Tushare模塊

.TuShare簡介和環境安裝

TuShare是一個著名的免費、開源的python財經數據接口包。其官網主頁為：TuShare -財經數據接口包。該接口包如今提供了大量的金融數據，涵蓋了股票、基本面、宏觀、新聞的等諸多類別數據（具體請自行查看官網），並還在不斷更新中。TuShare可以基本滿足量化初學者的回測需求

環境安裝：

• pip install tushare。
• 如果是老版本升級，可以用升級命令pip install tushare --upgrade3。
• 在python中導入包：import tushare as ts。

TuShare的應用

我們主要還是應該掌握如何用tushare獲取股票行情數據，使用的是ts.get_hist_data()函數或者ts.get_k_data（）函數。輸入參數為：

• code：股票代碼，即6位數字代碼，或者指數代碼（sh=上證指數 sz=深圳成指 hs300=滬深300指數 sz50=上證50 zxb=中小板 cyb=創業板）

• start：開始日期，格式YYYY-MM-DD

• end：結束日期，格式YYYY-MM-DD

• ktype：數據類型，D=日k線 W=周 M=月 5=5分鍾 15=15分鍾 30=30分鍾 60=60分鍾，默認為D

• retry_count：當網絡異常后重試次數，默認為3

• pause:重試時停頓秒數，默認為0

• 返回值說明：

• date：日期

• open：開盤價

• high：最高價

• close：收盤價

• low：最低價

• volume：成交量

• price_change：價格變動

• p_change：漲跌幅

• ma5：5日均價

• ma10：10日均價

• ma20:20日均價

• v_ma5:5日均量

• v_ma10:10日均量

• v_ma20:20日均量

• turnover:換手率[注：指數無此項]

案例一

• 使用tushare包獲取某股票的歷史行情數據。

#獲取k線數據，加載至DataFrame中
df = ts.get_k_data("600519",start="1988-01-01")
#將從Tushare中獲取的數據存儲至本地
df.to_csv("600519.csv")
#將原數據中的時間作為行索引，並將字符串類型的時間序列化成時間對象類型
df = pd.read_csv("600519.csv", index_col='date',parse_dates=['date'])[['open','close','high','low']]

• 輸出該股票所有收盤比開盤上漲3%以上的日期。

#指定條件
condition = (df['close']-df['open'])/df['open']>=0.03
#獲取滿足條件的行索引
df[condition].index

執行后結果為：
DatetimeIndex(['2001-08-27', '2001-08-28', '2001-09-10', '2001-12-21',
               '2002-01-18', '2002-01-31', '2003-01-14', '2003-10-29',
               '2004-01-05', '2004-01-14',
               ...
               '2018-06-20', '2018-08-09', '2018-08-21', '2018-08-27',
               '2018-09-18', '2018-09-26', '2018-10-19', '2018-10-31',
               '2018-11-13', '2018-12-28'],
              dtype='datetime64[ns]', name='date', length=291, freq=None)

• 輸出該股票所有開盤比前日收盤跌幅超過2%的日期。

condition = (df['open']-df['close'].shift(1))/df['close'].shift(1)<=-0.02
df[condition].index

執行結果為：
DatetimeIndex(['2001-09-12', '2002-06-26', '2002-12-13', '2004-07-01',
               '2004-10-29', '2006-08-21', '2006-08-23', '2007-01-25',
               '2007-02-01', '2007-02-06', '2007-03-19', '2007-05-21',
               '2007-05-30', '2007-06-05', '2007-07-27', '2007-09-05',
               '2007-09-10', '2008-03-13', '2008-03-17', '2008-03-25',
               '2008-03-27', '2008-04-22', '2008-04-23', '2008-04-29',
               '2008-05-13', '2008-06-10', '2008-06-13', '2008-06-24',
               '2008-06-27', '2008-08-11', '2008-08-19', '2008-09-23',
               '2008-10-10', '2008-10-15', '2008-10-16', '2008-10-20',
               '2008-10-23', '2008-10-27', '2008-11-06', '2008-11-12',
               '2008-11-20', '2008-11-21', '2008-12-02', '2009-02-27',
               '2009-03-25', '2009-08-13', '2010-04-26', '2010-04-30',
               '2011-08-05', '2012-03-27', '2012-08-10', '2012-11-22',
               '2012-12-04', '2012-12-24', '2013-01-16', '2013-01-25',
               '2013-09-02', '2014-04-25', '2015-01-19', '2015-05-25',
               '2015-07-03', '2015-07-08', '2015-07-13', '2015-08-24',
               '2015-09-02', '2015-09-15', '2017-11-17', '2018-02-06',
               '2018-02-09', '2018-03-23', '2018-03-28', '2018-07-11',
               '2018-10-11', '2018-10-24', '2018-10-25', '2018-10-29',
               '2018-10-30'],
              dtype='datetime64[ns]', name='date', freq=None)

• 假如我從2010年1月1日開始，每月第一個交易日買入1手股票，每年最后一個交易日賣出所有股票，到今天為止，我的收益如何？

price_last = df['open'][-1]
df = df['2010-01':'2019-01'] #剔除首尾無用的數據
#Pandas提供了resample函數用便捷的方式對時間序列進行重采樣，根據時間粒度的變大或者變小分為降采樣和升采樣：
df_monthly = df.resample("M").first()
df_yearly = df.resample("A").last()[:-1] #去除最后一年
cost_money = 0
hold = 0 #每年持有的股票
for year in range(2010, 2019):
    
    cost_money -= df_monthly.loc[str(year)]['open'].sum()*100
    hold += len(df_monthly[str(year)]['open']) * 100
    if year != 2019:
        cost_money += df_yearly[str(year)]['open'][0] * hold
        hold = 0 #每年持有的股票
cost_money += hold * price_last

print(cost_money

案例二

• 使用tushare包獲取某股票的歷史行情數據

df = pd.read_csv("600519.csv",index_col='date', parse_dates=['date'])[['open','close','low','high']]

• 使用pandas包計算該股票歷史數據的5日均線和60日均線

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


什么是均線？
    對於每一個交易日，都可以計算出前N天的移動平均值，然后把這些移動平均值連起來，成為一條線，就叫做N日移動平均線。移動平均線常用線有5天、10天、30天、60天、120天和240天的指標。
   5天和10天的是短線操作的參照指標，稱做日均線指標；
   30天和60天的是中期均線指標，稱做季均線指標；
   120天和240天的是長期均線指標，稱做年均線指標。
均線計算方法：MA=（C1+C2+C3+...+Cn)/N C:某日收盤價 N:移動平均周期（天數）

• 使用matplotlib包可視化歷史數據的收盤價和兩條均線

plt.plot(df[['close','ma5','ma30']].iloc[:100])

• 分析輸出所有金叉日期和死叉日期

sr1 = df['ma5'] < df['ma30']
sr2 = df['ma5'] >= df['ma30']
death_cross = df[sr1 & sr2.shift(1)].index
golden_cross = df[~(sr1 | sr2.shift(1))].index

股票分析技術中的金叉和死叉，可以簡單解釋為：
分析指標中的兩根線，一根為短時間內的指標線，另一根為較長時間的指標線。
如果短時間的指標線方向拐頭向上，並且穿過了較長時間的指標線，這種狀態叫“金叉”；
如果短時間的指標線方向拐頭向下，並且穿過了較長時間的指標線，這種狀態叫“死叉”；
一般情況下，出現金叉后，操作趨向買入；死叉則趨向賣出。當然，金叉和死叉只是分析指標之一，要和其他很多指標配合使用，才能增加操作的准確性。

• 如果我從假如我從2010年1月1日開始，初始資金為100000元，金叉盡量買入，死叉全部賣出，則到今天為止，我的炒股收益率如何？

first_money = 100000
money = first_money
hold = 0#持有多少股
sr1 = pd.Series(1, index=golden_cross)
sr2 = pd.Series(0, index=death_cross)
#根據時間排序
sr = sr1.append(sr2).sort_index()

for i in range(0, len(sr)):
    p = df['open'][sr.index[i]]
    if sr.iloc[i] == 1:
        #金叉
        buy = (money // (100 * p))
        hold += buy*100
        money -= buy*100*p
    else:
        money += hold * p
        hold = 0

        
p = df['open'][-1]
now_money = hold * p + money

print(now_money - first_money)