开始在聚宽上花时间学习快两个月了，觉得收益良多，最起码可以很方便验证偶尔冒出的想法。很多数据都是看财报、上财经网站没有办法直接获取到的，但是聚宽上可以很快的获取到。当然这是需要花些时间去学习和实践的，希望宽友们都是理性的实践派，一步一步做出更好的社区，而不仅仅是为了不费力气赚快钱图爽。尽管我现在不是会员，使用的服务都很低级，但希望往后逐渐能够使用一些高级的服务。 本周的周记代码解释部分主要分解[价值研究笔记之获取较高ROA/ROE市场普通股名单](https://www.joinquant.com/view/community/detail/d3df3da54ac78f7f5e0495fb8fdcbe16)里面的策略研究，这是我第一次使用聚宽来进行全网选股，标准还比较粗略。 ## 一、`获取较高ROA/ROE市场普通股名单`代码解释 ``` import pandas as pd def get_stock_name(stock_code): stocks_df = get_all_securities() stock_name = [stocks_df.loc[c, 'display_name'] for c in stock_code] return stock_name pd.set_option('display.max_columns', 100) pd.set_option('display.max_rows', 100) init_filter_query = query( valuation.pe_ratio, indicator.code, indicator.roe, indicator.roa, ).filter( indicator.roa > 5, indicator.roe > 10, valuation.pe_ratio > 0, income.total_operating_revenue < = 2e10, income.total_operating_revenue > 1e10 ).order_by( indicator.roe.desc() ).limit( 100 ) df = get_fundamentals(init_filter_query, statDate='2018') stocks = df['code'] multi_stock_data_query = query( valuation.pe_ratio, indicator.code, indicator.roe, indicator.roa, ).filter( indicator.code.in_(stocks) ) roe_dict = {} roa_dict = {} year_list = ['2012', '2013', '2014', '2015', '2016', '2017', '2018'] for year in year_list: df = get_fundamentals(multi_stock_data_query, statDate=year) df = df.set_index('code') roe_dict[year] = df['roe'] roa_dict[year] = df['roa'] roe_df = pd.DataFrame(roe_dict) roe_df.index = get_stock_name(roe_df.index) print(roe_df) roa_df = pd.DataFrame(roa_dict) roa_df.index = get_stock_name(roa_df.index) print(roa_df) ``` 输出结果如下： ``` # ROA 数据 2012 2013 2014 2015 2016 2017 2018 德赛电池 42.0292 45.6301 36.7709 27.5280 24.4718 23.4739 25.4401 深圳华强 17.1353 23.4449 22.3831 12.6922 11.2260 10.0807 15.4378 中国长城 -8.0230 1.0715 2.2067 -1.3878 1.2367 12.3040 15.2863 鄂武商A 18.0024 17.4650 20.4505 20.8006 19.4758 18.7633 13.6118 万向钱潮 8.8288 14.9370 19.0177 19.0923 19.5368 18.7561 14.0804 泸州老窖 52.0411 33.9179 8.6760 14.7377 18.0952 19.5248 21.6930 攀钢钒钛 3.9985 3.6770 -29.7426 -23.2050 -101.0578 22.3341 52.8145 中信特钢 7.4773 6.6369 8.3031 7.9346 8.1060 10.1889 12.1011 美锦能源 -6.6148 8.2321 2.0762 -10.8518 10.3246 14.5507 24.2232 ...... # ROE 数据 2012 2013 2014 2015 2016 2017 2018 德赛电池 10.4086 10.5129 7.7766 7.6278 8.1814 5.6996 6.3939 深圳华强 5.8560 8.2264 10.5712 7.3072 6.7120 5.8976 8.1577 中国长城 0.2652 -1.9459 -0.1234 -0.4921 0.5345 2.4832 6.7707 鄂武商A 5.0216 5.1215 4.5341 4.7944 5.5878 6.9328 5.1334 万向钱潮 4.3959 6.5947 7.2278 6.8035 7.3400 8.0144 6.3492 泸州老窖 32.3885 24.1409 7.2556 11.7691 14.5198 15.5671 16.5742 攀钢钒钛 1.9185 1.6826 -13.5574 -4.4712 -20.0210 9.1558 28.3191 中信特钢 4.8734 4.6063 5.6260 5.3200 5.3289 6.3561 7.1571 美锦能源 -3.8911 4.9415 1.1571 -5.1976 5.5847 9.2763 12.7299 中百集团 2.5571 2.0240 2.0761 0.0383 0.1003 0.9043 5.5498 ...... ``` **代码片段一：** ``` def get_stock_name(stock_code): stocks_df = get_all_securities() stock_name = [stocks_df.loc[c, 'display_name'] for c in stock_code] return stock_name ``` 这里定义的是一个函数，这个函数的目的是按照给定的股票代码（参数`stock_code`）返回这些股票代码对应的股票名称。之所以要进行这么转换是因为服务器存储股票数据的时候以股票代码作为主要索引，但我们把这些打印出来看的时候代码很难懂，所以才需要转换成中文的股票名称。你可以看到这个函数仅仅在最后打印的时候才调用。 **代码片段二：** ``` pd.set_option('display.max_columns', 100) pd.set_option('display.max_rows', 100) ``` 这两句代码也是为打印服务的，它们的作用是设置打印DataFrame二维数据表时能够展现的最大列（`max_columns`）和最大行（`max_rows`）,最大行的默认值是60，最大列的默认值是20，可以参看[官方文档 Options and settings](https://pandas.pydata.org/pandas-docs/stable/user_guide/options.html)。 比如你看到的下面这种省略号就是因为打印出的内容的行数超过了规定的最大行数，然后多于的被隐藏起来了。 ``` 圣农发展 -0.5864 -3.5291 0.4164 -4.7529 6.1012 2.1596 11.1367 天虹股份 6.4131 6.1543 4.8855 9.5108 3.6536 4.7611 5.7144 嘉事堂 3.9370 6.2293 8.3544 5.7761 6.1810 5.6614 5.6905 申通快递 0.8766 0.7571 0.2913 0.0019 26.4799 17.7387 19.8468 ... ... ... ... ... ... ... ... 方大炭素 6.5444 2.6178 2.6571 0.1398 0.3517 36.0962 39.8629 天士力 11.2192 13.1801 12.5392 10.7550 7.4940 7.2547 6.8172 精达股份 2.8342 3.0622 3.1841 3.0099 5.4698 7.9539 9.0348 新安股份 2.0343 6.0315 0.8074 -3.2645 1.1020 6.1547 13.0519 ``` **代码片段三：** ``` init_filter_query = query( valuation.pe_ratio, indicator.code, indicator.roe, indicator.roa, ).filter( indicator.roa > 5, indicator.roe > 10, valuation.pe_ratio > 0, income.total_operating_revenue < = 2e10, income.total_operating_revenue > 1e10 ).order_by( indicator.roe.desc() ).limit( 100 ) df = get_fundamentals(init_filter_query, statDate='2018') stocks = df['code'] ``` 对于query对象的理解在[周记二](https://www.joinquant.com/view/community/detail/3cc22ef4218363686917d718ba90f4f8)里面有比较详细的介绍。这里创建query对象所包含的条件也即使本次选择普通股应用的条件，包括： - indicator.roa > 5：总资产收益率（ROA）大于5%。 - indicator.roe > 10：净资产收益率（ROE）大于10%。 - valuation.pe_ratio > 0：动态市盈率（PE）大于0。 - income.total_operating_revenue < = 2e10：营业收入小于或等于20亿。 - income.total_operating_revenue > 1e10：营业收入大于10亿。 要应用上面这些标准需要查看不同的数据表，比如indicator是[财务指标数据](https://www.joinquant.com/help/api/help?name=JQData#财务指标数据)，里面包含了ROA和ROE等数据。valuation是[市值数据](https://www.joinquant.com/help/api/help?name=JQData#市值数据（每日更新）)，里面包含了PE等数据。income是[利润表](https://www.joinquant.com/help/api/help?name=Stock#利润数据)，里面包含了营业收入等数据。把这些条件设定好了之后使用`filter`过滤。 然后`order_by`是针对查询结果的排序方法，这里是按照净资产收益率（ROE）进行降序排列，最后使用`limit`取用排名靠前的100条记录。在创建好query对象之后我们调用`get_fundamentals()`来执行前面准备的这些查询操作，就可以得到下面这样的结果： ``` pe_ratio code roe roa 0 11.5008 000629.XSHE 52.8145 28.3191 1 4.3696 600507.XSHG 51.7314 32.1590 2 4.9300 600516.XSHG 50.0955 39.8629 3 11.1500 002027.XSHE 47.3919 33.5042 4 10.4912 603260.XSHG 42.0329 18.8691 5 38.0252 300760.XSHE 34.1555 20.6608 ...... ``` 最后我们使用`stocks = df['code']`把上面这个二维表数据里面的`code`这一列取出来，它们就是我们需要进一步去查询的股票代码。因为我们这时查询的是`2018年`财务数据对应的结果，我们还想进一步去看这些股票在往年的财务表现怎么样。 **代码片段四：** ``` multi_stock_data_query = query( valuation.pe_ratio, indicator.code, indicator.roe, indicator.roa, ).filter( indicator.code.in_(stocks) ) roe_dict = {} roa_dict = {} year_list = ['2012', '2013', '2014', '2015', '2016', '2017', '2018'] for year in year_list: df = get_fundamentals(multi_stock_data_query, statDate=year) df = df.set_index('code') roe_dict[year] = df['roe'] roa_dict[year] = df['roa'] ``` 对于上面初步筛选出来的那些在2018年具有最高净资产收益率（ROE）的普通股，我们想看看这些普通股在2012年~2018年的总资产收益率（ROA）和净资产收益率（ROE）的历史表现，所以我们这里需要再次进行一轮新的查询，分两步。 第一步：我们先设定好要查询的数据，主要是每只股票的市盈率（`valuation.pe_ratio`）、股票代码（`indicator.code`）、净资产收益率（indicator.roe）和总资产收益率（indicator.roa），`filter`条件指定为上面初步筛选出来的股票。 第二步：循环查询每年这些股票的数据，然后讲净资产收益率（ROE）和总资产收益率（ROA）分别用字典保存起来，使用查询的年作为字典存储时候的键值。 完成这两步之后我们就得到了之前筛选出来的股票在2012年~2018年的总资产收益率、净资产收益率数据，然后我们要接用Pandas将其更友好的展示出来（*复习一下：Pandas是用来进行更加便捷地处理数据的Python库，在金融领域进行数据处理可以说是无法回避的。*）。 **代码片段五：** ``` roe_df = pd.DataFrame(roe_dict) roe_df.index = get_stock_name(roe_df.index) print(roe_df) roa_df = pd.DataFrame(roa_dict) roa_df.index = get_stock_name(roa_df.index) print(roa_df) ``` 然后我们分别根据保存净资产收益率和总资产收益率的字典来创建DataFrame，然后我们要讲默认index为股票代码（code）修改为股票名称，方便我们阅读。打印出来就能得到下面这样的结果： ``` # ROA 数据 2012 2013 2014 2015 2016 2017 2018 德赛电池 42.0292 45.6301 36.7709 27.5280 24.4718 23.4739 25.4401 深圳华强 17.1353 23.4449 22.3831 12.6922 11.2260 10.0807 15.4378 中国长城 -8.0230 1.0715 2.2067 -1.3878 1.2367 12.3040 15.2863 鄂武商A 18.0024 17.4650 20.4505 20.8006 19.4758 18.7633 13.6118 万向钱潮 8.8288 14.9370 19.0177 19.0923 19.5368 18.7561 14.0804 ...... # ROE 数据 2012 2013 2014 2015 2016 2017 2018 德赛电池 10.4086 10.5129 7.7766 7.6278 8.1814 5.6996 6.3939 深圳华强 5.8560 8.2264 10.5712 7.3072 6.7120 5.8976 8.1577 中国长城 0.2652 -1.9459 -0.1234 -0.4921 0.5345 2.4832 6.7707 鄂武商A 5.0216 5.1215 4.5341 4.7944 5.5878 6.9328 5.1334 ...... ``` ## 二、上周计划任务 ### 1.什么是网格交易？ > 宽友@odbo前段时间留言时提到“网格交易”这个名词，自己还没有了解过，做些学习和了解。 先要感谢 @odbo 同学！让太懒惰的我这周又解锁了一个新概念。在经过一些了解之后基本弄清楚“网格交易”的定义，它其实是我们经常说的“分批买入、分批卖出”的升级版，实际上是一种做波段的方法，比较适合于震荡市场行情中。 就像没人能准确预测未来行情走势一样，后世是否为“震荡行情”也是无法得知的，这是它的不足之处，其实也是所有投资需要面对的风险所在。由于“估值”是其中最重要的一个环节。所以，其实用这种方式来优化价值投资的操作。大致过程如下： - 对普通股/指数进行估值，确定其模糊的内在价值区间[a, b] - 在市值小于a时进行网格交易，进行分批买入 - 在市值大于b时进行网格交易，进行分批卖出 这种方式给我的启发是手里面要留有一定的现金以备不时之需。 参考： - [网格交易致命弱点是什么？有什么好办法克服？](https://www.zhihu.com/question/41829464/answer/777301686) - [初识网格交易](https://zhuanlan.zhihu.com/p/80052984) ### 2.修改之前第一个模拟定投的策略，计算下真实收益率 已经完成，并且发布到社区，参看[价值研究笔记之基金定投模拟](https://www.joinquant.com/view/community/detail/3d7d7a201cc6dedc526b5c5e329d9baa)。 其实觉得不管是量化还是简单的买卖股票，一些金融尝试和财务知识还是需要的，因为这能够帮助你更准确地理解证券市场里面的一些运作概念。有了这些概念不一定就能做得很好，但没有这些概念便会觉得没有根基，很多内容难以做到真正的理解。 ## 三、本周新学内容 ### 如何在策略完成时计算策略的总体收益率？ 在执行策略的时候需要在策略完成时计算策略的内部收益率（IRR），但是从写的第一个简单策略里面只有针对定时运行策略的控制，比如可以给run_daily/run_weekly/run_monthly 指定before_market_open/market_open/after_market_close分别在开盘前、中、后执行，但我想要的是在整个策略执行完成的时候计算策略的总体收益。 于是决定阅读[API文档](https://www.joinquant.com/help/api/help?name=api#策略程序架构♦)，在策略程序架构章节里面发现了可以完成这项功能的函数`on_strategy_end()`，定义如下： ``` def on_strategy_end(context) 在回测、模拟交易正常结束时被调用， 失败时不会被调用。 在模拟交易到期结束时也会被调用， 手动在到期前关闭不会被调用。 ``` 这个函数会默认调用，可以通过重写这个函数来决定策略执行结束时做什么。 ### 统计基金当日的交易量 官方API里面给定了[获取场内基金tick数据](https://www.joinquant.com/help/api/help?name=fund#获取单支基金数据)的方法，当天的交易量。 比如如下统计创业板在2020年2月14日这一天的成交量，需要先使用`get_ticks()`获取整天的所有成交信息，然后再对这一整天进行求和操作： ``` nd = get_ticks('159915.XSHE','2020-02-14 15:30:00','2020-02-14 09:00:00') df = pd.DataFrame(nd) print(df['volume'].iloc[-1]) # 输出：338 313 044 股 ``` ## 四、下周学习任务 ### 1.写函数统计基金的成交量，提供按天、月为单位进行统计。 ### 2.如何获取创业板指数的市盈率？