量化学交易习笔记#寻找稳定收益的股票，可能吗？

本文目的：寻找近年来稳定收益的股票

利用python，通过数据分析，进行的一次小型课题研究。会涉及之前文章里邢老师教的回测框架模块。具体相关邢老师的文章，可以看《Python量化入门》的课程，我的相关笔记传送门：

量化交易学习笔记#Python量化入门课程（第零课）零基础的预备课

最近有个刚开始学习研究股票的朋友问我，有没有什么3-5年来，收益稳定的股票，只要买着不动就可以安心睡觉？

这句话一听，我就笑了。心里想，哥们你来错地方了。天堂（固定收益）在左，地狱（股市）在右。

追求稳定收益就不应该来股市，股权市场天生流通性强，波动性大。单靠个股是很难做到稳定收益的，不然那些金融大咖们，也不需要尝试各种策略，每天做各种研究，使用各种金融衍生品工具了。

但是本着严谨的态度，我觉得还是用该历史数据说话，随手写了个小程序。

运行状态：

20140101-20170930的测试结果：

从上面的结果看，是不是出乎意料的好~！

2014年时有股票2526个，如果在20140101买入并持有的话有2027个股票年化收益率大于了4%，超过了余额宝。

如果我们调整下参数

天哪噜，超过年化10%的股票还有1386只，刚才谁说股票是地狱来着的？

大家快去冲冲冲。。。。客观且慢，如果仅仅因为上面的数据就觉得股权投资好于固定收益类产品，是非常危险的。因为股票有这天然不可避免的风险：

第一点：波动性。 我们引入一个指标max_drawdown，最大回撤，就是买入持有期间，收益最大的回撤幅度。

我们把回撤最小的股票找出来看看

过去3年里回撤最小的股票，也有22%，最大能搞达到90%。当你亏了22%的时候，你真的还能坚持持有吗？有的人说我能。。。毕竟在巨大的收益面前，总是有勇士的。那如果是90%呢？

第二点，买入时间点。看一下，为什么2014年买入的时候，股票收益还是不错的。

看一下上证指数就知道了，2014年的时候是非常接近历史低点的。如果我们把买入时间切换到20150101看看。

居然还有1432个股票跑赢了支付宝。

年化收益超过10%的居然还有868个~whoops

期间最小回撤还是22%

最大回撤90%

好吧，那我们再尝试下从20150512开始，这次就比较惨了

年化收益率大于4%的445个，大于10%的只有251个了。

我们再看下上证最悲惨的3年 20110101-20140101

战胜余额宝的只有410个了，而年化收益率超过10%的只有213个了。

收益率排名靠前的股票：

其中，除了600460华夏幸福，经久不衰。

其他更多的是走出了不同程度的反转

000156 华数传媒

000750 国海证券

600705 中航资本

结论：

1. 可以看出无论何时，只要找到有潜力的股票，总能帮你扛过熊市，获得丰厚的收益，但是找到他们谈何容易。

2. 对于大盘的择时，会提高我们选股的成功率。

3. 历史是否可能重复，更像是薛定谔的猫。

4. 长期持有才是稳定收益的根基。

5. 长期来看，股权投资的收益跑赢固定收益的可能性还是很高的。但是需要你花时间和经历去研究。

实验思路和源代码：

1、获得全量的股票交易数据，如股票代码，名称，高，开，低，收，涨跌幅，交易量等

如果你之前学过邢老师的《Python量化交易入门》系列课程，那你应该已经拿到了一套很完备的A股数据。

如果没有，你也可以通过万得导出数据。

本实验使用过的就是万得数据。

# 从指定文件夹中获取所有股票代码，组成一个list，这里我直接使用了《Python量化交易入门里的框架》stock_list = Functions.get_stock_code_list_in_one_dir_wande()

2、定义一个函数，获取每个股票，在某一段时间内，收益情况分析的表格

获取每个股票，在某一段时间内，收益情况分析的表格

def get_result(start_date='20140101', end_date='20180101', stock_list=[]):

    """

    :param start_date: 策略开始日期

    :param end_date: 策略结束日期

    :param stock_list: 需要模拟的股票列表

    :return: 带有股票代码，策略开始时间，策略结束时间，策略期间总收益，策略的年化收益，策略的最大回撤幅度，策略的波动性，策略的sharp比率。

    """

    # 定义一张空表，含有需要返回的字段名（列名）

    output = pd.DataFrame(columns=['stock_code', 'start_date', 'end_date', 'total_return', 'annual_return', 'max_drawdown', 'volatility', 'sharp_ratio'])

    # 利用《Python量化入门》的框架，获取上证指数数据，为了填补非交易日

    index_data = Functions.import_index_data_wande()

    # 计数器i,初始值为0

    i = 0

    # 对于在全部股票代码列表里的股票进行遍历

    for stock in stock_list:

        # 利用《Python量化入门》的框架读取每个股票的数据

        df = Functions.import_stock_data_wande(stock)

        # 个股数据和指数数据合并，填补非交易日

        df = Functions.merge_with_index_data(df, index_data)

        # 剔除上市交易日小于3年的（250*3）的,或者起始日期大于最终日期,跳过

        if (df.shape[0] < 750) or (df['date'].iloc[0] > pd.to_datetime(end_date)):

            continue

        # 截取所需要的时间段的股票交易数据

        df = df.loc[(df['date'] >= start_date) & (df['date'] <= end_date)]

        # 重置index

        df.reset_index(drop=True, inplace=True)

        # 个股数据的第一天买入

        df.loc[0, 'signal'] = 1

        # 个股数据的最有一天卖出

        df['signal'].iloc[-1] = 0

        # 计算仓位

        df = equity_cal.position(df)

        # 计算资金曲线的简单方法，因为使用buy_hold的策略，交易频率几乎没有，手续费和印花税的交易结果的影响不显著

        df = equity_cal.equity_curve_simple(df)

        # 输出表格的代码

        output.loc[i, 'stock_code'] = stock

        # 输出表格的起始日期

        output.loc[i, 'start_date'] = start_date

        # 输出表格的结束日期

        output.loc[i, 'end_date'] = end_date

        # 输出表格的期间总收益

        output.loc[i, 'total_return'] = df['equity'].iloc[-1] / df['equity'].iloc[0] - 1

        # 输出表格的年化收益

        output.loc[i, 'annual_return'] = pf_analysis.annual_return(df)

        # 输出表格的最大回撤

        output.loc[i, 'max_drawdown'] = pf_analysis.max_drawdown(df)[0]

        # 输出表格的波动性

        output.loc[i, 'volatility'] = pf_analysis.volatility(df)

        # 输出表格的夏普比率

        output.loc[i, 'sharp_ratio'] = pf_analysis.sharp_ratio(df)

        # 计数器+1，下次指向输出表格的下一行

        i += 1

        # 记录当前的进度

        print str(stock) + " is finished, and process is in " + str(stock_list.index(stock)/len(stock_list) * 100.00)

    # 将输出表格，保存为output.csv

    output.to_csv('D:/all_trading_data/data/output_data/Going_Merry/test_20180103/output.csv', index=False)

    # 输出结束

    print "finished"

    # 返回输出表格

    return output

3. 对结果数据进行数据分析，得到全部的股票数据量，收益为正的股票个数，年化收益率大于4%的股票个数

对结果数据进行数据分析，得到全部的股票数据量，收益为正的股票个数，年化收益率大于4%的股票个数

def pf_return(df):

    # 根据total_return进行排序

    df.sort_values(by='total_return', ascending=False, inplace=True)

    # 全部股票数量

    print "全部股票数量： " + str(df.shape[0])

    # 只选取收益为正的股票

    df = df.loc[df['total_return'] > 0 ]

    # 重置index

    df.reset_index(drop=True, inplace=True)

    # 打印结果

    print "收益率大于0的股票个数："+ str(df.shape[0])

    df = df.loc[df['annual_return'] > 0.04]

    # 重置index

    df.reset_index(drop=True, inplace=True)

    # 打印结果

    print "年化收益率大于4%的股票个数："+ str(df.shape[0])

    # 返回重新排序后的表格

    return df

4. 利用上面写好的函数运行

# 获取全部股票数据

stock_list = Functions.get_stock_code_list_in_one_dir_wande()

# 打印结果

print "测试股票数量:" + str(len(stock_list))

# 获得某段时间内所有股票的收益情况

get_result(start_date='20140101', stock_list=stock_list)

可能对于初学者而言，即使有上述源代码，可能还是会觉得较难理解。那么，建议各位想学习python并研究交易的朋友们可以考虑《Python量化入门》课程系列，非常适合零基础的朋友们，获得所有的股票历史数据，并建立自己的交易策略，建议购买课程后深入学习。

课程评价

优点：这套课程特别适合对Python，pandas都没掌握的同学，和“入门”二字很贴切。虽然价要收取一定的费用，但是对于零基础的同学还是墙裂推荐。当然我的笔记是完全免费的，但这个只能作为点心，毕竟正餐才是最有营养的~而且还有大量的源代码A股所有的股票历史交易数据。

缺点：只能用微信访问学习，PC端的话要通过微信客户端访问。

系列总课时约12多个小时，会获得课程讲解的所有源代码。如要深入熟练掌握，课外练习可能需要100小时+。

课程传送门：