本项目的核心思路：根据pe ratio对股票进行分组，分组之后等权重投资低估值的股票，再平衡日为每月最后一天。
Contents
1 获取并处理数据1.1 获取数据1.2 数据整理1 获取并处理数据
注：本项目使用的全部数据来自Tushare社区（id=570231）：Tushare社区
1.1 获取数据
1.首先，我们安装一下Tushare库
pip install tushare
2.调用API之前，进行必要的初始化设置
import tushare as ts # 导入Tusharemy_token = '你的Token'pro = ts.pro_api(my_token)
3.获取A股所有股票的基本信息，包括：股票代码、股票名称、所在地、行业等最基本的信息
all_stock_basic_infos = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code, symbol, name, area, industry, list_date')all_stock_basic_infos # 查看一下刚刚获取到的数据
4.获取银行股票的基本信息
bank_stock_basic_infos = all_stock_basic_infos[all_stock_basic_infos['industry'] == '银行']bank_stock_basic_infos
拿到的数据长这样：
5.接下来，我们获取所有银行股票的日线行情数据
（1）先拿到所有银行股票代码的一个list
all_bank_stock_code = bank_stock_basic_infos['ts_code'].tolist()print(all_bank_stock_code)
拿到的list输出如下所示：
（2）然后我们定义一个函数，随后使用for循环遍历all_bank_stock_code，获取到全部银行股的日线数据
bank_stock_daily = pd.DataFrame() # 创建一个空的DataFrame，用于保存最后获得的银行股行情数据# 定义一个函数，用于获取个股行情def get_stock_daily(stock_code):"""获取个股日线行情数据:param stock_code: 传入一个股票代码:return: 以DataFrame形式返回股票日线行情数据"""df1 = pro.daily(ts_code=stock_code)if len(df1) == 6000: # 每次最多获取6000条数据time.sleep(1.6)df2 = pro.daily(ts_code=stock_code, end_date=df1['trade_date'].to_list()[-1])df2 = df2.iloc[1:, :]df1 = pd.concat([df1, df2], axis=0, ignore_index=True)return df1if len(df1) < 6000:return df1# for循环调用API获取银行股票日线数据for i in all_bank_stock_code:df1 = get_stock_daily(i)bank_stock_daily = pd.concat([bank_stock_daily, df1], axis=0, ignore_index=True)time.sleep(1.6)
这里一定要注意一下，我们每次最多只能获取6000条数据，考虑到有些股票历史行情数据明显超过6000条，因此在写这个函数时特意添加了一个判断语句。
至此，我们拿到了所有银行股票的日线行情数据，如下图所示，大概90000多条数据：
（3）获取复权因子，计算后复权行情，本项目回测基于后复权行情。
fuquan_factor = pd.DataFrame()def get_adj_factor(stock_code):"""获取复权因子:param stock_code:传入股票代码:return: 返回DataFrame，包含复权因子信息"""df1 = pro.adj_factor(ts_code=stock_code)if len(df1) == 6000: # 每次最多获取6000条数据time.sleep(1.6)df2 = pro.adj_factor(ts_code=stock_code, end_date=df1['trade_date'].to_list()[-1])df2 = df2.iloc[1:, :]df1 = pd.concat([df1, df2], axis=0, ignore_index=True)return df1if len(df1) < 6000:return df1# for循环调用API获取银行股票日线数据for i in all_bank_stock_code:df1 = get_adj_factor(i)fuquan_factor = pd.concat([fuquan_factor, df1], axis=0, ignore_index=True)time.sleep(1.8)fuquan_factor
就这样，我们拿到了所有银行股票的复权因子。
之后，我们合并一下这两个DataFrame，方便计算后复权数据
bank_stock_daily_merged = pd.merge(bank_stock_daily, fuquan_factor, on=['ts_code', 'trade_date'], how='left')bank_stock_daily_merged
合并之后的数据是这样的
现在我们计算后复权行情
bank_stock_daily_merged['closeAdj'] = bank_stock_daily_merged['close'] * bank_stock_daily_merged['adj_factor']bank_stock_daily_merged['openAdj'] = bank_stock_daily_merged['open'] / bank_stock_daily_merged['close'] * bank_stock_daily_merged['closeAdj']bank_stock_daily_merged['highAdj'] = bank_stock_daily_merged['high'] / bank_stock_daily_merged['close'] * bank_stock_daily_merged['closeAdj']bank_stock_daily_merged['lowAdj'] = bank_stock_daily_merged['low'] / bank_stock_daily_merged['close'] * bank_stock_daily_merged['closeAdj']bank_stock_daily_merged # 后复权行情
就这样，我们获得了所有银行股的日线行情数据。
6.获取所有银行股票每日的基本面指标，用于最终的选股，话不多说上代码
bank_stock_daily_basic = pd.DataFrame()def get_stock_daily_basic(stock_code):"""获取股票每日的基本面数据:param stock_code: 股票代码:return: 返回基本面DataFrame"""df1 = pro.daily_basic(ts_code=stock_code)if len(df1) == 5600: # 每次最多获取5600条数据time.sleep(1.6)df2 = pro.daily_basic(ts_code=stock_code, end_date=df1['trade_date'].to_list()[-1])df2 = df2.iloc[1:, :]df1 = pd.concat([df1, df2], axis=0, ignore_index=True)return df1if len(df1) < 5600:return df1# for循环调用API获取银行股票日线数据for i in all_bank_stock_code:df1 = get_stock_daily_basic(i)bank_stock_daily_basic = pd.concat([bank_stock_daily_basic, df1], axis=0, ignore_index=True)time.sleep(1.8)bank_stock_daily_basic
如此，我们拿到了所有银行股票的日线基本面数据，包括：换手率、pe、pb、ps等等指标。
7.最后，我们在拉一个沪深300指数和中证银行指数，留作比较基准。
hs300 = pro.index_daily(ts_code='000300.SH')hs300 = hs300[['trade_date', 'close']] # 只需要用到收盘价即可hs300.rename(columns={'close': '000300.SH'}, inplace=True)zzyy = pro.index_daily(ts_code='399986.CSI')zzyy = zzyy[['trade_date', 'close']] # 只需要用到收盘价即可zzyy.rename(columns={'close': '399986.CSI'}, inplace=True)bank_index_daily = pd.merge(hs300, zzyy, on=['trade_date'], how='inner', sort=True) # 合并数据bank_index_daily
这样，我们拿到了两个指数的收盘价数据
至此，我们拿到了本项目需要用到的全部原始数据
1.2 数据整理
在此，我们把拿到的银行股票的基本面数据整理一下，转换一下周期拿到月线数据，用于回测。
df = bank_stock_daily_basic.groupby(by=['ts_code']).resample('M').last()df
那先到这里了，数据已经全部拿到，回头更回测篇啦。
喜欢的话欢迎点赞+关注。另外，我日后也会定期更一些技术指标实现、量化交易策略等等，敬请期待吧！
