振幅幅度 {}'.format(np.std(stock_day_change_four, axis=1))) print('平均涨跌 {}'.format(np.mean(stock_day_change_four, axis=1))) print('最大涨幅 {}'.format(np.max(stock_day_change_four, axis=0))) print('最大涨幅股票{}'.format(np.argmax(stock_day_change_four, axis=0))) print('最大跌幅股票{}'.format(np.argmin(stock_day_change_four, axis=0))) print('最大跌幅 {}'.format(np.min(stock_day_change_four, axis=0))) print('振幅幅度 {}'.format(np.std(stock_day_change_four, axis=0))) print('平均涨跌 {}'.format(np.mean(stock_day_change_four, axis=0))) def sample_322(): """ 3.2.2 统计基础概念 :return: """ a_investor = np.random.normal(loc=100, scale=50, size=(100, 1)) b_investor = np.random.normal(loc=100, scale=20, size=(100, 1)) # a交易者 print('a交易者期望{0:.2f}元, 标准差{1:.2f}, 方差{2:.2f}'.format( a_investor.mean(), a_investor.std(), a_investor.var())) # b交易者 print('b交易者期望{0:.2f}元, 标准差{1:.2f}, 方差{2:.2f}'.format( b_investor.mean(), b_investor.std(), b_investor.var())) # a交易者期望 a_mean = a_investor.mean() # a交易者标注差 a_std = a_investor.std() # 收益绘制曲线 plt.plot(a_investor) # 水平直线 上线 plt.axhline(a_mean + a_std, color='r') # 水平直线 均值期望线 plt.axhline(a_mean, color='y') # 水平直线 下线 plt.axhline(a_mean - a_std, color='g') plt.show() b_mean = b_investor.mean() b_std = b_investor.std() # b交易者收益绘制曲线 plt.plot(b_investor) # 水平直线 上线 plt.axhline(b_mean + b_std, color='r') # 水平直线 均值期望线 plt.axhline(b_mean, color='y') # 水平直线 下线 plt.axhline(b_mean - b_std, color='g') plt.show() def sample_331(): """ 3.3.1 正态分布基础概念 :return: """ import scipy.stats as scs # 均值期望 stock_mean = stock_day_change[0].mean() # 标准差 stock_std = stock_day_change[0].std() print('股票0 mean均值期望:{:.3f}'.format(stock_mean)) print('股票0 std振幅标准差:{:.3f}'.format(stock_std)) # 绘制股票0的直方图 plt.hist(stock_day_change[0], bins=50, normed=True) # linspace从股票0 最小值－> 最大值生成数据 fit_linspace = np.linspace(stock_day_change[0].min(), stock_day_change[0].max()) # 概率密度函数(PDF，probability density function) # 由均值，方差，来描述曲线，使用scipy.stats.norm.pdf生成拟合曲线 pdf = scs.norm(stock_mean, stock_std).pdf(fit_linspace) print(pdf) # plot x, y plt.plot(fit_linspace, pdf, lw=2, c='r') plt.show() def sample_332(): """ 3.3.2 实例1：正态分布买入策略 :return: """ # 保留后50天的随机数据作为策略验证数据 keep_days = 50 # 统计前454, 切片切出0-454day，view_days = 504 stock_day_change_test = stock_day_change[:stock_cnt, 0:view_days - keep_days] # 打印出前454跌幅最大的三支，总跌幅通过np.sum计算，np.sort对结果排序 print('np.sort(np.sum(stock_day_change_test, axis=1))[:3]:', np.sort(np.sum(stock_day_change_test, axis=1))[:3]) # 使用np.argsort针对股票跌幅进行排序，返回序号，即符合买入条件的股票序号 stock_lower_array = np.argsort(np.sum(stock_day_change_test, axis=1))[:3] # 输符合买入条件的股票序号 print('stock_lower_array:', stock_lower_array) def show_buy_lower(p_stock_ind): """ :param p_stock_ind: 股票序号,即在stock_day_change中的位置 :return: """ # 设置一个一行两列的可视化图表 _, axs = plt.subplots(nrows=1, ncols=2, figsize=(16, 5)) # view_days504 - keep_days50 = 454 # 绘制前454天股票走势图，np.cumsum()：序列连续求和 axs[0].plot(np.arange(0, view_days - keep_days), stock_day_change_test[p_stock_ind].cumsum()) # [view_days504 - keep_days50 = 454 : view_days504] # 从第454天开始到504天的股票走势 cs_buy = stock_day_change[p_stock_ind][ view_days - keep_days:view_days].cumsum() # 绘制从第454天到504天股票走势图 axs[1].plot(np.arange(view_days - keep_days, view_days), cs_buy) # 返回从第454天开始到第504天计算盈亏的盈亏序列的最后一个值 return cs_buy[-1] # 最后输出的盈亏比例 profit = 0 # 跌幅最大的三支遍历序号 for stock_ind in stock_lower_array: # profit即三支股票从第454天买入开始计算，直到最后一天的盈亏比例 profit += show_buy_lower(stock_ind) plt.show() # str.format 支持{:.2f}形式保留两位小数 print('买入第 {} 支股票，从第454个交易日开始持有盈亏:{:.2f}%'.format( stock_lower_array, profit)) def sample_342(): """ 3.4.2 实例2：如何在交易中获取优势 :return: """ # 设置100个赌徒 gamblers = 100 def casino(win_rate, win_once=1, loss_once=1, commission=0.01): """ 赌场：简单设定每个赌徒一共有1000000一共想在赌场玩10000000次， 但是你要是没钱了也别想玩了 win_rate: 输赢的概率 win_once: 每次赢的钱数 loss_once: 每次输的钱数 commission: 手续费这里简单的设置了0.01 1% """ my_money = 1000000 play_cnt = 10000000 commission = commission for _ in np.arange(0, play_cnt): # 使用伯努利分布根据win_rate来获取输赢 w = np.random.binomial(1, win_rate) if w: # 赢了 +win_once my_money += win_once else: # 输了 -loss_once my_money -= loss_once # 手续费 my_money -= commission if my_money <= 0: # 没钱就别玩了，不赊账 break return my_money """ 如果有numba使用numba进行加速, 这个加速效果非常明显，不使用numba非常非常非常慢 """ import numba as nb casino = nb.jit(casino) print('heaven_moneys....') # 100个赌徒进场天堂赌场，胜率0.5，赔率1，还没手续费 heaven_moneys = [casino(0.5, commission=0) for _ in np.arange(0, gamblers)] print('cheat_moneys....') # 100个赌徒进场开始，胜率0.4，赔率1，没手续费 cheat_moneys = [casino(0.4, commission=0) for _ in np.arange(0, gamblers)] print('commission_moneys....') # 100个赌徒进场开始，胜率0.5，赔率1，手续费0.01 commission_moneys = [casino(0.5, commission=0.01) for _ in np.arange(0, gamblers)] print('casino(0.5, commission=0.01, win_once=1.02, loss_once=0.98.....') # 100个赌徒进场开始，胜率0.5，赔率1.04，手续费0.01 f1_moneys = [casino(0.5, commission=0.01, win_once=1.02, loss_once=0.98) for _ in np.arange(0, gamblers)] print('casino(0.45, commission=0.01, win_once=1.02, loss_once=0.98.....') # 100个赌徒进场开始，胜率0.45，赔率1.04，手续费0.01 f2_moneys = [casino(0.45, commission=0.01, win_once=1.02, loss_once=0.98) for _ in np.arange(0, gamblers)] _ = plt.hist(heaven_moneys, bins=30) plt.show() _ = plt.hist(cheat_moneys, bins=30) plt.show() _ = plt.hist(commission_moneys, bins=30) plt.show() _ = plt.hist(f1_moneys, bins=30) plt.show() _ = plt.hist(f2_moneys, bins=30) plt.show() if __name__ == "__main__": sample_311() # sample_312() # sample_313() # sample_314() # sample_315() # sample_316() # sample_320() # sample_321() # sample_322() # sample_331() # sample_332() # sample_342()