yyds！Python 量化交易神书面世，赠送 5 本
yyds！Python 量化交易神书面世，赠送 5 本
大家好，我是东哥。
前不久，收到清华大学出版社赠送的 《深入浅出Python量化交易实战》 一书，也答应了出版社要写一些读书笔记，今天就来交作业了。
下面是我参考书中内容做的一些简单尝试，仅供学习参考。这本书对于使用Python玩量化的初学者们，还是很友好的，感兴趣可以考虑入手一本看看。
笔记①
用Python绘制出股价的5日均线和20日均线。众所周知，5日均线是短线交易的生死线，而20日均线是中长线趋势的分水岭。因此，基于这两条均线，可以设计出一些简单的交易策略。
下面是我练习的代码：
import pandas as pd
import numpy as np
from pandas_datareader import data
import datetime
import matplotlib.pyplot as plt
导入库的部分，不解释了，下面拉数据：
end_date = datetime.date.today()
start_date = end_date - datetime.timedelta(days = 100)
price = data.DataReader('601127.ss','yahoo',
start_date,
end_date)
price.head()
这里我选择从yahoo拉601127这支股票过去100天的行情数据。能够看到最早的数据到2021年的10月8日：
然后我开始添加5日和20日均线
price['ma5'] = price['Adj Close'].rolling(5).mean()
price['ma20'] = price['Adj Close'].rolling(20).mean()
price.tail()
数据中就可以看到了：
为了便于观察，我用代码画了个图：
fig = plt.figure(figsize=(16,9))
ax1 = fig.add_subplot(111, ylabel='Price')
price['Adj Close'].plot(ax=ax1, color='g', lw=2., legend=True)
price.ma5.plot(ax=ax1, color='r', lw=2., legend=True)
price.ma20.plot(ax=ax1, color='b', lw=2., legend=True)
plt.grid()
plt.show()
这样就可以直观看到图像：
这样就可以根据不同周期的均线来设计移动平均策略了。
笔记②
这里把书中用KNN模式做的交易策略，换成了逻辑回归模型，试试看策略的业绩会有怎样的变化。
二话不说，上梯子，导库拉数据：
import pandas as pd
import pandas_datareader.data as web
import numpy as np
from datetime import datetime
数据甭多了，来个3年的：
end = datetime.date.today()
start = end - datetime.timedelta(days = 365*3)
我大A股，最牛X的股票，要说是茅台，没人反对吧？那咱搞茅台的行情数据：
owB = web.DataReader('600519.ss', 'yahoo',
start,
end)
cowB.head()
拉下来本仙就惊了，2019年1月的时候，大茅台才600多块钱啊！不过估计当时让本仙买，本仙也不敢。那时候我大A股过百的股票也没多少吧！
然后我按照书里的方法，做下特征工程：
cowB['open-close'] = cowB['Open'] - cowB ['Close']
cowB ['high-low'] = cowB ['High'] - cowB ['Low']
cowB ['target'] = np.where(cowB ['Close'].shift(-1) > cowB ['Close'],1,-1)
cowB = cowB.dropna()
cowB.tail()
然后就多了几列，target里面，1表示次日上涨，-1表示次日下跌：
下面要搞模型了：
x = cowB [['open-close','high-low']]
y = cowB ['target']
拆成x和y，然后请出scikit-learn：
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
然后把数据集拆分成训练集和测试集：
x_train, x_test, y_train, y_test =\
train_test_split(x, y, train_size = 0.8)
看看逻辑回归表现如何：
lr = LogisticRegression()
lr.fit(x_train, y_train)
print(lr.score(x_train, y_train))
print(lr.score(x_test, y_test))
结果发现，还没有书里KNN的分数高：
0.5438898450946644
0.5136986301369864
逻辑回归在训练集里面的准确率是54.39%，与书里KNN的准确率基本持平；但是测试集里只有51.37%，比书里的KNN模型低了差不多3个百分点。
第二个笔记结果有点扎心，但目的重在尝试，空余时间抽空玩一玩，感兴趣的话也可以自行动手实践一下。