Python和掘金量化API实现股票开盘强弱排名工具

type

status

date

slug

summary

掘金量化简介

掘金量化是一个为量化交易者提供全面数据、工具和策略开发环境的平台。它允许用户获取历史和实时市场数据，进行策略开发和回测，并可能连接到交易所进行真实交易。

实现股票表现排名工具

本文介绍的工具通过分析股票在开盘集合竞价阶段的表现来计算它们的强弱排名。集合竞价是股票市场中用于确定开盘价格的一种机制，通过在开盘前的一段时间内收集所有买卖订单来确定开盘价。

流程图


graph TD
    A[读取 Excel 文件中的股票代码] --> B{循环遍历每只股票代码};
    B -- 获取股票数据 --> C[调用 prepare_and_save_data 函数];
    C -- 返回填充后的数据 --> D[合并所有股票数据];
    D --> E[计算每个时间点的排名得分];
    E --> F[最后一个时间点得分乘以 200];
    F --> G[计算每个股票的总得分];
    G --> H[返回排序后的得分结果];

部分代码


# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
import pandas as pd
from email.mime.text import MIMEText
from datetime import datetime, timedelta
import os


# 掘金量化，通过excel表中自选的股票代码，获取开盘集合竞价每3秒钟的数据，然后对数据进行排名加权，计算加权后的强弱表现排名
def prepare_and_save_data(symbol):
    data = get_instruments(symbols=symbol, df=True)[['pre_close', 'sec_name']]
    pre_close_value = data['pre_close'].iloc[0]
    sec_name_value = data['sec_name'].iloc[0]

    # 获取当前日期的前一天
    # current_date = datetime.now().date() - timedelta(days=2)
    # 获得今日日期
    current_date = datetime.now().date()
    # 将日期转换为字符串
    date_str = current_date.strftime('%Y-%m-%d')

    # 插入到start_time和end_time
    df = history(symbol=symbol, frequency='tick', start_time=date_str + ' 09:15:00', end_time=date_str + ' 09:25:00', fields='', adjust=ADJUST_PREV, df=True)

    # print(df)
    # 打印数据的表头
    # print(df.columns)
    # 定义需要添加到每个 quotes DataFrame 中的列
    additional_columns = ['created_at', 'open', 'cum_volume']

    # 为每行中的 quotes 创建一个 DataFrame，并添加额外的列
    quotes_dfs = []
    for index, row in df.iterrows():
        quotes_df = pd.DataFrame(row['quotes'])
        for col in additional_columns:
            quotes_df[col] = row[col]
        quotes_dfs.append(quotes_df)

    # 合并所有的 quotes DataFrame
    all_quotes_df = pd.concat(quotes_dfs, ignore_index=True)
    # 根据时间列进行分组，并取每组的第一行
    first_rows = all_quotes_df.groupby('created_at').first().reset_index()
    # 时间转换为没有时区的时间
    first_rows['created_at'] = pd.to_datetime(first_rows['created_at']).dt.tz_localize(None)

    # 计算从 start_time 开始每3秒钟的时间序列
    start_time = pd.to_datetime(date_str + ' 09:15:00')
    end_time = pd.to_datetime(date_str + ' 09:25:00')
    # end_time = first_rows['created_at'].max()
    time_series = pd.date_range(start=start_time, end=end_time, freq='3S')

    # 重建 DataFrame，使用新的时间序列为索引，并前向填充数据
    first_rows.set_index('created_at', inplace=True)
    filled_first_rows = first_rows.reindex(time_series, method='ffill').fillna(0).reset_index()
    filled_first_rows.rename(columns={'index': 'created_at'}, inplace=True)

    # 将symbol增加到表中
    filled_first_rows['symbol'] = symbol
    # 添加 pre_close 列和计算 change_ratio 列
    filled_first_rows['pre_close'] = pre_close_value
    filled_first_rows['sec_name'] = sec_name_value
    filled_first_rows['change_ratio'] = (filled_first_rows['ask_p'] - filled_first_rows['pre_close']) / filled_first_rows['pre_close']
    # filled_first_rows.loc[filled_first_rows.index[-1], 'change_ratio'] = (filled_first_rows.loc[filled_first_rows.index[-1], 'open'] - pre_close_value) / pre_close_value

    return filled_first_rows  # 返回填充后的数据