当前位置：首页 > news >正文

Python量化交易：结合爬虫与TA-Lib技术指标分析

news 2025/8/20 7:19:30

引言

量化交易（Quantitative Trading）是利用数学模型和计算机程序进行金融投资决策的方法。Python凭借其丰富的数据分析和机器学习库，已成为量化交易的主流工具之一。本文将介绍如何结合网络爬虫获取股票数据，并使用TA-Lib（Technical Analysis Library）计算技术指标，构建一个简易的量化交易分析系统。

核心内容：

使用爬虫获取股票数据（**yfinance** + **requests**）
TA-Lib技术指标计算（MACD、RSI、布林带等）
策略回测与可视化（**Backtrader** + **Matplotlib**）

1. 数据获取：爬取股票数据

1.1 使用yfinance获取历史数据

**yfinance**是Yahoo Finance的Python接口，可方便获取股票历史数据。

import yfinance as yf
import pandas as pd# 下载苹果公司（AAPL）的股票数据
data = yf.download("AAPL", start="2022-01-01", end="2023-12-31")# 查看数据结构
print(data.head())

输出示例：

Open       High        Low      Close  Adj Close    Volume
Date                                                                     
2022-01-03  177.830002  182.880005  177.710007  182.009995  181.483673  104487900
2022-01-04  182.630005  182.940002  179.119995  179.699997  179.192230   99310400
2022-01-05  179.610001  180.169998  174.639999  174.919998  174.438995   94537600
2022-01-06  172.699997  175.300003  171.639999  172.000000  171.531570   96904000
2022-01-07  172.889999  174.139999  171.029999  172.169998  171.701080   86709100

2. 技术指标计算：TA-Lib实战

2.1 安装TA-Lib

2.2 计算常用技术指标

(1) 移动平均线（MA）

import talib# 计算5日、20日、60日均线
data['MA5'] = talib.MA(data['Close'], timeperiod=5)
data['MA20'] = talib.MA(data['Close'], timeperiod=20)
data['MA60'] = talib.MA(data['Close'], timeperiod=60)

(2) 相对强弱指数（RSI）

# 计算14日RSI
data['RSI'] = talib.RSI(data['Close'], timeperiod=14)

(3) MACD（异同移动平均线）

# 计算MACD（默认参数：12, 26, 9）
data['MACD'], data['MACD_Signal'], data['MACD_Hist'] = talib.MACD(data['Close'])

(4) 布林带（Bollinger Bands）

# 计算布林带（20日均线 ± 2倍标准差）
data['Upper Band'], data['Middle Band'], data['Lower Band'] = talib.BBANDS(data['Close'], timeperiod=20)

指标可视化：

import matplotlib.pyplot as pltplt.figure(figsize=(12, 8))
plt.plot(data.index, data['Close'], label='Close Price', alpha=0.7)
plt.plot(data.index, data['MA20'], label='20-Day MA', color='orange')
plt.plot(data.index, data['Upper Band'], label='Upper Band', linestyle='--', color='red')
plt.plot(data.index, data['Lower Band'], label='Lower Band', linestyle='--', color='green')
plt.title('AAPL Stock Price with Technical Indicators')
plt.legend()
plt.grid(True)
plt.show()

3. 量化策略回测（Backtrader实战）

3.2 实现双均线交易策略

import backtrader as btclass SmaCrossStrategy(bt.Strategy):params = (('fast', 5), ('slow', 20))  # 短期5日均线，长期20日均线def __init__(self):self.sma_fast = bt.indicators.SMA(period=self.p.fast)self.sma_slow = bt.indicators.SMA(period=self.p.slow)def next(self):# 金叉买入if self.sma_fast[0] > self.sma_slow[0] and self.sma_fast[-1] <= self.sma_slow[-1]:self.buy()# 死叉卖出elif self.sma_fast[0] < self.sma_slow[0] and self.sma_fast[-1] >= self.sma_slow[-1]:self.sell()# 创建回测引擎
cerebro = bt.Cerebro()
datafeed = bt.feeds.PandasData(dataname=data)
cerebro.adddata(datafeed)
cerebro.addstrategy(SmaCrossStrategy)
cerebro.broker.set_cash(100000)  # 初始资金10万美元# 运行回测
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())# 可视化回测结果
cerebro.plot(style='candlestick')

输出示例：

Starting Portfolio Value: 100000.00
Final Portfolio Value: 112450.50

4. 优化与扩展

4.1 策略优化（网格搜索参数）

from backtrader.analyzers import SharpeRatio# 测试不同均线组合
for fast_period in [5, 10, 15]:for slow_period in [20, 30, 50]:cerebro = bt.Cerebro()datafeed = bt.feeds.PandasData(dataname=data)cerebro.adddata(datafeed)cerebro.addstrategy(SmaCrossStrategy, fast=fast_period, slow=slow_period)cerebro.addanalyzer(SharpeRatio, _name='sharpe')results = cerebro.run()sharpe = results[0].analyzers.sharpe.get_analysis()['sharperatio']print(f"Fast={fast_period}, Slow={slow_period}, Sharpe Ratio={sharpe:.2f}")

4.2 结合机器学习（LSTM预测股价）

from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense# 数据标准化
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(data['Close'].values.reshape(-1, 1))# 构建LSTM模型
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(60, 1)))
model.add(LSTM(50))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')# 训练模型（示例代码，需调整）
# model.fit(X_train, y_train, epochs=10, batch_size=32)