「後續」Python寫程式碼AI全自動炒股 5萬塊，現在賺了多少？

大家好，我是林路。小夥伴們期盼已久的量化交易教程，今天它來了！

有不少小夥伴，一直很關心我量化交易的實戰情況，經常會被問到：5 萬元，現在賺了多少？

這裡統一回復下，目前浮盈 6%。

遠低於我的預期，這跟大盤的走弱脫不開關係。9 月開始即巔峰，一路慘遭滑鐵盧，大盤再也沒回到過 3700 點，屬實有些慘淡。

不過越是這種冷清的時候，越是充能學習的時刻。

我最成功的一筆投資，不是買了哪支股票，而是自學了很多有趣的技術。

我還是那句話，最好的投資，就是投資自己！

回顧了自己的這一年，收穫良多，我學到了很多新技術。

今天，我們繼續聊量化交易

量化交易，說白了，主要分為三個部分：

炒股資料獲取
選股& 擇時策略
交易系統

對於一些低頻的交易策略，甚至都用不上交易系統，手動操作都行。

Udata

一個穩定的炒股資料獲取介面很重要，可以自己寫爬蟲爬資料，但這樣太不穩定。

今天給大家推薦一個好用的 API 介面：

https://udata.hs.net

Udata 大牌子，是深耕金融領域 30 年的恆生電子推出的金融資料社群。

恆生電子大家應該都聽過，近千億市值的大公司，用資料這種事，找這類背景好的社群準沒錯。

今天我就以 Udata 提供的 API 股票介面為例，來一期保姆級的量化交易教程。

Udata 安裝

我們先從 Udata 的安裝開始講起。

首先要搭建一個 Python 的開發環境，Python 開發環境不會搭建的，可以看我之前釋出的一篇教程：

一勞永逸的 Python 環境搭建方法

Udata 可以使用 pip 安裝。

pip install hs_udata

這樣就表明安裝好了。

然後註冊個 Udata 賬戶，訂閱一個體驗套餐。各個社群都是一樣的，都有免費的體驗套餐給初學者使用。

註冊並訂閱號後，獲取 token。

https://udata.hs.net/console/overAllView

開啟連結，就能看到 token 獲取方式，直接複製即可。

然後使用如下程式碼，就可以獲取資料了。

from hs_udata import set_token, stock_list        # 引入 hs_udata 模組中 set_token 和 stock_list

if __name__ == "__main__":
    # 替換你的 token，檢視 token 地址：https://udata.hs.net/console/overAllView
    set_token(token = 'xxxxx')
    # 獲取 股票列表資料，返回格式為 dataframe
    data = stock_list()
    # 列印資料前 5 行
    print(data.head())

有正確的資料結果了，那恭喜你，配置成功！

量化分析

資料搞定了，我們就可以利用這個 API 介面，做一些策略。

無論是選股，還是擇時交易，都可以使用這個 API 介面的資料進行。

Udata 的 API 文件寫得很全面：

https://udata.hs.net/datas/202/

應有盡有：

之前的教程，給大家講解過 ETF 動量輪動策略。

今天來點不一樣的，基礎的分析技巧，也是我們必備的基本功。

比如畫個 K 線，視覺化工具，可以直接使用 pyecharts。

如果沒有安裝這個庫，可以先使用 pip 安裝一下。

pip install pyecharts

pyecharts 的使用非常簡單，可以直接看手冊。

https://pyecharts.org/#/zh-cn/intro

我們結合 Udata 的資料獲取 api 介面和 pyecharts 視覺化工具，就可以自己繪製 K 線。

import hs_udata as udata
from datetime import datetime, timedelta
import time
from pyecharts import options as opts
from pyecharts.charts import Kline

if __name__ == "__main__":
    # 替換你的 token，檢視 token 地址：https://udata.hs.net/console/overAllView
    udata.set_token(token = 'xxxxx')

    current_dt = time.strftime("%Y-%m-%d", time.localtime())
    current_dt = datetime.strptime(current_dt, '%Y-%m-%d')

    # 獲取 30 天的資料
    day_num = 30
    all_data = []
    all_date = []
    for i in range(1, day_num + 1)[::-1]:
        search_date = current_dt - timedelta(days = i)
        search_date = search_date.strftime("%Y%m%d")

        # 恆生電子近 30 日的股價
        data = udata.stock_quote_daily(en_prod_code = "600570.SH", trading_date = search_date)
        # 開盤價
        open_price = data['open_price'][0]
        # 收盤價
        close_price = data['close_price'][0]
        # 最低價
        low_price = data['low_price'][0]
        # 最高價
        high_price = data['high_price'][0]
        # 去掉非交易日資料
        if len(open_price) == 0:
            continue
        all_date.append(search_date)
        all_data.append([float(open_price), float(close_price), float(low_price), float(high_price)])

    # 使用 pyecharts 繪製 K 線
    c = (
        Kline()
        .add_xaxis(all_date)
        .add_yaxis(
            "K線",
            all_data,
            itemstyle_opts = opts.ItemStyleOpts(
                color = "#ec0000",
                color0 = "#00da3c",
                border_color = "#8A0000",
                border_color0 = "#008F28",
            ),
        )
        .set_global_opts(
            xaxis_opts = opts.AxisOpts(is_scale = True),
            yaxis_opts = opts.AxisOpts(
                is_scale = True,
                splitarea_opts = opts.SplitAreaOpts(
                    is_show = True, areastyle_opts = opts.AreaStyleOpts(opacity = 1)
                ),
            ),
            datazoom_opts = [opts.DataZoomOpts(type_ = "inside")],
            title_opts = opts.TitleOpts(title = "恆生電子近 30 日 K 線"),
        )
        .render("kline.html")
    )

執行成功後，會生成一個 kline.html 檔案，用瀏覽器開啟這個 html 檔案，就可以看到繪製效果了。

可能有小夥伴會問，這都是炒股軟體現成的，為什麼要自己繪製？

只有親自寫程式碼後，你才能深刻認識到每個資料背後所代表的含義。這是一個很好的，幫助我們學習的過程。更重要的是，等我們熟練之後，可以根據自己的各種需求，定製化自己獨家炒股介面。

你可以監控自己想要監控的所有資訊。

像什麼 KDJ、MACD 等各種指標，我們都是可以自己計算並可視化出來的。

不再受限於炒股軟體的一些指標，甚至一些炒股軟體的付費因子，我們都可以自己計算。

再比如，我們可以使用資料，做一些自己不瞭解的分析。舉個非常簡單的例子，你知道 A 股的行業分佈情況嗎？

幾行程式碼就可以搞定。

import hs_udata as udata
from pyecharts import options as opts
from pyecharts.charts import Pie
from tqdm import tqdm

if __name__ == "__main__":
    # 替換你的 token，檢視 token 地址：https://udata.hs.net/console/overAllView
    udata.set_token(token = 'xxxxx')
    # 獲取所有股票
    data = udata.stock_list(listed_state = "1")
    codes = data['hs_code'].tolist()

    industry_name_dict = {}
    # 遍歷股票
    for code in tqdm(codes):
        # 獲取股票行業資訊
        data = udata.industry_category(en_prod_code = code)
        industry_name_csrc = data['industry_name_csrc'][0].split("-")[0]
        # print(industry_name_csrc)
        # 統計行業數量
        if industry_name_csrc not in industry_name_dict.keys():
            industry_name_dict[industry_name_csrc] = 1
        else:
            industry_name_dict[industry_name_csrc] += 1

    # 視覺化
    c = (
        Pie()
        .add(
            "",
            [
                list(z)
                for z in zip(
                    industry_name_dict.keys(),
                    industry_name_dict.values(),
                )
            ],
            center=["40%", "50%"],
        )
        .set_global_opts(
            title_opts=opts.TitleOpts(title="A 股股票行業分佈"),
            legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
        )
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
        .render("pie.html")
    )

執行程式碼，開啟 pie.html ，即可檢視 A 股股票的行業分佈情況。