Python 数据分析与可视化：金融量化基础与双均线策略

Tushare

Tushare Pro 是一个 Python 财经数据接口包，实现对股票等金融数据的采集、清洗、存储。返回数据多为 pandas DataFrame 格式，便于分析和可视化。

Tushare 安装

pip install tushare

访问 https://tushare.pro/ 注册并获取接口 TOKEN。

Tushare 使用

获取五粮液股票历史行情数据

建立接口链接，上海证券交易所后缀为.SH，深圳证券交易所后缀为.SZ。

import tushare as ts
import pandas as pd

# 设置 TOKEN，请替换为你自己的 token
ts.set_token('YOUR_TOKEN')
pro = ts.pro_api()

# 获取五粮液 (000858.SZ) 历史行情
df = pro.daily(ts_code='000858.SZ', start_date='20100101', end_date='20211231')

# 解析日期列
df['trade_date'] = pd.to_datetime(df['trade_date'])
df.set_index('trade_date', inplace=True)

# 保留关键列
df = df[['open', 'close', 'high', 'low']]
print(df.head())

只保留需要开盘、收盘、最高、最低值列。输出该股票收盘比开盘上涨 3% 以上的日期。

# 计算涨跌幅条件
up_days = df[df['close'] > df['open'] * 1.03]
print(up_days)

输出开盘比收盘跌幅 2% 以上的日期；输出开盘比昨日收盘跌幅 2% 以上的日期。

# 开盘比收盘跌幅 2%
down_close = df[df['open'] < df['close'] * 0.98]

# 开盘比昨日收盘跌幅 2%
df['prev_close'] = df['close'].shift(1)
down_prev = df[df['open'] < df['prev_close'] * 0.98]

每月 1 日买入，年底最后一个交易日卖出，计算收益

从 2010 年 1 月 1 日开始，每月第一个交易日买入 1 手（100 股），每年最后一个交易日卖出所有股票。

# 重采样为每月一次
df_monthly = df.resample('M').last()

# 计算收益逻辑（简化版）
capital = 100000  # 初始资金
shares = 0
for date, row in df_monthly.iterrows():
    if date.day == 1 or (date.month == 1 and date.day == 1):
        buy_price = row['close']
        if capital >= buy_price * 100:
            count = int(capital / buy_price / 100) * 100
            shares += count
            capital -= count * buy_price
    else:
        sell_price = row['close']
        if shares > 0:
            capital += shares * sell_price
            shares = 0

print(f'最终资金：{capital}')

双均线分析

对于每一个交易日，计算前 N 天的移动平均值连成一条线，即 N 日移动平均线。常用 MA5, MA10, MA30, MA60 等。

黄金交叉

短期均线上穿长期均线，为买入信号。一般比较 MA5 和 MA30 的值。

死亡交叉

短期均线下穿长期均线，为卖出信号。

双均线分析练习

1. 使用 tushare 包获取某股票的历史行情数据
2. 计算该股票历史数据的 5 日均线和 30 日均线
3. 使用 matplotlib 包可视化历史数据的收盘价和两条均线
4. 分析输出所有金叉日期和死叉日期
5. 假设从 2010 年 1 月 1 日开始，初始资金为 10W，金叉买入，死叉全部卖出，计算收益率

实现步骤如下：

import matplotlib.pyplot as plt
import numpy as np

# 1. 获取数据 (同上)
# 2. 计算均线
df['ma5'] = df['close'].rolling(window=5).mean()
df['ma30'] = df['close'].rolling(window=30).mean()

# 3. 可视化
plt.figure(figsize=(14, 7))
plt.plot(df.index, df['close'], label='Close Price', alpha=0.6)
plt.plot(df.index, df['ma5'], label='MA5', color='orange')
plt.plot(df.index, df['ma30'], label='MA30', color='green')
plt.title('Stock Price & Moving Averages')
plt.legend()
plt.grid(True)
plt.show()

# 4. 寻找金叉和死叉
df['signal'] = 0
df.loc[df['ma5'] > df['ma30'], 'signal'] = 1
df.loc[df['ma5'] < df['ma30'], 'signal'] = -1

# 金叉：信号从 -1 变为 1
golden_cross = df[(df['signal'] == 1) & (df['signal'].shift(1) == -1)]
# 死叉：信号从 1 变为 -1
death_cross = df[(df['signal'] == -1) & (df['signal'].shift(1) == 1)]

print('Golden Cross Dates:', golden_cross.index.tolist())
print('Death Cross Dates:', death_cross.index.tolist())

# 5. 模拟交易
initial_capital = 100000
current_capital = initial_capital
position = 0  # 持仓数量
trades = []

for i in range(1, len(df)):
    date = df.index[i]
    price = df['close'][i]
    
    # 金叉买入
    if df['signal'].iloc[i] == 1 and df['signal'].iloc[i-1] == -1:
        if current_capital > 0:
            buy_shares = int(current_capital / price / 100) * 100
            if buy_shares > 0:
                cost = buy_shares * price
                current_capital -= cost
                position += buy_shares
                trades.append((date, 'Buy', price, buy_shares))
    
    # 死叉卖出
    elif df['signal'].iloc[i] == -1 and df['signal'].iloc[i-1] == 1:
        if position > 0:
            sell_value = position * price
            current_capital += sell_value
            trades.append((date, 'Sell', price, position))
            position = 0

final_capital = current_capital + (position * df['close'].iloc[-1])
return_rate = (final_capital - initial_capital) / initial_capital
print(f'Final Capital: {final_capital}')
print(f'Return Rate: {return_rate:.2%}')

通过上述代码，可以完整实现从数据获取、指标计算、可视化到策略回测的全过程。