今年，我最成功的一笔投资！
共 5996字，需浏览 12分钟
·
2021-12-29 13:25
大家好，我是 Jack。
小伙伴们期盼已久的量化交易教程，今天它来了！
有不少小伙伴，一直很关心的我量化交易的实战情况，经常会被问到：5 万元，现在赚了多少？
这里统一回复下，目前浮盈 6%。
远低于我的预期，这跟大盘的走弱脱不开关系。9 月开始即巅峰，一路惨遭滑铁卢，大盘再也没回到过 3700 点，属实惨淡。
不过越是这种冷清的时候，越是充能学习的时刻。
我最成功的一笔投资，不是买了哪支股票，而是自学了很多有趣的技术。
我还是那句话，最好的投资，就是投资自己！
回顾了自己的这一年，收获良多，我学到了很多新技术。
今天，我们继续聊量化交易，上两期教程没看的小伙伴，可以看这里：
https://github.com/Jack-Cherish/quantitative
或者在公众号的精选文章->量化交易的栏目里查看往期教程。
量化交易，说白了，主要分为三个部分：
炒股数据获取 选股& 择时策略 交易系统
对于一些低频的交易策略，甚至都用不上交易系统，手动操作都行。
Udata
一个稳定的炒股数据获取接口很重要，可以自己写爬虫爬数据，但这样太不稳定。
今天给大家推荐一个好用的 API 接口：
https://udata.hs.net
Udata 大牌子，是深耕金融领域 30 年的恒生电子推出的金融数据社区。
恒生电子大家应该都听过，近千亿市值的大公司，用数据这种事，找这类背景好的社区准没错。
今天我就以 Udata 提供的 API 股票接口为例，来一期保姆级的量化交易教程。
Udata 安装
我们先从 Udata 的安装开始讲起。
首先要搭建一个 Python 的开发环境，Python 开发环境不会搭建的，可以看我之前发布的一篇教程：
Udata 可以使用 pip 安装。
pip install hs_udata
这样就表明安装好了。
然后注册个 Udata 账户，订阅一个体验套餐。各个社区都是一样的，都有免费的体验套餐给初学者使用。
注册并订阅号后，获取 token。
https://udata.hs.net/console/overAllView
打开链接，就能看到 token 的获取方式，直接复制即可。
然后使用如下代码，就可以获取数据了。
from hs_udata import set_token, stock_list # 引入 hs_udata 模块中 set_token 和 stock_list
if __name__ == "__main__":
# 替换你的 token，查看 token 地址：https://udata.hs.net/console/overAllView
set_token(token = 'xxxxx')
# 获取 股票列表数据，返回格式为 dataframe
data = stock_list()
# 打印数据前 5 行
print(data.head())
有正确的数据结果了，那恭喜你，配置成功！
量化分析
数据搞定了，我们就可以利用这个 API 接口，做一些策略。
无论是选股，还是择时交易，都可以使用这个 API 接口的数据进行。
Udata 的 API 文档写的很全面：
https://udata.hs.net/datas/202/
应有尽有：
之前的教程，给大家讲解过 ETF 动量轮动策略。
今天来点不一样的，基础的分析技巧，也是我们必备的基本功。
比如画个 K 线，可视化工具，可以直接使用 pyecharts。
如果没有安装这个库，可以先使用 pip 安装一下。
pip install pyecharts
pyecharts 的使用非常简单，可以直接看手册。
https://pyecharts.org/#/zh-cn/intro
我们结合 Udata 的数据获取 api 接口和 pyecharts 可视化工具，就可以自己绘制 K 线。
import hs_udata as udata
from datetime import datetime, timedelta
import time
from pyecharts import options as opts
from pyecharts.charts import Kline
if __name__ == "__main__":
# 替换你的 token，查看 token 地址：https://udata.hs.net/console/overAllView
udata.set_token(token = 'xxxxx')
current_dt = time.strftime("%Y-%m-%d", time.localtime())
current_dt = datetime.strptime(current_dt, '%Y-%m-%d')
# 获取 30 天的数据
day_num = 30
all_data = []
all_date = []
for i in range(1, day_num + 1)[::-1]:
search_date = current_dt - timedelta(days = i)
search_date = search_date.strftime("%Y%m%d")
# 恒生电子近 30 日的股价
data = udata.stock_quote_daily(en_prod_code = "600570.SH", trading_date = search_date)
# 开盘价
open_price = data['open_price'][0]
# 收盘价
close_price = data['close_price'][0]
# 最低价
low_price = data['low_price'][0]
# 最高价
high_price = data['high_price'][0]
# 去掉非交易日数据
if len(open_price) == 0:
continue
all_date.append(search_date)
all_data.append([float(open_price), float(close_price), float(low_price), float(high_price)])
# 使用 pyecharts 绘制 K 线
c = (
Kline()
.add_xaxis(all_date)
.add_yaxis(
"K线",
all_data,
itemstyle_opts = opts.ItemStyleOpts(
color = "#ec0000",
color0 = "#00da3c",
border_color = "#8A0000",
border_color0 = "#008F28",
),
)
.set_global_opts(
xaxis_opts = opts.AxisOpts(is_scale = True),
yaxis_opts = opts.AxisOpts(
is_scale = True,
splitarea_opts = opts.SplitAreaOpts(
is_show = True, areastyle_opts = opts.AreaStyleOpts(opacity = 1)
),
),
datazoom_opts = [opts.DataZoomOpts(type_ = "inside")],
title_opts = opts.TitleOpts(title = "恒生电子近 30 日 K 线"),
)
.render("kline.html")
)
运行成功后，会生成一个 kline.html 文件，用浏览器打开这个 html 文件，就可以看到绘制效果了。
可能有小伙伴会问，这都是炒股软件现成的，为什么要自己绘制？
只有亲自写代码后，你才能深刻认识到每个数据背后所代表的含义。
这是一个很好的，帮助我们学习的过程。
更重要的是，等我们熟练之后，可以根据自己的各种需求，定制化自己独家炒股界面。
你可以监控自己想要监控的所有信息。
像什么 KDJ、MACD 等各种指标，我们都是可以自己计算并可视化出来的。
不再受限于炒股软件的一些指标，甚至一些炒股软件的付费因子，我们都可以自己计算。
再比如，我们可以使用数据，做一些自己不了解的分析。举个非常简单的例子，你知道 A 股的行业分布情况吗？
几行代码就可以搞定。
import hs_udata as udata
from pyecharts import options as opts
from pyecharts.charts import Pie
from tqdm import tqdm
if __name__ == "__main__":
# 替换你的 token，查看 token 地址：https://udata.hs.net/console/overAllView
udata.set_token(token = 'xxxxx')
# 获取所有股票
data = udata.stock_list(listed_state = "1")
codes = data['hs_code'].tolist()
industry_name_dict = {}
# 遍历股票
for code in tqdm(codes):
# 获取股票行业信息
data = udata.industry_category(en_prod_code = code)
industry_name_csrc = data['industry_name_csrc'][0].split("-")[0]
# print(industry_name_csrc)
# 统计行业数量
if industry_name_csrc not in industry_name_dict.keys():
industry_name_dict[industry_name_csrc] = 1
else:
industry_name_dict[industry_name_csrc] += 1
# 可视化
c = (
Pie()
.add(
"",
[
list(z)
for z in zip(
industry_name_dict.keys(),
industry_name_dict.values(),
)
],
center=["40%", "50%"],
)
.set_global_opts(
title_opts=opts.TitleOpts(title="A 股股票行业分布"),
legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
)
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
.render("pie.html")
)
运行代码，打开 pie.html ，即可查看 A 股股票的行业分布情况。
制造业半壁江山啊！
除了这种简单的行业统计，我们还可以统计每日的龙虎榜情况，监控股东持股情况，资金流向等。
根据股票的每日价格，我们还可以计算各种因子，辅助我们决策。
根据自己的需求，来个私人定制，搭建自己的交易体系。
当然了，师傅领进门，修行看个人。
能写的内容太多了，篇幅有限，今天先教一些基础的玩法。
这个系列教程，还会继续出，跟着 Jack 学技术吧！
哦对了， Udata 还有小程序社区，社区也有自己的技术教程，有很多干货文章和源代码。
我在里面也看了一些文章，社区的内容还是很丰富的，有很多学习量化交易的小伙伴们交流，也有一些大佬做技术分享。
絮叨
最后再多说两句，一直有不少小伙伴问我，卖系统不？卖源码不？卖服务不？
这样的询问，自从发了那期量化炒股的视频后，就没有断过，这是最近一次的这类对话。
说实话，还是建议自己学技术，自己写策略，那多香啊！
真的，一切并没有那么难，日积月累，慢慢学，学习用代码赚钱的过程，是一件很有趣的事情。
我是 Jack，我们下期见~
PS：Udata 社区的链接，为了方便大家查看，我放在了左下角的阅读原文里，点击即可查看。
