通知设置 新通知
哪些股票突破了10月8日的最高点？
股票 • 李魔佛 发表了文章 • 0 个评论 • 83 次浏览 • 2024-10-25 10:28
昨天的文章贴了可转债从10月8日高点到现在的涨跌情况。
本文继续贴一下股票从10月8日的最高，到目前的涨跌分布。
数据包含北交所数据。
当前价格相对10月8日高点，涨幅前面的基本是北交所，创业板的股票。天马新材涨幅高达284%，一路涨停板30%，45度角冲上来。
创业板的光智科技8连板，20%一个板，最终今天开板后又封住，录得相对8号高点到目前的涨幅为258%
这些不知名的股票，要么处于亏损状态，要么四五百的市盈率，日后大概率会遵循怎么上去就怎么下来的规律。
比如像下面跌幅榜排名前面的，从高点跌去80%的股票。
长联科技节前最后一天上市，上市当天就吸引了足够的关注，涨了足足17倍。打新中签者，一签浮盈17万。而节后第一天该股冲高回落，依然大涨收盘。
而该股后面就开启了暴跌模式。
跌到今天之后，相对高点跌幅达到81%。
10月8日高点下来的A股个股数据统计
平均跌幅为-8.73%，中位数跌幅为-11%。当天开盘前，散户幻觉认为牛市来了，股票高开后，肯定不能轻易被买到，纷纷挂高价，甚至涨停价。（当时氛围太火爆，当时我也有这种牛市冲冲冲的幻觉）
而截至昨日收盘价，依然有652只股票，突破了10月8日的最高点，相对10日8日的最高点获得了正涨幅，比例为12%，比例比转债的稍微大一些。
A股的股票看起来暴富机会比转债要大的多，但同样会伴随更大的概率，让你一贫如洗，盈亏同源。
查看全部
本文继续贴一下股票从10月8日的最高，到目前的涨跌分布。
数据包含北交所数据。
当前价格相对10月8日高点，涨幅前面的基本是北交所，创业板的股票。天马新材涨幅高达284%，一路涨停板30%，45度角冲上来。
创业板的光智科技8连板，20%一个板，最终今天开板后又封住，录得相对8号高点到目前的涨幅为258%
这些不知名的股票，要么处于亏损状态，要么四五百的市盈率，日后大概率会遵循怎么上去就怎么下来的规律。
比如像下面跌幅榜排名前面的，从高点跌去80%的股票。
长联科技节前最后一天上市，上市当天就吸引了足够的关注，涨了足足17倍。打新中签者，一签浮盈17万。而节后第一天该股冲高回落，依然大涨收盘。
而该股后面就开启了暴跌模式。
跌到今天之后，相对高点跌幅达到81%。
10月8日高点下来的A股个股数据统计
平均跌幅为-8.73%，中位数跌幅为-11%。当天开盘前，散户幻觉认为牛市来了，股票高开后，肯定不能轻易被买到，纷纷挂高价，甚至涨停价。（当时氛围太火爆，当时我也有这种牛市冲冲冲的幻觉）
而截至昨日收盘价，依然有652只股票，突破了10月8日的最高点，相对10日8日的最高点获得了正涨幅，比例为12%，比例比转债的稍微大一些。
A股的股票看起来暴富机会比转债要大的多，但同样会伴随更大的概率，让你一贫如洗，盈亏同源。
查看全部
昨天的文章贴了可转债从10月8日高点到现在的涨跌情况。
本文继续贴一下股票从10月8日的最高，到目前的涨跌分布。
数据包含北交所数据。
当前价格相对10月8日高点，涨幅前面的基本是北交所，创业板的股票。天马新材涨幅高达284%，一路涨停板30%，45度角冲上来。
创业板的光智科技8连板，20%一个板，最终今天开板后又封住，录得相对8号高点到目前的涨幅为258%
这些不知名的股票，要么处于亏损状态，要么四五百的市盈率，日后大概率会遵循怎么上去就怎么下来的规律。
比如像下面跌幅榜排名前面的，从高点跌去80%的股票。
长联科技节前最后一天上市，上市当天就吸引了足够的关注，涨了足足17倍。打新中签者，一签浮盈17万。而节后第一天该股冲高回落，依然大涨收盘。
而该股后面就开启了暴跌模式。
跌到今天之后，相对高点跌幅达到81%。
10月8日高点下来的A股个股数据统计
平均跌幅为-8.73%，中位数跌幅为-11%。当天开盘前，散户幻觉认为牛市来了，股票高开后，肯定不能轻易被买到，纷纷挂高价，甚至涨停价。（当时氛围太火爆，当时我也有这种牛市冲冲冲的幻觉）
而截至昨日收盘价，依然有652只股票，突破了10月8日的最高点，相对10日8日的最高点获得了正涨幅，比例为12%，比例比转债的稍微大一些。
A股的股票看起来暴富机会比转债要大的多，但同样会伴随更大的概率，让你一贫如洗，盈亏同源。
本文继续贴一下股票从10月8日的最高，到目前的涨跌分布。
数据包含北交所数据。
当前价格相对10月8日高点，涨幅前面的基本是北交所，创业板的股票。天马新材涨幅高达284%，一路涨停板30%，45度角冲上来。
创业板的光智科技8连板，20%一个板，最终今天开板后又封住，录得相对8号高点到目前的涨幅为258%
这些不知名的股票，要么处于亏损状态，要么四五百的市盈率，日后大概率会遵循怎么上去就怎么下来的规律。
比如像下面跌幅榜排名前面的，从高点跌去80%的股票。
长联科技节前最后一天上市，上市当天就吸引了足够的关注，涨了足足17倍。打新中签者，一签浮盈17万。而节后第一天该股冲高回落，依然大涨收盘。
而该股后面就开启了暴跌模式。
跌到今天之后，相对高点跌幅达到81%。
10月8日高点下来的A股个股数据统计
平均跌幅为-8.73%，中位数跌幅为-11%。当天开盘前，散户幻觉认为牛市来了，股票高开后，肯定不能轻易被买到，纷纷挂高价，甚至涨停价。（当时氛围太火爆，当时我也有这种牛市冲冲冲的幻觉）
而截至昨日收盘价，依然有652只股票，突破了10月8日的最高点，相对10日8日的最高点获得了正涨幅，比例为12%，比例比转债的稍微大一些。
A股的股票看起来暴富机会比转债要大的多，但同样会伴随更大的概率，让你一贫如洗，盈亏同源。
突破10月8日最高点的转债名单 | 高点回落幅度排行榜
可转债 • 李魔佛 发表了文章 • 0 个评论 • 93 次浏览 • 2024-10-23 10:16
倒后镜看10月8日之后的走势，开盘即高点的转债比比皆是，不少还是涨停价开盘。
开盘冲进去的散户被挂在光秃秃的大阴线的顶部。
但也有一些转债已经突破了10月8日高点。
本文简单罗列一下数据。需要原始数据的读者朋友可以公众号后台获取。
价格突破10月8日的可转债红相转债和城地转债相对8日的高点涨幅达到了50%以上，属于一波流涨停冲上去的。
不过整体只有22只突破了8日的高点，占比只有4%，大部分是低于8日的最高价。
涨幅倒序排序
跌幅榜跌幅榜排名下，比较惨的是证券类转债。
由于很多人因为国庆假期港股的券商板块暴涨，8日A股券商开盘出现涨停潮，正股，ETF涨停买不进，于是转向买入没有达到涨停的券商转债（因为转债人比较怂？）。结果截至22日的收盘价格，浙22转债高点下来跌了24%，财通转债高点跌了18%。
相对10月8日高点的涨跌分布统计如下：
统计分布最新转债价格相对8日的高点跌幅的中位数和平均值为 -6.x%，转债持有人的当前市值跟8日高点相比，平均少了6%+。
一天的冲高回落，并不影响整体趋势。9月30日的转债价格中位数为113.798， 而当前（10月22日收盘）转债价格中位数为115, 比节前还略有提升。
所以节前一直持有的转债人，而不是8日冲高进场的，相对于节前的市值，也是稳定提升的。
需要原始excel数据，可后台回复：10月8日回落
查看全部
开盘冲进去的散户被挂在光秃秃的大阴线的顶部。
但也有一些转债已经突破了10月8日高点。
本文简单罗列一下数据。需要原始数据的读者朋友可以公众号后台获取。
价格突破10月8日的可转债红相转债和城地转债相对8日的高点涨幅达到了50%以上，属于一波流涨停冲上去的。
不过整体只有22只突破了8日的高点，占比只有4%，大部分是低于8日的最高价。
涨幅倒序排序
跌幅榜跌幅榜排名下，比较惨的是证券类转债。
由于很多人因为国庆假期港股的券商板块暴涨，8日A股券商开盘出现涨停潮，正股，ETF涨停买不进，于是转向买入没有达到涨停的券商转债（因为转债人比较怂？）。结果截至22日的收盘价格，浙22转债高点下来跌了24%，财通转债高点跌了18%。
相对10月8日高点的涨跌分布统计如下：
统计分布最新转债价格相对8日的高点跌幅的中位数和平均值为 -6.x%，转债持有人的当前市值跟8日高点相比，平均少了6%+。
一天的冲高回落，并不影响整体趋势。9月30日的转债价格中位数为113.798， 而当前（10月22日收盘）转债价格中位数为115, 比节前还略有提升。
所以节前一直持有的转债人，而不是8日冲高进场的，相对于节前的市值，也是稳定提升的。
需要原始excel数据，可后台回复：10月8日回落
查看全部
倒后镜看10月8日之后的走势，开盘即高点的转债比比皆是，不少还是涨停价开盘。
开盘冲进去的散户被挂在光秃秃的大阴线的顶部。
但也有一些转债已经突破了10月8日高点。
本文简单罗列一下数据。需要原始数据的读者朋友可以公众号后台获取。
价格突破10月8日的可转债红相转债和城地转债相对8日的高点涨幅达到了50%以上，属于一波流涨停冲上去的。
不过整体只有22只突破了8日的高点，占比只有4%，大部分是低于8日的最高价。
涨幅倒序排序
跌幅榜跌幅榜排名下，比较惨的是证券类转债。
由于很多人因为国庆假期港股的券商板块暴涨，8日A股券商开盘出现涨停潮，正股，ETF涨停买不进，于是转向买入没有达到涨停的券商转债（因为转债人比较怂？）。结果截至22日的收盘价格，浙22转债高点下来跌了24%，财通转债高点跌了18%。
相对10月8日高点的涨跌分布统计如下：
统计分布最新转债价格相对8日的高点跌幅的中位数和平均值为 -6.x%，转债持有人的当前市值跟8日高点相比，平均少了6%+。
一天的冲高回落，并不影响整体趋势。9月30日的转债价格中位数为113.798， 而当前（10月22日收盘）转债价格中位数为115, 比节前还略有提升。
所以节前一直持有的转债人，而不是8日冲高进场的，相对于节前的市值，也是稳定提升的。
需要原始excel数据，可后台回复：10月8日回落
开盘冲进去的散户被挂在光秃秃的大阴线的顶部。
但也有一些转债已经突破了10月8日高点。
本文简单罗列一下数据。需要原始数据的读者朋友可以公众号后台获取。
价格突破10月8日的可转债红相转债和城地转债相对8日的高点涨幅达到了50%以上，属于一波流涨停冲上去的。
不过整体只有22只突破了8日的高点，占比只有4%，大部分是低于8日的最高价。
涨幅倒序排序
跌幅榜跌幅榜排名下，比较惨的是证券类转债。
由于很多人因为国庆假期港股的券商板块暴涨，8日A股券商开盘出现涨停潮，正股，ETF涨停买不进，于是转向买入没有达到涨停的券商转债（因为转债人比较怂？）。结果截至22日的收盘价格，浙22转债高点下来跌了24%，财通转债高点跌了18%。
相对10月8日高点的涨跌分布统计如下：
统计分布最新转债价格相对8日的高点跌幅的中位数和平均值为 -6.x%，转债持有人的当前市值跟8日高点相比，平均少了6%+。
一天的冲高回落，并不影响整体趋势。9月30日的转债价格中位数为113.798， 而当前（10月22日收盘）转债价格中位数为115, 比节前还略有提升。
所以节前一直持有的转债人，而不是8日冲高进场的，相对于节前的市值，也是稳定提升的。
需要原始excel数据，可后台回复：10月8日回落
可转债现金替代策略 | QMT | Ptrade
李魔佛 发表了文章 • 0 个评论 • 217 次浏览 • 2024-10-15 11:05
策略需求：
适合大资金，求稳。
挑选低价格的AAA可转债，比如 正股是 银行，高分红的国企股，比如 大秦铁路的转债，大秦转债等，且到期收益为正。作为标的池。
然后 先 在标的池里挑选出一个价格最低的转债，1/3 仓位 买入，其余仓位买入银华日利。
程序每分钟监控。或者不用那么频繁，可以设置每小时，每天都可以。
如果转债价格下跌了X，就卖出银华日利（1/10仓位），买入转债； （这里仓位随意举例）
如果转债价格上涨了Y，就卖出转债（1/5仓位），买入银华日利；（这里仓位随意举例）
一般AAA的大规模转债，其波动比较小，很少会遇到趋势上涨。 所以大部分的时间是做有波动的高抛低吸。
但，一旦遇到趋势上涨，或者突破，那么按照策略 会不断卖出转债；
一旦转债仓位为0，就可以在标的池买入另外一只标的（1/3仓位），从而继续下一轮的高抛低吸。
如果转债价格一直跌，但由于AAA的转债有保底，且有回售，转股，下修等各种手段，来兜底，
所以一般遇到跌幅行情，下跌不会超过10%，所以策略可以一直在卖出银华日利，买入转债；
如果中途，出现了其他好的标的，你需要手动交易，那么可以手动卖出银华日利或者可转债，腾出仓位，来操作。
也就是这个策略的可转债，纯粹当做现金来替代来使用。
接着就是使用QMT和Ptrade实现。
待续............
查看全部
适合大资金，求稳。
挑选低价格的AAA可转债，比如 正股是 银行，高分红的国企股，比如 大秦铁路的转债，大秦转债等，且到期收益为正。作为标的池。
然后 先 在标的池里挑选出一个价格最低的转债，1/3 仓位 买入，其余仓位买入银华日利。
程序每分钟监控。或者不用那么频繁，可以设置每小时，每天都可以。
如果转债价格下跌了X，就卖出银华日利（1/10仓位），买入转债； （这里仓位随意举例）
如果转债价格上涨了Y，就卖出转债（1/5仓位），买入银华日利；（这里仓位随意举例）
一般AAA的大规模转债，其波动比较小，很少会遇到趋势上涨。 所以大部分的时间是做有波动的高抛低吸。
但，一旦遇到趋势上涨，或者突破，那么按照策略 会不断卖出转债；
一旦转债仓位为0，就可以在标的池买入另外一只标的（1/3仓位），从而继续下一轮的高抛低吸。
如果转债价格一直跌，但由于AAA的转债有保底，且有回售，转股，下修等各种手段，来兜底，
所以一般遇到跌幅行情，下跌不会超过10%，所以策略可以一直在卖出银华日利，买入转债；
如果中途，出现了其他好的标的，你需要手动交易，那么可以手动卖出银华日利或者可转债，腾出仓位，来操作。
也就是这个策略的可转债，纯粹当做现金来替代来使用。
接着就是使用QMT和Ptrade实现。
待续............
查看全部
策略需求：
适合大资金，求稳。
挑选低价格的AAA可转债，比如 正股是 银行，高分红的国企股，比如 大秦铁路的转债，大秦转债等，且到期收益为正。作为标的池。
然后 先 在标的池里挑选出一个价格最低的转债，1/3 仓位 买入，其余仓位买入银华日利。
程序每分钟监控。或者不用那么频繁，可以设置每小时，每天都可以。
如果转债价格下跌了X，就卖出银华日利（1/10仓位），买入转债； （这里仓位随意举例）
如果转债价格上涨了Y，就卖出转债（1/5仓位），买入银华日利；（这里仓位随意举例）
一般AAA的大规模转债，其波动比较小，很少会遇到趋势上涨。 所以大部分的时间是做有波动的高抛低吸。
但，一旦遇到趋势上涨，或者突破，那么按照策略 会不断卖出转债；
一旦转债仓位为0，就可以在标的池买入另外一只标的（1/3仓位），从而继续下一轮的高抛低吸。
如果转债价格一直跌，但由于AAA的转债有保底，且有回售，转股，下修等各种手段，来兜底，
所以一般遇到跌幅行情，下跌不会超过10%，所以策略可以一直在卖出银华日利，买入转债；
如果中途，出现了其他好的标的，你需要手动交易，那么可以手动卖出银华日利或者可转债，腾出仓位，来操作。
也就是这个策略的可转债，纯粹当做现金来替代来使用。
接着就是使用QMT和Ptrade实现。
待续............
适合大资金，求稳。
挑选低价格的AAA可转债，比如 正股是 银行，高分红的国企股，比如 大秦铁路的转债，大秦转债等，且到期收益为正。作为标的池。
然后 先 在标的池里挑选出一个价格最低的转债，1/3 仓位 买入，其余仓位买入银华日利。
程序每分钟监控。或者不用那么频繁，可以设置每小时，每天都可以。
如果转债价格下跌了X，就卖出银华日利（1/10仓位），买入转债； （这里仓位随意举例）
如果转债价格上涨了Y，就卖出转债（1/5仓位），买入银华日利；（这里仓位随意举例）
一般AAA的大规模转债，其波动比较小，很少会遇到趋势上涨。 所以大部分的时间是做有波动的高抛低吸。
但，一旦遇到趋势上涨，或者突破，那么按照策略 会不断卖出转债；
一旦转债仓位为0，就可以在标的池买入另外一只标的（1/3仓位），从而继续下一轮的高抛低吸。
如果转债价格一直跌，但由于AAA的转债有保底，且有回售，转股，下修等各种手段，来兜底，
所以一般遇到跌幅行情，下跌不会超过10%，所以策略可以一直在卖出银华日利，买入转债；
如果中途，出现了其他好的标的，你需要手动交易，那么可以手动卖出银华日利或者可转债，腾出仓位，来操作。
也就是这个策略的可转债，纯粹当做现金来替代来使用。
接着就是使用QMT和Ptrade实现。
待续............
LOF基金出现大量套利机会，微信发送套利提示机会
李魔佛 发表了文章 • 0 个评论 • 346 次浏览 • 2024-10-05 17:54
节前A股行情火爆，节中港股继续开市，港股行情火爆。
对于踏空的投资来说，简直比满仓套牢还难受。
虽然行情火爆，但头脑依然要保持清醒，不要看到什么热门就一股脑冲进去。
错误的方式，让你赚到了大钱，实际会后患无穷。
“有勇敢的飞行员，有年老的飞行员，但鲜有勇敢的年老飞行员"
行情爆发，大部分人连指数都追不上，所以索性直接打板指数。以至于各种指数10CM，甚至20CM。
实际指数的成分股并没有出现全部涨停那么夸张。
所以这时出现不少溢价的LOF基金，基金价格高于其净值。于是就出现了套利的机会。
溢价率越高，其安全垫也就越高。对于当前空仓或者轻仓的投资者而言，是一个不错的介入机会。（具体套利操作就是，场内净值申购，T+2或者T+3到账后，场内现价卖出）
这里笔者根据之前的LOF监控程序，程序自动获取限购-溢价LOF基金套利，并推送到微信消息，获取了目前溢价率大于5%的LOF基金，然后按照其成交量从大到小排序，得到下表：
成交量越大的，说明该LOF越活跃，这样就不至于在套利大军进场的时候，承接不住，被砸到跌停出不去。
目前成交量最大的是中概互联LOF164906，成交量1.9亿。成交量最少的是鼎弘LOF167003，成交量只有4万块不到，即使有14%的溢价率的肉垫，但容量太少，随便一个大户砸下来就跌停了。
所以这里也建议要介入额投资者，不仅仅只看溢价率，同时也要关注成交量。
同时也要注意申购状态那一列，积极配置FOF和原油LOF易方达 目前处于暂停申购状态，也就是当前是无法进行套利的。
而恒生LOF 是限购状态，限购5000元，因为港股假期猛涨了一波，所以大概率这个基金周二开盘会直接顶住涨停的。该基金是深市基金，可以6+1拖拉机拉满。申购7户，35000元。
结合之前的程序，LOF溢价率监控+微信推送，可以做到收盘前推送数据：
当然你用飞书，钉钉也行。如果要用微信，早期开通的api还能继续用，新开的就需要备案的服务器了，手续就麻烦一点。
广告时间：需要低佣免5开户的可以公众号菜单联系，支持Ptrade，QMT，miniQMT，套利拖拉机。
查看全部
对于踏空的投资来说，简直比满仓套牢还难受。
虽然行情火爆，但头脑依然要保持清醒，不要看到什么热门就一股脑冲进去。
错误的方式，让你赚到了大钱，实际会后患无穷。
“有勇敢的飞行员，有年老的飞行员，但鲜有勇敢的年老飞行员"
行情爆发，大部分人连指数都追不上，所以索性直接打板指数。以至于各种指数10CM，甚至20CM。
实际指数的成分股并没有出现全部涨停那么夸张。
所以这时出现不少溢价的LOF基金，基金价格高于其净值。于是就出现了套利的机会。
溢价率越高，其安全垫也就越高。对于当前空仓或者轻仓的投资者而言，是一个不错的介入机会。（具体套利操作就是，场内净值申购，T+2或者T+3到账后，场内现价卖出）
这里笔者根据之前的LOF监控程序，程序自动获取限购-溢价LOF基金套利，并推送到微信消息，获取了目前溢价率大于5%的LOF基金，然后按照其成交量从大到小排序，得到下表：
成交量越大的，说明该LOF越活跃，这样就不至于在套利大军进场的时候，承接不住，被砸到跌停出不去。
目前成交量最大的是中概互联LOF164906，成交量1.9亿。成交量最少的是鼎弘LOF167003，成交量只有4万块不到，即使有14%的溢价率的肉垫，但容量太少，随便一个大户砸下来就跌停了。
所以这里也建议要介入额投资者，不仅仅只看溢价率，同时也要关注成交量。
同时也要注意申购状态那一列，积极配置FOF和原油LOF易方达 目前处于暂停申购状态，也就是当前是无法进行套利的。
而恒生LOF 是限购状态，限购5000元，因为港股假期猛涨了一波，所以大概率这个基金周二开盘会直接顶住涨停的。该基金是深市基金，可以6+1拖拉机拉满。申购7户，35000元。
结合之前的程序，LOF溢价率监控+微信推送，可以做到收盘前推送数据：
当然你用飞书，钉钉也行。如果要用微信，早期开通的api还能继续用，新开的就需要备案的服务器了，手续就麻烦一点。
广告时间：需要低佣免5开户的可以公众号菜单联系，支持Ptrade，QMT，miniQMT，套利拖拉机。
查看全部
节前A股行情火爆，节中港股继续开市，港股行情火爆。
对于踏空的投资来说，简直比满仓套牢还难受。
虽然行情火爆，但头脑依然要保持清醒，不要看到什么热门就一股脑冲进去。
错误的方式，让你赚到了大钱，实际会后患无穷。
“有勇敢的飞行员，有年老的飞行员，但鲜有勇敢的年老飞行员"
行情爆发，大部分人连指数都追不上，所以索性直接打板指数。以至于各种指数10CM，甚至20CM。
实际指数的成分股并没有出现全部涨停那么夸张。
所以这时出现不少溢价的LOF基金，基金价格高于其净值。于是就出现了套利的机会。
溢价率越高，其安全垫也就越高。对于当前空仓或者轻仓的投资者而言，是一个不错的介入机会。（具体套利操作就是，场内净值申购，T+2或者T+3到账后，场内现价卖出）
这里笔者根据之前的LOF监控程序，程序自动获取限购-溢价LOF基金套利，并推送到微信消息，获取了目前溢价率大于5%的LOF基金，然后按照其成交量从大到小排序，得到下表：
成交量越大的，说明该LOF越活跃，这样就不至于在套利大军进场的时候，承接不住，被砸到跌停出不去。
目前成交量最大的是中概互联LOF164906，成交量1.9亿。成交量最少的是鼎弘LOF167003，成交量只有4万块不到，即使有14%的溢价率的肉垫，但容量太少，随便一个大户砸下来就跌停了。
所以这里也建议要介入额投资者，不仅仅只看溢价率，同时也要关注成交量。
同时也要注意申购状态那一列，积极配置FOF和原油LOF易方达 目前处于暂停申购状态，也就是当前是无法进行套利的。
而恒生LOF 是限购状态，限购5000元，因为港股假期猛涨了一波，所以大概率这个基金周二开盘会直接顶住涨停的。该基金是深市基金，可以6+1拖拉机拉满。申购7户，35000元。
结合之前的程序，LOF溢价率监控+微信推送，可以做到收盘前推送数据：
当然你用飞书，钉钉也行。如果要用微信，早期开通的api还能继续用，新开的就需要备案的服务器了，手续就麻烦一点。
广告时间：需要低佣免5开户的可以公众号菜单联系，支持Ptrade，QMT，miniQMT，套利拖拉机。
对于踏空的投资来说，简直比满仓套牢还难受。
虽然行情火爆，但头脑依然要保持清醒，不要看到什么热门就一股脑冲进去。
错误的方式，让你赚到了大钱，实际会后患无穷。
“有勇敢的飞行员，有年老的飞行员，但鲜有勇敢的年老飞行员"
行情爆发，大部分人连指数都追不上，所以索性直接打板指数。以至于各种指数10CM，甚至20CM。
实际指数的成分股并没有出现全部涨停那么夸张。
所以这时出现不少溢价的LOF基金，基金价格高于其净值。于是就出现了套利的机会。
溢价率越高，其安全垫也就越高。对于当前空仓或者轻仓的投资者而言，是一个不错的介入机会。（具体套利操作就是，场内净值申购，T+2或者T+3到账后，场内现价卖出）
这里笔者根据之前的LOF监控程序，程序自动获取限购-溢价LOF基金套利，并推送到微信消息，获取了目前溢价率大于5%的LOF基金，然后按照其成交量从大到小排序，得到下表：
成交量越大的，说明该LOF越活跃，这样就不至于在套利大军进场的时候，承接不住，被砸到跌停出不去。
目前成交量最大的是中概互联LOF164906，成交量1.9亿。成交量最少的是鼎弘LOF167003，成交量只有4万块不到，即使有14%的溢价率的肉垫，但容量太少，随便一个大户砸下来就跌停了。
所以这里也建议要介入额投资者，不仅仅只看溢价率，同时也要关注成交量。
同时也要注意申购状态那一列，积极配置FOF和原油LOF易方达 目前处于暂停申购状态，也就是当前是无法进行套利的。
而恒生LOF 是限购状态，限购5000元，因为港股假期猛涨了一波，所以大概率这个基金周二开盘会直接顶住涨停的。该基金是深市基金，可以6+1拖拉机拉满。申购7户，35000元。
结合之前的程序，LOF溢价率监控+微信推送，可以做到收盘前推送数据：
当然你用飞书，钉钉也行。如果要用微信，早期开通的api还能继续用，新开的就需要备案的服务器了，手续就麻烦一点。
广告时间：需要低佣免5开户的可以公众号菜单联系，支持Ptrade，QMT，miniQMT，套利拖拉机。
QMT获取不到行情，一般是什么原因？或者获取行情有中断的情况
QMT • 李魔佛 发表了文章 • 0 个评论 • 363 次浏览 • 2024-09-29 10:27
8-9成原因是 因为你选择的行情服务器掉线了
或者你获取的5档tick行情，但是你的行情菜单那里，选择的是 最新价，这样你也是无法获取到 5档tick数据的。
然后还有一个问题，如果你用get_market_data 或者get_market_data_ex 这个函数，获取的股票数量很多（比如全市场的股票），那么第一次的启动数据会非常的慢，并且你的内存消耗非常大，整个QMT像死机了一样。
如何解决？ 下回分解
查看全部
或者你获取的5档tick行情，但是你的行情菜单那里，选择的是 最新价，这样你也是无法获取到 5档tick数据的。
然后还有一个问题，如果你用get_market_data 或者get_market_data_ex 这个函数，获取的股票数量很多（比如全市场的股票），那么第一次的启动数据会非常的慢，并且你的内存消耗非常大，整个QMT像死机了一样。
如何解决？ 下回分解
查看全部
8-9成原因是 因为你选择的行情服务器掉线了
或者你获取的5档tick行情，但是你的行情菜单那里，选择的是 最新价，这样你也是无法获取到 5档tick数据的。
然后还有一个问题，如果你用get_market_data 或者get_market_data_ex 这个函数，获取的股票数量很多（比如全市场的股票），那么第一次的启动数据会非常的慢，并且你的内存消耗非常大，整个QMT像死机了一样。
如何解决？ 下回分解
或者你获取的5档tick行情，但是你的行情菜单那里，选择的是 最新价，这样你也是无法获取到 5档tick数据的。
然后还有一个问题，如果你用get_market_data 或者get_market_data_ex 这个函数，获取的股票数量很多（比如全市场的股票），那么第一次的启动数据会非常的慢，并且你的内存消耗非常大，整个QMT像死机了一样。
如何解决？ 下回分解
Ptrade回测模式下获取实时的分钟数据：只能使用handle_data，数据不能用get_snapshot
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 444 次浏览 • 2024-09-21 17:32
好久没有使用Ptrade做分钟级别的回测了。
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
import datetime
target_list = [
'600000.SS',
'000333.SZ'
]
def execution(context, data):
now = context.current_dt.strftime('%H:%M')
for code in target_list:
tick_info = data[code]
price = tick_info['price']
print('now: {} code : {} price:{}'.format(now,code ,price))
# 标准
def initialize(context):
log.info("公众号：可转债量化分析 ---- start ----")
def handle_data(context, data):
execution(context, data)
获取数据结果：2024-09-20 14:42:00 - INFO - now: 14:42 code : 000333.SZ price:66.22
2024-09-20 14:43:00 - INFO - now: 14:43 code : 000333.SZ price:66.26
2024-09-20 14:44:00 - INFO - now: 14:44 code : 000333.SZ price:66.19
2024-09-20 14:45:00 - INFO - now: 14:45 code : 000333.SZ price:66.2
2024-09-20 14:46:00 - INFO - now: 14:46 code : 000333.SZ price:66.19
2024-09-20 14:47:00 - INFO - now: 14:47 code : 000333.SZ price:66.18
2024-09-20 14:48:00 - INFO - now: 14:48 code : 000333.SZ price:66.14
2024-09-20 14:49:00 - INFO - now: 14:49 code : 000333.SZ price:66.25
2024-09-20 14:50:00 - INFO - now: 14:50 code : 000333.SZ price:66.19
2024-09-20 14:51:00 - INFO - now: 14:51 code : 000333.SZ price:66.18
2024-09-20 14:52:00 - INFO - now: 14:52 code : 000333.SZ price:66.19
2024-09-20 14:53:00 - INFO - now: 14:53 code : 000333.SZ price:66.2
2024-09-20 14:54:00 - INFO - now: 14:54 code : 000333.SZ price:66.19
2024-09-20 14:55:00 - INFO - now: 14:55 code : 000333.SZ price:66.25
2024-09-20 14:56:00 - INFO - now: 14:56 code : 000333.SZ price:66.27
2024-09-20 14:57:00 - INFO - now: 14:57 code : 000333.SZ price:66.28
2024-09-20 14:58:00 - INFO - now: 14:58 code : 000333.SZ price:66.28
2024-09-20 14:59:00 - INFO - now: 14:59 code : 000333.SZ price:66.28
2024-09-20 15:00:00 - INFO - now: 15:00 code : 000333.SZ price:66.06
用同花顺，对了一下结果，是满足的了。
查看全部
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
import datetime
target_list = [
'600000.SS',
'000333.SZ'
]
def execution(context, data):
now = context.current_dt.strftime('%H:%M')
for code in target_list:
tick_info = data[code]
price = tick_info['price']
print('now: {} code : {} price:{}'.format(now,code ,price))
# 标准
def initialize(context):
log.info("公众号：可转债量化分析 ---- start ----")
def handle_data(context, data):
execution(context, data)
获取数据结果：2024-09-20 14:42:00 - INFO - now: 14:42 code : 000333.SZ price:66.22
2024-09-20 14:43:00 - INFO - now: 14:43 code : 000333.SZ price:66.26
2024-09-20 14:44:00 - INFO - now: 14:44 code : 000333.SZ price:66.19
2024-09-20 14:45:00 - INFO - now: 14:45 code : 000333.SZ price:66.2
2024-09-20 14:46:00 - INFO - now: 14:46 code : 000333.SZ price:66.19
2024-09-20 14:47:00 - INFO - now: 14:47 code : 000333.SZ price:66.18
2024-09-20 14:48:00 - INFO - now: 14:48 code : 000333.SZ price:66.14
2024-09-20 14:49:00 - INFO - now: 14:49 code : 000333.SZ price:66.25
2024-09-20 14:50:00 - INFO - now: 14:50 code : 000333.SZ price:66.19
2024-09-20 14:51:00 - INFO - now: 14:51 code : 000333.SZ price:66.18
2024-09-20 14:52:00 - INFO - now: 14:52 code : 000333.SZ price:66.19
2024-09-20 14:53:00 - INFO - now: 14:53 code : 000333.SZ price:66.2
2024-09-20 14:54:00 - INFO - now: 14:54 code : 000333.SZ price:66.19
2024-09-20 14:55:00 - INFO - now: 14:55 code : 000333.SZ price:66.25
2024-09-20 14:56:00 - INFO - now: 14:56 code : 000333.SZ price:66.27
2024-09-20 14:57:00 - INFO - now: 14:57 code : 000333.SZ price:66.28
2024-09-20 14:58:00 - INFO - now: 14:58 code : 000333.SZ price:66.28
2024-09-20 14:59:00 - INFO - now: 14:59 code : 000333.SZ price:66.28
2024-09-20 15:00:00 - INFO - now: 15:00 code : 000333.SZ price:66.06
用同花顺，对了一下结果，是满足的了。
查看全部
好久没有使用Ptrade做分钟级别的回测了。
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
获取数据结果：
用同花顺，对了一下结果，是满足的了。
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
import datetime
target_list = [
'600000.SS',
'000333.SZ'
]
def execution(context, data):
now = context.current_dt.strftime('%H:%M')
for code in target_list:
tick_info = data[code]
price = tick_info['price']
print('now: {} code : {} price:{}'.format(now,code ,price))
# 标准
def initialize(context):
log.info("公众号：可转债量化分析 ---- start ----")
def handle_data(context, data):
execution(context, data)
获取数据结果：
2024-09-20 14:42:00 - INFO - now: 14:42 code : 000333.SZ price:66.22
2024-09-20 14:43:00 - INFO - now: 14:43 code : 000333.SZ price:66.26
2024-09-20 14:44:00 - INFO - now: 14:44 code : 000333.SZ price:66.19
2024-09-20 14:45:00 - INFO - now: 14:45 code : 000333.SZ price:66.2
2024-09-20 14:46:00 - INFO - now: 14:46 code : 000333.SZ price:66.19
2024-09-20 14:47:00 - INFO - now: 14:47 code : 000333.SZ price:66.18
2024-09-20 14:48:00 - INFO - now: 14:48 code : 000333.SZ price:66.14
2024-09-20 14:49:00 - INFO - now: 14:49 code : 000333.SZ price:66.25
2024-09-20 14:50:00 - INFO - now: 14:50 code : 000333.SZ price:66.19
2024-09-20 14:51:00 - INFO - now: 14:51 code : 000333.SZ price:66.18
2024-09-20 14:52:00 - INFO - now: 14:52 code : 000333.SZ price:66.19
2024-09-20 14:53:00 - INFO - now: 14:53 code : 000333.SZ price:66.2
2024-09-20 14:54:00 - INFO - now: 14:54 code : 000333.SZ price:66.19
2024-09-20 14:55:00 - INFO - now: 14:55 code : 000333.SZ price:66.25
2024-09-20 14:56:00 - INFO - now: 14:56 code : 000333.SZ price:66.27
2024-09-20 14:57:00 - INFO - now: 14:57 code : 000333.SZ price:66.28
2024-09-20 14:58:00 - INFO - now: 14:58 code : 000333.SZ price:66.28
2024-09-20 14:59:00 - INFO - now: 14:59 code : 000333.SZ price:66.28
2024-09-20 15:00:00 - INFO - now: 15:00 code : 000333.SZ price:66.06
用同花顺，对了一下结果，是满足的了。
QMT的handlebar设置成一分钟周期的时候，运行是3秒一次的
QMT • 李魔佛 发表了文章 • 0 个评论 • 439 次浏览 • 2024-09-13 11:46
平时很少用handlebar驱动。
刚好有个策略是一分钟周期运行的，所以就用了handle驱动。
结果发现，经常查询重复买入。
调试后发现，原来这个handlebar是3m触发一次的。
如果要一分钟运行一次，还是用
ContextInfo.run_time("execution", INTERVAL_STRING, running_time)
INTERVAL_STRING 用1分钟表示。
示例代码：
一分钟打印当前时间：
# -*-coding:gbk-*-
# 作者公众号：可转债量化分析
import datetime
import json
import redis
####### 以下为固定配置，请勿随意修改 ##########
# 注意：程序需要在9：30前启动
START_TIME = '09:30' # 启动时间，可以修改为开盘任意时间9：30-14：57
STOCK_ACCOUNT = '' # 股票账户
INTERVAL_SECOND = 60 # 交易间隔
INTERVAL_STRING = "{}nSecond".format(INTERVAL_SECOND)
def today_date():
return datetime.datetime.now().strftime('%Y%m%d')
def init(ContextInfo):
now = datetime.datetime.now()
print('策略初始化 {}'.format(now))
now = datetime.datetime.now()
running_time = '{} {}'.format(today_date(), START_TIME)
print('策略初始化 {} , 程序启动时间 {}'.format(now, START_TIME))
ContextInfo.run_time("execution", INTERVAL_STRING, running_time)
def handlebar(ContextInfo):
pass
def execution(ContextInfo):
if not ContextInfo.is_last_bar():
return
now = datetime.datetime.now()
print(now)
公众号： 查看全部
刚好有个策略是一分钟周期运行的，所以就用了handle驱动。
结果发现，经常查询重复买入。
调试后发现，原来这个handlebar是3m触发一次的。
如果要一分钟运行一次，还是用
ContextInfo.run_time("execution", INTERVAL_STRING, running_time)
INTERVAL_STRING 用1分钟表示。
示例代码：
一分钟打印当前时间：
# -*-coding:gbk-*-
# 作者公众号：可转债量化分析
import datetime
import json
import redis
####### 以下为固定配置，请勿随意修改 ##########
# 注意：程序需要在9：30前启动
START_TIME = '09:30' # 启动时间，可以修改为开盘任意时间9：30-14：57
STOCK_ACCOUNT = '' # 股票账户
INTERVAL_SECOND = 60 # 交易间隔
INTERVAL_STRING = "{}nSecond".format(INTERVAL_SECOND)
def today_date():
return datetime.datetime.now().strftime('%Y%m%d')
def init(ContextInfo):
now = datetime.datetime.now()
print('策略初始化 {}'.format(now))
now = datetime.datetime.now()
running_time = '{} {}'.format(today_date(), START_TIME)
print('策略初始化 {} , 程序启动时间 {}'.format(now, START_TIME))
ContextInfo.run_time("execution", INTERVAL_STRING, running_time)
def handlebar(ContextInfo):
pass
def execution(ContextInfo):
if not ContextInfo.is_last_bar():
return
now = datetime.datetime.now()
print(now)
公众号： 查看全部
平时很少用handlebar驱动。
刚好有个策略是一分钟周期运行的，所以就用了handle驱动。
结果发现，经常查询重复买入。
调试后发现，原来这个handlebar是3m触发一次的。
如果要一分钟运行一次，还是用
ContextInfo.run_time("execution", INTERVAL_STRING, running_time)
INTERVAL_STRING 用1分钟表示。
示例代码：
一分钟打印当前时间：
公众号：
刚好有个策略是一分钟周期运行的，所以就用了handle驱动。
结果发现，经常查询重复买入。
调试后发现，原来这个handlebar是3m触发一次的。
如果要一分钟运行一次，还是用
ContextInfo.run_time("execution", INTERVAL_STRING, running_time)
INTERVAL_STRING 用1分钟表示。
示例代码：
一分钟打印当前时间：
# -*-coding:gbk-*-
# 作者公众号：可转债量化分析
import datetime
import json
import redis
####### 以下为固定配置，请勿随意修改 ##########
# 注意：程序需要在9：30前启动
START_TIME = '09:30' # 启动时间，可以修改为开盘任意时间9：30-14：57
STOCK_ACCOUNT = '' # 股票账户
INTERVAL_SECOND = 60 # 交易间隔
INTERVAL_STRING = "{}nSecond".format(INTERVAL_SECOND)
def today_date():
return datetime.datetime.now().strftime('%Y%m%d')
def init(ContextInfo):
now = datetime.datetime.now()
print('策略初始化 {}'.format(now))
now = datetime.datetime.now()
running_time = '{} {}'.format(today_date(), START_TIME)
print('策略初始化 {} , 程序启动时间 {}'.format(now, START_TIME))
ContextInfo.run_time("execution", INTERVAL_STRING, running_time)
def handlebar(ContextInfo):
pass
def execution(ContextInfo):
if not ContextInfo.is_last_bar():
return
now = datetime.datetime.now()
print(now)
公众号：
QMT/iQuant居然禁止redis获取股票行情数据，如何破解
QMT • 李魔佛 发表了文章 • 0 个评论 • 656 次浏览 • 2024-09-10 11:26
QMT禁止redis获取股票行情数据，如何破解
因为QMT没有转债的规模，而国信iquant本身又把requests 库给封禁了，它无法通过requests 获取任何外部数据，比如访问东财，tushare都会提示访问超时。（后面发现它修改了requests的源码）
于是发现iquant的redis是内置库，不需要pip安装，所以第一时间就想到使用redis获取转债数据。
简单测试了一下，redis是可以获取数据的。比如随便丢一个字符到redis，然后QMT可以获取到这个字符数据
于是就把原来的策略里，使用requests 调用API的部分，改成redis。
可是运行后发现报错：
2024-09-10 10:05:19,851 [INFO] [0x00000e24] [msg service] msg: 0C:\iquant\python\新建策略文件.py_SH00030021
DataError:Sensitive Data Detected, Forbidden!
报错信息说的很明显，敏感信息检测到，禁止！
居然对redis的数据进行检验，很明显这部分是QMT对redis的源码进行了修改。
于是根据报错的提示，找到 目录：
D:\tool\gjzq_qmt_simulation\bin.x64\Lib\site-packages\redis，下面的client.py
找到对应的行：
的确有一个check_response 的函数用于检测 redis的内容，看正则表达式和变量命名（search_stock），类似股票代码的数据传输被阻止了，检测到之后直接raise Error，程序会停止的。
解决办法，也很简单，直接把这一段 代码删除就好了。
然后需要重启你的QMT，不然修改的代码不会生效。
然后重新运行的你的策略，发现一起正常了。
需要开通QMT和代写量化策略，可以关注公众号： 查看全部
因为QMT没有转债的规模，而国信iquant本身又把requests 库给封禁了，它无法通过requests 获取任何外部数据，比如访问东财，tushare都会提示访问超时。（后面发现它修改了requests的源码）
于是发现iquant的redis是内置库，不需要pip安装，所以第一时间就想到使用redis获取转债数据。
简单测试了一下，redis是可以获取数据的。比如随便丢一个字符到redis，然后QMT可以获取到这个字符数据
于是就把原来的策略里，使用requests 调用API的部分，改成redis。
可是运行后发现报错：
2024-09-10 10:05:19,851 [INFO] [0x00000e24] [msg service] msg: 0C:\iquant\python\新建策略文件.py_SH00030021
DataError:Sensitive Data Detected, Forbidden!
报错信息说的很明显，敏感信息检测到，禁止！
居然对redis的数据进行检验，很明显这部分是QMT对redis的源码进行了修改。
于是根据报错的提示，找到 目录：
D:\tool\gjzq_qmt_simulation\bin.x64\Lib\site-packages\redis，下面的client.py
找到对应的行：
的确有一个check_response 的函数用于检测 redis的内容，看正则表达式和变量命名（search_stock），类似股票代码的数据传输被阻止了，检测到之后直接raise Error，程序会停止的。
解决办法，也很简单，直接把这一段 代码删除就好了。
然后需要重启你的QMT，不然修改的代码不会生效。
然后重新运行的你的策略，发现一起正常了。
需要开通QMT和代写量化策略，可以关注公众号： 查看全部
QMT禁止redis获取股票行情数据，如何破解
因为QMT没有转债的规模，而国信iquant本身又把requests 库给封禁了，它无法通过requests 获取任何外部数据，比如访问东财，tushare都会提示访问超时。（后面发现它修改了requests的源码）
于是发现iquant的redis是内置库，不需要pip安装，所以第一时间就想到使用redis获取转债数据。
简单测试了一下，redis是可以获取数据的。比如随便丢一个字符到redis，然后QMT可以获取到这个字符数据
于是就把原来的策略里，使用requests 调用API的部分，改成redis。
可是运行后发现报错：
2024-09-10 10:05:19,851 [INFO] [0x00000e24] [msg service] msg: 0C:\iquant\python\新建策略文件.py_SH00030021
DataError:Sensitive Data Detected, Forbidden!
报错信息说的很明显，敏感信息检测到，禁止！
居然对redis的数据进行检验，很明显这部分是QMT对redis的源码进行了修改。
于是根据报错的提示，找到 目录：
D:\tool\gjzq_qmt_simulation\bin.x64\Lib\site-packages\redis，下面的client.py
找到对应的行：
的确有一个check_response 的函数用于检测 redis的内容，看正则表达式和变量命名（search_stock），类似股票代码的数据传输被阻止了，检测到之后直接raise Error，程序会停止的。
解决办法，也很简单，直接把这一段 代码删除就好了。
然后需要重启你的QMT，不然修改的代码不会生效。
然后重新运行的你的策略，发现一起正常了。
需要开通QMT和代写量化策略，可以关注公众号：
因为QMT没有转债的规模，而国信iquant本身又把requests 库给封禁了，它无法通过requests 获取任何外部数据，比如访问东财，tushare都会提示访问超时。（后面发现它修改了requests的源码）
于是发现iquant的redis是内置库，不需要pip安装，所以第一时间就想到使用redis获取转债数据。
简单测试了一下，redis是可以获取数据的。比如随便丢一个字符到redis，然后QMT可以获取到这个字符数据
于是就把原来的策略里，使用requests 调用API的部分，改成redis。
可是运行后发现报错：
2024-09-10 10:05:19,851 [INFO] [0x00000e24] [msg service] msg: 0C:\iquant\python\新建策略文件.py_SH00030021
DataError:Sensitive Data Detected, Forbidden!
报错信息说的很明显，敏感信息检测到，禁止！
居然对redis的数据进行检验，很明显这部分是QMT对redis的源码进行了修改。
于是根据报错的提示，找到 目录：
D:\tool\gjzq_qmt_simulation\bin.x64\Lib\site-packages\redis，下面的client.py
找到对应的行：
的确有一个check_response 的函数用于检测 redis的内容，看正则表达式和变量命名（search_stock），类似股票代码的数据传输被阻止了，检测到之后直接raise Error，程序会停止的。
解决办法，也很简单，直接把这一段 代码删除就好了。
然后需要重启你的QMT，不然修改的代码不会生效。
然后重新运行的你的策略，发现一起正常了。
需要开通QMT和代写量化策略，可以关注公众号：
国信iquant requests 爬虫 获取数据 还有使用 tushare，akshare 无法连接，提示超时
QMT • 李魔佛 发表了文章 • 0 个评论 • 687 次浏览 • 2024-08-28 14:29
经过验证，比如把下面的代码放入到国信的iquant里运行
#encoding:gbk
import requests
def get_baidu():
url = 'https://www.baidu.com'
req = requests.get(url,headers={'User-Agent':'Mozilla/5.0'})
print(req.text)
def init(ContextInfo):
get_baidu()
def handlebar(ContextInfo):
pass
会报错，同时访问baidu.com 超时：
明显是国信的iquant内部设置了proxy，导致request出去的时候走了proxy。
所以连baidu都访问不了。
而tushare，akshare底层是周的爬虫 （requests）, 所以对于iquant，底层走http requests的库，或者获取数据的手段是失效了的。
不过也有其他的手段可以实现获取外部数据。
笔者亲测了redis可以访问外部的redis数据库，为啥用redis，因为iquant没有内置pymysql，需要自己安装，客户也不懂怎么安装，（到iquant的安装文件路径下的python 包路径下，运行 pip install pymysq）
而iquant内置了redis 的库，所以可以直接import redis
redis测试代码：
def base_usage():
print('start')
r = RedisCls()
data = {'name': 'zhangsan', 'age': 18}
key = 'test_key'
r.push(key, json.dumps(data))
print('push')
print(r.delete('key')) # reutrn 1 if delete success, else return 0
start_time = time.time()
ret_data = r.pop(key)
end_time = time.time()
print('cost time: ', end_time - start_time)
print(ret_data)
base_usage()
上面的代码是正常运行，不报错，就说明正常的了。
PS:
r = RedisCls() 只是封装了
r = redis.Redis 连接的ip和端口，密码 而已。
按照网上的redis连接教程使用就好了。
查看全部
#encoding:gbk
import requests
def get_baidu():
url = 'https://www.baidu.com'
req = requests.get(url,headers={'User-Agent':'Mozilla/5.0'})
print(req.text)
def init(ContextInfo):
get_baidu()
def handlebar(ContextInfo):
pass
会报错，同时访问baidu.com 超时：
明显是国信的iquant内部设置了proxy，导致request出去的时候走了proxy。
所以连baidu都访问不了。
而tushare，akshare底层是周的爬虫 （requests）, 所以对于iquant，底层走http requests的库，或者获取数据的手段是失效了的。
不过也有其他的手段可以实现获取外部数据。
笔者亲测了redis可以访问外部的redis数据库，为啥用redis，因为iquant没有内置pymysql，需要自己安装，客户也不懂怎么安装，（到iquant的安装文件路径下的python 包路径下，运行 pip install pymysq）
而iquant内置了redis 的库，所以可以直接import redis
redis测试代码：
def base_usage():
print('start')
r = RedisCls()
data = {'name': 'zhangsan', 'age': 18}
key = 'test_key'
r.push(key, json.dumps(data))
print('push')
print(r.delete('key')) # reutrn 1 if delete success, else return 0
start_time = time.time()
ret_data = r.pop(key)
end_time = time.time()
print('cost time: ', end_time - start_time)
print(ret_data)
base_usage()
上面的代码是正常运行，不报错，就说明正常的了。
PS:
r = RedisCls() 只是封装了
r = redis.Redis 连接的ip和端口，密码 而已。
按照网上的redis连接教程使用就好了。
查看全部
经过验证，比如把下面的代码放入到国信的iquant里运行
会报错，同时访问baidu.com 超时：
明显是国信的iquant内部设置了proxy，导致request出去的时候走了proxy。
所以连baidu都访问不了。
而tushare，akshare底层是周的爬虫 （requests）, 所以对于iquant，底层走http requests的库，或者获取数据的手段是失效了的。
不过也有其他的手段可以实现获取外部数据。
笔者亲测了redis可以访问外部的redis数据库，为啥用redis，因为iquant没有内置pymysql，需要自己安装，客户也不懂怎么安装，（到iquant的安装文件路径下的python 包路径下，运行 pip install pymysq）
而iquant内置了redis 的库，所以可以直接import redis
redis测试代码：
上面的代码是正常运行，不报错，就说明正常的了。
PS:
r = RedisCls() 只是封装了
r = redis.Redis 连接的ip和端口，密码 而已。
按照网上的redis连接教程使用就好了。
#encoding:gbk
import requests
def get_baidu():
url = 'https://www.baidu.com'
req = requests.get(url,headers={'User-Agent':'Mozilla/5.0'})
print(req.text)
def init(ContextInfo):
get_baidu()
def handlebar(ContextInfo):
pass
会报错，同时访问baidu.com 超时：
明显是国信的iquant内部设置了proxy，导致request出去的时候走了proxy。
所以连baidu都访问不了。
而tushare，akshare底层是周的爬虫 （requests）, 所以对于iquant，底层走http requests的库，或者获取数据的手段是失效了的。
不过也有其他的手段可以实现获取外部数据。
笔者亲测了redis可以访问外部的redis数据库，为啥用redis，因为iquant没有内置pymysql，需要自己安装，客户也不懂怎么安装，（到iquant的安装文件路径下的python 包路径下，运行 pip install pymysq）
而iquant内置了redis 的库，所以可以直接import redis
redis测试代码：
def base_usage():
print('start')
r = RedisCls()
data = {'name': 'zhangsan', 'age': 18}
key = 'test_key'
r.push(key, json.dumps(data))
print('push')
print(r.delete('key')) # reutrn 1 if delete success, else return 0
start_time = time.time()
ret_data = r.pop(key)
end_time = time.time()
print('cost time: ', end_time - start_time)
print(ret_data)
base_usage()
上面的代码是正常运行，不报错，就说明正常的了。
PS:
r = RedisCls() 只是封装了
r = redis.Redis 连接的ip和端口，密码 而已。
按照网上的redis连接教程使用就好了。
QMT如何获取持仓成本 盈亏比例
QMT • 李魔佛 发表了文章 • 0 个评论 • 699 次浏览 • 2024-08-25 07:50
比如多次买入一个股票，每次买入不同的数量，如果中间又有分红除权，虽然可以通过自己写一个计算函数记录，但是会非常复杂。
那么QMT有没有内置的可以获取持仓成本的函数呢？
position 持仓对象 里面有一个字段：
m_dOpenPrice: 持仓成本
可以用来获取当前的持仓成本：
具体代码如下：
# encoding:gbk
ACCOUNT = 'xxxxxxx' # 填入你的QMT账户ID, 如果没有，可以联系我开通 QMT权限
def init(ContextInfo):
# hs300成分股中sh和sz市场各自流通市值最大的前3只股票
pass
def handlebar(ContextInfo):
# 计算当前主图的cci
position_info = get_trade_detail_data(ACCOUNT, 'stock', 'position')
for i in position_info:
print('股票', i.m_strInstrumentID, '持仓数',
i.m_nVolume, '持有成本', round(i.m_dOpenPrice, 2),
'持仓盈亏', round(i.m_dPositionProfit, 2),
'持仓盈亏比例', round(i.m_dProfitRate*100, 2)
)
得到的输出结果：
扫码免费开通QMT：
查看全部
那么QMT有没有内置的可以获取持仓成本的函数呢？
position 持仓对象 里面有一个字段：
m_dOpenPrice: 持仓成本
可以用来获取当前的持仓成本：
具体代码如下：
# encoding:gbk
ACCOUNT = 'xxxxxxx' # 填入你的QMT账户ID, 如果没有，可以联系我开通 QMT权限
def init(ContextInfo):
# hs300成分股中sh和sz市场各自流通市值最大的前3只股票
pass
def handlebar(ContextInfo):
# 计算当前主图的cci
position_info = get_trade_detail_data(ACCOUNT, 'stock', 'position')
for i in position_info:
print('股票', i.m_strInstrumentID, '持仓数',
i.m_nVolume, '持有成本', round(i.m_dOpenPrice, 2),
'持仓盈亏', round(i.m_dPositionProfit, 2),
'持仓盈亏比例', round(i.m_dProfitRate*100, 2)
)
得到的输出结果：
扫码免费开通QMT：
查看全部
比如多次买入一个股票，每次买入不同的数量，如果中间又有分红除权，虽然可以通过自己写一个计算函数记录，但是会非常复杂。
那么QMT有没有内置的可以获取持仓成本的函数呢？
position 持仓对象 里面有一个字段：
m_dOpenPrice: 持仓成本
可以用来获取当前的持仓成本：
具体代码如下：
得到的输出结果：
扫码免费开通QMT：
那么QMT有没有内置的可以获取持仓成本的函数呢？
position 持仓对象 里面有一个字段：
m_dOpenPrice: 持仓成本
可以用来获取当前的持仓成本：
具体代码如下：
# encoding:gbk
ACCOUNT = 'xxxxxxx' # 填入你的QMT账户ID, 如果没有，可以联系我开通 QMT权限
def init(ContextInfo):
# hs300成分股中sh和sz市场各自流通市值最大的前3只股票
pass
def handlebar(ContextInfo):
# 计算当前主图的cci
position_info = get_trade_detail_data(ACCOUNT, 'stock', 'position')
for i in position_info:
print('股票', i.m_strInstrumentID, '持仓数',
i.m_nVolume, '持有成本', round(i.m_dOpenPrice, 2),
'持仓盈亏', round(i.m_dPositionProfit, 2),
'持仓盈亏比例', round(i.m_dProfitRate*100, 2)
)
得到的输出结果：
扫码免费开通QMT：
python Ptrade获取热门板块，连板股票 python代码
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 642 次浏览 • 2024-08-23 16:57
之前有人咨询，ptrade如何获取不同的概念板块个股。其实很容易，本身有获取板块信息的API函数：
Ptrade API文档：https://ptradeapi.com/#get_sort_msg
get_sort_msg – 获取板块、行业的涨幅排名
get_sort_msg(sort_type_grp=None, sort_field_name=None, sort_type=1, data_count=100)
接口说明
该接口用于获取板块、行业的涨幅排名。
参数 sort_type_grp: 板块或行业的代码(list[str]/str)；
(暂时只支持XBHS.DY地域、XBHS.GN概念、XBHS.ZJHHY证监会行业、XBHS.ZS指数、XBHS.HY行业等)
示例代码：按概念板块涨幅倒序排名
import datetime
START_TIME = (datetime.datetime.now() + datetime.timedelta(minutes=1)).strftime('%H:%M')
def execution(context):
#获取XBHS.GN的概念排名信息
sort_data = get_sort_msg(sort_type_grp='XBHS.GN', sort_field_name='px_change_rate', sort_type=1, data_count=100)
for data in sort_data:
log.info('板块： {} '.format(data['prod_name']))
for sub_stock in data['rise_first_grp']:
log.info('{} 涨幅 ：{}'.format(sub_stock['prod_name'],sub_stock['px_change_rate']))
log.info('\n')
def initialize(context):
# 初始化策略
run_daily(context, execution, time=START_TIME) # 扫描
log.info("公众号：可转债量化分析\n")
def handle_data(context, data):
pass
上面代码在ptrade启动后一分钟拿到结果。不限制要求开盘时间的。其实Ptrade可以在24小时任意时刻启动。
get_sort_msg 返回的数据结构体如下：
具体字段的含义：
prod_code: 行业代码(str:str)；
prod_name: 行业名称(str:str)；
hq_type_code: 行业板块代码(str:str)；
time_stamp: 时间戳毫秒级(str:int)；
trade_mins: 交易分钟数(str:int)；
trade_status: 交易状态(str:str)；
preclose_px: 昨日收盘价(str:float)；
open_px: 今日开盘价(str:float)；
last_px: 最新价(str:float)；
high_px: 最高价(str:float)；
low_px: 最低价(str:float)；
wavg_px: 加权平均价(str:float)；
business_amount: 总成交量(str:int)；
business_balance: 总成交额(str:int)；
px_change: 涨跌额(str:float)；
amplitude: 振幅(str:int)；
px_change_rate: 涨跌幅(str:float)；
circulation_amount: 流通股本(str:int)；
total_shares: 总股本(str:int)；
market_value: 市值(str:int)；
circulation_value: 流通市值(str:int)；
vol_ratio: 量比(str:float)；
shares_per_hand: 每手股数(str:int)；
rise_count: 上涨家数(str:int)；
fall_count: 下跌家数(str:int)；
member_count: 成员个数(str:int)；
rise_first_grp: 领涨股票(其包含以下五个字段)(str:list[dict{str:int,str:str,str:str,str:float,str:float},...])；
prod_code: 股票代码(str:str)；
prod_name: 证券名称(str:str)；
hq_type_code: 类型代码(str:str)；
last_px: 最新价(str:float)；
px_change_rate: 涨跌幅(str:float)；
fall_first_grp: 领跌股票(其包含以下五个字段)(str:list[dict{str:int,str:str,str:str,str:float,str:float},...])；
prod_code: 股票代码(str:str)；
prod_name: 证券名称(str:str)；
hq_type_code: 类型代码(str:str)；
last_px: 最新价(str:float)；
px_change_rate: 涨跌幅(str:float)；
这个返回数据是实时的，可以用来选股，选择热门股，热门板块，涨停板块，昨日涨停，昨日连板板块。
比如上面运行结果里就有 昨日连板的板块个股，有9个，在rise_first_grp 字段里面：
需要开通Ptrade的读者朋友可以后天联系哦，提供不同券商ptrade，低门槛，低费率，还有技术支持群！
查看全部
Ptrade API文档：https://ptradeapi.com/#get_sort_msg
get_sort_msg – 获取板块、行业的涨幅排名
get_sort_msg(sort_type_grp=None, sort_field_name=None, sort_type=1, data_count=100)
接口说明
该接口用于获取板块、行业的涨幅排名。
参数 sort_type_grp: 板块或行业的代码(list[str]/str)；
(暂时只支持XBHS.DY地域、XBHS.GN概念、XBHS.ZJHHY证监会行业、XBHS.ZS指数、XBHS.HY行业等)
示例代码：按概念板块涨幅倒序排名
import datetime
START_TIME = (datetime.datetime.now() + datetime.timedelta(minutes=1)).strftime('%H:%M')
def execution(context):
#获取XBHS.GN的概念排名信息
sort_data = get_sort_msg(sort_type_grp='XBHS.GN', sort_field_name='px_change_rate', sort_type=1, data_count=100)
for data in sort_data:
log.info('板块： {} '.format(data['prod_name']))
for sub_stock in data['rise_first_grp']:
log.info('{} 涨幅 ：{}'.format(sub_stock['prod_name'],sub_stock['px_change_rate']))
log.info('\n')
def initialize(context):
# 初始化策略
run_daily(context, execution, time=START_TIME) # 扫描
log.info("公众号：可转债量化分析\n")
def handle_data(context, data):
pass
上面代码在ptrade启动后一分钟拿到结果。不限制要求开盘时间的。其实Ptrade可以在24小时任意时刻启动。
get_sort_msg 返回的数据结构体如下：
具体字段的含义：
prod_code: 行业代码(str:str)；
prod_name: 行业名称(str:str)；
hq_type_code: 行业板块代码(str:str)；
time_stamp: 时间戳毫秒级(str:int)；
trade_mins: 交易分钟数(str:int)；
trade_status: 交易状态(str:str)；
preclose_px: 昨日收盘价(str:float)；
open_px: 今日开盘价(str:float)；
last_px: 最新价(str:float)；
high_px: 最高价(str:float)；
low_px: 最低价(str:float)；
wavg_px: 加权平均价(str:float)；
business_amount: 总成交量(str:int)；
business_balance: 总成交额(str:int)；
px_change: 涨跌额(str:float)；
amplitude: 振幅(str:int)；
px_change_rate: 涨跌幅(str:float)；
circulation_amount: 流通股本(str:int)；
total_shares: 总股本(str:int)；
market_value: 市值(str:int)；
circulation_value: 流通市值(str:int)；
vol_ratio: 量比(str:float)；
shares_per_hand: 每手股数(str:int)；
rise_count: 上涨家数(str:int)；
fall_count: 下跌家数(str:int)；
member_count: 成员个数(str:int)；
rise_first_grp: 领涨股票(其包含以下五个字段)(str:list[dict{str:int,str:str,str:str,str:float,str:float},...])；
prod_code: 股票代码(str:str)；
prod_name: 证券名称(str:str)；
hq_type_code: 类型代码(str:str)；
last_px: 最新价(str:float)；
px_change_rate: 涨跌幅(str:float)；
fall_first_grp: 领跌股票(其包含以下五个字段)(str:list[dict{str:int,str:str,str:str,str:float,str:float},...])；
prod_code: 股票代码(str:str)；
prod_name: 证券名称(str:str)；
hq_type_code: 类型代码(str:str)；
last_px: 最新价(str:float)；
px_change_rate: 涨跌幅(str:float)；
这个返回数据是实时的，可以用来选股，选择热门股，热门板块，涨停板块，昨日涨停，昨日连板板块。
比如上面运行结果里就有 昨日连板的板块个股，有9个，在rise_first_grp 字段里面：
需要开通Ptrade的读者朋友可以后天联系哦，提供不同券商ptrade，低门槛，低费率，还有技术支持群！
查看全部
之前有人咨询，ptrade如何获取不同的概念板块个股。其实很容易，本身有获取板块信息的API函数：
Ptrade API文档：https://ptradeapi.com/#get_sort_msg
get_sort_msg – 获取板块、行业的涨幅排名
接口说明
该接口用于获取板块、行业的涨幅排名。
参数 sort_type_grp: 板块或行业的代码(list[str]/str)；
(暂时只支持XBHS.DY地域、XBHS.GN概念、XBHS.ZJHHY证监会行业、XBHS.ZS指数、XBHS.HY行业等)
示例代码：按概念板块涨幅倒序排名
上面代码在ptrade启动后一分钟拿到结果。不限制要求开盘时间的。其实Ptrade可以在24小时任意时刻启动。
get_sort_msg 返回的数据结构体如下：
具体字段的含义：
这个返回数据是实时的，可以用来选股，选择热门股，热门板块，涨停板块，昨日涨停，昨日连板板块。
比如上面运行结果里就有 昨日连板的板块个股，有9个，在rise_first_grp 字段里面：
需要开通Ptrade的读者朋友可以后天联系哦，提供不同券商ptrade，低门槛，低费率，还有技术支持群！
Ptrade API文档：https://ptradeapi.com/#get_sort_msg
get_sort_msg – 获取板块、行业的涨幅排名
get_sort_msg(sort_type_grp=None, sort_field_name=None, sort_type=1, data_count=100)
接口说明
该接口用于获取板块、行业的涨幅排名。
参数 sort_type_grp: 板块或行业的代码(list[str]/str)；
(暂时只支持XBHS.DY地域、XBHS.GN概念、XBHS.ZJHHY证监会行业、XBHS.ZS指数、XBHS.HY行业等)
示例代码：按概念板块涨幅倒序排名
import datetime
START_TIME = (datetime.datetime.now() + datetime.timedelta(minutes=1)).strftime('%H:%M')
def execution(context):
#获取XBHS.GN的概念排名信息
sort_data = get_sort_msg(sort_type_grp='XBHS.GN', sort_field_name='px_change_rate', sort_type=1, data_count=100)
for data in sort_data:
log.info('板块： {} '.format(data['prod_name']))
for sub_stock in data['rise_first_grp']:
log.info('{} 涨幅 ：{}'.format(sub_stock['prod_name'],sub_stock['px_change_rate']))
log.info('\n')
def initialize(context):
# 初始化策略
run_daily(context, execution, time=START_TIME) # 扫描
log.info("公众号：可转债量化分析\n")
def handle_data(context, data):
pass
上面代码在ptrade启动后一分钟拿到结果。不限制要求开盘时间的。其实Ptrade可以在24小时任意时刻启动。
get_sort_msg 返回的数据结构体如下：
具体字段的含义：
prod_code: 行业代码(str:str)；
prod_name: 行业名称(str:str)；
hq_type_code: 行业板块代码(str:str)；
time_stamp: 时间戳毫秒级(str:int)；
trade_mins: 交易分钟数(str:int)；
trade_status: 交易状态(str:str)；
preclose_px: 昨日收盘价(str:float)；
open_px: 今日开盘价(str:float)；
last_px: 最新价(str:float)；
high_px: 最高价(str:float)；
low_px: 最低价(str:float)；
wavg_px: 加权平均价(str:float)；
business_amount: 总成交量(str:int)；
business_balance: 总成交额(str:int)；
px_change: 涨跌额(str:float)；
amplitude: 振幅(str:int)；
px_change_rate: 涨跌幅(str:float)；
circulation_amount: 流通股本(str:int)；
total_shares: 总股本(str:int)；
market_value: 市值(str:int)；
circulation_value: 流通市值(str:int)；
vol_ratio: 量比(str:float)；
shares_per_hand: 每手股数(str:int)；
rise_count: 上涨家数(str:int)；
fall_count: 下跌家数(str:int)；
member_count: 成员个数(str:int)；
rise_first_grp: 领涨股票(其包含以下五个字段)(str:list[dict{str:int,str:str,str:str,str:float,str:float},...])；
prod_code: 股票代码(str:str)；
prod_name: 证券名称(str:str)；
hq_type_code: 类型代码(str:str)；
last_px: 最新价(str:float)；
px_change_rate: 涨跌幅(str:float)；
fall_first_grp: 领跌股票(其包含以下五个字段)(str:list[dict{str:int,str:str,str:str,str:float,str:float},...])；
prod_code: 股票代码(str:str)；
prod_name: 证券名称(str:str)；
hq_type_code: 类型代码(str:str)；
last_px: 最新价(str:float)；
px_change_rate: 涨跌幅(str:float)；
这个返回数据是实时的，可以用来选股，选择热门股，热门板块，涨停板块，昨日涨停，昨日连板板块。
比如上面运行结果里就有 昨日连板的板块个股，有9个，在rise_first_grp 字段里面：
需要开通Ptrade的读者朋友可以后天联系哦，提供不同券商ptrade，低门槛，低费率，还有技术支持群！
【保姆教程】使用ptrade做一个持仓监控提醒软件 （二）
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 931 次浏览 • 2024-08-08 14:01
接下来完成代码实现部分：
主要框架如下：
盘前我们先去读取数据库的数据：
格式很简单，就记录了代码和名字：
df = pd.read_sql('select * from tb_holding_stock_list', con=engine)
def initialize(context):
# 初始化策略
engine = DBSelector().get_engine()
df = pd.read_sql('select * from tb_holding_stock_list', con=engine)
df['code']=df['code'].astype(str)
result = {}
for index, row in df.iterrows():
code = add_code_postfix(row['code'])
result[code] = {'name': row['name'], 'source': row['source']}
g.holding_stock_dict = result
g.holding_stock_list = list(result.keys())
g.__cache = Cache()
run_interval(context, execution, seconds=INTERVAL) # 扫描
def handle_data(context, data):
pass
def tick_data(context, data):
pass
def before_trading_start(context, data):
'''
盘前
'''
if DEBUG:
log.info('盘前运行开始', str(context.blotter.current_dt))
def after_trading_end(context, data):
'''
盘后
'''
if DEBUG:
log.info('盘后时间 ', str(context.blotter.current_dt))
然后主要部分在 execution 这个监控函数这里。
def execution(context):
tick_info = get_snapshot(g.holding_stock_list)
for code, tick in tick_info.items():
px_change_rate = tick['px_change_rate']
if px_change_rate > abs(HIT_TARGET):
if g.__cache.check(code):
# 通知
name = g.holding_stock_dict.get(code)['name']
source = g.holding_stock_dict.get(code)['source']
msg = '{}-{} 涨幅-{},{}'.format(code,
name, px_change_rate, source)
send_message_via_wechat(msg)
send_message_via_wechat 这个函数是发送微信消息的。
然后基本完成了整体的代码编写，里面一些自定义的函数为了判断 下一次通知要等待多久。
因为不能因为同一个股票满足条件了，然后每隔3秒发一次微信消息。你手机会一直滴滴滴地响的。
而且很容易把其他刚出现的提示给覆盖了。
【保姆教程】使用ptrade做一个持仓监控提醒软件 （一）
查看全部
主要框架如下：
盘前我们先去读取数据库的数据：
格式很简单，就记录了代码和名字：
df = pd.read_sql('select * from tb_holding_stock_list', con=engine)
def initialize(context):
# 初始化策略
engine = DBSelector().get_engine()
df = pd.read_sql('select * from tb_holding_stock_list', con=engine)
df['code']=df['code'].astype(str)
result = {}
for index, row in df.iterrows():
code = add_code_postfix(row['code'])
result[code] = {'name': row['name'], 'source': row['source']}
g.holding_stock_dict = result
g.holding_stock_list = list(result.keys())
g.__cache = Cache()
run_interval(context, execution, seconds=INTERVAL) # 扫描
def handle_data(context, data):
pass
def tick_data(context, data):
pass
def before_trading_start(context, data):
'''
盘前
'''
if DEBUG:
log.info('盘前运行开始', str(context.blotter.current_dt))
def after_trading_end(context, data):
'''
盘后
'''
if DEBUG:
log.info('盘后时间 ', str(context.blotter.current_dt))
然后主要部分在 execution 这个监控函数这里。
def execution(context):
tick_info = get_snapshot(g.holding_stock_list)
for code, tick in tick_info.items():
px_change_rate = tick['px_change_rate']
if px_change_rate > abs(HIT_TARGET):
if g.__cache.check(code):
# 通知
name = g.holding_stock_dict.get(code)['name']
source = g.holding_stock_dict.get(code)['source']
msg = '{}-{} 涨幅-{},{}'.format(code,
name, px_change_rate, source)
send_message_via_wechat(msg)
send_message_via_wechat 这个函数是发送微信消息的。
然后基本完成了整体的代码编写，里面一些自定义的函数为了判断 下一次通知要等待多久。
因为不能因为同一个股票满足条件了，然后每隔3秒发一次微信消息。你手机会一直滴滴滴地响的。
而且很容易把其他刚出现的提示给覆盖了。
【保姆教程】使用ptrade做一个持仓监控提醒软件 （一）
查看全部
接下来完成代码实现部分：
主要框架如下：
盘前我们先去读取数据库的数据：
格式很简单，就记录了代码和名字：
df = pd.read_sql('select * from tb_holding_stock_list', con=engine)
然后主要部分在 execution 这个监控函数这里。
send_message_via_wechat 这个函数是发送微信消息的。
然后基本完成了整体的代码编写，里面一些自定义的函数为了判断 下一次通知要等待多久。
因为不能因为同一个股票满足条件了，然后每隔3秒发一次微信消息。你手机会一直滴滴滴地响的。
而且很容易把其他刚出现的提示给覆盖了。
【保姆教程】使用ptrade做一个持仓监控提醒软件 （一）
主要框架如下：
盘前我们先去读取数据库的数据：
格式很简单，就记录了代码和名字：
df = pd.read_sql('select * from tb_holding_stock_list', con=engine)
def initialize(context):
# 初始化策略
engine = DBSelector().get_engine()
df = pd.read_sql('select * from tb_holding_stock_list', con=engine)
df['code']=df['code'].astype(str)
result = {}
for index, row in df.iterrows():
code = add_code_postfix(row['code'])
result[code] = {'name': row['name'], 'source': row['source']}
g.holding_stock_dict = result
g.holding_stock_list = list(result.keys())
g.__cache = Cache()
run_interval(context, execution, seconds=INTERVAL) # 扫描
def handle_data(context, data):
pass
def tick_data(context, data):
pass
def before_trading_start(context, data):
'''
盘前
'''
if DEBUG:
log.info('盘前运行开始', str(context.blotter.current_dt))
def after_trading_end(context, data):
'''
盘后
'''
if DEBUG:
log.info('盘后时间 ', str(context.blotter.current_dt))
然后主要部分在 execution 这个监控函数这里。
def execution(context):
tick_info = get_snapshot(g.holding_stock_list)
for code, tick in tick_info.items():
px_change_rate = tick['px_change_rate']
if px_change_rate > abs(HIT_TARGET):
if g.__cache.check(code):
# 通知
name = g.holding_stock_dict.get(code)['name']
source = g.holding_stock_dict.get(code)['source']
msg = '{}-{} 涨幅-{},{}'.format(code,
name, px_change_rate, source)
send_message_via_wechat(msg)
send_message_via_wechat 这个函数是发送微信消息的。
然后基本完成了整体的代码编写，里面一些自定义的函数为了判断 下一次通知要等待多久。
因为不能因为同一个股票满足条件了，然后每隔3秒发一次微信消息。你手机会一直滴滴滴地响的。
而且很容易把其他刚出现的提示给覆盖了。
【保姆教程】使用ptrade做一个持仓监控提醒软件 （一）
【保姆教程】使用ptrade做一个持仓监控提醒软件 （一）
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 943 次浏览 • 2024-08-07 10:23
背景：
因为有多个券商，比如银河，华宝，国金，国盛等。 而且也有家人的账户，可能一个银河就有5-6个账户。
所以如果持仓比较多的话，没有时间管得过来。 设置条件单比较繁琐，也不一定能管得过来。
要求：
把所有的持仓股Excel导出，输入的数据库（这里选择mysql），然后Ptrade读取了股票池，每隔3s扫描一次行情，如果遇到大涨或者大跌的个股，转债，ETF，就发送微信消息提醒（涨幅/跌幅大于7%）
这个是某个客户的简单需求。
后面就按照上面的需求做一个客户端，除了可以录入上述资料，还能提供web服务，输入，删除持仓股，做到实时更新。
最后提醒效果如下：
国金QMT的字样，用来区分我这个标的是哪一个券商的持仓。比如 有可能是 家人1-银河，家人2-国盛，这样的哈
下一篇：
【保姆教程】使用ptrade做一个持仓监控提醒软件 （二）
欢迎关注公众号：可转债量化分析 查看全部
因为有多个券商，比如银河，华宝，国金，国盛等。 而且也有家人的账户，可能一个银河就有5-6个账户。
所以如果持仓比较多的话，没有时间管得过来。 设置条件单比较繁琐，也不一定能管得过来。
要求：
把所有的持仓股Excel导出，输入的数据库（这里选择mysql），然后Ptrade读取了股票池，每隔3s扫描一次行情，如果遇到大涨或者大跌的个股，转债，ETF，就发送微信消息提醒（涨幅/跌幅大于7%）
这个是某个客户的简单需求。
后面就按照上面的需求做一个客户端，除了可以录入上述资料，还能提供web服务，输入，删除持仓股，做到实时更新。
最后提醒效果如下：
国金QMT的字样，用来区分我这个标的是哪一个券商的持仓。比如 有可能是 家人1-银河，家人2-国盛，这样的哈
下一篇：
【保姆教程】使用ptrade做一个持仓监控提醒软件 （二）
欢迎关注公众号：可转债量化分析 查看全部
背景：
因为有多个券商，比如银河，华宝，国金，国盛等。 而且也有家人的账户，可能一个银河就有5-6个账户。
所以如果持仓比较多的话，没有时间管得过来。 设置条件单比较繁琐，也不一定能管得过来。
要求：
把所有的持仓股Excel导出，输入的数据库（这里选择mysql），然后Ptrade读取了股票池，每隔3s扫描一次行情，如果遇到大涨或者大跌的个股，转债，ETF，就发送微信消息提醒（涨幅/跌幅大于7%）
这个是某个客户的简单需求。
后面就按照上面的需求做一个客户端，除了可以录入上述资料，还能提供web服务，输入，删除持仓股，做到实时更新。
最后提醒效果如下：
国金QMT的字样，用来区分我这个标的是哪一个券商的持仓。比如 有可能是 家人1-银河，家人2-国盛，这样的哈
下一篇：
【保姆教程】使用ptrade做一个持仓监控提醒软件 （二）
欢迎关注公众号：可转债量化分析
因为有多个券商，比如银河，华宝，国金，国盛等。 而且也有家人的账户，可能一个银河就有5-6个账户。
所以如果持仓比较多的话，没有时间管得过来。 设置条件单比较繁琐，也不一定能管得过来。
要求：
把所有的持仓股Excel导出，输入的数据库（这里选择mysql），然后Ptrade读取了股票池，每隔3s扫描一次行情，如果遇到大涨或者大跌的个股，转债，ETF，就发送微信消息提醒（涨幅/跌幅大于7%）
这个是某个客户的简单需求。
后面就按照上面的需求做一个客户端，除了可以录入上述资料，还能提供web服务，输入，删除持仓股，做到实时更新。
最后提醒效果如下：
国金QMT的字样，用来区分我这个标的是哪一个券商的持仓。比如 有可能是 家人1-银河，家人2-国盛，这样的哈
下一篇：
【保姆教程】使用ptrade做一个持仓监控提醒软件 （二）
欢迎关注公众号：可转债量化分析
python量化分析教程 | 最近几年A股养老基金整体盈亏情况分析
股票 • 李魔佛 发表了文章 • 0 个评论 • 699 次浏览 • 2024-07-25 17:30
这几年A股股市走势有目共睹。跌的让人头晕目眩。
不仅是散户被深套，很多基金也都大幅亏损。甚至前阵子看到证券时报报道，养老目标基金都出现不是清盘的现象。
于是笔者好奇心驱使，想看看这些养老基金最近几年的盈利情况，会不会把长辈老人们的下半辈子养老金都亏空了。
作为一名授人以渔的公众号博主，不仅仅贴个收益率图出来这么简单的啦。如果只是想看数据，直接跳过前面的操作即可。
笔者手把手教大家做数据分析，学会后不仅仅只对养老基金这一类别的基金做分析，还可以对不同类型的基金做分析。
前提：电脑按照了python已经相关库（jupyter notebook，pandas，akshare）
数据源：天天基金网
打开东财的天天基金网（https://fund.eastmoney.com/），在基金搜索页面输入：养老
总共有515个与养老相关的公募基金。如果没显示全，点击下图里面的“点击展开更多”按钮
抓包就找到对应的URL地址了，如下：https://fundsuggest.eastmoney.com/FundSearch/api/FundSearchPageAPI.ashx?callback=jQuery18306906210160165065_1721823304653&m=1&key=养老&pageindex=0&pagesize=515&_=1721823360126
如果你想分析其他类型的主题基金，只需要把上面的url里面的key=养老，换成其他的就可以了，比如 key=芯片
浏览器输入上面的URL就可以拿到数据了。
简单起见，我就不写爬取数据的代码，直接复制粘贴浏览器返回的内容就好了。
然后把前面起始的jQuery18306906210160165065_1721823304653( 和最后的括号去掉，就得到一个json数据了。
js_data = {
"ErrCode": 0,
"ErrMsg": "0",
"Datas": [
{
"_id": "001171",
"CODE": "001171",
"NAME": "工银养老产业股票A",
"STOCKMARKET": "",
"NEWTEXCH": ""
},
......... # 省略若干
]
}
（文末提供这个数据文件的获取方式）
接着写一个函数获取某个基金的当前收益率：目前就获取最近3年的收益率。
import akshare as ak
def get_fund_info(code,name):
fund_open_fund_info_em_df = ak.fund_open_fund_info_em(symbol=code, indicator="累计收益率走势",period="3年")
latest_perf = fund_open_fund_info_em_df.iloc[-1]['累计收益率']
return {'code':code,'profit':latest_perf,'name':name}
可以改动period='5年'， ’10年‘，’成立以来'，从而获取不同区间的收益率
接着把500多个基金遍历一遍就OK了。
fund_perf_list = []
for item in js_data['Datas']:
print('processing code {}'.format(item['CODE']))
try:
fund_perf_list.append(get_fund_info(item['CODE'],item['NAME']))
time.sleep(0.5)
except Exception as e:
print('error in processing code {}'.format(item['CODE']))
print(e)
然后去倒杯茶，慢慢等它跑完。
数据分析
把数据转为dataframe，按照收益率排名
import pandas as pd
df = pd.DataFrame(fund_perf_list)
rank_df = df.sort_values(by='profit')
也可以导出到excel
rank_df.to_excel('亏麻的养老基金.xlsx')
亏损最多的鹏华养老产业股票，最近3年亏损了-53%，不过它应该也不属于养老基金范畴，只是买的养老产业的股票。
而华夏养老2055五年持有混合(FOF)A 011745，这种才是标准的养老基金，这些养老基金大部分是FOF（它们持有标的是基金，而不是股票）
2021年成立，买入后还要锁定5年，期间不可卖出，老人们被套牢了也无法割肉了。成立以来亏损了-34%，近3年亏损了-41%。
于是笔者继续过滤一下，找出里面的全部FOF基金
fof_fund_df = rank_df[rank_df['name'].str.contains('FOF')]
得到下面的养老基金FOF全部数据
然后使用describe函数看看大体的涨跌幅情况：
总共有484个数据，平均涨幅为-8.38%
中位数是-6.13%。
涨幅最大的是4.85%，中欧预见平衡养老三年持有混合发起(FOF)Y
打开详情一看，原来是得益于成立得晚的缘故，而该基金是今年2月成立的。
最近3年沪深300指数跌了32%，而这个跌幅可以在485只养老基金里面排到了477名。聊以慰藉的是，绝大部分的养老基金在下跌行情下是跑赢了沪深300的。
绘制直方图
直方图可以一览数据得养老基金涨跌幅分布情况：
fof_fund_df.plot(kind='hist',bins=20,y='profit',width=2,grid=True)
从图可以看到，大部分养老基金的涨跌幅落在-20到0之间。
亏损达到-30%以上的其实也不是很多。
整体来说，养老基金FOF比买入主流宽基波动要小一些，但并非保本的理财工具，对于风险接受能力低的老一辈朋友，需要慎重考虑的。
原文数据可在公众号：
可转债量化分析
获取
查看全部
不仅是散户被深套，很多基金也都大幅亏损。甚至前阵子看到证券时报报道，养老目标基金都出现不是清盘的现象。
于是笔者好奇心驱使，想看看这些养老基金最近几年的盈利情况，会不会把长辈老人们的下半辈子养老金都亏空了。
作为一名授人以渔的公众号博主，不仅仅贴个收益率图出来这么简单的啦。如果只是想看数据，直接跳过前面的操作即可。
笔者手把手教大家做数据分析，学会后不仅仅只对养老基金这一类别的基金做分析，还可以对不同类型的基金做分析。
前提：电脑按照了python已经相关库（jupyter notebook，pandas，akshare）
数据源：天天基金网
打开东财的天天基金网（https://fund.eastmoney.com/），在基金搜索页面输入：养老
总共有515个与养老相关的公募基金。如果没显示全，点击下图里面的“点击展开更多”按钮
抓包就找到对应的URL地址了，如下：https://fundsuggest.eastmoney.com/FundSearch/api/FundSearchPageAPI.ashx?callback=jQuery18306906210160165065_1721823304653&m=1&key=养老&pageindex=0&pagesize=515&_=1721823360126
如果你想分析其他类型的主题基金，只需要把上面的url里面的key=养老，换成其他的就可以了，比如 key=芯片
浏览器输入上面的URL就可以拿到数据了。
简单起见，我就不写爬取数据的代码，直接复制粘贴浏览器返回的内容就好了。
然后把前面起始的jQuery18306906210160165065_1721823304653( 和最后的括号去掉，就得到一个json数据了。
js_data = {
"ErrCode": 0,
"ErrMsg": "0",
"Datas": [
{
"_id": "001171",
"CODE": "001171",
"NAME": "工银养老产业股票A",
"STOCKMARKET": "",
"NEWTEXCH": ""
},
......... # 省略若干
]
}
（文末提供这个数据文件的获取方式）
接着写一个函数获取某个基金的当前收益率：目前就获取最近3年的收益率。
import akshare as ak
def get_fund_info(code,name):
fund_open_fund_info_em_df = ak.fund_open_fund_info_em(symbol=code, indicator="累计收益率走势",period="3年")
latest_perf = fund_open_fund_info_em_df.iloc[-1]['累计收益率']
return {'code':code,'profit':latest_perf,'name':name}
可以改动period='5年'， ’10年‘，’成立以来'，从而获取不同区间的收益率
接着把500多个基金遍历一遍就OK了。
fund_perf_list = []
for item in js_data['Datas']:
print('processing code {}'.format(item['CODE']))
try:
fund_perf_list.append(get_fund_info(item['CODE'],item['NAME']))
time.sleep(0.5)
except Exception as e:
print('error in processing code {}'.format(item['CODE']))
print(e)
然后去倒杯茶，慢慢等它跑完。
数据分析
把数据转为dataframe，按照收益率排名
import pandas as pd
df = pd.DataFrame(fund_perf_list)
rank_df = df.sort_values(by='profit')
也可以导出到excel
rank_df.to_excel('亏麻的养老基金.xlsx')
亏损最多的鹏华养老产业股票，最近3年亏损了-53%，不过它应该也不属于养老基金范畴，只是买的养老产业的股票。
而华夏养老2055五年持有混合(FOF)A 011745，这种才是标准的养老基金，这些养老基金大部分是FOF（它们持有标的是基金，而不是股票）
2021年成立，买入后还要锁定5年，期间不可卖出，老人们被套牢了也无法割肉了。成立以来亏损了-34%，近3年亏损了-41%。
于是笔者继续过滤一下，找出里面的全部FOF基金
fof_fund_df = rank_df[rank_df['name'].str.contains('FOF')]
得到下面的养老基金FOF全部数据
然后使用describe函数看看大体的涨跌幅情况：
总共有484个数据，平均涨幅为-8.38%
中位数是-6.13%。
涨幅最大的是4.85%，中欧预见平衡养老三年持有混合发起(FOF)Y
打开详情一看，原来是得益于成立得晚的缘故，而该基金是今年2月成立的。
最近3年沪深300指数跌了32%，而这个跌幅可以在485只养老基金里面排到了477名。聊以慰藉的是，绝大部分的养老基金在下跌行情下是跑赢了沪深300的。
绘制直方图
直方图可以一览数据得养老基金涨跌幅分布情况：
fof_fund_df.plot(kind='hist',bins=20,y='profit',width=2,grid=True)
从图可以看到，大部分养老基金的涨跌幅落在-20到0之间。
亏损达到-30%以上的其实也不是很多。
整体来说，养老基金FOF比买入主流宽基波动要小一些，但并非保本的理财工具，对于风险接受能力低的老一辈朋友，需要慎重考虑的。
原文数据可在公众号：
可转债量化分析
获取
查看全部
这几年A股股市走势有目共睹。跌的让人头晕目眩。
不仅是散户被深套，很多基金也都大幅亏损。甚至前阵子看到证券时报报道，养老目标基金都出现不是清盘的现象。
于是笔者好奇心驱使，想看看这些养老基金最近几年的盈利情况，会不会把长辈老人们的下半辈子养老金都亏空了。
作为一名授人以渔的公众号博主，不仅仅贴个收益率图出来这么简单的啦。如果只是想看数据，直接跳过前面的操作即可。
笔者手把手教大家做数据分析，学会后不仅仅只对养老基金这一类别的基金做分析，还可以对不同类型的基金做分析。
前提：电脑按照了python已经相关库（jupyter notebook，pandas，akshare）
数据源：天天基金网
打开东财的天天基金网（https://fund.eastmoney.com/），在基金搜索页面输入：养老
总共有515个与养老相关的公募基金。如果没显示全，点击下图里面的“点击展开更多”按钮
抓包就找到对应的URL地址了，如下：https://fundsuggest.eastmoney.com/FundSearch/api/FundSearchPageAPI.ashx?callback=jQuery18306906210160165065_1721823304653&m=1&key=养老&pageindex=0&pagesize=515&_=1721823360126
如果你想分析其他类型的主题基金，只需要把上面的url里面的key=养老，换成其他的就可以了，比如 key=芯片
浏览器输入上面的URL就可以拿到数据了。
简单起见，我就不写爬取数据的代码，直接复制粘贴浏览器返回的内容就好了。
然后把前面起始的jQuery18306906210160165065_1721823304653( 和最后的括号去掉，就得到一个json数据了。
（文末提供这个数据文件的获取方式）
接着写一个函数获取某个基金的当前收益率：目前就获取最近3年的收益率。
可以改动period='5年'， ’10年‘，’成立以来'，从而获取不同区间的收益率
接着把500多个基金遍历一遍就OK了。
然后去倒杯茶，慢慢等它跑完。
数据分析
把数据转为dataframe，按照收益率排名
也可以导出到excel
亏损最多的鹏华养老产业股票，最近3年亏损了-53%，不过它应该也不属于养老基金范畴，只是买的养老产业的股票。
而华夏养老2055五年持有混合(FOF)A 011745，这种才是标准的养老基金，这些养老基金大部分是FOF（它们持有标的是基金，而不是股票）
2021年成立，买入后还要锁定5年，期间不可卖出，老人们被套牢了也无法割肉了。成立以来亏损了-34%，近3年亏损了-41%。
于是笔者继续过滤一下，找出里面的全部FOF基金
得到下面的养老基金FOF全部数据
然后使用describe函数看看大体的涨跌幅情况：
总共有484个数据，平均涨幅为-8.38%
中位数是-6.13%。
涨幅最大的是4.85%，中欧预见平衡养老三年持有混合发起(FOF)Y
打开详情一看，原来是得益于成立得晚的缘故，而该基金是今年2月成立的。
最近3年沪深300指数跌了32%，而这个跌幅可以在485只养老基金里面排到了477名。聊以慰藉的是，绝大部分的养老基金在下跌行情下是跑赢了沪深300的。
绘制直方图
直方图可以一览数据得养老基金涨跌幅分布情况：
从图可以看到，大部分养老基金的涨跌幅落在-20到0之间。
亏损达到-30%以上的其实也不是很多。
整体来说，养老基金FOF比买入主流宽基波动要小一些，但并非保本的理财工具，对于风险接受能力低的老一辈朋友，需要慎重考虑的。
原文数据可在公众号：
可转债量化分析
获取
不仅是散户被深套，很多基金也都大幅亏损。甚至前阵子看到证券时报报道，养老目标基金都出现不是清盘的现象。
于是笔者好奇心驱使，想看看这些养老基金最近几年的盈利情况，会不会把长辈老人们的下半辈子养老金都亏空了。
作为一名授人以渔的公众号博主，不仅仅贴个收益率图出来这么简单的啦。如果只是想看数据，直接跳过前面的操作即可。
笔者手把手教大家做数据分析，学会后不仅仅只对养老基金这一类别的基金做分析，还可以对不同类型的基金做分析。
前提：电脑按照了python已经相关库（jupyter notebook，pandas，akshare）
数据源：天天基金网
打开东财的天天基金网（https://fund.eastmoney.com/），在基金搜索页面输入：养老
总共有515个与养老相关的公募基金。如果没显示全，点击下图里面的“点击展开更多”按钮
抓包就找到对应的URL地址了，如下：https://fundsuggest.eastmoney.com/FundSearch/api/FundSearchPageAPI.ashx?callback=jQuery18306906210160165065_1721823304653&m=1&key=养老&pageindex=0&pagesize=515&_=1721823360126
如果你想分析其他类型的主题基金，只需要把上面的url里面的key=养老，换成其他的就可以了，比如 key=芯片
浏览器输入上面的URL就可以拿到数据了。
简单起见，我就不写爬取数据的代码，直接复制粘贴浏览器返回的内容就好了。
然后把前面起始的jQuery18306906210160165065_1721823304653( 和最后的括号去掉，就得到一个json数据了。
js_data = {
"ErrCode": 0,
"ErrMsg": "0",
"Datas": [
{
"_id": "001171",
"CODE": "001171",
"NAME": "工银养老产业股票A",
"STOCKMARKET": "",
"NEWTEXCH": ""
},
......... # 省略若干
]
}（文末提供这个数据文件的获取方式）
接着写一个函数获取某个基金的当前收益率：目前就获取最近3年的收益率。
import akshare as ak
def get_fund_info(code,name):
fund_open_fund_info_em_df = ak.fund_open_fund_info_em(symbol=code, indicator="累计收益率走势",period="3年")
latest_perf = fund_open_fund_info_em_df.iloc[-1]['累计收益率']
return {'code':code,'profit':latest_perf,'name':name}
可以改动period='5年'， ’10年‘，’成立以来'，从而获取不同区间的收益率
接着把500多个基金遍历一遍就OK了。
fund_perf_list = []
for item in js_data['Datas']:
print('processing code {}'.format(item['CODE']))
try:
fund_perf_list.append(get_fund_info(item['CODE'],item['NAME']))
time.sleep(0.5)
except Exception as e:
print('error in processing code {}'.format(item['CODE']))
print(e)
然后去倒杯茶，慢慢等它跑完。
数据分析
把数据转为dataframe，按照收益率排名
import pandas as pd
df = pd.DataFrame(fund_perf_list)
rank_df = df.sort_values(by='profit')
也可以导出到excel
rank_df.to_excel('亏麻的养老基金.xlsx')
亏损最多的鹏华养老产业股票，最近3年亏损了-53%，不过它应该也不属于养老基金范畴，只是买的养老产业的股票。
而华夏养老2055五年持有混合(FOF)A 011745，这种才是标准的养老基金，这些养老基金大部分是FOF（它们持有标的是基金，而不是股票）
2021年成立，买入后还要锁定5年，期间不可卖出，老人们被套牢了也无法割肉了。成立以来亏损了-34%，近3年亏损了-41%。
于是笔者继续过滤一下，找出里面的全部FOF基金
fof_fund_df = rank_df[rank_df['name'].str.contains('FOF')]
得到下面的养老基金FOF全部数据
然后使用describe函数看看大体的涨跌幅情况：
总共有484个数据，平均涨幅为-8.38%
中位数是-6.13%。
涨幅最大的是4.85%，中欧预见平衡养老三年持有混合发起(FOF)Y
打开详情一看，原来是得益于成立得晚的缘故，而该基金是今年2月成立的。
最近3年沪深300指数跌了32%，而这个跌幅可以在485只养老基金里面排到了477名。聊以慰藉的是，绝大部分的养老基金在下跌行情下是跑赢了沪深300的。
绘制直方图
直方图可以一览数据得养老基金涨跌幅分布情况：
fof_fund_df.plot(kind='hist',bins=20,y='profit',width=2,grid=True)
从图可以看到，大部分养老基金的涨跌幅落在-20到0之间。
亏损达到-30%以上的其实也不是很多。
整体来说，养老基金FOF比买入主流宽基波动要小一些，但并非保本的理财工具，对于风险接受能力低的老一辈朋友，需要慎重考虑的。
原文数据可在公众号：
可转债量化分析
获取
优矿的回测引擎运行在python2.7，汗
李魔佛 发表了文章 • 0 个评论 • 539 次浏览 • 2024-07-22 11:59
之前看到优矿的报错提示如下：
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
查看全部
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
查看全部
之前看到优矿的报错提示如下：
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
华宝证券 华宝期权宝 钱龙 客户端 无法下载的原因
股票 • 李魔佛 发表了文章 • 0 个评论 • 660 次浏览 • 2024-07-05 11:45
本来想下载一个期权软件下来看看T型交易图。
结果在华宝的官网 找到下载链接，但一直报错：
似乎其他软件也是报错。
500报错，应该是服务器的原因。
然后把链接复制下来：
https://download.cnhbstock.com/download/qlqqb/qlqqbpc/qqbfz.exe
把链接的https 改成 http，
浏览器会提示：
您的连接不是私密连接
攻击者可能会试图从 139.224.24.109 窃取您的信息（例如：密码、通讯内容或信用卡信息）。了解详情
NET::ERR_CERT_COMMON_NAME_INVALID
如果您想获得 Chrome 最高级别然后点击继续访问
结果就可以下载啦。
说实话，华宝这技术的确不咋地。
这个问题居然没有反馈，没有人去修复吗？
查看全部
结果在华宝的官网 找到下载链接，但一直报错：
似乎其他软件也是报错。
500报错，应该是服务器的原因。
然后把链接复制下来：
https://download.cnhbstock.com/download/qlqqb/qlqqbpc/qqbfz.exe
把链接的https 改成 http，
浏览器会提示：
您的连接不是私密连接
攻击者可能会试图从 139.224.24.109 窃取您的信息（例如：密码、通讯内容或信用卡信息）。了解详情
NET::ERR_CERT_COMMON_NAME_INVALID
如果您想获得 Chrome 最高级别然后点击继续访问
结果就可以下载啦。
说实话，华宝这技术的确不咋地。
这个问题居然没有反馈，没有人去修复吗？
查看全部
本来想下载一个期权软件下来看看T型交易图。
结果在华宝的官网 找到下载链接，但一直报错：
似乎其他软件也是报错。
500报错，应该是服务器的原因。
然后把链接复制下来：
https://download.cnhbstock.com/download/qlqqb/qlqqbpc/qqbfz.exe
把链接的https 改成 http，
浏览器会提示：
结果就可以下载啦。
说实话，华宝这技术的确不咋地。
这个问题居然没有反馈，没有人去修复吗？
结果在华宝的官网 找到下载链接，但一直报错：
似乎其他软件也是报错。
500报错，应该是服务器的原因。
然后把链接复制下来：
https://download.cnhbstock.com/download/qlqqb/qlqqbpc/qqbfz.exe
把链接的https 改成 http，
浏览器会提示：
您的连接不是私密连接然后点击继续访问
攻击者可能会试图从 139.224.24.109 窃取您的信息（例如：密码、通讯内容或信用卡信息）。了解详情
NET::ERR_CERT_COMMON_NAME_INVALID
如果您想获得 Chrome 最高级别
结果就可以下载啦。
说实话，华宝这技术的确不咋地。
这个问题居然没有反馈，没有人去修复吗？
ptrade获取的历史数据最长到哪一年？ptrade如何获取上证指数
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 708 次浏览 • 2024-06-30 13:48
Ptrade获取日线，分钟线数据最长可以到2005年。
文档里面也有说明：
7、该接口只能获取2005年后的数据。
ptrade官网api接口文档：
https://ptradeapi.com/#
实测也是符合要求的：
ptrade如何获取上证指数， 代码是 000001.SS
test_data = data = get_price(security='000001.SS',start_date='20050201',end_date='20050630',frequency='1d')
ptrade获取上证指数2005年的数据：
需要低佣，低门槛开通ptrade的朋友，可以扫描关注关注号： 查看全部
文档里面也有说明：
7、该接口只能获取2005年后的数据。
ptrade官网api接口文档：
https://ptradeapi.com/#
实测也是符合要求的：
ptrade如何获取上证指数， 代码是 000001.SS
test_data = data = get_price(security='000001.SS',start_date='20050201',end_date='20050630',frequency='1d')
ptrade获取上证指数2005年的数据：
需要低佣，低门槛开通ptrade的朋友，可以扫描关注关注号： 查看全部
Ptrade获取日线，分钟线数据最长可以到2005年。
文档里面也有说明：
ptrade官网api接口文档：
https://ptradeapi.com/#
实测也是符合要求的：
ptrade如何获取上证指数， 代码是 000001.SS
ptrade获取上证指数2005年的数据：
需要低佣，低门槛开通ptrade的朋友，可以扫描关注关注号：
文档里面也有说明：
7、该接口只能获取2005年后的数据。
ptrade官网api接口文档：
https://ptradeapi.com/#
实测也是符合要求的：
ptrade如何获取上证指数， 代码是 000001.SS
test_data = data = get_price(security='000001.SS',start_date='20050201',end_date='20050630',frequency='1d')
ptrade获取上证指数2005年的数据：
需要低佣，低门槛开通ptrade的朋友，可以扫描关注关注号：
QMT获取持仓信息报错：AttributeError: 'NoneType' object has no attribute 'request_id'
QMT • 李魔佛 发表了文章 • 0 个评论 • 669 次浏览 • 2024-06-17 14:03
这个是新手经常遇到的问题。读取持仓信息的时候报错：
代码如下：
原因就是不能init之前去读取
# encoding:gbk
'''
实盘可以执行
固定数量
'''
import datetime
ACCOUNT = ''
def init(ContextInfo):
ContextInfo.set_account(ACCOUNT)
def get_position_infos():
# 信用账户可用资金
position_infos = get_trade_detail_data(ACCOUNT, 'stock', 'position')
pos_dict={}
for pos in position_infos:
code = pos.m_strInstrumentID
if pos.m_nVolume > 0:
pos_dict[code] = pos.m_nVolume
return pos_dict
datax = get_position_infos() # 这里error
def handlebar(ContextInfo):
if ContextInfo.is_last_bar():
current = datetime.datetime.now().strftime('%H:%M:%S.%f')
print(datax)
datax = get_position_infos() #这里error
这个函数再最开始的时候就被定义了。没有经过initial初始话函数，很多数据没有获取，从而导致的报错。
欢迎关注交流
查看全部
代码如下：
原因就是不能init之前去读取
# encoding:gbk
'''
实盘可以执行
固定数量
'''
import datetime
ACCOUNT = ''
def init(ContextInfo):
ContextInfo.set_account(ACCOUNT)
def get_position_infos():
# 信用账户可用资金
position_infos = get_trade_detail_data(ACCOUNT, 'stock', 'position')
pos_dict={}
for pos in position_infos:
code = pos.m_strInstrumentID
if pos.m_nVolume > 0:
pos_dict[code] = pos.m_nVolume
return pos_dict
datax = get_position_infos() # 这里error
def handlebar(ContextInfo):
if ContextInfo.is_last_bar():
current = datetime.datetime.now().strftime('%H:%M:%S.%f')
print(datax)
datax = get_position_infos() #这里error
这个函数再最开始的时候就被定义了。没有经过initial初始话函数，很多数据没有获取，从而导致的报错。
欢迎关注交流
查看全部
这个是新手经常遇到的问题。读取持仓信息的时候报错：
代码如下：
原因就是不能init之前去读取
datax = get_position_infos() #这里error
这个函数再最开始的时候就被定义了。没有经过initial初始话函数，很多数据没有获取，从而导致的报错。
欢迎关注交流
代码如下：
原因就是不能init之前去读取
# encoding:gbk
'''
实盘可以执行
固定数量
'''
import datetime
ACCOUNT = ''
def init(ContextInfo):
ContextInfo.set_account(ACCOUNT)
def get_position_infos():
# 信用账户可用资金
position_infos = get_trade_detail_data(ACCOUNT, 'stock', 'position')
pos_dict={}
for pos in position_infos:
code = pos.m_strInstrumentID
if pos.m_nVolume > 0:
pos_dict[code] = pos.m_nVolume
return pos_dict
datax = get_position_infos() # 这里error
def handlebar(ContextInfo):
if ContextInfo.is_last_bar():
current = datetime.datetime.now().strftime('%H:%M:%S.%f')
print(datax)
datax = get_position_infos() #这里error
这个函数再最开始的时候就被定义了。没有经过initial初始话函数，很多数据没有获取，从而导致的报错。
欢迎关注交流
QMT股票两融对冲建仓实盘
QMT • 李魔佛 发表了文章 • 0 个评论 • 1168 次浏览 • 2024-05-29 12:02
为了避免速度过快造成价格波动，提供速度，数量，延时控制。
成交了多少量，就融券多少量。达到指标即可停止。
代写量化程序，可以关注公众号，后台联系。 价格比QMT官网低的多了。实战性选手，选过N多QMT，ptrade实盘代码。
查看全部
成交了多少量，就融券多少量。达到指标即可停止。
代写量化程序，可以关注公众号，后台联系。 价格比QMT官网低的多了。实战性选手，选过N多QMT，ptrade实盘代码。
查看全部
为了避免速度过快造成价格波动，提供速度，数量，延时控制。
成交了多少量，就融券多少量。达到指标即可停止。
代写量化程序，可以关注公众号，后台联系。 价格比QMT官网低的多了。实战性选手，选过N多QMT，ptrade实盘代码。
成交了多少量，就融券多少量。达到指标即可停止。
代写量化程序，可以关注公众号，后台联系。 价格比QMT官网低的多了。实战性选手，选过N多QMT，ptrade实盘代码。
Ptrade成交回调函数无法执行的原因？ | ptrade bug
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 760 次浏览 • 2024-05-28 00:08
目前的ptrade有一个隐藏很深的bug。
就是回调函数里面有一个字段entrust_no.
这个字段是什么意思呢？ 是营业部的下单编号。比如你挂了一个委托单，就会有一个entrust_no, 比如 100001
这个编号对于一天的数据来说，是唯一不重复的，也就是一天内再不会出现100001。
而ptrade的成交回调依赖的是这个entrust_no， 如果系统里面已经触发过了一个entrust_no 为 100001的成交委托，那么如果又有一个重复的订单entrust_no 100001成交，那么，此时的ptrade的 成交回调函数是不会触发的！
那么上面说的一天内这个entrust_no是不会重复的。
可是，这个entrust_no挂单编号，在同一个营业部单元里，第二天会重复的，比如你第二天挂单也是entrust_no 100001，并且你的ptrade策略没有重启，也就是一直运行的话，那么如果碰巧你的下单entrust_no上昨天或者之前某一天（ptrade策略没有重启开始算起），entrust_no重复了的情况下。
此时的ptrade 成交回调函数 on_trade_repsonse 是不会执行的！！！
天坑！
查看全部
就是回调函数里面有一个字段entrust_no.
这个字段是什么意思呢？ 是营业部的下单编号。比如你挂了一个委托单，就会有一个entrust_no, 比如 100001
这个编号对于一天的数据来说，是唯一不重复的，也就是一天内再不会出现100001。
而ptrade的成交回调依赖的是这个entrust_no， 如果系统里面已经触发过了一个entrust_no 为 100001的成交委托，那么如果又有一个重复的订单entrust_no 100001成交，那么，此时的ptrade的 成交回调函数是不会触发的！
那么上面说的一天内这个entrust_no是不会重复的。
可是，这个entrust_no挂单编号，在同一个营业部单元里，第二天会重复的，比如你第二天挂单也是entrust_no 100001，并且你的ptrade策略没有重启，也就是一直运行的话，那么如果碰巧你的下单entrust_no上昨天或者之前某一天（ptrade策略没有重启开始算起），entrust_no重复了的情况下。
此时的ptrade 成交回调函数 on_trade_repsonse 是不会执行的！！！
天坑！
查看全部
目前的ptrade有一个隐藏很深的bug。
就是回调函数里面有一个字段entrust_no.
这个字段是什么意思呢？ 是营业部的下单编号。比如你挂了一个委托单，就会有一个entrust_no, 比如 100001
这个编号对于一天的数据来说，是唯一不重复的，也就是一天内再不会出现100001。
而ptrade的成交回调依赖的是这个entrust_no， 如果系统里面已经触发过了一个entrust_no 为 100001的成交委托，那么如果又有一个重复的订单entrust_no 100001成交，那么，此时的ptrade的 成交回调函数是不会触发的！
那么上面说的一天内这个entrust_no是不会重复的。
可是，这个entrust_no挂单编号，在同一个营业部单元里，第二天会重复的，比如你第二天挂单也是entrust_no 100001，并且你的ptrade策略没有重启，也就是一直运行的话，那么如果碰巧你的下单entrust_no上昨天或者之前某一天（ptrade策略没有重启开始算起），entrust_no重复了的情况下。
此时的ptrade 成交回调函数 on_trade_repsonse 是不会执行的！！！
天坑！
就是回调函数里面有一个字段entrust_no.
这个字段是什么意思呢？ 是营业部的下单编号。比如你挂了一个委托单，就会有一个entrust_no, 比如 100001
这个编号对于一天的数据来说，是唯一不重复的，也就是一天内再不会出现100001。
而ptrade的成交回调依赖的是这个entrust_no， 如果系统里面已经触发过了一个entrust_no 为 100001的成交委托，那么如果又有一个重复的订单entrust_no 100001成交，那么，此时的ptrade的 成交回调函数是不会触发的！
那么上面说的一天内这个entrust_no是不会重复的。
可是，这个entrust_no挂单编号，在同一个营业部单元里，第二天会重复的，比如你第二天挂单也是entrust_no 100001，并且你的ptrade策略没有重启，也就是一直运行的话，那么如果碰巧你的下单entrust_no上昨天或者之前某一天（ptrade策略没有重启开始算起），entrust_no重复了的情况下。
此时的ptrade 成交回调函数 on_trade_repsonse 是不会执行的！！！
天坑！
迅投官网的实例代码好多问题，惨不忍睹
QMT • 李魔佛 发表了文章 • 0 个评论 • 839 次浏览 • 2024-05-12 16:55
以前喜欢用C替代ContextInfo，现在改过去了，又有部分改的不完整。
还有更多的缩进的问题。
pep8的规范早已经不用tab来做缩进，而是用4个空格。
之前的文章里面也提到了，可以在qmt的配置文件里面改的。不过在UI上是不提供修改的地方。
http://www.30daydo.com/article/44602
查看全部
还有更多的缩进的问题。
pep8的规范早已经不用tab来做缩进，而是用4个空格。
之前的文章里面也提到了，可以在qmt的配置文件里面改的。不过在UI上是不提供修改的地方。
http://www.30daydo.com/article/44602
查看全部
以前喜欢用C替代ContextInfo，现在改过去了，又有部分改的不完整。
还有更多的缩进的问题。
pep8的规范早已经不用tab来做缩进，而是用4个空格。
之前的文章里面也提到了，可以在qmt的配置文件里面改的。不过在UI上是不提供修改的地方。
http://www.30daydo.com/article/44602
QMT里定时任务运行时间操作定时任务的间隔，会怎么样？
QMT • 李魔佛 发表了文章 • 0 个评论 • 844 次浏览 • 2024-05-06 10:32
代码很简单，就是在run_time这个定期运行的任务里面，定期1秒执行一次任务
当时任务运行时间超过1秒钟，比如上面的代码里面用time.sleep(3) 模拟这个超时，等待3秒。
在tick 实盘模式下运行，输出什么的？
答案如下：
每次的start和end之间间隔了3秒钟，然后下一次的start和上一次start的间隔也是在3秒钟，也就是当然时刻的定时任务没有执行完成，下一个时刻的定时任务不会被执行。
那么有人会要求，不想要被运行时间长的任务阻碍了当前的任务，要怎么操作呢？ 最简单的方式，加一个多线程就好了。
稍微改动一下上面的代码：
把要执行的任务，写成一个函数，然后使用threading.Thread去执行这个函数, t.star() 就是启动任务。
执行结果如上图，每次的start 间隔只有1秒，当时end是要等待3秒之后才打印出来。但end的输出不会阻塞当前的start输出，start稳定地1秒间隔输出一次，end也在当前start的3秒之后打印出来。
查看全部
当时任务运行时间超过1秒钟，比如上面的代码里面用time.sleep(3) 模拟这个超时，等待3秒。
在tick 实盘模式下运行，输出什么的？
答案如下：
每次的start和end之间间隔了3秒钟，然后下一次的start和上一次start的间隔也是在3秒钟，也就是当然时刻的定时任务没有执行完成，下一个时刻的定时任务不会被执行。
那么有人会要求，不想要被运行时间长的任务阻碍了当前的任务，要怎么操作呢？ 最简单的方式，加一个多线程就好了。
稍微改动一下上面的代码：
把要执行的任务，写成一个函数，然后使用threading.Thread去执行这个函数, t.star() 就是启动任务。
执行结果如上图，每次的start 间隔只有1秒，当时end是要等待3秒之后才打印出来。但end的输出不会阻塞当前的start输出，start稳定地1秒间隔输出一次，end也在当前start的3秒之后打印出来。
查看全部
代码很简单，就是在run_time这个定期运行的任务里面，定期1秒执行一次任务
当时任务运行时间超过1秒钟，比如上面的代码里面用time.sleep(3) 模拟这个超时，等待3秒。
在tick 实盘模式下运行，输出什么的？
答案如下：
每次的start和end之间间隔了3秒钟，然后下一次的start和上一次start的间隔也是在3秒钟，也就是当然时刻的定时任务没有执行完成，下一个时刻的定时任务不会被执行。
那么有人会要求，不想要被运行时间长的任务阻碍了当前的任务，要怎么操作呢？ 最简单的方式，加一个多线程就好了。
稍微改动一下上面的代码：
把要执行的任务，写成一个函数，然后使用threading.Thread去执行这个函数, t.star() 就是启动任务。
执行结果如上图，每次的start 间隔只有1秒，当时end是要等待3秒之后才打印出来。但end的输出不会阻塞当前的start输出，start稳定地1秒间隔输出一次，end也在当前start的3秒之后打印出来。
当时任务运行时间超过1秒钟，比如上面的代码里面用time.sleep(3) 模拟这个超时，等待3秒。
在tick 实盘模式下运行，输出什么的？
答案如下：
每次的start和end之间间隔了3秒钟，然后下一次的start和上一次start的间隔也是在3秒钟，也就是当然时刻的定时任务没有执行完成，下一个时刻的定时任务不会被执行。
那么有人会要求，不想要被运行时间长的任务阻碍了当前的任务，要怎么操作呢？ 最简单的方式，加一个多线程就好了。
稍微改动一下上面的代码：
把要执行的任务，写成一个函数，然后使用threading.Thread去执行这个函数, t.star() 就是启动任务。
执行结果如上图，每次的start 间隔只有1秒，当时end是要等待3秒之后才打印出来。但end的输出不会阻塞当前的start输出，start稳定地1秒间隔输出一次，end也在当前start的3秒之后打印出来。
国盛证券的Ptrade数据无论是回测还是实盘很有问题，前复权不正确，数据断崖
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 985 次浏览 • 2024-04-18 00:19
连基本的历史数据都无法保证数据正确。
举个例子，比如 煤炭ETF 515220，
在4月12日进行的除权，1股变2股，因此，所以4月12日之后的价格会是原来的1/2，如果做前复权，那么前面的价格也都是要根据当前的价格做复权处理。
结果国盛的ptrade的历史数据，取的是前复权数据，前复权数据，（重点强调），在4月12日的的时候就出现了断崖。也就是没有做复权的处理。
测试代码很简单：
def initialize(context):
run_daily(context, event, '09:38')
def handle_data(context, data):
pass
def event(context):
his60 = get_history(60, '1d', ['close'], ['515220.SS'], fq='pre', include=False)
print(his60)运行时间改成任意的就行。
获取历史数据用
get_history，取过去60天的前复权的数据。 然后就是断崖的数据。 已经确定是国盛的ptrade数据问题。因为我用上面的代码，在东莞证券，国金证券，湘财证券的ptrade上运行，均能得到正确的数据。
然后更为搞笑的，这么一个问题，反馈了，没有回应。无语。
查看全部
举个例子，比如 煤炭ETF 515220，
在4月12日进行的除权，1股变2股，因此，所以4月12日之后的价格会是原来的1/2，如果做前复权，那么前面的价格也都是要根据当前的价格做复权处理。
结果国盛的ptrade的历史数据，取的是前复权数据，前复权数据，（重点强调），在4月12日的的时候就出现了断崖。也就是没有做复权的处理。
测试代码很简单：
def initialize(context):
run_daily(context, event, '09:38')
def handle_data(context, data):
pass
def event(context):
his60 = get_history(60, '1d', ['close'], ['515220.SS'], fq='pre', include=False)
print(his60)运行时间改成任意的就行。
获取历史数据用
get_history，取过去60天的前复权的数据。 然后就是断崖的数据。 已经确定是国盛的ptrade数据问题。因为我用上面的代码，在东莞证券，国金证券，湘财证券的ptrade上运行，均能得到正确的数据。
然后更为搞笑的，这么一个问题，反馈了，没有回应。无语。
查看全部
连基本的历史数据都无法保证数据正确。
举个例子，比如 煤炭ETF 515220，
在4月12日进行的除权，1股变2股，因此，所以4月12日之后的价格会是原来的1/2，如果做前复权，那么前面的价格也都是要根据当前的价格做复权处理。
结果国盛的ptrade的历史数据，取的是前复权数据，前复权数据，（重点强调），在4月12日的的时候就出现了断崖。也就是没有做复权的处理。
测试代码很简单：
获取历史数据用
get_history，取过去60天的前复权的数据。 然后就是断崖的数据。 已经确定是国盛的ptrade数据问题。因为我用上面的代码，在东莞证券，国金证券，湘财证券的ptrade上运行，均能得到正确的数据。
然后更为搞笑的，这么一个问题，反馈了，没有回应。无语。
举个例子，比如 煤炭ETF 515220，
在4月12日进行的除权，1股变2股，因此，所以4月12日之后的价格会是原来的1/2，如果做前复权，那么前面的价格也都是要根据当前的价格做复权处理。
结果国盛的ptrade的历史数据，取的是前复权数据，前复权数据，（重点强调），在4月12日的的时候就出现了断崖。也就是没有做复权的处理。
测试代码很简单：
def initialize(context):运行时间改成任意的就行。
run_daily(context, event, '09:38')
def handle_data(context, data):
pass
def event(context):
his60 = get_history(60, '1d', ['close'], ['515220.SS'], fq='pre', include=False)
print(his60)
获取历史数据用
get_history，取过去60天的前复权的数据。 然后就是断崖的数据。 已经确定是国盛的ptrade数据问题。因为我用上面的代码，在东莞证券，国金证券，湘财证券的ptrade上运行，均能得到正确的数据。
然后更为搞笑的，这么一个问题，反馈了，没有回应。无语。
使用量化程序获取ETF的成分股与实时净值
QMT • 李魔佛 发表了文章 • 0 个评论 • 972 次浏览 • 2024-04-11 12:22
代码只有几行：
# coding:gbk
def init(C):
pass
def handlebar(C):
iopv = get_etf_iopv("159928.SZ")
print(f'基金净值为{iopv}')
info = get_etf_info('513520.SH')
print(f'基金申购信息： {info}')
得到的数据如下：
需要开通低门槛量化QMT的朋友，可以扫码关注公众号开通： 查看全部
# coding:gbk
def init(C):
pass
def handlebar(C):
iopv = get_etf_iopv("159928.SZ")
print(f'基金净值为{iopv}')
info = get_etf_info('513520.SH')
print(f'基金申购信息： {info}')
得到的数据如下：
需要开通低门槛量化QMT的朋友，可以扫码关注公众号开通： 查看全部
代码只有几行：
得到的数据如下：
需要开通低门槛量化QMT的朋友，可以扫码关注公众号开通：
# coding:gbk
def init(C):
pass
def handlebar(C):
iopv = get_etf_iopv("159928.SZ")
print(f'基金净值为{iopv}')
info = get_etf_info('513520.SH')
print(f'基金申购信息： {info}')
得到的数据如下：
需要开通低门槛量化QMT的朋友，可以扫码关注公众号开通：
QMT回测会跳过当前的周六日和节假日吗
QMT • 李魔佛 发表了文章 • 0 个评论 • 861 次浏览 • 2024-04-09 13:13
使用的handle_bar进行回测，它是会自动跳过周六日和节假日的。
比如回测日期选择 2024年3月28日到2024年4月2日。
其中3月30日和31日是周六日。
下面回测的数据是不执行这两天的数据。从3月30日 15:00的数据，下一个bar就是4月1日09:30了
需要低门槛开通量化QMT，Ptrade，可以扫码联系。
开通后可加入技术交流群。 查看全部
比如回测日期选择 2024年3月28日到2024年4月2日。
其中3月30日和31日是周六日。
下面回测的数据是不执行这两天的数据。从3月30日 15:00的数据，下一个bar就是4月1日09:30了
需要低门槛开通量化QMT，Ptrade，可以扫码联系。
开通后可加入技术交流群。 查看全部
使用的handle_bar进行回测，它是会自动跳过周六日和节假日的。
比如回测日期选择 2024年3月28日到2024年4月2日。
其中3月30日和31日是周六日。
下面回测的数据是不执行这两天的数据。从3月30日 15:00的数据，下一个bar就是4月1日09:30了
需要低门槛开通量化QMT，Ptrade，可以扫码联系。
开通后可加入技术交流群。
比如回测日期选择 2024年3月28日到2024年4月2日。
其中3月30日和31日是周六日。
下面回测的数据是不执行这两天的数据。从3月30日 15:00的数据，下一个bar就是4月1日09:30了
需要低门槛开通量化QMT，Ptrade，可以扫码联系。
开通后可加入技术交流群。
qmt下载完数据之后，记得重启一次qmt，不然get_market_data_ex依然还是获取不到数据的
QMT • 李魔佛 发表了文章 • 0 个评论 • 974 次浏览 • 2024-04-01 13:38
最近群里问这个问题的人比较多。
qmt下载完数据之后，get_market_data_ex依然还是获取不到数据。
其实主要数据没有刷新。
只需要你手动关闭QMT，再打开一次就好了。
反正呢，这些问题，QMT也不会告诉你，要靠自己摸索了。
欢迎收藏网站哦！ 查看全部
qmt下载完数据之后，get_market_data_ex依然还是获取不到数据。
其实主要数据没有刷新。
只需要你手动关闭QMT，再打开一次就好了。
反正呢，这些问题，QMT也不会告诉你，要靠自己摸索了。
欢迎收藏网站哦！ 查看全部
最近群里问这个问题的人比较多。
qmt下载完数据之后，get_market_data_ex依然还是获取不到数据。
其实主要数据没有刷新。
只需要你手动关闭QMT，再打开一次就好了。
反正呢，这些问题，QMT也不会告诉你，要靠自己摸索了。
欢迎收藏网站哦！
qmt下载完数据之后，get_market_data_ex依然还是获取不到数据。
其实主要数据没有刷新。
只需要你手动关闭QMT，再打开一次就好了。
反正呢，这些问题，QMT也不会告诉你，要靠自己摸索了。
欢迎收藏网站哦！
QMT每次自动升级，都会把改过的配置文件给覆盖掉
QMT • 李魔佛 发表了文章 • 0 个评论 • 963 次浏览 • 2024-03-31 14:23
太业余。
感觉设计模式有问题。
本来我配置了缩进用的4个空格，（这是pep8的标准好吧）
而qmt默认是用tab做缩进。
导致从vs code或者pycharm上的代码迁移迁移过来qmt的编辑器，你按tab键，是制表符，而不是4个空格。
运行或者回测就会报错。
每次升级都把我的配置给改了。
难道不覆盖config文件不行吗？ 每次类似全量升级，一点点bug fix都在全量升级
查看全部
感觉设计模式有问题。
本来我配置了缩进用的4个空格，（这是pep8的标准好吧）
而qmt默认是用tab做缩进。
导致从vs code或者pycharm上的代码迁移迁移过来qmt的编辑器，你按tab键，是制表符，而不是4个空格。
运行或者回测就会报错。
每次升级都把我的配置给改了。
难道不覆盖config文件不行吗？ 每次类似全量升级，一点点bug fix都在全量升级
查看全部
太业余。
感觉设计模式有问题。
本来我配置了缩进用的4个空格，（这是pep8的标准好吧）
而qmt默认是用tab做缩进。
导致从vs code或者pycharm上的代码迁移迁移过来qmt的编辑器，你按tab键，是制表符，而不是4个空格。
运行或者回测就会报错。
每次升级都把我的配置给改了。
难道不覆盖config文件不行吗？ 每次类似全量升级，一点点bug fix都在全量升级
感觉设计模式有问题。
本来我配置了缩进用的4个空格，（这是pep8的标准好吧）
而qmt默认是用tab做缩进。
导致从vs code或者pycharm上的代码迁移迁移过来qmt的编辑器，你按tab键，是制表符，而不是4个空格。
运行或者回测就会报错。
每次升级都把我的配置给改了。
难道不覆盖config文件不行吗？ 每次类似全量升级，一点点bug fix都在全量升级
不同券商的数据质量简单对比：国金QMT vs 国信QMT（iquant）
QMT • 李魔佛 发表了文章 • 0 个评论 • 1715 次浏览 • 2024-03-31 11:57
同一段代码，先在国信上跑回测，先获取可转债的1分钟的分笔数据，发现一些时间段里的成交额居然是0. （数据已经先下载好了）
点击打开大图
上面的amount字段（成交额），返回的是0。
看了一下对应的转债，没有停牌，是有正常数据交易的。
然后用国金的QMT记性交叉验证。同样的代码
点击打开大图
国金的是正常的。只是成交量的小数浮点位是不是有点多了？ 可能用的numy的默认9位，没有做处理而已。
【在写这个文章的时候发现国信的qmt的volume成交量是有数据的，那么其实可以用价格x成交量=成交额，间接获取成交额，大坑】
点击打开大图
附测试源码：
# coding:gbk
# 公众号:可转债量化分析
DEBUG = True
import time
def get_datetime(ContextInfo):
# 获取当前时间
index = ContextInfo.barpos
realtime = ContextInfo.get_bar_timetag(index)
date = timetag_to_datetime(realtime, "%Y-%m-%d %H:%M:%S")
if DEBUG:
print('当前日期 ', date)
return date
def init(ContextInfo):
print("==============start==========")
ContextInfo.start = '2024-03-27 10:00:00'
ContextInfo.end = '2024-03-29 10:00:00'
#
#ContextInfo.end = '2023-01-05'
#ContextInfo.start = '2023-01-16'
print('init')
def handlebar(ContextInfo):
# 回测的时候不需要
#if not ContextInfo.is_last_bar():
# print('return')
# return
get_datetime(ContextInfo)
print('handlebar')
data = ContextInfo.get_market_data(['quoter'], stock_code = ['123167.SZ'], skip_paused = True, period = 'tick', dividend_type = 'front')
#data = ContextInfo.get_market_data(['close'], stock_code = ['113567.SH'], skip_paused = True, period = '1d', dividend_type = 'front')
#print(type(data))
print(data)
def stop(ContextInfo):
print( 'strategy is stop !') 查看全部
点击打开大图
上面的amount字段（成交额），返回的是0。
看了一下对应的转债，没有停牌，是有正常数据交易的。
然后用国金的QMT记性交叉验证。同样的代码
点击打开大图
国金的是正常的。只是成交量的小数浮点位是不是有点多了？ 可能用的numy的默认9位，没有做处理而已。
【在写这个文章的时候发现国信的qmt的volume成交量是有数据的，那么其实可以用价格x成交量=成交额，间接获取成交额，大坑】
点击打开大图
附测试源码：
# coding:gbk
# 公众号:可转债量化分析
DEBUG = True
import time
def get_datetime(ContextInfo):
# 获取当前时间
index = ContextInfo.barpos
realtime = ContextInfo.get_bar_timetag(index)
date = timetag_to_datetime(realtime, "%Y-%m-%d %H:%M:%S")
if DEBUG:
print('当前日期 ', date)
return date
def init(ContextInfo):
print("==============start==========")
ContextInfo.start = '2024-03-27 10:00:00'
ContextInfo.end = '2024-03-29 10:00:00'
#
#ContextInfo.end = '2023-01-05'
#ContextInfo.start = '2023-01-16'
print('init')
def handlebar(ContextInfo):
# 回测的时候不需要
#if not ContextInfo.is_last_bar():
# print('return')
# return
get_datetime(ContextInfo)
print('handlebar')
data = ContextInfo.get_market_data(['quoter'], stock_code = ['123167.SZ'], skip_paused = True, period = 'tick', dividend_type = 'front')
#data = ContextInfo.get_market_data(['close'], stock_code = ['113567.SH'], skip_paused = True, period = '1d', dividend_type = 'front')
#print(type(data))
print(data)
def stop(ContextInfo):
print( 'strategy is stop !') 查看全部
同一段代码，先在国信上跑回测，先获取可转债的1分钟的分笔数据，发现一些时间段里的成交额居然是0. （数据已经先下载好了）
点击打开大图
上面的amount字段（成交额），返回的是0。
看了一下对应的转债，没有停牌，是有正常数据交易的。
然后用国金的QMT记性交叉验证。同样的代码
点击打开大图
国金的是正常的。只是成交量的小数浮点位是不是有点多了？ 可能用的numy的默认9位，没有做处理而已。
【在写这个文章的时候发现国信的qmt的volume成交量是有数据的，那么其实可以用价格x成交量=成交额，间接获取成交额，大坑】
点击打开大图
附测试源码：
点击打开大图
上面的amount字段（成交额），返回的是0。
看了一下对应的转债，没有停牌，是有正常数据交易的。
然后用国金的QMT记性交叉验证。同样的代码
点击打开大图
国金的是正常的。只是成交量的小数浮点位是不是有点多了？ 可能用的numy的默认9位，没有做处理而已。
【在写这个文章的时候发现国信的qmt的volume成交量是有数据的，那么其实可以用价格x成交量=成交额，间接获取成交额，大坑】
点击打开大图
附测试源码：
# coding:gbk
# 公众号:可转债量化分析
DEBUG = True
import time
def get_datetime(ContextInfo):
# 获取当前时间
index = ContextInfo.barpos
realtime = ContextInfo.get_bar_timetag(index)
date = timetag_to_datetime(realtime, "%Y-%m-%d %H:%M:%S")
if DEBUG:
print('当前日期 ', date)
return date
def init(ContextInfo):
print("==============start==========")
ContextInfo.start = '2024-03-27 10:00:00'
ContextInfo.end = '2024-03-29 10:00:00'
#
#ContextInfo.end = '2023-01-05'
#ContextInfo.start = '2023-01-16'
print('init')
def handlebar(ContextInfo):
# 回测的时候不需要
#if not ContextInfo.is_last_bar():
# print('return')
# return
get_datetime(ContextInfo)
print('handlebar')
data = ContextInfo.get_market_data(['quoter'], stock_code = ['123167.SZ'], skip_paused = True, period = 'tick', dividend_type = 'front')
#data = ContextInfo.get_market_data(['close'], stock_code = ['113567.SH'], skip_paused = True, period = '1d', dividend_type = 'front')
#print(type(data))
print(data)
def stop(ContextInfo):
print( 'strategy is stop !')
国金证券的融券数量多吗？什么是专项券源？
股票 • 李魔佛 发表了文章 • 0 个评论 • 948 次浏览 • 2024-03-30 17:13
因为国金的两融开通太方便了，不用跑柜台。app就可以开通，而且融资利率低，5%。
那么融券呢？
今天特意问了下经理，他发了一个融券的表格给我。
目前国金里面一般开通了融资融券的投资者，可用的券源有290个左右，随借随还的。说实话，这个数量不算太多。
而且里面的个股，部分也只能融100股，几百股的。所以即使被你融到券，实际下来的绝对收益也不会太高。
不过它也有一个专项券源。
它有资金要求，前20个交易日日均资产不低于300万元，才能够申请。
发现里面的券，主要是深圳交易所的为主，占了90%以上。
而且专项券源里面的可融券数量也比普通券源的要多很多，几千股，上万股的。
公共券源 ：
实时可借 ，随时可融券卖出， 随借随还，融券卖出开仓后最快下一交易日方可归还融券负债 信用账户融券费率 按使用天数计息，算头不算尾
操作步骤： 融券卖出（所有客户端）
专项券源：
实时可借 ，审批划拨成功后当日专项融券卖出， 固定期限（一般28天以内），不可提前归还 ；
专项融券头寸占用费率 ： 按专项头寸合约期限计息，不论合约期限内客户是否使用券源，均需支付专项头寸合约占用利息，算头算尾
操作步骤：
第1步：专项融券头寸申请（佣金宝APP/国金太阳至强版）
第2步：专项融券卖出（佣金宝APP/国金太阳至强版）
查看全部
那么融券呢？
今天特意问了下经理，他发了一个融券的表格给我。
目前国金里面一般开通了融资融券的投资者，可用的券源有290个左右，随借随还的。说实话，这个数量不算太多。
而且里面的个股，部分也只能融100股，几百股的。所以即使被你融到券，实际下来的绝对收益也不会太高。
不过它也有一个专项券源。
它有资金要求，前20个交易日日均资产不低于300万元，才能够申请。
发现里面的券，主要是深圳交易所的为主，占了90%以上。
而且专项券源里面的可融券数量也比普通券源的要多很多，几千股，上万股的。
公共券源 ：
实时可借 ，随时可融券卖出， 随借随还，融券卖出开仓后最快下一交易日方可归还融券负债 信用账户融券费率 按使用天数计息，算头不算尾
操作步骤： 融券卖出（所有客户端）
专项券源：
实时可借 ，审批划拨成功后当日专项融券卖出， 固定期限（一般28天以内），不可提前归还 ；
专项融券头寸占用费率 ： 按专项头寸合约期限计息，不论合约期限内客户是否使用券源，均需支付专项头寸合约占用利息，算头算尾
操作步骤：
第1步：专项融券头寸申请（佣金宝APP/国金太阳至强版）
第2步：专项融券卖出（佣金宝APP/国金太阳至强版）
查看全部
因为国金的两融开通太方便了，不用跑柜台。app就可以开通，而且融资利率低，5%。
那么融券呢？
今天特意问了下经理，他发了一个融券的表格给我。
目前国金里面一般开通了融资融券的投资者，可用的券源有290个左右，随借随还的。说实话，这个数量不算太多。
而且里面的个股，部分也只能融100股，几百股的。所以即使被你融到券，实际下来的绝对收益也不会太高。
不过它也有一个专项券源。
它有资金要求，前20个交易日日均资产不低于300万元，才能够申请。
发现里面的券，主要是深圳交易所的为主，占了90%以上。
而且专项券源里面的可融券数量也比普通券源的要多很多，几千股，上万股的。
公共券源 ：
实时可借 ，随时可融券卖出， 随借随还，融券卖出开仓后最快下一交易日方可归还融券负债 信用账户融券费率 按使用天数计息，算头不算尾
操作步骤： 融券卖出（所有客户端）
专项券源：
实时可借 ，审批划拨成功后当日专项融券卖出， 固定期限（一般28天以内），不可提前归还 ；
专项融券头寸占用费率 ： 按专项头寸合约期限计息，不论合约期限内客户是否使用券源，均需支付专项头寸合约占用利息，算头算尾
操作步骤：
第1步：专项融券头寸申请（佣金宝APP/国金太阳至强版）
第2步：专项融券卖出（佣金宝APP/国金太阳至强版）
那么融券呢？
今天特意问了下经理，他发了一个融券的表格给我。
目前国金里面一般开通了融资融券的投资者，可用的券源有290个左右，随借随还的。说实话，这个数量不算太多。
而且里面的个股，部分也只能融100股，几百股的。所以即使被你融到券，实际下来的绝对收益也不会太高。
不过它也有一个专项券源。
它有资金要求，前20个交易日日均资产不低于300万元，才能够申请。
发现里面的券，主要是深圳交易所的为主，占了90%以上。
而且专项券源里面的可融券数量也比普通券源的要多很多，几千股，上万股的。
公共券源 ：
实时可借 ，随时可融券卖出， 随借随还，融券卖出开仓后最快下一交易日方可归还融券负债 信用账户融券费率 按使用天数计息，算头不算尾
操作步骤： 融券卖出（所有客户端）
专项券源：
实时可借 ，审批划拨成功后当日专项融券卖出， 固定期限（一般28天以内），不可提前归还 ；
专项融券头寸占用费率 ： 按专项头寸合约期限计息，不论合约期限内客户是否使用券源，均需支付专项头寸合约占用利息，算头算尾
操作步骤：
第1步：专项融券头寸申请（佣金宝APP/国金太阳至强版）
第2步：专项融券卖出（佣金宝APP/国金太阳至强版）
