这篇“Python量化因子测算与绘图的代码怎么写”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“Python量化因子测算与绘图的代码怎么写”文章吧。
量化因子的测算通常都是模拟交易，计算各种指标，其中：
-
测算需要用到的第三方库：numpy，pandas，talib
-
绘图需要用到的第三方库：matplotlib，seaborn
其他库随策略的需要额外添加
因子测算框架
这里博主分享自己测算时常使用的流程，希望与大家共同进步！
测算时从因子到收益的整个流程如下：策略（因子组合） -> 买卖信号 -> 买点与卖点 -> 收益
因此我们在测算时，针对每一个个股：
1. 预处理股票数据
首先这里是常用的一个工具导入，包括测算用的库与绘图用的库（含图片中文显示空白解决方案）
# 测算用
import numpy as np
import pandas as pd
from copy import deepcopy
from tqdm import tqdm
from datetime import datetime
import talib
# 绘图用
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
# 绘图现实中文
sns.set()
plt.rcParams["figure.figsize"] = (20,10)
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] # 当前字体支持中文
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
# 其他
import warnings
warnings.filterwarnings("ignore")然后是循环读取股票的代码：
import os
def readfile(path, limit=None):
files = os.listdir(path)
file_list = []
for file in files: # 遍历文件夹
if not os.path.isdir(file):
file_list.append(path + '/' + file)
if limit:
return file_list[:limit]
return file_list
stock_dict = {}
for _file in tqdm(readfile("../data/stock_data")):
if not _file.endswith(".pkl"):
continue
# TODO 这里可以添加筛选，是否需要将当前的股票添加到测算的股票池中
file_df = pd.read_pickle(_file)
file_df.set_index(["日期"], inplace=True)
file_df.index.name = ""
file_df.index = pd.to_datetime(file_df.index)
file_df.rename(columns={'开盘':'open',"收盘":"close","最高":"high","最低":"low","成交量":"volume"},inplace=True)
stock_code = _file.split("/")[-1].replace(".pkl", '')
# TODO 这里可以添加日期，用来截取一部分数据
stock_dict[stock_code] = file_df上面一部分是处理股票数据，处理后的数据都会保存在 stock_dict 这个变量中，键是股票的代码，值是股票数据
2. 指标测算
测算指标时，我们以一只股票为例：
for _index,_stock_df in tqdm(stock_dict.items()):
measure_df = deepcopy(_stock_df)代码中的：
-
这里的measure_df即要测算的dataframe数据
-
使用deepcopy是防止测算的过程影响到原始数据
然后我们就可以循环这一个股票的每一行（代表每一天），测算的交易规则如下：
-
买入规则：买入信号发出&当前没有持仓，则买入
-
卖出规则：卖出信号发出&当前有持仓，则卖出
# 开始测算
trade_record_list = []
this_trade:dict = None
for _mea_i, _mea_series in measure_df.iterrows(): # 循环每一天
if 发出买入信号:
if this_trade is None: # 当前没有持仓，则买入
this_trade = {
"buy_date": _mea_i,
"close_record": [_mea_series['close']],
}
elif 发出卖出信号:
if this_trade is not None: # 要执行卖出
this_trade['sell_date'] = _mea_i
this_trade['close_record'].append(_mea_series['close'])
trade_record_list.append(this_trade)
this_trade = None
else:
if this_trade is not None: # 当前有持仓
this_trade['close_record'].append(_mea_series['close'])上述代码中，我们将每一个完整的交易（买->持有->卖），都保存在了trade_record_list变量中，每一个完整的交易都会记录：
{
'buy_date': Timestamp('2015-08-31 00:00:00'), # 买入时间
'close_record': [41.1,42.0,40.15,40.65,36.6,32.97], # 收盘价的记录
'sell_date': Timestamp('2015-10-12 00:00:00')} # 卖出时间
# TODO 也可以添加自定义记录的指标
}3. 测算结果整理
直接使用 pd.DataFrame(trade_record_list)，就可以看到总的交易结果：
整理的过程也相对简单且独立，就是循环这个交易，然后计算想要的指标，比如单次交易的年化收益可以使用：
trade_record_df = pd.DataFrame(trade_record_list)
for _,_trade_series in trade_record_df.iterrows():
trade_record_df.loc[_i,'年化收益率'] = (_trade_series['close_record'][-1] - _trade_series['close_record'][0])/_trade_series['close_record'][0]/(_trade_series['sell_date'] - _trade_series['buy_date']).days * 365 # 年化收益
# TODO 这里根据自己想要的结果添加更多的测算指标4. 结果绘图
绘图的代码通常比较固定，比如胜率图：
# 清理绘图缓存
plt.cla()
plt.clf()
# 开始绘图
plt.figure(figsize=(10, 14), dpi=100)
# 使用seaborn绘制胜率图
fig = sns.heatmap(pd.DataFrame(total_measure_record).T.round(2), annot=True, cmap="RdBu_r",center=0.5)
plt.title("胜率图")
scatter_fig = fig.get_figure()
# 保存到本地
scatter_fig.savefig("胜率图")
scatter_fig.show() # 最后显示