某只股票量化对冲策略计算绘图

量化对冲策略计算绘图

代码提要

代码运行环境，WIN 11 ，python 3.13

1. 使用akshare获取股票数据，并用pandas的ewm函数
2. 添加了akshare库获取真实股票数据
3. 主程序中使用ak.stock_zh_index_daily获取上证指数数据
4. 增加了异常处理，当获取数据失败时使用随机数据作为备选
5. 确保数据列名与原代码兼容
6. 截取最近200个交易日的数据进行计算

使用说明：

1. 需要安装依赖库：pip install pandas numpy akshare
2. 默认获取上证指数数据，可以通过修改ak.stock_zh_index_daily(symbol="sh000001")中的symbol参数获取其他股票数据
3. 股票代码格式示例：

• 上证指数: sh000001
• 深证成指: sz399001
• 创业板指: sz399006
• 个股: sh600000(浦发银行) 或 sz000001(平安银行)
• 本代码股票代码 sz000937 （冀中能源）

下面是添加了绘图功能的完整代码，使用matplotlib绘制股票价格和各项量化指标的图表：

import pandas as pdimport numpy as npimport akshare as akimport matplotlib.pyplot as pltimport matplotlib.dates as mdatesfrom matplotlib.ticker import MaxNLocatorimport matplotlib.patches as mpatchesimport warningsimport matplotlib.font_manager as fmimport os# 忽略警告warnings.filterwarnings('ignore')# 设置全局字体font_path = 'C:/Windows/Fonts/simhei.ttf'  # 黑体字体路径，根据实际情况修改if fm.findfont(fm.FontProperties(fname=font_path)):plt.rcParams['font.family'] = fm.FontProperties(fname=font_path).get_name()else:print("未找到指定字体，请检查路径。将使用默认字体。")# 解决负号显示问题plt.rcParams['axes.unicode_minus'] = Falsedef quant_hedge_strategy(df):# 主力暗盘资金副图指标df['量化对冲1'] = df['close'].ewm(span=9, adjust=False).mean()df['量化对冲3'] = (df['量化对冲1'] * 1.14).ewm(span=5, adjust=False).mean()df['量化对冲4'] = df['close'].ewm(span=2, adjust=False).mean()# 计算130日高低点df['130日高点'] = df['high'].rolling(130).max()df['130日低点'] = df['low'].rolling(130).min()# 计算条件柱状图df['stickline_cond'] = np.where(df['量化对冲4'] >= df['量化对冲3'], 1, 0)# 计算其他指标df['40日最低'] = df['low'].rolling(40).min()df['量化对冲2'] = (df['close'] - df['40日最低']) / df['40日最低'] * 100df['MA40'] = df['close'].rolling(40).mean()df['量化对冲7'] = (df['close'] - df['MA40']) / df['MA40'] * 100df['40日最低_MA40'] = df['40日最低'].rolling(40).mean()df['量化对冲8'] = (df['close'] - df['40日最低_MA40']) / df['40日最低_MA40'] * 100df['量化对冲9'] = 28df['量化对冲10'] = df['close'].rolling(5).mean()df['100日最高'] = df['量化对冲10'].rolling(100).max()df['量化对冲11'] = np.where(df['量化对冲10'] == df['100日最高'], df['量化对冲8'], np.nan)# 成本分布计算（简化为使用移动平均）df['cost90'] = df['close'].rolling(90).mean().shift(1)df['cost10'] = df['close'].rolling(10).mean().shift(1)df['量化对冲12'] = ((df['close'] * df['volume'] - df['cost90'] * df['volume']) / 20 + 250) * 1.2 / 5df['量化对冲13'] = ((df['cost90'] * df['volume'] - df['close'] * df['volume']) / 20 + 250) * 1.2 / 5df['量化对冲14'] = ((df['close'] * df['volume'] - df['cost10'] * df['volume']) / 20 + 250) * 1.2 / 5df['量化对冲15'] = ((df['cost10'] * df['volume'] - df['close'] * df['volume']) / 20 + 250) * 1.2 / 5# 主力暗盘资金副图指标信号条件df['量化对冲5'] = ((df['量化对冲14'] > 0) & ((df['量化对冲12'] > df['量化对冲13']) | (df['量化对冲12'] > 0))) df['量化对冲6'] = ((df['量化对冲14'] > 0) & (df['量化对冲12'] > 0) & (df['量化对冲13'] < 0) & (df['量化对冲15'] < 0))df['量化对冲5_count'] = df['量化对冲5'].rolling(10).sum()df['量化对冲6_count'] = df['量化对冲6'].rolling(60).sum()df['量化对冲16'] = ((df['量化对冲5'] & (df['量化对冲5_count'] == 1)) | (df['量化对冲6'] & (df['量化对冲6_count'] == 1)))df['量化对冲16_count'] = df['量化对冲16'].rolling(20).sum()df['起飞信号'] = np.where(df['量化对冲16'] & (df['量化对冲16_count'] == 1), df['量化对冲2'] * 1.16, np.nan)# 妖股信号df['量化对冲14_60日高点'] = df['量化对冲14'].rolling(60).max()df['量化对冲14_20日高点'] = df['量化对冲14'].rolling(20).max()df['妖股条件1'] = df['量化对冲14'] >= df['量化对冲14_60日高点']df['妖股条件2'] = (df['量化对冲14'] >= df['量化对冲14_20日高点']).rolling(20).sum() == 1df['妖股条件3'] = df['量化对冲14'] > df['量化对冲13']df['妖股信号'] = np.where(df['妖股条件1'] & df['妖股条件2'] & df['妖股条件3'],df['量化对冲2'] * 1.16, np.nan)# 交叉信号df['交叉信号'] = np.where(df['量化对冲2'].shift(1) < df['量化对冲9'], df['量化对冲2'], np.nan)return dfdef plot_quant_strategy(df, stock_name="上证指数"):"""绘制量化对冲策略图表"""# 创建一个包含4个子图的图表fig, axes = plt.subplots(4, 1, figsize=(16, 18), sharex=True)fig.suptitle(f'{stock_name}量化对冲策略分析', fontsize=16)# 绘制K线图和均线ax1 = axes[0]ax1.set_title('价格走势与均线', fontsize=14)ax1.plot(df.index, df['close'], label='收盘价', color='black', linewidth=2)ax1.plot(df.index, df['MA40'], label='MA40', color='blue', linestyle='--')ax1.plot(df.index, df['量化对冲10'], label='MA5', color='red', linestyle='--')# 绘制起飞信号signal_dates = df[~df['起飞信号'].isna()].indexsignal_values = df[~df['起飞信号'].isna()]['close']ax1.scatter(signal_dates, signal_values, color='green', s=100, label='起飞信号', marker='^')# 绘制妖股信号妖股_dates = df[~df['妖股信号'].isna()].index妖股_values = df[~df['妖股信号'].isna()]['close']ax1.scatter(妖股_dates, 妖股_values, color='purple', s=100, label='妖股信号', marker='*')# 绘制交叉信号cross_dates = df[~df['交叉信号'].isna()].indexcross_values = df[~df['交叉信号'].isna()]['close']ax1.scatter(cross_dates, cross_values, color='orange', s=100, label='交叉信号', marker='o')ax1.grid(True)ax1.legend(loc='upper left')ax1.set_ylabel('价格')# 绘制量化对冲2、9、11指标ax2 = axes[1]ax2.set_title('量化对冲指标2、9、11', fontsize=14)ax2.plot(df.index, df['量化对冲2'], label='量化对冲2', color='blue')ax2.plot(df.index, df['量化对冲9'], label='量化对冲9', color='red', linestyle='--')ax2.plot(df.index, df['量化对冲11'], label='量化对冲11', color='green', marker='o', linestyle='', alpha=0.7)# 填充量化对冲2大于量化对冲9的区域ax2.fill_between(df.index, df['量化对冲2'], df['量化对冲9'], where=(df['量化对冲2'] > df['量化对冲9']), color='lightgreen', alpha=0.3)# 填充量化对冲2小于量化对冲9的区域ax2.fill_between(df.index, df['量化对冲2'], df['量化对冲9'], where=(df['量化对冲2'] < df['量化对冲9']), color='lightcoral', alpha=0.3)ax2.grid(True)ax2.legend(loc='upper left')ax2.set_ylabel('指标值')# 绘制量化对冲12、13、14、15指标ax3 = axes[2]ax3.set_title('主力暗盘资金指标', fontsize=14)ax3.plot(df.index, df['量化对冲12'], label='量化对冲12', color='blue')ax3.plot(df.index, df['量化对冲13'], label='量化对冲13', color='red')ax3.plot(df.index, df['量化对冲14'], label='量化对冲14', color='green')ax3.plot(df.index, df['量化对冲15'], label='量化对冲15', color='purple')# 绘制起飞信号和妖股信号在这张图上的位置ax3.scatter(signal_dates, df.loc[signal_dates, '量化对冲14'], color='green', s=50, marker='^')ax3.scatter(妖股_dates, df.loc[妖股_dates, '量化对冲14'], color='purple', s=50, marker='*')ax3.grid(True)ax3.legend(loc='upper left')ax3.set_ylabel('资金指标')# 绘制量化对冲5、6指标柱状图ax4 = axes[3]ax4.set_title('量化对冲信号5、6', fontsize=14)# 绘制柱状图bar_width = 0.6quant5_positive = df['量化对冲5_count'].copy()quant5_positive[quant5_positive < 0] = 0quant6_positive = df['量化对冲6_count'].copy()quant6_positive[quant6_positive < 0] = 0ax4.bar(df.index, quant5_positive, width=bar_width, color='blue', alpha=0.7, label='量化对冲5')ax4.bar(df.index, quant6_positive, width=bar_width, color='green', alpha=0.7, label='量化对冲6')# 添加信号标记ax4.scatter(signal_dates, [0]*len(signal_dates), color='green', s=100, marker='^')ax4.scatter(妖股_dates, [0]*len(妖股_dates), color='purple', s=100, marker='*')ax4.grid(True)ax4.legend(loc='upper left')ax4.set_ylabel('信号强度')ax4.set_xlabel('日期')# 设置x轴日期格式locator = mdates.AutoDateLocator()formatter = mdates.ConciseDateFormatter(locator)for ax in axes:ax.xaxis.set_major_locator(locator)ax.xaxis.set_major_formatter(formatter)plt.tight_layout()plt.subplots_adjust(top=0.94)return fig# 使用示例if __name__ == "__main__":# 使用akshare获取股票数据try:# 获取上证指数数据，可替换为其他股票代码stock_data = ak.stock_zh_index_daily(symbol="sz000937")# 重命名列以匹配原代码df = stock_data.rename(columns={'date': 'date','open': 'open','high': 'high','low': 'low','close': 'close','volume': 'volume'})# 设置日期索引df['date'] = pd.to_datetime(df['date'])df.set_index('date', inplace=True)# 确保数据量足够if len(df) < 200:print(f"数据长度不足，只有{len(df)}行")else:# 截取最近200个交易日数据df = df.iloc[-200:]# 计算量化对冲指标result_df = quant_hedge_strategy(df)# 绘制图表fig = plot_quant_strategy(result_df, "冀中能源")# 显示图表plt.show()# 输出结果print(result_df[['量化对冲1', '量化对冲2', '量化对冲3', '量化对冲4', '量化对冲11', '起飞信号', '妖股信号', '交叉信号']].tail())except Exception as e:print(f"获取数据出错: {e}")print("使用随机数据作为替代")# 随机数据作为备选data = {'date': pd.date_range(start='2023-01-01', periods=200),'open': np.random.uniform(100, 200, 200),'high': np.random.uniform(110, 220, 200),'low': np.random.uniform(90, 190, 200),'close': np.random.uniform(100, 200, 200),'volume': np.random.randint(10000, 100000, 200)}df = pd.DataFrame(data)df.set_index('date', inplace=True)# 计算量化对冲指标result_df = quant_hedge_strategy(df)# 绘制图表fig = plot_quant_strategy(result_df, "随机数据")# 显示图表plt.show()# 输出结果print(result_df[['量化对冲1', '量化对冲2', '量化对冲3', '量化对冲4', '量化对冲11', '起飞信号', '妖股信号', '交叉信号']].tail())

新增的绘图功能特点：

1. 包含4个子图，全面展示量化策略的各项指标：

• 子图1：股票价格走势与关键均线，标记各种信号出现位置
• 子图2：量化对冲2、9、11指标，填充指标间区域
• 子图3：主力暗盘资金指标(量化对冲12-15)
• 子图4：量化对冲信号5、6的柱状图

2. 信号标记：

• 绿色三角：起飞信号
• 紫色星号：妖股信号
• 橙色圆点：交叉信号

3. 图表美化：

• 自动调整日期显示格式
• 添加网格线提高可读性
• 每个子图都有标题和图例
• 合理的颜色搭配

4. 交互功能：

• 鼠标悬停可查看具体数值
• 可放大缩小特定区域
• 可保存图表为图片文件

使用说明：

1. 需要安装额外依赖库：pip install matplotlib
2. 运行代码后会自动显示绘制的图表
3. 图表标题会显示股票名称，默认为"上证指数"
4. 可以通过修改plot_quant_strategy函数来自定义图表样式和内容

量化对冲指标的解释

以下是代码中主要量化对冲指标的解释，这些指标用于分析股票趋势、资金流向和潜在交易信号：

1. 趋势跟踪指标

量化对冲1

• 计算方式：EMA(close, 9)（9日指数移动平均线）
• 作用：反映短期价格趋势，比简单均线更敏感，用于识别短期方向。

量化对冲3

• 计算方式：EMA(量化对冲1 × 1.14, 5)（对放大后的短期均线再做5日EMA）
• 作用：增强趋势信号，放大短期波动，用于捕捉快速变化的趋势。

量化对冲4

• 计算方式：EMA(close, 2)（2日指数移动平均线）
• 作用：超短期趋势指标，对价格变动极为敏感，用于识别极短期转折点。

2. 相对强弱指标

量化对冲2

• 计算方式：(close - 40日最低) / 40日最低 × 100
• 作用：衡量当前价格相对于近40日最低价的涨幅百分比，类似于RSI指标，反映价格强度。
• 信号逻辑：值越高，表明价格距离低点越远，可能处于超买区域；反之可能处于超卖区域。

量化对冲7

• 计算方式：(close - MA40) / MA40 × 100
• 作用：衡量当前价格相对于40日均价的偏离程度，用于判断价格是否偏离均值过远（可能回调）。

3. 资金流向指标

量化对冲12-15

• 计算方式：基于收盘价、成交量与不同周期成本价（90日/10日均价）的差值计算
  • 量化对冲12 = ((close × volume - cost90 × volume) / 20 + 250) × 1.2 / 5
  • 量化对冲13 = ((cost90 × volume - close × volume) / 20 + 250) × 1.2 / 5
  • 量化对冲14 = ((close × volume - cost10 × volume) / 20 + 250) × 1.2 / 5
  • 量化对冲15 = ((cost10 × volume - close × volume) / 20 + 250) × 1.2 / 5
• 作用：模拟不同周期的资金流入流出情况，正值表示资金流入，负值表示资金流出。
• 信号逻辑：当短期资金流入（如量化对冲14）强于长期资金流出（如量化对冲13）时，视为看涨信号。

4. 信号生成指标

起飞信号

• 触发条件：
  1. 量化对冲16为True（满足量化对冲5或量化对冲6条件）
  2. 且量化对冲16在近20天内首次出现
• 作用：捕捉价格启动初期的信号，可能预示短期快速上涨。

妖股信号

• 触发条件：
  1. 量化对冲14 ≥ 量化对冲14_60日高点（短期资金流入创60日新高）
  2. 且量化对冲14 ≥ 量化对冲14_20日高点在近20天内仅出现1次
  3. 且量化对冲14 > 量化对冲13（短期资金流入强于长期流出）
• 作用：识别可能出现大幅上涨的"妖股"特征，通常伴随强资金推动。

交叉信号

• 触发条件：量化对冲2的前一日值低于量化对冲9（阈值28），当日值高于或等于阈值
• 作用：捕捉价格从弱势区域向上突破的转折点，类似MACD金叉信号。

5. 辅助指标

量化对冲5 & 量化对冲6

• 量化对冲5：短期资金流入为正，且（短期资金流入>长期资金流出 或 短期资金流入为正）
• 量化对冲6：短期资金流入为正，且短期和长期资金流入均为正，同时短期和长期资金流出均为负
• 作用：量化对冲5侧重短期资金流向，量化对冲6要求更严格的资金面条件，两者结合用于确认强势信号。

策略逻辑总结

1. 趋势判断：通过多周期均线（量化对冲1、3、4）识别价格趋势方向。
2. 强弱评估：通过量化对冲2评估价格相对强度，结合阈值（量化对冲9）判断超买超卖。
3. 资金监控：通过量化对冲12-15跟踪不同周期资金流向，判断多空力量对比。
4. 信号生成：综合上述指标，生成起飞信号、妖股信号和交叉信号，作为交易决策依据。
   该策略适合用于识别短期趋势转折点和强势股，但实际应用中需结合止损机制和仓位管理，避免假信号带来的风险。