当前位置：首页 > news >正文

【数据分析】Python+Tushare实现均线金叉死叉交易策略回测

news 来源：原创 2025/6/30 7:19:43

【数据分析】Python+Tushare实现均线金叉死叉交易策略回测

简介

在本文中，我们将利用 Python 和 Tushare 数据接口，对贵州茅台（600519.SH）进行数据分析，并实现基于“双均线”策略的量化回测，完整评估该策略的收益效果。

项目目标

使用tushare包获取贵州茅台的历史行情数据。
计算该股票历史数据的5日均线和30日均线。
分析输出所有金叉日期和死叉日期。
模拟实际买卖交易流程。

1.数据获取和处理

导入所需要的库

import tushare as ts
import pandas as pd
from pandas import DataFrame,Series
import numpy as np

初始化Pro接口，填入自己在tushare注册后的Token

pro = ts.pro_api('f573ee6f0129fd70b86b2b3a7858210bf008fe47b0233ce71d98986b')
df = pro.daily(ts_code='600519.SH', start_date='20100101')
print(df)

数据展示

在这里插入图片描述

将数据存储在本地

调用to_csv方法将获取到的数据写入到本地进行存储，并进行读取。

df.to_csv('./maotai.csv')
df = pd.read_csv('./maotai.csv')
print(df.head())

运行结果

在这里插入图片描述

删除多余的列并查看数据类型

对于多余的Unnamed：0，需要删去

df.drop(labels='Unnamed: 0', axis=1, inplace=True)

查看每一列的数据类型

print(df.info())

运行结果

可以看到并没有缺失值
在这里插入图片描述

转化时间序列类型和作为行索引

将date列转为时间序列类型

df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d')

将date列作为源数据的行索引

df.set_index('trade_date', inplace=True)
print(df.head())

运行结果

在这里插入图片描述

2.计算双均线

计算该股票历史数据的5日均线和30日均线
- 什么是均线？
- 对于每一个交易日，都可以计算出前N天的移动平均值，然后把这些移动平均值连起来，成为一条线，就叫做N日移动平均线。移动平均线常用线有5天、10天、30天、60天、120天和240天的指标。
- 5天和10天的是短线操作的参照指标，称做日均线指标；
- 30天和60天的是中期均线指标，称做季均线指标；
- 120天和240天的是长期均线指标，称做年均线指标。
- 均线计算方法：MA=（C1+C2+C3+…+Cn)/N C:某日收盘价 N:移动平均周期（天数）

计算5日和30日均线

ma5 = df['close'].rolling(5).mean()
ma30 = df['close'].rolling(30).mean()

画出5日均线和30日均线

# 画出5日均线
import matplotlib.pyplot as plt
plt.plot(MA5[50:180])
plt.plot(MA30[50:180])
plt.show()

运行结果

在这里插入图片描述

计算金叉和死叉

分析输出所有金叉日期和死叉日期
- 股票分析技术中的金叉和死叉，可以简单解释为：
- 分析指标中的两根线，一根为短时间内的指标线，另一根为较长时间的指标线。
- 如果短时间的指标线方向拐头向上，并且穿过了较长时间的指标线，这种状态叫“金叉”；
- 如果短时间的指标线方向拐头向下，并且穿过了较长时间的指标线，这种状态叫“死叉”；
- 一般情况下，出现金叉后，操作趋向买入；死叉则趋向卖出。当然，金叉和死叉只是分析指标之一，要和其他很多指标配合使用，才能增加操作的准确性。

设置条件

df = df[30:]
MA5 = MA5[30:]
MA30 = MA30[30:]
s1 = MA5 < MA30
s2 = MA5 > MA30

s1 = MA5 < MA30：金叉（5日均线上穿30日均线）
s2 = MA5 > MA30：死叉（5日均线下穿30日均线）

计算金叉和死叉对应的时间

golden_ex = -(s1|s2.shift(1)) # 判度金叉的条件
golden_date = df.loc[golden_ex].index # 金叉的索引（也就是时间）
death_ex = s1 & s2.shift(1) # 判断死叉的条件
death_date = df.loc[death_ex[df.index]].index # 死叉对应的索引（也就是时间）
print（golden_date,death_date）

运行结果

在这里插入图片描述

4.模拟买卖交易

如果从2010年1月1日开始，初始资金为1000000元，金叉尽量买入，死叉全部卖出，则到今天为止，炒股收益率如何？
分析：
- 买卖股票的单价使用开盘价
- 买卖股票的时机
- 最终手里会有剩余的股票没有卖出去
- 会有。如果最后一天为金叉，则买入股票。估量剩余股票的价值计算到总收益。
- 剩余股票的单价就是用最后一天的收盘价。

计算金叉和死叉对应的时间

# 金叉的标识(1)
s1 = Series(data=1,index=golden_date)
# 死叉的标识(0)
s2 = Series(data=0,index=death_date)
s = pd.concat([s1,s2])
s = s.sort_index() # 排序,存储金叉和死叉对应的时间
print(s)

运行结果

在这里插入图片描述

计算总收益

# 设置本金1000000(不变的)
first_money = 1000000
# 设置可变的变量（买股票和卖股票的钱都从该变量进行操作）
money = first_money
# 设置持有的股票的数量（100股=一手）
hold = 0
for i in range(0,len(s)):if s.iloc[i] == 1:# 获取股票的单价time = s.index[i]# 金叉的时间p = df.loc[time]['open']# 金叉股票单价hand_hold = money // (p*100)# 使用1000000最多买入多少手股票hold = hand_hold * 100money -= (hold*p)# 买股票的钱从可变的本金中扣除else:death_time = s.index[i]# 死叉时间p = df.loc[death_time]['open']# 死叉股票单价money += (hold*p)# 卖出的股票收入加入到可变的本金中hold = 0# 持有的股票变为0
last_money = hold * df['close'].iloc[-1]# 剩余股票的价值
# 总收益
print（money+last_money-first_money）