大猩猩联手羊驼算法策略在python中的实现
1.羊驼指数
羊驼指数到底是个什么鬼？这还要从美国《旧金山纪事报》曾做过大猩猩选股实验说起。他们让大猩猩随机选择写有股票代码的纸板，一共选择了5支。然后，用大猩猩挑选的股票组合与《华尔街日报》8位知名分析师精心计算分析挑选的5只股票相比较，在持有一段时间之后，大猩猩随机抽取购买的股票，票面价值竟超过操盘手的股票。
在2014年，甘肃卫视的《马上知道》节目也向观众展示了用羊驼来选股，即每天卖掉持有的股票中收益率最差的一只，然后让羊驼随机选入一只股票来买。结果得到了很可观的收益率。根据这种情况，人们开始尝试使用羊驼来选股。
羊驼选股其实与华尔街大猩猩选股是一个道理，在A股市场的使用方法如下：
选股范围为A股市场上所有非ST类个股，由羊驼随机选出纳入指数的股票；
羊驼首次选择10只股票进入股票池，开始计算羊驼指数收益；
每周换股两次，每次原则上只剔除收益最差的一只股票，并由羊驼另选一只入池；
羊驼指数以2014年7月30日为基日，基日指数为1000。
简单说就是随机选取10只股，每周把收益最低的两只股票剔除出去，然后再随机选两只进来，不断重复这个过程。
羊驼指数为什么如此神奇？美国学者在1993年发现，买入过去表现比较好的股票，卖出过去表现比较差的股票，在3~12个月里有高于市场的超额收益！这就是所谓的动量理论，其本质是“追溯趋势”，如同一辆汽车，行驶的速度越快，具有前进的惯性就会越大。
羊驼指数就是用相反的动量原理来选择股票，不是持有最好的股票，而是卖出最差的股票。通过主动不断地淘汰劣质股票，被动留下最好的股票，从而达到筛选股票的目的！
所以说羊驼指数的神奇并非因为羊驼是神兽，而在于其背后蕴含的量化投资理论。
2.算法策略
将股票按收益率排序，卖掉买入股中最差收益率的，加入未买股中收益率最高的
3.代码
import random
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import scipy.stats as stats
import math
# 股票池为所有沪深300的股票
stocks = get_index_stocks('000300.XSHG')
#股票池中有多少股票
num=len(stocks)
set_universe(stocks)
set_commission(PerTrade(buy_cost=0.0008, sell_cost=0.0015, min_cost=5))
set_slippage(FixedSlippage(0))
#初始买入15只股票
num_of_stocks=15
#每次更新时替换2只股票
num_of_change=2
#计算1日收益率
period=1
#用一个列表来保存每天持有的股票代码
stockshold=[]
#判断参数输入是否符合条件，如果不符合，则重置为默认值
if num_of_stocks>num:
log.info("too large num_of_stocks")
num_of_stocks=10
elif num_of_change>num_of_stocks:
log.info("too large num_of_change")
num_of_change=1
#预处理数据，将没有数据的股票剔除，同时加入收益率
#构成一个列索引为股票名，收益率一行的索引为
#'return'的dataframe，并返回这个dataframe
def process():
#取出每只股票period天的收盘价格
stocks_info=history(period,'1d','close')
#去除信息不全的数据
stocks_info.dropna(axis=0,how='any',thresh=None)
#取出昨天和period天之前的收盘价，计算收益率
a1=list(stocks_info.iloc[0])
a2=list(stocks_info.iloc[period-1])
a1=np.array(a1)
a2=np.array(a2)
#用一个dataframe来保存所有股票的收益率信息
stocks_return=DataFrame(a2/a1,columns=['return'],index=stocks_info.columns)
stocks_info=stocks_info.T
#把收益率的数据加到相应的列
stocks_info=pd.concat([stocks_info,stocks_return],axis=1)
#将股票信息按照收益率从大到小来存储
stocks_info=stocks_info.sort(columns=['return'],ascending=[False])
#返回处理好的dataframe
return stocks_info
#股票入池
def BuyStocks(stocks_info,cash):
#计算现在持有的股票数
current_num=len(stockshold)
stocks_info=stocks_info.T
#将已持有的股票从股票池中剔除
for i in range(0,current_num):
if stockshold[i] in stocks_info.columns:
del stocks_info[stockshold[i]]
stocks_info=stocks_info.T
#计算在每只股票上可以支付的现金
if num_of_stocks-current_num>0:
cash=cash/(num_of_stocks-current_num)
for i in range(0,num_of_stocks-current_num):
#取得股票当前的价格
current_price=stocks_info['current_price'][i]
#判断是否有价格数据
if math.isnan(current_price)==False:
#计算可以每只股票可以购买的数量
num_of_shares=int(cash/current_price)
if num_of_shares>0:
order(stocks_info.index[i],+num_of_shares)
log.info("buying %s" %(stocks_info.index[i]))
#将购买的股票代码加到stockhold中
stockshold.append(stocks_info.index[i])
#股票出池
def SellStocks(stocks_info):
stocks_hold=DataFrame()
current_num=len(stockshold)
#用一个dataframe来保存持有的股票的信息
for i in range(0,current_num):
stocks_hold=pd.concat([stocks_hold,stocks_info.loc[stockshold[i]]],axis=1)
stocks_hold=stocks_hold.T
#在持有的股票数不为0时，将持有的股票信息按照收益率大小从小到大排序
if current_num>0:
stocks_hold=stocks_hold.sort(columns=['return'])
#把收益率最低的股票卖空
for k in range(0,min(num_of_change,current_num)):
#判断是否停牌
if stocks_hold['paused'][k]=='False':
order_target(stocks_hold.index[k],0)
log.info("Selling %s" % (stocks_hold.index[k]))
#在stockshold中去除已经卖空的股票的信息
stockshold.remove(stocks_hold.index[k])
# 每个单位时间(如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次)调用一次
def handle_data(context, data):
stocks_info=process()
stocks_num=len(stocks_info.index)
#用一个列表来保存所有股票是否停牌的信息
pause=[]
for i in range(0,stocks_num):
if data[stocks_info.index[i]].paused==True:
pause.append('True')
else:
pause.append('False')
#将列表转换成dataframe以便加入到stocks_info中
paused=DataFrame(pause,columns=['paused'],index=stocks_info.index)
stocks_info=pd.concat([stocks_info,paused],axis=1)
#用一个列表来保存所有股票当前的价格信息
currentprice=[]
for i in range(0,stocks_num):
currentprice.append(data[stocks_info.index[i]].price)
current_price=DataFrame(currentprice,columns=['current_price'],index=stocks_info.index)
#将股票是否停牌，当前价格的信息添加到stocks_info中
stocks_info=pd.concat([stocks_info,current_price],axis=1)
#取得当前现金
cash=context.portfolio.cash
#执行卖出股票的函数
SellStocks(stocks_info)
#执行买入股票的函数
BuyStocks(stocks_info,cash)