TA-Lib，全称“Technical Analysis Library”, 即技术分析库，是 Python 金融量化的高级库，涵盖了 150 多种股票、期货交易软件中常用的技术分析指标，如 MACD、RSI、KDJ、动量指标、布林带等等。 TA-Lib 可分为 10 个子板块： Overlap Studies(重叠指标)Momentum Indicators(动量指标)Volume

本次使用tushare接口，股票为600018，时间是20200101——20211231。 使用的指标是：收盘价大于简单移动平均价。 佣金为0.001。 英文代码的英文原文：Quickstart Guide - Backtrader 注意：代码最后plot画图，在spyder中不能正常显示图片，只能显示提示信息： 在Jupyter Notebook中则可以正常显示图片。 期初资金:

上次我们讲解了如何在单只股票上进行向量化回测： 现在我们要讲这个方法推广到全市场，一次性在所有股票上测试我们的策略。 上次我们提到，向量化回测需要的材料有： 1. 收益率矩阵 2. 策略条件矩阵 那么如果我们希望在全市场的股票上测试，就需要拥有全市场股票的收益率矩阵和策略条件矩阵。 这里我们同样采用加减乘除的方式，先计算收益率矩阵： 然后计算策略条件矩阵

股票回测是指设定了某些股票指标组合后，基于历史已经发生过的真实行情数据，在历史上某一个时间点开始，严格按照设定的组合进行选股，并模拟真实金融市场交易的规则进行模型买入、模型卖出，得出一个时间段内的盈利率、最大回撤率等数据。该过程即为一次股票回测 股票回测是基于真实历史数据、真实交易规则进行科学统计、运算的技术，其运算反馈真实有效。辅助回测的发起者判断本次股票回测的股票指标组合的盈利能力

01引言backtrader是功能非常强大的量化回测框架之一，得到欧洲很多银行、基金等金融机构的青睐，并应用于实盘交易中。公众号Python金融量化针对backtrader的入门和应用已连续发布了四篇推文：《【手把手教你】入门量化回测最强神器backtrader（一）》、《【手把手教你】入门量化回测最强神器backtrader（二）》

多数据策略跌代表详解 场景：有多个相同时间粒度的股票数据参与策略，不同股票数据时间并不一致 日期 开盘 收盘 最高 最低 成交量 成交额 振幅 \ 0 2020-12-22 38.44 33.67 38.44 32.96 89625 582730960.0 31.08 1 2020-12-23 30.11 29.91 32.33 28.11 69495 371508160.0 12.53

导包 #引入技术指标数据 from __future__ import (absolute_import ,division,print_function,unicode_literals) import datetime #用于datetime对象操作 import os.path #用于管理路径 import sys #用于在argvTo[0]中找到脚本名称 import

首先确定项目目的：基于Tushare建立一个多组合的量化策略。策略：1.趋势+择时算法：选择SH300每月累积涨幅排名靠前的10只股票；然后择时，计算在金叉，死叉点进行买卖。 一、获取股票 df = pd.read_excel(’./沪深300.xlsx’,converters = {u’代码’:str}) #要加上,converters = {u’代码’:str} 不然

上一篇文章讲解了如何实现马丁策略，但没有探索其泛化能力，所以这次来尝试回测3000只股票来查看盈利比例。 批量爬取股票数据 这里爬取数据继续使用tushare，根据股票代码来遍历，因为爬取数据需要一定时间，不妨使用多线程来爬取，这里要注意tushare规定每分钟爬取不能超过500次，除非你有很多积分，所以线程数要适当调低。 首先我们生成上证与深证所有股票的代码： #上证代码

Portfolio Optimization and Performance Evaluation 这个文本主要讨论了投资组合优化和表现评估。为了在市场条件下测试策略，需要模拟算法进行交易并验证其表现。策略评估包括针对历史数据的回测来优化策略参数和针对新的样本数据进行的前向测试来验证样本内表现。目标是避免将策略定制到特定过去情况下的虚假发现。在投资组合背景下，正的资产回报可以抵消负的价格波动