python中tushare数据可以导出嘛_Python与交易策略分析tushare/baostock库介绍（附代码）...
前言：金融數據中最典型的就是資產價格的漲跌情況。想要分析金融資產的投資策略，第一步就是歷史數據的獲取。tushare正是為導入歷史金融資產數據而開發，它大大方便了用Python進行金融資產交易策略的探索和研究。
tushare簡介：中國的“挖地兔”團隊開發并維護，是Python專用的“中國財經數據接口包”，返回的是pandas格式的數據框。當然了，接入數據之后，我們可能還需要NumPy、pandas、matplotlib和sciki-learn等包進行整理分析和可視化。
之前tushare一直免費，但最近該團隊已經正式將tushare升級為pro版，需要用戶捐贈購買積分才能使用。這其實就是變相地收費了嘛。當然了，這都是人家的勞動成果，要恰飯也恰得理所當然?？吹竭@，不知道大家有沒有想到之前用的NumPy、pandas收過費嘛？用Python和R有人問你要錢嘛？----統統不要啊。。。而且估計以后也不會要！這么一想，是不是覺得整天搞數據擼代碼也挺幸福的，畢竟是坐享他人的辛勞成果啊。
baostock號稱提供國內財經數據的第二大Python包，其功能相對tushare要簡單一些，但是全部功能免費，而且執行效率要好一些。
1 tushare包的使用
數據獲取接口，以獲取k線數據為例 :get_k_data(code=None, start='', end='', ktype='D', autype='qfq', index=False, retry_count=3, pause=0.001)
參數說明：code: string，股票代碼 ，如000001
start: string，開始日期 format:YYYY-MM-DD 為空時取上市首日
end: string，結束日期 format:YYYY-MM-DD 為空時取最近一個交易日
autype: string，復權類型，qfq-前復權 hfq-后復權 None-不復權，默認為qfq
ktype: string，數據類型，D=日k線/W=周/M=月/5=5分鐘/15=15分鐘/30=30分鐘/60=60分鐘，默認為D
retry_countint，默認 3，如遇網絡等問題重復執行的次數
pauseint， 默認 0，重復請求數據過程中暫停的秒數,防止請求間隔時間太短出現的問題
return DataFrame
date，交易日期
index ，股票指數
open，開盤價
high，最高價
close，收盤價
low，最低價
volume，成交量
amount，成交額
turnoverratio，換手率
code，股票代碼
具體實現代碼如下。
import tushare as ts ##導入tushare包
##我們先試下老版本的k線數據讀取接口get_k_data()。免費，目前還能用
df1 = ts.get_k_data(code='000001', start='20000101', end='20201010') ##000001，代表平安銀行
本接口即將停止更新，請盡快使用Pro版接口：https://waditu.com/document/2
##升級后pro版(收費)的讀取接口是pro.daily()
df1.head()
Out[40]:
date open close high low volume code
238 2001-01-02 3.606 3.609 3.646 3.572 34122.68 000001
239 2001-01-03 3.611 3.581 3.624 3.564 54294.20 000001
240 2001-01-04 3.584 3.559 3.596 3.547 48404.44 000001
241 2001-01-05 3.554 3.522 3.554 3.502 66419.01 000001
242 2001-01-08 3.522 3.472 3.522 3.467 69944.94 000001
type(df1)
Out[41]: pandas.core.frame.DataFrame
str(df1)
Out[42]: ' date open close high low volume code\n238 2001-01-02 3.606 3.609 3.646 3.572 34122.68 000001\n239 2001-01-03 3.611 3.581 3.624 3.564 54294.20 000001\n240 2001-01-04 3.584 3.559 3.596 3.547 48404.44 000001\n241 2001-01-05 3.554 3.522 3.554 3.502 66419.01 000001\n242 2001-01-08 3.522 3.472 3.522 3.467 69944.94 000001\n... ... ... ... ... ... ... ...\n4903 2020-11-30 19.900 19.740 20.880 19.590 1581441.00 000001\n4904 2020-12-01 19.700 20.050 20.510 19.400 1263720.00 000001\n4905 2020-12-02 19.930 19.630 20.060 19.520 889385.00 000001\n4906 2020-12-03 19.780 19.540 19.860 19.170 714452.00 000001\n4907 2020-12-04 19.470 19.300 19.470 18.970 891348.00 000001\n\n[4670 rows x 7 columns]'
sh = ts.get_k_data(code='000001', index=True) ##返回的是股指。上證綜指，代碼全稱是"SH.000001
本接口即將停止更新，請盡快使用Pro版接口：https://waditu.com/document/2
sh.tail() ##數據框的最后6條數據
Out[56]:
date open close high low volume code
636 2020-12-01 3388.99 3451.94 3457.64 3386.91 316188980.0 sh000001
637 2020-12-02 3453.52 3449.38 3465.73 3435.87 312811114.0 sh000001
638 2020-12-03 3448.54 3442.14 3452.16 3428.80 298459930.0 sh000001
639 2020-12-04 3436.73 3444.58 3448.40 3417.05 256276705.0 sh000001
640 2020-12-07 3446.65 3416.60 3449.58 3414.31 254522508.0 sh000001
##保存到本地
df1.to_csv('D:/Spyder/000001.csv')
##選擇部分變量，保存到本地
df1.to_csv(D:/Spyder/000001.csv', columns = ['open', 'low', 'high', 'close'])
2 數據和交易策略分析案例
案例分析要求使用tushare下載平安銀行(000001)的歷史成交數據
輸出平安銀行所有當日漲幅超過5%的日期(如果沒有，請調整至2%)
輸出平安銀行所有開盤價比前日收盤跌幅超過5%的日期(如果沒有，請調整至2%)
假設從2000.1.1開始，每月第一個交易日買入1手平安銀行股票，每年最后一個交易日賣出。請問迄今為止，該投資策略收益為多少？
實現代碼如下：
##第0步，準備工作
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tushare as ts
第一步，使用tushare下載平安銀行(000001)的歷史成交數據
##第一步，使用tushare下載平安銀行(000001)的歷史成交數據
pingan = ts.get_k_data(code='000001', start='20000101', end='20201010')
本接口即將停止更新，請盡快使用Pro版接口：https://waditu.com/document/2
df = pd.read_csv('pingan.csv', index_col='date',
parse_dates=['date'])[['open', 'close', 'high', 'low']]
df.tail()
Out[156]:
open close high low
date
2020-11-30 19.90 19.74 20.88 19.59
2020-12-01 19.70 20.05 20.51 19.40
2020-12-02 19.93 19.63 20.06 19.52
2020-12-03 19.78 19.54 19.86 19.17
2020-12-04 19.47 19.30 19.47 18.97
df.head()
Out[157]:
open close high low
date
2001-01-02 3.606 3.609 3.646 3.572
2001-01-03 3.611 3.581 3.624 3.564
2001-01-04 3.584 3.559 3.596 3.547
2001-01-05 3.554 3.522 3.554 3.502
2001-01-08 3.522 3.472 3.522 3.467
##畫一個簡單的股價趨勢圖
import matplotlib.pyplot as plt
plt.plot(pingan['date'], pingan['open'])
plt.show()平安銀行2001-2020開盤價趨勢圖
第二步，輸出平安銀行所有當日漲幅超過5%的日期(如果沒有，請調整至2%)
df[ (df['close'] - df['open']) / df['open'] >= 0.05 ]
Out[160]:
open close high low
date
2001-09-19 3.001 3.192 3.222 2.986
2002-01-23 2.381 2.565 2.567 2.359
2002-01-31 2.455 2.612 2.641 2.455
2002-03-07 2.679 2.830 2.837 2.659
2002-06-21 2.790 2.954 3.004 2.790
... ... ... ...
2019-02-25 11.700 12.550 12.640 11.570
2019-04-16 13.670 14.580 14.580 13.550
2020-07-03 13.570 14.250 14.320 13.560
2020-07-06 14.600 15.680 15.680 14.590
2020-08-28 14.260 15.130 15.180 14.260
[150 rows x 4 columns]
##結果共有150天
第三步，輸出所有開盤價比前日收盤跌幅超過5%的日期(如果沒有，請調整至2%)
df[ (df['open'] - df['close'].shift(1)) / df['close'].shift(1) <= -0.05 ]
Out[164]:
open close high low
date
2005-04-22 1.569 1.523 1.630 1.521
2006-06-12 2.012 2.012 2.012 2.012
2006-06-13 1.811 1.811 1.860 1.811
2007-02-28 4.646 4.853 4.886 4.646
2007-05-30 6.959 6.959 7.155 6.959
2007-06-27 8.070 8.207 8.607 8.070
2008-06-10 5.935 5.675 5.935 5.675
2009-01-13 2.951 3.147 3.200 2.951
2013-03-28 7.032 6.704 7.032 6.677
2015-01-19 9.216 9.097 9.584 9.097
2015-07-08 10.994 10.500 11.145 10.500
2019-05-06 13.100 12.870 13.350 12.710
2020-02-03 13.990 13.990 14.700 13.990
2020-03-13 13.900 14.520 14.580 13.900
第四步，假設從2000.1.1開始，每月第一個交易日買入1手平安銀行股票，每年最后一個交易日賣出。請問迄今為止，該投資策略收益為多少？
df1 = df['2001-01':'2019-12']
df1
Out[167]:
open close high low
date
2001-01-02 3.606 3.609 3.646 3.572
2001-01-03 3.611 3.581 3.624 3.564
2001-01-04 3.584 3.559 3.596 3.547
2001-01-05 3.554 3.522 3.554 3.502
2001-01-08 3.522 3.472 3.522 3.467
... ... ... ...
2019-12-25 16.450 16.300 16.560 16.240
2019-12-26 16.340 16.470 16.480 16.320
2019-12-27 16.530 16.630 16.930 16.430
2019-12-30 16.460 16.570 16.630 16.100
2019-12-31 16.570 16.450 16.630 16.310
[4446 rows x 4 columns]
df_m1 = df1.resample('M').first() ##獲取每個月的首個交易日數據
df_m1 #[228 rows x 4 columns]，12個月*19年 = 228行數據
Out[170]:
open close high low
date
2001-01-31 3.606 3.609 3.646 3.572
2001-02-28 3.720 3.619 3.745 3.609
2001-03-31 3.522 3.547 3.596 3.497
2001-04-30 4.030 4.100 4.130 3.998
2001-05-31 3.852 3.844 3.882 3.837
... ... ... ...
2019-08-31 14.060 14.100 14.190 13.940
2019-09-30 14.150 14.450 14.500 14.110
2019-10-31 15.600 16.200 16.230 15.600
2019-11-30 16.350 16.860 17.000 16.280
2019-12-31 15.350 15.360 15.430 15.230
[228 rows x 4 columns]
df_m1 = df_m1['open']
df_ycost = df_m1.resample('A').mean()
df_ycost
Out[173]:
date
2001-12-31 3.589583
2002-12-31 3.128750
2003-12-31 2.672500
2004-12-31 2.230750
2005-12-31 1.538500
2006-12-31 1.983750
2007-12-31 7.594083
2008-12-31 6.056333
2009-12-31 6.021833
2010-12-31 6.663300
2011-12-31 5.505917
2012-12-31 5.018750
2013-12-31 6.487250
2014-12-31 6.611583
2015-12-31 10.111000
2016-12-31 8.658250
2017-12-31 10.018750
2018-12-31 10.897917
2019-12-31 13.395000
Freq: A-DEC, Name: open, dtype: float64
df_yl1 = df1.resample('A').last() ##獲取每年最后一個交易日的數據
df_yl1
Out[175]:
open close high low
date
2001-12-31 3.026 3.038 3.051 3.001
2002-12-31 2.607 2.629 2.657 2.571
2003-12-31 2.216 2.168 2.226 2.155
2004-12-31 1.676 1.679 1.697 1.676
2005-12-31 1.587 1.564 1.590 1.562
2006-12-31 3.604 3.686 3.739 3.587
2007-12-31 9.909 9.833 10.001 9.833
2008-12-31 3.174 3.144 3.190 3.091
2009-12-31 8.102 8.099 8.205 8.006
2010-12-31 5.211 5.247 5.274 5.181
2011-12-31 5.101 5.181 5.181 5.085
2012-12-31 5.260 5.364 5.414 5.240
2013-12-31 6.340 6.621 6.697 6.297
2014-12-31 10.268 10.419 10.446 10.064
2015-12-31 9.632 9.545 9.656 9.537
2016-12-31 8.805 8.825 8.825 8.786
2017-12-31 13.000 13.089 13.217 12.892
2018-12-31 9.310 9.380 9.460 9.310
2019-12-31 16.570 16.450 16.630 16.310
df_yl1 = df_yl1['open'] ##19年共19行數據
df_earn = (df_yl1 - df_ycost) * 100 * 12
df_earn
Out[178]:
date
2001-12-31 -676.30
2002-12-31 -626.10
2003-12-31 -547.80
2004-12-31 -665.70
2005-12-31 58.20
2006-12-31 1944.30
2007-12-31 2777.90
2008-12-31 -3458.80
2009-12-31 2496.20
2010-12-31 -1742.76
2011-12-31 -485.90
2012-12-31 289.50
2013-12-31 -176.70
2014-12-31 4387.70
2015-12-31 -574.80
2016-12-31 176.10
2017-12-31 3577.50
2018-12-31 -1905.50
2019-12-31 3810.00
Freq: A-DEC, Name: open, dtype: float64
df_earn.sum()
Out[179]: 8657.039999999994
##第四步可以用循環來實現。但是沒有必要，因為本身pandas已經把數據整理得很工整
##加上題目簡單，直接矩陣向量的運算就可以了
2 中國金融數據導入包baostock
import baostock as bs
import pandas as pd
## 登陸
lg = bs.login()
##讀入上證綜指的歷史數據
rs = bs.query_history_k_data("000001.SH", "date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,peTTM,pbMRQ,psTTM,pcfNcfTTM,isST",
start_date='2010-01-01', end_date='2020-10-10', frequency="d", adjustflag="3")
導入后查看默認保存的數據格式
rs
Out[24]:
str(rs) ##查看結構
Out[28]: ''
type(rs) ##查看類型
Out[29]: baostock.data.resultset.ResultData
將數據轉換為data frame格式
data = []
while (rs.error_code == '0') & rs.next(): # 逐條獲取數據并合并
data_list.append(rs.get_row_data())
df = pd.DataFrame(data_list, columns=rs.fields)
df
Out[31]:
date code open ... psTTM pcfNcfTTM isST
0 2010-01-04 sh.000001 3289.7500 ... 0
1 2010-01-05 sh.000001 3254.4680 ... 0
2 2010-01-06 sh.000001 3277.5170 ... 0
3 2010-01-07 sh.000001 3253.9910 ... 0
4 2010-01-08 sh.000001 3177.2590 ... 0
... ... ... ... ... ... ...
2610 2020-09-25 sh.000001 3234.3739 ... 0.000000 0.000000 0
2611 2020-09-28 sh.000001 3224.9769 ... 0.000000 0.000000 0
2612 2020-09-29 sh.000001 3231.8551 ... 0.000000 0.000000 0
2613 2020-09-30 sh.000001 3232.7104 ... 0.000000 0.000000 0
2614 2020-10-09 sh.000001 3262.6105 ... 0.000000 0.000000 0
[2615 rows x 18 columns]
將數據框導出為CSV文件
df.to_csv("D:/Spyder/history_A_stock_k_data.csv", index=False)
3 小結
本文向大家展示了兩大中國的Python金融交易數據導入包。其中tushare發展較為成熟，功能也穩定，可以搞了個捐錢換積分就讓初學者會覺得有點啰嗦。如果不想搞得那么麻煩，baostock也是個不錯的備選。
另外，也向大家展示了一個簡單的金融交易策略。使用策略基于歷史價格數據進行驗證，就是所謂的‘回測’。量化交易最核心的任務，就是研究出一個好的交易策略，通過真實的投資而實現盈利。
至于國外尤其是美股的數據導入庫，后面還會陸續和大家介紹。
REF
2020，伊夫·希爾皮斯科，《Python金融大數據分析 第2版》
-----全文結束-----
總結
以上是生活随笔為你收集整理的python中tushare数据可以导出嘛_Python与交易策略分析tushare/baostock库介绍（附代码）...的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： csrutil是什么_经常在程序里见到
- 下一篇： xshell 打开文件跳转到最后_xsh