Read this in other languages: English.
ZVT是在fooltrader的基础上重新思考后编写的量化项目，其包含可扩展的数据recorder，api，因子计算，选股，回测，定位为日线级别全市场分析和交易框架。
设计要点
- schema的稳定性
整个金融市场的属性是稳定的，你需要关注的东西是稳定的，比如k线，比如财务报表，比如资金流. - schema字段的确定性
举个栗子，资产负债表里面无形资产字段，joinquant为intangible_assets，eastmoney为Intangibleasset，如果你直接依赖provider提供的字段来进行后续的计算，将有极大的风险，一家provider不可用，将使整个程序不可用。因此必须将相应的provider的数据转为自己定义的格式。 - 多provider支持
前面的两个稳定性决定了多provider支持的可行，并为数据的完整性提供了保障，当某家provider数据不能满足需求时，可以多provider互补。当然，还可以利用多provider对数据进行交叉验证。
扩展数据请参考：通过添加聚宽数据说明如何做数据扩展
目前支持的数据:
| 名称 | dataschema | provider | comments |
|---|---|---|---|
| 个股资料 | Stock | eastmoney | 个股和板块为多对多的关系 |
| 板块资料 | Index | eastmoney,sina | 板块有行业,概念,区域三个分类的维度,不同的provider分类会有所不同,个股和板块为多对多的关系 |
| 个股日线行情 | StockDayKdata | eastmoney,joinquant,netease,sina | |
| 指数日线行情 | IndexDayKdata | eastmoney,sina | 指数本质上也是一种板块,指数对应板块资料中的标的 |
| 个股资金流 | MoneyFlow | eastmoney,sina | |
| 板块资金流 | MoneyFlow | eastmoney,sina | 对应板块资料里面的标的 |
| 分红融资数据 | DividendFinancing | eastmoney | 企业最后的底线就是能不能给投资者赚钱,此为年度统计信息 |
| 分红明细 | DividendDetail | eastmoney | |
| 融资明细 | SPODetail | eastmoney | |
| 配股明细 | RightsIssueDetail | eastmoney | |
| 主要财务指标 | FinanceFactor | eastmoney | |
| 资产负债表 | BalanceSheet | eastmoney | |
| 利润表 | IncomeStatement | eastmoney | |
| 现金流量表 | CashFlowStatement | eastmoney | |
| 十大股东 | TopTenHolder | eastmoney | |
| 十大流通股东 | TopTenTradableHolder | eastmoney | |
| 机构持股 | InstitutionalInvestorHolder | eastmoney | |
| 高管交易 | ManagerTrading | eastmoney | |
| 大股东交易 | HolderTrading | eastmoney | |
| 大宗交易 | BigDealTrading | eastmoney | |
| 融资融券 | MarginTrading | eastmoney | |
| 龙虎榜数据 | DragonAndTiger | eastmoney |
整个api体系提供统一的查询能力，基本上不需要文档，会使用一个，其他也就会使用了。 下面展示几个例子：
In [20]: df = get_top_ten_tradable_holder(start_timestamp='2018-09-30',filters=[TopTenTradableHolder.holder_name.like('%社保%')],order=TopTenTradableHolder.shareholding_ratio.desc())
Out[21]:
holder_name code shareholding_numbers shareholding_ratio change change_ratio
0 全国社保基金一零三组合 600511 20000000.0 0.0720 5000000.0 0.3333
1 全国社保基金一零三组合 002061 39990000.0 0.0715 -15000000.0 -0.2728
2 全国社保基金六零四组合 002539
3 全国社保基金六零四组合 002539 38600000.0 0.0637 NaN NaN
779 全国社保基金一一三组合 601088 9258000.0 0.0005 NaN NaN
780 全国社保基金四零七组合 601628 10950000.0 0.0004 1500000.0 0.1587
781 全国社保基金四零七组合 601628 9450000.0 0.0003 NaN NaN
[782 rows x 6 columns]In [26]: df = get_top_ten_tradable_holder(filters=[TopTenTradableHolder.holder_name=='马云'])
Out[27]:
holder_name code shareholding_numbers shareholding_ratio change change_ratio
0 马云 002204 460800.0 0.0085 NaN NaN
1 马云 300027 3912000.0 0.0205 NaN NaN
2 马云 300027 8319000.0 0.0230 NaN NaN
3 马云 300027 8319000.0 0.0230 NaN NaN
22 马云 300027 99780000.0 0.0520 NaN NaN
23 马云 300027 99780000.0 0.0520 NaN NaN
24 马云 300027 99780000.0 0.0451 NaN NaNIn [30]: df = get_finance_factor(start_timestamp='2018-12-31',order=FinanceFactor.basic_eps.desc(),limit=50,columns=[FinanceFactor.code,FinanceFactor.timestamp,FinanceFactor.basic_eps])
Out[31]:
code timestamp basic_eps
0 600519 2018-12-31 28.0200
1 603444 2018-12-31 10.1200
2 601318 2018-12-31 6.0200
3 000661 2018-12-31 5.9200
47 603393 2018-12-31 2.0900
48 601869 2018-12-31 2.0900
49 600507 2018-12-31 2.0800
更多api和相应的数据，可查看代码:
data schema
data api
factor分为两类，过滤器和评分器
MustFactor
ScoreFactor
In [39]: factor = ManagerGiveUpFactor(the_timestamp='2018-12-31', window=pd.DateOffset(days=365))
In [40]: factor.run()
In [41]: factor.df
Out[41]:
volume score
security_id timestamp
stock_sh_600031 2018-12-31 -2.618000e+05 False
2018-12-31 -2.209000e+05 False
2018-12-31 -2.067667e+05 False
stock_sh_600089 2018-12-31 -2.226000e+03 False
stock_sh_600136 2018-12-31 -7.510333e+06 False
2018-12-31 -6.791000e+06 False
stock_sz_300635 2018-12-31 -3.922000e+06 False
2018-12-31 -2.020000e+06 False
stock_sz_300637 2018-12-31 -5.670000e+04 False
2018-12-31 -5.670000e+04 False
2018-12-31 -4.723667e+04 False
2018-12-31 -4.133500e+04 False
2018-12-31 -4.440800e+04 False
2018-12-31 -3.937333e+04 False
2018-12-31 -4.184857e+04 False
stock_sz_300699 2018-12-31 -1.506000e+04 False
2018-12-31 -3.238000e+04 False
2018-12-31 -2.784333e+04 False
2018-12-31 -5.105750e+04 False
2018-12-31 -4.494400e+04 False
2018-12-31 -3.756417e+04 False
2018-12-31 -3.234029e+04 False
2018-12-31 -3.085900e+04 False
[318 rows x 2 columns]
In [42]: from zvt.factors.finance_factor import *
In [43]: factor = FinanceGrowthFactor(window=pd.DateOffset(days=365), start_timestamp='2017-12-31',end_timestamp='2018-12-31')
In [43]: factor.run()
In [44]: factor.df
Out[44]:
op_income_growth_yoy net_profit_growth_yoy
security_id timestamp
stock_sh_600000 2017-12-31 NaN 0.3
2018-03-31 NaN 0.3
2018-06-30 NaN 0.3
2018-09-30 NaN 0.3
2018-12-31 NaN 0.3
stock_sh_600004 2017-12-31 0.3 0.3
2018-03-31 NaN 0.3
2018-06-30 0.3 0.3
2018-09-30 0.3 0.3
stock_sh_600006 2017-12-31 0.3 NaN
2018-03-31 NaN NaN
2018-06-30 0.0 0.5
2018-09-30 0.0 0.7
2018-12-31 0.0 0.9
... ... ...
stock_sz_300763 2017-12-31 0.9 0.9
2018-12-31 NaN 0.3
stock_sz_300765 2017-12-31 0.3 NaN
2018-06-30 0.3 0.3
2018-12-31 0.5 0.3
stock_sz_300766 2017-12-31 0.9 0.9
2018-12-31 0.9 0.7
[16116 rows x 2 columns]
selector不过是各种factor的组合和权重的调整
trader不过是selector在时间轴上的应用,然后看其表现
- 测试代码
- bug fix
- 数据源recorder实现
- score factor算法
- trader
- UI
- 文档教程
QQ群:300911873
如果你喜欢该项目,请加星支持一下,并在申请入群时告知github user name.