JAQS

在这里，你将可以获得：

• 使用数据API，轻松获取研究数据
• 根据策略模板，编写自己的量化策略
• 使用回测框架，对策略进行回测和验证

查看代码，请点击GitHub

Install Guide

A detailed step-by-step description of installation.

JAQS安装步骤

1、安装Python环境

运行JAQS需要Python环境，可通过在控制台（Windows系统为命令提示符，Linux系统为终端）运行python命令确定系统是否安装。

如果本地还没有安装Python环境，或已安装的Python不是Anaconda，强烈建议按下方步骤安装，Anaconda是集成开发环境，其中包含稳定版Python和众多常用包，且易于安装，避免不必要的麻烦；如果已经装好了Anaconda，可直接看下一步骤安装依赖包。

*如何安装Anaconda*：

1. 打开Anaconda官网，选择相应的操作系统，确定要按照的Python版本，一般建议用Python 2.7。

2. 下载完成以后，按照图形界面步骤完成安装。在默认情况下，Anaconda会自动设置PATH环境。

3. 安装完成后，

   windows下我们可以在系统菜单中看如下程序目录：

   

   在cmd里执行ipython命令，可以调出IPython调试器。

   

2、安装依赖包

除Anaconda中已包含的常用包外，JAQS还有些额外的依赖，这些依赖可在使用pip安装JAQS的过程中自动安装，唯一需要注意的是，python-snappy这个包在Windows（及部分Linux）系统上的安装需要比较多的编译依赖，建议从这个网页下载编译好的包，然后安装:

pip install python_snappy-0.5.1-cp27-cp27m-win_amd64.whl # 具体文件名可能不同, 取决于系统版本

装好python-snappy后，即可使用pip直接安装JAQS和其他依赖包，见下一节安装JAQS。

如果希望手动安装依赖：

• 可以在jaqs程序目录下，执行 pip install -r requirements.txt 一次完成所有依赖的安装。
• 也可以通过单个安装完成，例如： pip install pyzmq

3、安装JAQS

可以使用pip安装或下载源代码安装，我们推荐使用pip.

使用pip进行安装

通过源代码安装

首先克隆git仓库：

git clone https://github.com/quantOS-org/jaqs.git

然后进入到源文件目录，执行安装命令：

python setup.py install

也可以通过PyPI地址下载,并执行上面安装命令。

4、确认安装成功

完成安装以后，在命令行中运行python并执行import jaqs确认安装是否成功：

5、升级JAQS

如果有新的release，可通过如下命令升级：

pip install jaqs --upgrade

用户手册

一个简洁清晰的入门指南, 涵盖各个功能模块.

用户手册

本页面给用户提供了一个简洁清晰的入门指南,涵盖各个功能模块

Overview

框架概览:

• 使用数据API，轻松获取研究数据
• 根据策略模板，编写自己的量化策略
• 使用回测框架，对策略进行回测和验证

数据API

本产品提供了金融数据api，方便用户调用接口获取各种数据，通过python的api调用接口，返回DataFrame格式的数据和消息，以下是用法

导入接口

在python程序里面导入module，然后用注册的用户帐号登录就可以使用行情和参考数据的接口来获取数据了

引入模块

from jaqs.data.dataapi import DataApi

登录数据服务器

api = DataApi()
api.login("demo", "666666") # 示例账户，用户需要改为自己注册的账户

调用数据接口

主要数据主要分为两大类：

• 市场数据，目前可使用的数据包括日线，分钟线
• 参考数据，包括财务数据、公司行为数据、指数成份数据等

行情数据获取

获取实时行情

使用quote()函数查询最新市场行情。

输入参数：

字段	类型	说明	缺省值
symbol	string	标的代码，支持多标的查询	不可缺省
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段	“”

使用示例：

df,msg = api.quote("000001.SH, cu1709.SHF", fields="open,high,low,last,volume")

输出字段：

字段	类型	说明
symbol	string	标的代码
code	string	交易所原始代码
date	int	自然日,YYYYMMDD格式，如20170823
time	int	时间，精确到毫秒，如14:21:05.330记为142105330
trade_date	int	YYYYMMDD格式，如20170823
open	double	开盘价
high	double	最高价
low	double	最低价
last	double	最新价
close	double	收盘价
volume	double	成交量（总）
turnover	double	成交金额（总）
vwap	double	截止到行情时间的日内成交均价
oi	double	持仓总量
settle	double	今结算价
iopv	double	净值估值
limit_up	double	涨停价
limit_down	double	跌停价
preclose	double	昨收盘价
presettle	double	昨结算价
preoi	double	昨持仓
askprice1	double	申卖价1
askprice2	double	申卖价2
askprice3	double	申卖价3
askprice4	double	申卖价4
askprice5	double	申卖价5
bidprice1	double	申买价1
bidprice2	double	申买价2
bidprice3	double	申买价3
bidprice4	double	申买价4
bidprice5	double	申买价5
askvolume1	double	申卖量1
askvolume2	double	申卖量2
askvolume3	double	申卖量3
askvolume4	double	申卖量4
askvolume5	double	申卖量5
bidvolume1	double	申买量1
bidvolume2	double	申买量2
bidvolume3	double	申买量3
bidvolume4	double	申买量4
bidvolume5	double	申买量5

获取日线行情

代码示例：

df, msg = api.daily(
                symbol="600832.SH, 600030.SH",
                start_date="2012-10-26",
                end_date="2012-11-30",
                fields="",
                adjust_mode="post")

结果示例(前5条记录)：

close	code	high	low	oi	open	settle	symbol	trade_date	trade_status	turnover	volume	vwap
5.09	600832	5.24	5.08	NaN	5.23	NaN	600832.SH	20121026	交易	2.779057e+07	5381800	5.16
5.10	600832	5.15	5.08	NaN	5.11	NaN	600832.SH	20121029	交易	1.320333e+07	2582557	5.11
5.11	600832	5.18	5.08	NaN	5.12	NaN	600832.SH	20121030	交易	1.622705e+07	3170615	5.12
5.11	600832	5.14	5.09	NaN	5.12	NaN	600832.SH	20121031	交易	1.072007e+07	2097770	5.11
5.18	600832	5.20	5.12	NaN	5.12	NaN	600832.SH	20121101	交易	1.972100e+07	3814712	5.17

获取分钟线行情（不含ask，bid信息）

代码示例：

df,msg = api.bar(
            symbol="600030.SH",
            trade_date=20170928,
            freq="5M",
            start_time="00:00:00",
            end_time="16:00:00",
            fields="")

结果示例(前5条记录)：

close	code	date	freq	high	low	oi	open	settle	symbol	time	trade_date	turnover	volume	vwap
18.05	600030	20170928	5M	18.08	18.00	NaN	18.01	NaN	600030.SH	93500	20170928	13576973.0	752900	18.032903
18.03	600030	20170928	5M	18.06	18.01	NaN	18.04	NaN	600030.SH	94000	20170928	16145566.0	895110	18.037522
18.04	600030	20170928	5M	18.05	18.02	NaN	18.03	NaN	600030.SH	94500	20170928	11024829.0	611400	18.032105
17.99	600030	20170928	5M	18.05	17.97	NaN	18.04	NaN	600030.SH	95000	20170928	30021003.0	1667190	18.006948
18.02	600030	20170928	5M	18.03	17.97	NaN	17.98	NaN	600030.SH	95500	20170928	13691203.0	761161	17.987263

获取分钟线行情（包含ask,bid信息）

代码示例：

df,msg = api.bar_quote(
                    symbol="000001.SH,cu1709.SHF",
                    start_time = "09:56:00",
                    end_time="13:56:00",
                    trade_date=20170823,
                    freq= "5M",
                    fields="open,high,low,last,volume")

结果示例(前5条记录)：

high	low	symbol	time	trade_date	volume
3294.3371	3291.7666	000001.SH	100000	20170823	493058300
3292.3162	3289.5202	000001.SH	100500	20170823	492695100
3290.4118	3288.3906	000001.SH	101000	20170823	458298100
3289.2133	3285.9129	000001.SH	101500	20170823	535085000
3287.4892	3284.6076	000001.SH	102000	20170823	426738700

基本数据获取

获取证券基础信息

代码示例：

df, msg = api.query(
                view="lb.instrumentInfo",
                fields="status,list_date, fullname_en, market",
                filter="inst_type=&status=1&symbol=",
                data_format='pandas')

结果示例(前5条记录)：

list_date	market	name	status	symbol
20021231	89	长期债券指数_10年以上	1	Y60001
20021231	89	银行间债券总指数_1年以下	1	Y70000
20021231	89	银行间债券总指数_1-3年	1	Y70001
20021231	89	银行间债券总指数_3-5年	1	Y70003
20021231	89	银行间债券总指数_5-7年	1	Y70005

获取指数基本信息

代码示例：

df, msg = api.query(
                view="lb.indexInfo",
                fields="",
                filter="",
                data_format='pandas')

结果示例(前5条记录)：

| symbol |

| — |

| 000001.SH |

| 000002.SH |

| 000003.SH |

| 000004.SH |

| 000005.SH |

获取交易日历

代码示例：

df, msg = api.query(
                view="jz.secTradeCal",
                fields="date,market,istradeday,isweekday,isholiday",
                filter="market=1&start_date=20170101&end_date=20170801",
                data_format='pandas')

结果示例(前5条记录)：

isholiday	istradeday	isweekday	trade_date
F	T	T	20170103
F	T	T	20170104
F	T	T	20170105
F	T	T	20170106
F	T	T	20170109

获取分配除权信息

代码示例：

df, msg = api.query(
                view="lb.secDividend",
                fields="",
                filter="start_date=20170101&end_date=20170801",
                data_format='pandas')

结果示例(前5条记录)：

ann_date	bonus_list_date	cash	cash_tax	cashpay_date	end_date	exdiv_date	publish_date	record_date	share_ratio	share_trans_ratio	symbol
20161025		0.20000000	0.20000000	20170103	20160930	20170103	20161227	20161230	0.0	0.000000	002059.SZ
20170117	20170217	3.60000000	3.60000000	20170217	20161231	20170217	20170210	20170216	0.0	5.000000	300561.SZ
20161105		0.50000000	0.50000000	20170216	20160630	20170216	20170210	20170215	0.0	0.000000	601900.SH
20170120		4.50000000	4.50000000	20170303	20161231	20170303	20170224	20170302	0.0	0.000000	603025.SH
20170125	20170307	6.00000000	6.00000000	20170306	20161231	20170306	20170227	20170303	0.0	12.000000	600816.SH

获取复权因子

代码示例：

df, msg = api.query(
                view="lb.secAdjFactor",
                fields="",
                filter="symbol=002059&start_date=20170101&end_date=20170801",
                data_format='pandas')

结果示例(前5条记录)：

adjust_factor	symbol	trade_date
2.077892	002059.SZ	20170103
2.077892	002059.SZ	20170104
2.077892	002059.SZ	20170105
2.077892	002059.SZ	20170106
2.077892	002059.SZ	20170109

获取停牌信息

代码示例：

df, msg = api.query(
                view="lb.secSusp",
                fields="susp_time",
                filter="symbol=002059",
                data_format='pandas')

结果示例(前5条记录)：

ann_date	resu_date	susp_date	susp_reason	susp_time	symbol
20080408	20080409	20080408	召开股东大会	9:30:00	002059.SZ
20080612	20080613	20080612	召开股东大会	9:30:00	002059.SZ
20080922	20080922	20080922	异常波动	9:30:00	002059.SZ
20090220	20090223	20090220	召开股东大会	9:30:00	002059.SZ
20090417	20090420	20090417	召开股东大会	9:30:00	002059.SZ

获取行业分类

代码示例：

df, msg = api.query(
                view="lb.secIndustry",
                fields="",
                filter="industry1_name=金融&industry2_name=金融&industry_src=中证",
                data_format='pandas')

结果示例(前5条记录)：

in_date	industry1_code	industry1_name	industry2_code	industry2_name	industry3_code	industry3_name	industry4_code	industry4_name	industry_src	is_new	out_date	symbol
20130219	J	金融业	J66	货币金融服务					中证指数有限公司	Y		000001.SZ
20130219	J	金融业	J69	其他金融业					中证指数有限公司	Y		000563.SZ
20130219	J	金融业	J66	货币金融服务					中证指数有限公司	Y		600000.SH
20130219	J	金融业	J66	货币金融服务					中证指数有限公司	Y		600015.SH
20130219	J	金融业	J66	货币金融服务					中证指数有限公司	Y		600016.SH

获取指数成份

代码示例：

df, msg = api.query(
                view="lb.indexCons",
                fields="",
                filter="index_code=399001&is_new=Y",
                data_format='pandas')

结果示例(前5条记录)：

in_date	index_code	out_date	symbol
20140814	000001.SH		603126.SH
20140815	000001.SH		603111.SH
20090511	000001.SH		600372.SH
20140819	000001.SH		603100.SH
20140822	000001.SH		603609.SH

获取常量参数

代码示例：

df, msg = api.query(
                view="jz.sysConstants",
                fields="",
                filter="code_type=symbol_type",
                data_format='pandas')

结果示例(前5条记录)：

code	code_type	value
1	inst_type	股票
10	inst_type	回购
100	inst_type	指数
101	inst_type	股指期货
102	inst_type	国债期货

获取日行情估值

代码示例：

df, msg = api.query(
                view="lb.secDailyIndicator",
                fields='pb,net_assets,ncf,price_level',
                filter='symbol=000063.SZ&start_date=20170605&end_date=20170701')

结果示例(前5条记录)：

close_price	float_market_value	high_52w	low_52w	net_assets	pb	pe	price_level	share_float_free	symbol	total_market_value	trade_date
19.62	6.726969e+06	20.05	13.07	3.659734e+10	2.2457	0.0	0	215879.8077	000063.SZ	8.218724e+06	20170605
19.81	6.792113e+06	20.05	13.07	3.659734e+10	2.2675	0.0	0	215879.8077	000063.SZ	8.298314e+06	20170606
20.59	7.059546e+06	20.80	13.07	3.659734e+10	2.3567	0.0	0	215879.8077	000063.SZ	8.625052e+06	20170607
20.63	7.073260e+06	21.05	13.07	3.659734e+10	2.3613	0.0	0	215879.8077	000063.SZ	8.641808e+06	20170608
20.98	7.193262e+06	21.09	13.07	3.659734e+10	2.4014	0.0	0	215879.8077	000063.SZ	8.788421e+06	20170609

获取资产负债表

代码示例：

df, msg = api.query(
                view="lb.balanceSheet",
                fields="",
                filter="symbol=002636.SZ",
                data_format='pandas')

结果示例(前5条记录)：

acct_rcv	ann_date	inventories	notes_rcv	report_date	report_type	symbol	tot_cur_assets
2.035835e+08	20130318	7.627147e+07	1.737082e+08	20121231	408006000	002636.SZ	1.074759e+09
7.050691e+08	20130425	1.685824e+08	2.460369e+08	20130331	408001000	002636.SZ	1.890115e+09
2.436788e+08	20120421	6.736024e+07	5.982293e+07	20101231	408009000	002636.SZ	4.718200e+08
2.495033e+08	20120424	1.077278e+08	1.173246e+08	20120331	408006000	002636.SZ	1.133775e+09
2.035835e+08	20140422	7.627147e+07	1.737082e+08	20121231	408009000	002636.SZ	1.074759e+09

获取利润表

代码示例：

df, msg = api.query(
                view="lb.income",
                fields="",
                filter="symbol=600030.SH,000063.SZ,000001.SZ&report_type=408002000&start_date=20160601&end_date=20170601",
                data_format='pandas')

结果示例(前5条记录)：

ann_date	int_income	less_handling_chrg_comm_exp	net_int_income	oper_exp	oper_profit	oper_rev	report_date	symbol	tot_oper_cost	tot_profit	total_oper_rev
20160812	3.120900e+10	857000000.0	1.779800e+10	1.909500e+10	8.142000e+09	2.723700e+10	20160630	000001.SZ	1.909500e+10	8.125000e+09	2.723700e+10
20160825	0.000000e+00	0.0	6.524571e+08	5.588709e+09	4.970444e+09	1.055915e+10	20160630	600030.SH	5.588709e+09	4.917090e+09	1.055915e+10
20160826	0.000000e+00	0.0	0.000000e+00	0.000000e+00	1.811750e+08	2.589879e+10	20160630	000063.SZ	2.615474e+10	1.336791e+09	2.589879e+10
20161029	0.000000e+00	0.0	7.365511e+08	5.237163e+09	3.643600e+09	8.880763e+09	20160930	600030.SH	5.237163e+09	3.659715e+09	8.880763e+09
20161021	3.200700e+10	863000000.0	1.836700e+10	1.881000e+10	8.389000e+09	2.719900e+10	20160930	000001.SZ	1.881000e+10	8.406000e+09	2.719900e+10

获取现金流量表

代码示例：

df, msg = api.query(
                view="lb.cashFlow",
                fields="",
                filter="symbol=002548.SZ",
                data_format='pandas')

结果示例(前5条记录)：

ann_date	cash_recp_prem_orig_inco	cash_recp_return_invest	cash_recp_sg_and_rs	incl_dvd_profit_paid_sc_ms	net_cash_flows_inv_act	net_cash_received_reinsu_bus	net_incr_dep_cob	net_incr_disp_tfa	net_incr_fund_borr_ofi	...	net_incr_int_handling_chrg	net_incr_loans_central_bank	other_cash_recp_ral_fnc_act	other_cash_recp_ral_oper_act	recp_tax_rends	report_date	report_type	stot_cash_inflows_oper_act	stot_cash_outflows_oper_act	symbol
20140815	0.0	1071150.68	4.747366e+08	0.0	3.387516e+05	0.0	0.0	0.0	0.0	...	0.0	0.0	0.000000e+00	2.372317e+07	0.00	20130630	408003000	4.984598e+08	4.938527e+08	002548.SZ
20140815	0.0	492274.24	4.574233e+08	0.0	-5.160987e+06	0.0	0.0	0.0	0.0	...	0.0	0.0	0.000000e+00	-2.986875e+05	0.00	20140630	408002000	4.571247e+08	4.261462e+08	002548.SZ
20140815	0.0	37071150.68	1.294270e+08	0.0	3.893878e+07	0.0	0.0	0.0	0.0	...	0.0	0.0	0.000000e+00	-7.582736e+06	0.00	20130630	408008000	1.218442e+08	1.523719e+08	002548.SZ
20140815	0.0	492274.24	1.098741e+08	0.0	-4.613494e+07	0.0	0.0	0.0	0.0	...	0.0	0.0	0.000000e+00	2.659082e+08	0.00	20140630	408007000	3.757823e+08	3.125591e+08	002548.SZ
20170429	0.0	19237803.19	2.754383e+09	2450000.0	-7.779336e+08	0.0	0.0	0.0	0.0	...	0.0	0.0	1.547990e+08	4.374965e+07	0.00	20161231	408001000	2.798133e+09	2.846801e+09	002548.SZ

获取业绩快报

代码示例：

df, msg = api.query(
                view="lb.profitExpress",
                fields="",
                filter="start_anndate=20170101",
                data_format='pandas')

结果示例(前5条记录)：

ann_date	net_profit_int_inc	oper_profit	oper_rev	report_date	symbol	total_assets	total_profit
20170207	1.054700e+10	1.227300e+10	9.844400e+10	20161231	601633.SH	9.214600e+10	1.248000e+10
20170713	1.493567e+08	1.902676e+08	1.218885e+09	20170630	002258.SZ	3.658932e+09	1.890177e+08
20170228	1.177647e+08	1.142228e+08	1.023947e+09	20161231	002406.SZ	2.538539e+09	1.389901e+08
20170228	2.148007e+08	1.276432e+08	4.011206e+09	20161231	002087.SZ	7.744742e+09	2.504674e+08
20170228	1.621291e+08	1.944727e+08	1.480000e+09	20161231	002688.SZ	2.713363e+09	2.025310e+08

获取限售股解禁表

代码示例：

df, msg = api.query(
                view="lb.secRestricted",
                fields="",
                filter="list_date=20170925",
                data_format='pandas')

结果示例(前5条记录)：

lifted_shares	list_date	symbol
7.597341e+08	20171011	000536.SZ
7.586547e+08	20171011	000813.SZ
2.776560e+08	20171011	002701.SZ
1.151995e+08	20171010	603010.SH
5.385944e+06	20171010	300190.SZ

数据视图

数据视图(DataView)将各种行情数据和参考数据进行了封装，方便用户使用数据。

DataView做什么

将频繁使用的DataFrame操作自动化，使用者操作数据时尽量只考虑业务需求而不是技术实现：

1. 根据字段名，自动从不同的数据api获取数据
2. 按时间、标的整理对齐（财务数据按发布日期对齐）
3. 在已有数据基础上，添加字段、加入自定义数据或根据公式计算新数据
4. 数据查询
5. 本地存储

初始化

DataView初始化工作主要包括创建DataView和DataService、初始化配置、数据准备三步。

创建DataView和DataService

DataService提供原始的数据，目前jaqs已经提供远程数据服务类（RemoteDataService），可以通过互联网获取行情数据和参考数据。

from jaqs.data.dataservice import RemoteDataService
from jaqs.data.dataview import DataView
dv = DataView()
ds = RemoteDataService()

初始化配置

通过init_from_config函数进行初始化配置，配置参数如下表所示：

字段	类型	说明	缺省值
symbol	string	universe标的代码，多标的以’,’隔开，如‘000001.SH, 600300.SH’，指数代码不会被展开成对应成员股票代码	不可缺失，symbol与universe二选一
universe	string	指数代码，单标的，将该指数的成员作为universe	不可缺省，symbol与universe二选一
start_date	int	开始日期	不可缺省
end_date	int	结束日期	不可缺省
fields	string	数据字段，多字段以’,’隔开，如’open,close,high,low’	不可缺省
freq	int	数据类型，目前只支持1，表示日线数据	1

示例代码：

dv = DataView()
ds = RemoteDataService()

secs = '600030.SH,000063.SZ,000001.SZ'
props = {'start_date': 20160601, 'end_date': 20170601, 'symbol': secs,
       'fields': 'open,close,high,low,volume,pb,net_assets,eps_basic',
       'freq': 1}
dv.init_from_config(props, data_api=ds)

数据准备

从数据服务获取数据：

dv.prepare_data()

获取数据

数据结构说明

DataView用一个三维的数据结构保存的所需数据，其三维数据轴分别为：

1. 标的代码，如 600030.SH, 000002.SH
2. 交易日期，如 20150202, 20150203
3. 数据字段，如 open, high, low, close

根据日期获取数据:

使用get_snapshot()函数来获取某日的数据快照（在时间轴切片），输入参数见下表：

字段	类型	说明	缺省值
snapshot_date	int	交易日	不可缺省
symbol	string	标的代码，多标的以’,’隔开，如‘000001.SH, 600300.SH’	不可缺省
fields	string	数据字段，多字段以’,’隔开，如’open,close,high,low’	不可缺省

返回在结果格式为pandas DataFrame，标的代码作为DataFrame的index，数据字段作为DataFrame的column。

示例代码：

snap1 = dv.get_snapshot(20170504, symbol='600030.SH,000063.SZ', fields='close,pb')

返回结果示例：

根据数据字段获取数据

使用get_ts()函数获取某个数据字段的时间序列（在字段轴切片），输入参数见下表：

字段	类型	说明	缺省值
field	string	数据字段，多字段以’,’隔开	不可缺省
symbol	string	“标的代码，多标的以’,’隔开，如”“000001.SH, 600300.SH”“”	不可缺省
start_date	int	开始日期	不可缺省
end_date	int	结束日期	不可缺省

返回结果格式为pandas DataFrame，交易日作为DataFrame的index，标的代码作为DataFrame的column

示例代码：

ts1 = dv.get_ts('close', symbol='600030.SH,000063.SZ',
            start_date=20170101, end_date=20170302)

数据视图及保存

• 可以读取修改后继续存储
• 默认覆盖

保存DataView到文件

使用save_dataview()函数将当前数据视图保存到指定文件夹，保存格式为h5文件。函数输入参数如下：

字段	类型	说明	缺省值
folder_path	string	文件保存主目录	不可缺省
sub_folder	string	文件保存子目录，缺省为’{start_date}*{end*date}freq={freq}D’,例如,若DataView初始参数为startdate=20120101,end_date=20120110,freq=1时，sub_folder为‘20120101_20120110_freq=1D’	‘{start_date}*{end*date}_freq={freq}D’|

示例代码：

dv.save_dataview('prepared', 'demo')

Store data...
Dataview has been successfully saved to:
/home/user/prepared/demo

You can load it with load_dataview('/home/user/prepared/demo')

读取已经保存的DataView

利用load_dataview()函数，DataView可以不经初始化，直接读取已经保存的DataView数据。函数输入参数如下所示：

字段	类型	说明	缺省值
folder	string	DataView文件保存目录	不可缺省

示例代码：

dv = DataView()
dv.load_dataview('/home/user/prepared/demo')

Dataview loaded successfully.

添加数据

• 从DataApi获取更多字段: dv.add_field('roe')
• 加入自定义DataFrame: dv.append_df(name, df)
• 根据公式计算衍生指标: dv.add_formula(name, formula, is_quarterly=False)

添加字段

利用add_field()函数可以添加当前DataView没有包含的数据，输入参数如下：

字段	类型	说明	缺省值
field_name	string	需要添加的字段名称	不可缺省
data_api	BaseDataServer	缺省时为None，即利用DataView初始化时传入的DataService添加数据；当DataView是从文件中读取得到时，该DataView没有DataService，需要外部传入一个DataService以添加数据。	None

示例代码：

.

添加自定义公式数据

利用add_formula()函数可以添加当前DataView添加自定义公式数据字段，输入参数如下所示：

字段	类型	说明	缺省
field_name	string	字段名称	不可缺省
formula	string	公式表达式	不可缺省
is_quarterly	bool	是否为季度数据，如财务季报数据	不可缺省
formula_func_name_style	string	函数名大小写识别模式，’upper’：使用默认函数名，’lower’：formular里所有函数名都为应为小写。	‘upper’
data_api	BaseDataServer	数据服务	None

示例代码：

## 日频0/1指标：是否接近涨跌停
dv.add_formula('limit_reached', 'Abs((open - Delay(close, 1)) / Delay(close, 1)) > 0.095', is_quarterly=False)
dv.get_ts('limit_reached').iloc[:, 100:].head(2)

## 日频指标：与52周高点的百分比
dv.add_formula('how_high_52w', 'close_adj / Ts_Max(close_adj, 252)', is_quarterly=False)
dv.get_ts('how_high_52w').tail().applymap(lambda x: round(100*x, 1))

## 日频指标：量价背离
dv.add_formula('price_volume_divert', 'Correlation(vwap_adj, volume, 10)', is_quarterly=False)
dv.get_snapshot(20171009, fields='price_volume_divert')

## 季频指标：eps增长率
dv.add_formula('eps_growth', 'Return(eps_basic, 4)', is_quarterly=True)
dv.get_ts('eps_growth', start_date=20160810).head()

ds = RemoteDataService()
dv.add_field('total_share', ds)

目前支持的公式如下表所示：

公式	说明	示例
+	加法运算	close + open
-	减法运算	close - open
*	乘法运算	vwap * volume
/	除法运算	close / open
^	幂函数	close ^ 2
%	取余函数	oi % 10
==	判断是否相等	close == open
!=	判断是否不等	close != open
>	大于	close > open
<	小于	close < open
>=	大于等于	close >= open
<=	小于等于	close <= open
&&	逻辑与	(close > open) && (close > vwap)
||	逻辑或	(close > open) ||(close > vwap)
!	逻辑非	!(close>open)
Sin(x)	正弦函数	Sin(close/open)
Cos(x)	余弦函数	Cos(close/open)
Tan(x)	正切函数	Tan(close/open)
Sqrt(x)	开平方函数	Sqrt(close^2 + open^2)
Abs(x)	绝对值函数	Abs(close-open)
Log(x)	自然对数	Log(close/open)
Ceil(x)	向上取整	Ceil(high)
Floor(x)	向下取整	Floor(low)
Round(x)	四舍五入	Round（close）
Sign(x)	取 x 正负号，返回以-1，0和1标志	Sign(close-open)
-x	对x取负	-close
Max(x,y)	取 x 和 y 同位置上的较大值组成新的DataFrame返回	Max(close, open)
Min(x,y)	取 x 和 y 同位置上的较小值组成新的DataFrame返回	Min(close,open)
Delay(x,n)	时间序列函数， n 天前 x 的值	Delay(close,1) 表示前一天收盘价
Rank(x)	各标的根据给出的指标x的值，在横截面方向排名	Rank( close/Delay(close,1)-1 ) 表示按日收益率进行排名
GroupRank(x,g)	各标的根据指标 x 的值，在横截面方向进行按分组 g 进行分组排名。分组 DataFrame g 以int数据标志分组，例如三个标的在某一天的截面上的分组值都为2，则表示这三个标的在同一组	GroupRank(close/Delay(close,1)-1, g) 表示按分组g根据日收益率进行分组排名
ConditionRank(x,cond)	各标的根据条件 DataFrame cond,按照给出的指标 x 的值，在横截面方向排名，只有 cond 中值为True的标的参与排名。	GroupRank(close/Delay(close,1)-1, cond) 表示按条件cond根据日收益率进行分组排名
Quantile(x,n)	各标的按根据指标 x 的值，在横截面方向上进行分档，每档标的数量相同	Quantile( close/Delay(close,1)-1,5)表示按日收益率分为5档
GroupQuantile(x,g,n)	各标的根据指标 x 的值，在横截面方向上按分组 g 进行分组分档，分组 DataFrame g 以int数据标志分组，例如三个标的在某一天的截面上的分组值都为2，则表示这三个标的在同一组	GroupQuantile(close/Delay(close,1)-1,g,5) 表示按日收益率和分组g进行分档，每组分为5档
Standardize(x)	标准化，x值在横截面上减去平均值后再除以标准差	Standardize(close/Delay(close,1)-1) 表示日收益率的标准化
Cutoff(x,z_score)	x值在横截面上去极值，用MAD方法	Cutoff(close,3) 表示去掉z_score大于3的极值
Sum(x,n)	时间序列函数，x 指标在过去n天的和，类似于pandas的rolling_sum()函数	Sum(volume,5) 表示一周成交量
Product(x,n)	时间序列函数，计算 x 中的值在过去 n 天的积	Product(close/Delay(close,1),5) - 1 表示过去5天累计收益
CountNans(x,n)	时间序列函数，计算 x 中的值在过去 n 天中为 nan （非数字）的次数	CountNans((close-open)^0.5, 10) 表示过去10天内有几天close小于open
Ewma(x,halflife)	指数移动平均，以halflife的衰减对x进行指数移动平均	Ewma(x,3)
StdDev(x,n)	时间序列函数，计算 x 中的值在过去n天的标准差	StdDev(close/Delay(close,1)-1, 10)
Covariance(x,y,n)	时间序列函数，计算 x 中的值在过去n天的协方差	Covariance(close, open, 10)
Correlation(x,y,n)	时间序列函数，计算 x 中的值在过去n天的相关系数	Correlation(close,open, 10)
Delta(x,n)	时间序列函数，计算 x 当前值与n天前的值的差	Delta(close,5)
Return(x,n,log)	时间序列函数，计算x值n天的增长率，当log为False时，计算线性增长;当log为True时，计算对数增长	Return(close,5,True)计算一周对数收益
Ts_Mean(x，n)	时间序列函数，计算 x 中的值在过去n天的平均值	Ts_Mean(close,5)
Ts_Min(x，n)	时间序列函数，计算 x 中的值在过去n天的最小值	Ts_Min(close，5)
Ts_Max(x，n)	时间序列函数，计算 x 中的值在过去n天的最大值	Ts_Max(close，5)
Ts_Skewness(x，n)	时间序列函数，计算 x 中的值在过去n天的偏度	Ts_Skewness(close，20)
Ts_Kurtosis(x，n)	时间序列函数，计算 x 中的值在过去n天的峰度	Ts_Kurtosis(close，20)
Tail(x, lower, upper, newval)	如果 x 的值介于 lower 和 upper，则将其设定为 newval	Tail(close/open, 0.99, 1.01, 1.0)
Step(n)	Step(n) 为每个标的创建一个向量，向量中 n 代表最新日期，n-1 代表前一天，以此类推。	Step(30)
Decay_linear(x,n)	时间序列函数，过去n天的线性衰减函数。Decay_linear(x, n) = (x[date] * n + x[date - 1] * (n - 1) + … + x[date – n - 1]) / (n + (n - 1) + … + 1)	Decay_linear(close,15)
Decay_exp(x,f,n)	时间序列函数, 过去 n 天的指数衰减函数，其中 f 是平滑因子。这里 f 是平滑因子，可以赋一个小于 1 的值。Decay_exp(x, f, n) = (x[date] + x[date - 1] * f + … +x[date – n - 1] * (f ^ (n – 1))) / (1 + f + … + f ^ (n - 1))	Decay_exp(close,0.9,10)
Pow(x,y)	幂函数x^y	Pow(close,2)
SignedPower(x,e)	等价于Sign(x) * (Abs(x)^e)	SignedPower(close-open, 0.5)
If(cond,x,y)	cond为True取x的值，反之取y的值	If(close > open, close, open) 表示取open和close的较大值

研究

信号研究与回测: SignalDigger模块

功能

• 收益分析：分组收益、加权组合收益等
• 相关性分析：每日IC、IC分布等
• 排除涨跌停、停牌、非指数成分等

特性

• 计算与绘图分离
• 绘图输出格式可选、可关闭，数据计算结果可返回

测试量价背离因子

• 输入：两个DataFrame：因子值，标的价格/收益
• 设置：period，quantile个数

factor = -dv.get_ts('price_volume_divert').shift(1, axis=0)  # avoid look-ahead bias
price = dv.get_ts('close_adj')
price_bench = dv.data_benchmark

my_period = 5
obj = SignalDigger(output_folder='.', output_format='plot')
obj.process_factor_before_analysis(factor, price=price,
                                   mask=mask_all,
                                   n_quantiles=5, period=my_period,
                                   benchmark_price=price_bench,
                                   )
res = obj.create_full_report()

利用输出数据做进一步分析

def performance(ret):
    cum = ret.add(1.0).cumprod(axis=0)
    std = np.std(ret)

    start = pd.to_datetime(ser.index[0], format="%Y%m%d")
    end = pd.to_datetime(ser.index[-1], format="%Y%m%d")
    years = (end - start).days / 365.0

    yearly_return = np.power(cum.values[-1], 1. / years) - 1
    yearly_vol = std * np.sqrt(225.)
    # beta = np.corrcoef(df_returns.loc[:, 'bench'], df_returns.loc[:, 'strat'])[0, 1]
    sharpe = yearly_return / yearly_vol
    print "ann. ret = {:.1f}%; ann. vol = {:.1f}%, sharpe = {:.2f}".format(yearly_return*100, yearly_vol*100, sharpe)

ser = res['quantile_active_ret_correct'][1]['mean']#.iloc[90:]
print ser.index[0], ser.index[-1]
plt.figure(figsize=(14, 5))
plt.plot(ser.add(1.0).cumprod().values)
performance(ser)

20160105 20171013
ann. ret = -17.2%; ann. vol = 3.7%, sharpe = -4.63

回测

这里回测指基于权重调仓的Alpha策略回测，支持自定义选股和自定义信号。

回测&结果分析示例代码

处理：

• 分红除息再投资
• 退市清仓
• 指数成分

理念：

不在on_bar中进行发单，而是给出选股条件(boolean

series)和信号（float series）权重

dv.add_formula('my_signal', 'Quantile(price_volume_divert, 5)', is_quarterly=False)

def my_singal(context, user_options=None):
    res = -context.snapshot_sub.loc[:, 'price_volume_divert']
    return res


def test_alpha_strategy_dataview():
##     dv = DataView()

##     fullpath = '/home/bliu/pytrade_dir/ipynb/prepared/compare'
##     dv.load_dataview(folder=fullpath)

    props = {
        "benchmark": "000300.SH",
        "universe": ','.join(dv.symbol),

        "start_date": dv.start_date,
        "end_date": dv.end_date,

        "period": "week",
        "days_delay": 0,

        "init_balance": 1e8,
        "position_ratio": 0.7,
        'commission_rate': 0.0
        }

    trade_api = AlphaTradeApi()
    bt = AlphaBacktestInstance()

    signal_model = model.FactorSignalModel()
    stock_selector = model.StockSelector()

    signal_model.add_signal(name='my_factor', func=my_singal)
    stock_selector.add_filter(name='total_profit_growth', func=my_selector)
    stock_selector.add_filter(name='no_new_stocks', func=my_selector_no_new_stocks)

    strategy = AlphaStrategy(signal_model=signal_model, stock_selector=stock_selector,
                             pc_method='factor_value_weight')
    pm = PortfolioManager()

    context = model.AlphaContext(dataview=dv, trade_api=trade_api,
                                 instance=bt, strategy=strategy, pm=pm)
    for mdl in [risk_model, signal_model, cost_model, stock_selector]:
        mdl.register_context(context)

    bt.init_from_config(props)

    bt.run_alpha()

    bt.save_results(folder_path=backtest_result_dir_path)


test_alpha_strategy_dataview()

def test_backtest_analyze():
    ta = ana.AlphaAnalyzer()
    dv = DataView()
    dv.load_dataview(folder_path=dataview_dir_path)

    ta.initialize(dataview=dv, file_folder=backtest_result_dir_path)

    ta.do_analyze(result_dir=backtest_result_dir_path, selected_sec=list(ta.universe)[:3])


test_backtest_analyze()

process trades...
get daily stats...
calc strategy return...
Plot strategy PnL...
generate report...
HTML report: /home/bliu/pytrade_dir/ipynb/output/jli/report.html

格雷厄姆选股策略

本策略完整实现代码见 这里。

主要介绍基于回测框架实现格雷厄姆模型。格雷厄姆模型分为两步，首先是条件选股，其次按照市值从小到大排序，选出排名前五的股票。

一. 数据准备

我们选择如下指标，对全市场的股票进行筛选，实现过程如下：

a. 首先在数据准备模块save_dataview()中通过props设置数据起止日期，股票版块，以及所需变量

props = {
'start_date': 20150101,
'end_date': 20170930,
'universe':'000905.SH',
'fields': ('tot_cur_assets,tot_cur_liab,inventories,pre_pay,deferred_exp, eps_basic,ebit,pe,pb,float_mv,sw1'),
'freq': 1
}

b. 接着创建0-1变量表示某只股票是否被选中，并通过add_formula将变量添加到dataview中

• 市盈率（pe ratio）低于 20
• 市净率（pb ratio）低于 2
• 同比每股收益增长率（inc_earning_per_share）大于 0
• 税前同比利润增长率（inc_profit_before_tax）大于 0
• 流动比率（current_ratio）大于 2
• 速动比率（quick_ratio）大于 1

factor_formula = 'pe < 20'
dv.add_formula('pe_condition', factor_formula, is_quarterly=False)
factor_formula = 'pb < 2'
dv.add_formula('pb_condition', factor_formula, is_quarterly=False)
factor_formula = 'Return(eps_basic, 4) > 0'
dv.add_formula('eps_condition', factor_formula, is_quarterly=True)
factor_formula = 'Return(ebit, 4) > 0'
dv.add_formula('ebit_condition', factor_formula, is_quarterly=True)
factor_formula = 'tot_cur_assets/tot_cur_liab > 2'
dv.add_formula('current_condition', factor_formula, is_quarterly=True)
factor_formula = '(tot_cur_assets - inventories - pre_pay - deferred_exp)/tot_cur_liab > 1'
dv.add_formula('quick_condition', factor_formula, is_quarterly=True)

需要注意的是，涉及到的财务数据若不在secDailyIndicator表中，需将is_quarterly设置为True，表示该变量为季度数据。

3. 由于第二步中需要按流通市值排序，我们将这一变量也放入dataview中

dv.add_formula('mv_rank', 'Rank(float_mv)', is_quarterly=False)

二. 条件选股

条件选股在my_selector函数中完成：

• 首先我们将上一步计算出的0/1变量提取出来，格式为Series
• 接着我们对所有变量取交集，选中的股票设为1，未选中的设为0，并将结果通过DataFrame形式返回

def my_selector(context, user_options=None):
    #
    pb_selector      = context.snapshot['pb_condition']
    pe_selector      = context.snapshot['pe_condition']
    eps_selector     = context.snapshot['eps_condition']
    ebit_selector    = context.snapshot['ebit_condition']
    current_selector = context.snapshot['current_condition']
    quick_selector   = context.snapshot['quick_condition']
    #
    merge = pd.concat([pb_selector, pe_selector, eps_selector,     ebit_selector, current_selector, quick_selector], axis=1)

    result = np.all(merge, axis=1)
    mask = np.all(merge.isnull().values, axis=1)
    result[mask] = False
    return pd.DataFrame(result, index=merge.index, columns=['selector'])

三、按市值排序

按市值排序功能在signal_size函数中完成。我们根据流通市值排序变量’mv_rank’对所有股票进行排序，并选出市值最小的5只股票。

def signal_size(context, user_options = None):
    mv_rank = context.snapshot_sub['mv_rank']
    s = np.sort(mv_rank.values)[::-1]
    if len(s) > 0:
        critical = s[-5] if len(s) > 5 else np.min(s)
        mask = mv_rank < critical
        mv_rank[mask] = 0.0
        mv_rank[~mask] = 1.0
    return mv_rank

四、回测

我们在test_alpha_strategy_dataview()模块中实现回测功能

1. 载入dataview，设置回测参数

该模块首先载入dataview并允许用户设置回测参数，比如基准指数，起止日期，换仓周期等。

dv = DataView()

fullpath = fileio.join_relative_path('../output/prepared', dv_subfolder_name)
dv.load_dataview(folder=fullpath)

props = {
    "benchmark": "000905.SH",
    "universe": ','.join(dv.symbol),

    "start_date": dv.start_date,
    "end_date": dv.end_date,

    "period": "week",
    "days_delay": 0,

    "init_balance": 1e8,
    "position_ratio": 1.0,
}

2. StockSelector选股模块

接着我们使用StockSelector选股模块，将之前定义的my_selector载入

stock_selector = model.StockSelector
stock_selector.add_filter(name='myselector', func=my_selector)

3. FactorSignalModel模块

在进行条件选股后，使用FactorSignalModel模块对所选股票进行排序

signal_model = model.FactorSignalModel(context)
signal_model.add_signal(name='signalsize', func = signal_size)

4. 策略回测模块

将上面定义的stockSelector和FactorSignalModel载入AlphaStrategy函数进行回测

strategy = AlphaStrategy(
            stock_selector=stock_selector,
            signal_model=signal_model，
            pc_method='factor_value_weight')

5. 启动数据准备及回测模块

t_start = time.time()

test_save_dataview()
test_alpha_strategy_dataview()
test_backtest_analyze()

t3 = time.time() - t_start
print "\n\n\nTime lapsed in total: {:.1f}".format(t3)

五、回测结果

回测的参数如下：

指标	值
Beta	0.87
Annual Return	0.08
Annual Volatility	0.29
Sharpe Ratio	0.28

回测的净值曲线图如下：

基于因子IC的多因子选股模型

本策略完整实现代码见 这里。

主要介绍基于回测框架实现基于因子IC的因子权重优化模型。

一. 因子IC定义及优化模型

1. 因子IC的定义方法

首先介绍一下因子IC (Information

Coefficient)的定义。传统意义上，因子在某一期的IC为该期因子与股票下期收益率的秩相关系数，即： | $$IC_t = RankCorrelation(\vec{f_t}, \vec{r_{t+1}})$$ | 其中$\vec{f_t}$为所有股票在t期的因子值向量，$\vec{r_{t+1}}$为所有股票在t到t+1期的收益率向量。秩相关系数直接反映了因子的预测能力：IC越高，说明该因子对接下里一期股票收益的预测能力越强。

2. 因子的获取及计算方法

在本示例中我们简单选取了几个因子，更多的因子可以在股票因子数据中找到：

• Turnover, 换手率
• BP, Book-to-Market Ratio
• MOM20, 过去20天收益率
• LFMV, 对数流通市值

实现过程如下：

a. 首先在数据准备模块save_dataview()中通过props设置数据起止日期，股票版块，以及所需变量

props = {'start_date': 20150101, 'end_date': 20170930, 'universe':
'000905.SH', 'fields': ('turnover,float_mv,close_adj,pe'), 'freq': 1}

b. 接着计算因子，进行标准化和去极值处理后通过add_formula()将因子添加到变量列表中

factor_formula = 'Cutoff(Standardize(turnover / 10000 / float_mv), 2)'
dv.add_formula('TO', factor_formula, is_quarterly=False)

factor_formula = 'Cutoff(Standardize(1/pb), 2)'
dv.add_formula('BP', factor_formula, is_quarterly = False)

factor_formula = 'Cutoff(Standardize(Return(close_adj, 20)), 2)'
dv.add_formula('REVS20', factor_formula, is_quarterly=False)

factor_formula = 'Cutoff(Standardize(Log(float_mv)), 2)'
dv.add_formula('float_mv_factor', factor_formula, is_quarterly=False)

其中Standardize()和Cutoff()均为内置函数。Standardize作用是将序列做去均值并除以标准差的标准化处理，Cutoff作用是将序列中的极值拉回正常范围内。

之后将因子名称保存在外部文件中，以便后续计算使用

factorList = ['TO', 'BP', 'REVS20', 'float_mv_factor']
factorList_adj = [x + '_adj' for x in factorList]
from jaqs.util import fileio
fileio.save_json(factorList_adj, '.../myCustomData.json')

c. 由于多个因子间可能存在多重共线性，我们对因子进行施密特正交化处理，并将处理后的因子添加到变量列表中。

### add the orthogonalized factor to dataview
for trade_date in dv.dates:
    snapshot = dv.get_snapshot(trade_date)
    factorPanel = snapshot[factorList]
    factorPanel = factorPanel.dropna()

    if len(factorPanel) != 0:
        orthfactorPanel = Schmidt(factorPanel)
        orthfactorPanel.columns = [x + '_adj' for x in factorList]

        snapshot = pd.merge(left = snapshot, right = orthfactorPanel,
                            left_index = True, right_index = True, how = 'left')

        for factor in factorList:
            orthFactor_dic[factor][trade_date] = snapshot[factor]

for factor in factorList:
    dv.append_df(pd.DataFrame(orthFactor_dic[factor]).T, field_name = factor + '_adj', is_quarterly=False)

3. 计算因子IC

从dataview中提取所有交易日，在每个交易日计算每个因子的IC

def get_ic(dv):
    """
    Calculate factor IC on all dates and save it in a DataFrame
    :param dv:
    :return: DataFrame recording factor IC on all dates
    """
    factorList = fileio.read_json('.../myCustomData.json')
    ICPanel = {}
    for singleDate in dv.dates:
        singleSnapshot = dv.get_snapshot(singleDate)
        ICPanel[singleDate] = ic_calculation(singleSnapshot, factorList)

    ICPanel = pd.DataFrame(ICPanel).T
    return ICPanel

其中计算IC的函数为ic_calculation()

def ic_calculation(snapshot, factorList):
    """
    Calculate factor IC on single date
    :param snapshot:
    :return: factor IC on single date
    """
    ICresult = []
    for factor in factorList:
        # drop na
        factorPanel = snapshot[[factor, 'NextRet']]
        factorPanel = factorPanel.dropna()
        ic, _ = stats.spearmanr(factorPanel[factor], factorPanel['NextRet'])
        ICresult.append(ic)
    return ICresult

4. 因子权重优化

我们将因子IR设为因子权重优化的目标，因子IR（信息比）定义为因子IC的均值与因子IC的标准差的比值，IR值越高越好。假设我们有k个因子，其IC的均值向量为$\vec{IC}=(\overline{IC_1},

\overline{IC_2}, \cdots, \overline{IC_k},)’$，相应协方差矩阵为$\Sigma$，因子的权重向量为$\vec{v}=(\overline{V_1}, \overline{V_2},\cdots, \overline{V_k})’$。则所有因子的复合IR值为 | $$IR = \frac{\vec{v}’\vec{IC}}{\sqrt{\vec{v}’ \Sigma \vec{v}}}$$ | 我们的目标是通过调整$\vec{v}$使IR最大化。经简单计算我们可以直接求出$\vec{v}$的解析解，则最优权重向量为： | $$\vec{v}^* = \Sigma^{-1}\vec{IC}$$ | 具体实现过程如下：

def store_ic_weight():
    """
    Calculate IC weight and save it to file
    """
    dv = DataView()
    fullpath = fileio.join_relative_path('../output/prepared', dv_subfolder_name)
    dv.load_dataview(folder=fullpath)

    w = get_ic_weight(dv)

    store = pd.HDFStore('/home/lli/ic_weight.hd5')
    store['ic_weight'] = w
    store.close()

其中使用到了get_ic_weight()函数，其作用是计算每个因子IC对应的weight

def get_ic_weight(dv):
    """
    Calculate factor IC weight on all dates and save it in a DataFrame
    :param dv: dataview
    :return: DataFrame containing the factor IC weight, with trading date as index and factor name as columns
    """
    ICPanel = get_ic(dv)
    ICPanel = ICPanel.dropna()
    N = 10
    IC_weight_Panel = {}
    for i in range(N, len(ICPanel)):
        ICPanel_sub = ICPanel.iloc[i-N:i, :]
        ic_weight = ic_weight_calculation(ICPanel_sub)
        IC_weight_Panel[ICPanel.index[i]] = ic_weight
    IC_weight_Panel = pd.DataFrame(IC_weight_Panel).T
    return IC_weight_Panel

我们在计算weight时需要确定一个rolling window，这里选择N=10。

def ic_weight_calculation(icpanel):
    """
    Calculate factor IC weight on single date
    :param icpanel:
    :return: a vector containing all factor IC weight
    """
    mat = np.mat(icpanel.cov())
    mat = nlg.inv(mat)
    weight = mat * np.mat(icpanel.mean()).reshape(len(mat), 1)
    weight = np.array(weight.reshape(len(weight), ))[0]
    return weight

二. 基于因子IC及相应权重的选股模型

在介绍选股模型的具体实现之前，我们首先熟悉一下策略模块test_alpha_strategy_dataview()。该模块的功能是基于dataview对具体策略进行回测。

1. 载入dataview，设置回测参数

该模块首先载入dataview并允许用户设置回测参数，比如基准指数，起止日期，换仓周期等。

dv = DataView()

fullpath = fileio.join_relative_path('../output/prepared', dv_subfolder_name)
dv.load_dataview(folder=fullpath)

props = {
    "benchmark": "000905.SH",
    "universe": ','.join(dv.symbol),

    "start_date": dv.start_date,
    "end_date": dv.end_date,

    "period": "week",
    "days_delay": 0,

    "init_balance": 1e8,
    "position_ratio": 1.0,
}

2. 载入context

context是一个类用来保存一些中间结果，可在程序中任意位置调用，并将之前算出的ic_weight放入context中。

context = model.Context(dataview=dv, gateway=gateway)
store = pd.HDFStore('.../ic_weight.hd5')
context.ic_weight = store['ic_weight']
store.close()

3. StockSelector选股模块

接着我们使用StockSelector选股模块。基于因子IC及相应权重的选股过程在my_selector中实现。

stock_selector = model.StockSelector(context)
stock_selector.add_filter(name='myselector', func=my_selector)

a.首先载入因子ic的权重context.ic_weight，回测日期列表context.trade_date记忆因子名称列表factorList

ic_weight = context.ic_weight
t_date = context.trade_date
current_ic_weight = np.mat(ic_weight.loc[t_date,]).reshape(-1,1)
factorList = fileio.read_json('.../myCustomData.json')

factorPanel = {}
for factor in factorList:
    factorPanel[factor] = context.snapshot[factor]

factorPanel = pd.DataFrame(factorPanel)

b.接着根据各因子IC的权重，对当天各股票的IC值进行加权求和，选出得分最高的前30只股票。最后返回一个列表，1代表选中，0代表未选中。

factorResult = pd.DataFrame(np.mat(factorPanel) * np.mat(current_ic_weight), index = factorPanel.index)

factorResult = factorResult.fillna(-9999)
s = factorResult.sort_values(0)[::-1]

critical = s.values[30]
mask = factorResult > critical
factorResult[mask] = 1.0
factorResult[~mask] = 0.0

4. 启动数据准备及回测模块

t_start = time.time()

test_save_dataview()
store_ic_weight()
test_alpha_strategy_dataview()
test_backtest_analyze()

t3 = time.time() - t_start
print "\n\n\nTime lapsed in total: {:.1f}".format(t3)

三、回测结果

回测的参数如下：

指标	值
Beta	0.92
Annual Return	0.19
Annual Volatility	0.16
Sharpe Ratio	1.21

回测的净值曲线图如下：

四、参考文献

1. 基于因子IC的多因子模型
2. 《安信证券－多因子系列报告之一：基于因子IC的多因子模型》

Calendar Spread交易策略

本策略完整实现代码见 这里。

本帖主要介绍了基于事件驱动回测框架实现calendar spread交易策略。

一. 策略介绍

在商品期货市场中，同一期货品种不同到期月份合约间的价格在短期内的相关性较稳定。该策略就利用这一特性，在跨期基差稳定上升时进场做多基差，反之做空基差。

在本文中我们选择了天然橡胶作为交易品种，时间范围从2017年7月到2017年11月，选择的合约为RU1801.SHF和RU1805.SHF，将基差定义为近期合约价格减去远期合约价格。

二. 参数准备

我们在test_spread_commodity.py文件中的test_spread_trading()函数中设置策略所需参数，例如交易标的，策略开始日期，终止日期，换仓频率等。

props = {
         "symbol"                : "ru1801.SHF,ru1805.SHF",
         "start_date"            : 20170701,
         "end_date"              : 20171109,
         "bar_type"              : "DAILY",
         "init_balance"          : 2e4,
         "bufferSize"            : 20,
         "future_commission_rate": 0.00002,
         "stock_commission_rate" : 0.0001,
         "stock_tax_rate"        : 0.0000
         }

三. 策略实现

策略实现全部在spread_commodity.py中完成，创建名为SpreadCommodity()的class继承EventDrivenStrategy，具体分为以下几个步骤：

1. 策略初始化

这里将后续步骤所需要的变量都创建好并初始化。

def __init__(self):
    EventDrivenStrategy.__init__(self)

    self.symbol      = ''
    self.s1          = ''
    self.s2          = ''
    self.quote1      = None
    self.quote2      = None

    self.bufferSize  = 0
    self.bufferCount = 0
    self.spreadList  = ''

2. 从props中得到变量值

这里将props中设置的参数传入。其中，self.spreadList记录了最近$n$天的spread值，$n$是由self.bufferSize确定的。

def init_from_config(self, props):
    super(SpreadCommodity, self).init_from_config(props)
    self.symbol       = props.get('symbol')
    self.init_balance = props.get('init_balance')
    self.bufferSize   = props.get('bufferSize')
    self.s1, self.s2  = self.symbol.split(',')
    self.spreadList = np.zeros(self.bufferSize)

3. 策略实现

策略的主体部分在on_quote()函数中实现。因为我们选择每日调仓，所以会在每天调用on_quote()函数。

首先将两个合约的quote放入self.quote1和self.quote2中，并计算当天的spread

q1 = quote_dic.get(self.s1)
q2 = quote_dic.get(self.s2)
self.quote1 = q1
self.quote2 = q2
spread = q1.close - q2.close

接着更新self.spreadList。因为self.spreadList为固定长度，更新方法为将第2个到最后1个元素向左平移1位，并将当前的spread放在队列末尾。

self.spreadList[0:self.bufferSize - 1] = self.spreadList[1:self.bufferSize]
self.spreadList[-1] = spread
self.bufferCount += 1

接着将self.spreadList中的数据对其对应的编号（例如从1到20）做regression，观察回归系数的pvalue是否显著，比如小于0.05。如果结果不显著，则不对仓位进行操作；如果结果显著，再判断系数符号，如果系数大于0则做多spread，反之做空spread。

X, y = np.array(range(self.bufferSize)), np.array(self.spreadList)
X = X.reshape(-1, 1)
y = y.reshape(-1, 1)
X = sm.add_constant(X)

est = sm.OLS(y, X)
est = est.fit()

if est.pvalues[1] < 0.05:
    if est.params[1] < 0:
        self.short_spread(q1, q2)
    else:
        self.long_spread(q1, q2)

四. 回测结果

商品期货的Dual Thrust日内交易策略

本策略完整实现代码见 这里。

本帖主要介绍了基于事件驱动回测框架实现Dual Thrust日内交易策略。

一. 策略介绍

Dual

Thrust是一个趋势跟踪策略，具有简单易用、适用度广的特点，其思路简单、参数较少，配合不同的参数、止盈止损和仓位管理，可以为投资者带来长期稳定的收益，被投资者广泛应用于股票、货币、贵金属、债券、能源及股指期货市场等。 | 在本文中，我们将Dual Thrust应用于商品期货市场中。 | 简而言之，该策略的逻辑原型是较为常见的开盘区间突破策略，以今日开盘价加减一定比例确定上下轨。日内突破上轨时平空做多，突破下轨时平多做空。 | 在Dual Thrust交易系统中，对于震荡区间的定义非常关键，这也是该交易系统的核心和精髓。Dual Thrust系统使用 | $$Range = Max(HH-LC,HC-LL)$$ | 来描述震荡区间的大小。其中HH是过去N日High的最大值，LC是N日Close的最小值，HC是N日Close的最大值，LL是N日Low的最小值。

二. 参数准备

我们在test_spread_commodity.py文件中的test_spread_trading()函数中设置策略所需参数，例如交易标的，策略开始日期，终止日期，换仓频率等，其中$k1，k2$为确定突破区间上下限的参数。

props = {
         "symbol"                : "rb1710.SHF",
         "start_date"            : 20170510,
         "end_date"              : 20170930,
         "buffersize"            : 2,
         "k1"                    : 0.7,
         "k2"                    : 0.7,
         "bar_type"              : "MIN",
         "init_balance"          : 1e5,
         "future_commission_rate": 0.00002,
         "stock_commission_rate" : 0.0001,
         "stock_tax_rate"        : 0.0000
         }

三. 策略实现

策略实现全部在DualThrust.py中完成，创建名为DualThrustStrategy()的class继承EventDrivenStrategy，具体分为以下几个步骤：

1. 策略初始化

这里将后续步骤所需要的变量都创建好并初始化。其中self.bufferSize为窗口期长度，self.pos记录了实时仓位，self.Upper和self.Lower记录了突破区间上下限。

def __init__(self):
    EventDrivenStrategy.__init__(self)
    self.symbol      = ''
    self.quote       = None
    self.bufferCount = 0
    self.bufferSize  = ''
    self.high_list   = ''
    self.close_list  = ''
    self.low_list    = ''
    self.open_list   = ''
    self.k1          = ''
    self.k2          = ''
    self.pos         = 0
    self.Upper       = 0.0
    self.Lower       = 0.0

2. 从props中得到变量值

这里将props中设置的参数传入。其中，self.high_list为固定长度的list，保存了最近$N$天的日最高价，其他变量类似。

def init_from_config(self, props):
    super(DualThrustStrategy, self).init_from_config(props)

    self.symbol       = props.get('symbol')
    self.init_balance = props.get('init_balance')
    self.bufferSize   = props.get('buffersize')
    self.k1           = props.get('k1')
    self.k2           = props.get('k2')
    self.high_list    = np.zeros(self.bufferSize)
    self.close_list   = np.zeros(self.bufferSize)
    self.low_list     = np.zeros(self.bufferSize)
    self.open_list    = np.zeros(self.bufferSize)

3. 策略实现

在每天开始时，首先调用initialize()函数，得到当天的open，close，high和low的值，并对应放入list中。

def initialize(self):
    self.bufferCount += 1

    # get the trading date
    td = self.ctx.trade_date
    ds = self.ctx.data_api

    # get the daily data
    df, msg = ds.daily(symbol=self.symbol, start_date=td, end_date=td)

    # put the daily value into the corresponding list
    self.open_list[0:self.bufferSize - 1] =
                   self.open_list[1:self.bufferSize]
    self.open_list[-1] = df.high
    self.high_list[0:self.bufferSize - 1] =
                   self.high_list[1:self.bufferSize]
    self.high_list[-1] = df.high
    self.close_list[0:self.bufferSize - 1] =
                   self.close_list[1:self.bufferSize]
    self.close_list[-1] = df.close
    self.low_list[0:self.bufferSize - 1] =
                   self.low_list[1:self.bufferSize]
    self.low_list[-1] = df.low

策略的主体部分在on_quote()函数中实现。因为我们选择分钟级回测，所以会在每分钟调用on_quote()函数。

首先取到当日的quote，并计算过去$N$天的HH，HC，LC和LL，并据此计算Range和上下限Upper，Lower

HH = max(self.high_list[:-1])
HC = max(self.close_list[:-1])
LC = min(self.close_list[:-1])
LL = min(self.low_list[:-1])

Range = max(HH - LC, HC - LL)
Upper = self.open_list[-1] + self.k1 * Range
Lower = self.open_list[-1] - self.k2 * Range

几个关键变量的意义如下图所示：

我们的交易时间段为早上9:01:00到下午14:28:00,交易的逻辑为：

1. 当分钟Bar的open向上突破上轨时，如果当时持有空单，则先平仓，再开多单；如果没有仓位，则直接开多单；

2. 当分钟Bar的open向下突破下轨时，如果当时持有多单，则先平仓，再开空单；如果没有仓位，则直接开空单；

   if self.pos == 0:
       if self.quote.open > Upper:
           self.short(self.quote, self.quote.close, 1)
       elif self.quote.open < Lower:
           self.buy(self.quote, self.quote.close, 1)
   elif self.pos < 0:
       if self.quote.open < Lower:
           self.cover(self.quote, self.quote.close, 1)
           self.long(self.quote, self.quote.close, 1)
   else:
       if self.quote.open > Upper:
           self.sell(self.quote, self.quote.close, 1)
           self.short(self.quote, self.quote.close, 1)
   

   由于我们限制该策略为日内策略，故当交易时间超过14:28:00时，进行强行平仓。

   elif self.quote.time > 142800:
       if self.pos > 0:
           self.sell(self.quote, self.quote.close, 1)
       elif self.pos < 0:
           self.cover(self.quote, self.quote.close, 1)
   

   我们在下单后，可能由于市场剧烈变动导致未成交，因此在on_trade_ind()函数中记录具体成交情况，当空单成交时，self.pos减一，当多单成交时，self.pos加一。

   def on_trade_ind(self, ind):
       if ind.entrust_action == 'sell' or ind.entrust_action == 'short':
           self.pos -= 1
       elif ind.entrust_action == 'buy' or ind.entrust_action == 'cover':
           self.pos += 1
       print(ind)
   

四. 回测结果

回测结果如下图所示：

五、参考文献

版块内股票轮动策略

本策略完整实现代码见 这里。

本帖主要介绍了基于事件驱动回测框架实现版块内股票轮动策略。

一. 策略介绍

该轮动策略如下：在策略开始执行时等价值买入版块内所有股票，每天 $t$

计算各股在过去$m$天相对板块指数的收益率 | $$R^A_{i,t} = (lnP_{i,t}-lnP_{i,t-m}）-（lnP_{B,t}-lnP_{B,t-m}）$$ | 其中$P_{i,t}$为股票$i$在$t$天的收盘价，$P_{B,t}$为板块指数在$t$天的收盘价。每天检查持仓，若持仓股$R^A_{i,t}$超过过去$n$天均值加$k$倍标准差，则卖出；反之，若有未持仓股$R^A_{i,t}$小于过去$n$天均值减$k$倍标准差，则买入。

二. 参数准备

我们在test_roll_trading.py文件中的test_strategy()函数中设置策略所需参数。首先确定策略开始日期，终止日期以及板块指数。在本文中，我们选择券商指数399975.SZ，并听过data_service得到该指数中所有成份股。

start_date = 20150901
end_date = 20171030
index = '399975.SZ'
data_service = RemoteDataService()
symbol_list = data_service.get_index_comp(index, start_date, start_date)

接着在props中设置参数

symbol_list.append(index)
props = {"symbol": ','.join(symbol_list),
         "start_date": start_date,
         "end_date": end_date,
         "bar_type": "DAILY",
         "init_balance": 1e7,
         "std multiplier": 1.5,
         "m": 10,
         "n": 60,
         "future_commission_rate": 0.00002,
         "stock_commission_rate": 0.0001,
         "stock_tax_rate": 0.0000}

我们可以在bar_type中设置换仓周期，现在支持分钟和日换仓，本例中选择每日调仓。

三. 策略实现

策略实现全部在roll.py中完成，创建名为RollStrategy()的class继承EventDrivenStrategy，具体分为以下几个步骤：

1. 策略初始化

这里将后续步骤所需要的变量都创建好并初始化。

def __init__(self):
    EventDrivenStrategy.__init__(self)
    self.symbol = ''
    self.benchmark_symbol = ''
    self.quotelist = ''
    self.startdate = ''
    self.bufferSize = 0
    self.rollingWindow = 0
    self.bufferCount = 0
    self.bufferCount2 = 0
    self.closeArray = {}
    self.activeReturnArray = {}
    self.std = ''
    self.balance = ''
    self.multiplier = 1.0
    self.std_multiplier = 0.0

2. 从props中得到变量值

这里将props中设置的参数传入。其中，self.closeArray和self.activeReturnArray数据类型为dict，key为股票代码，value分别为最近$m$天的收盘价和最近$n$天的active return。

def init_from_config(self, props):
    super(RollStrategy, self).init_from_config(props)
    self.symbol = props.get('symbol').split(',')
    self.init_balance = props.get('init_balance')
    self.startdate = props.get('start_date')
    self.std_multiplier = props.get('std multiplier')
    self.bufferSize = props.get('n')
    self.rollingWindow = props.get('m')
    self.benchmark_symbol = self.symbol[-1]
    self.balance = self.init_balance

    for s in self.symbol:
        self.closeArray[s] = np.zeros(self.rollingWindow)
        self.activeReturnArray[s] = np.zeros(self.bufferSize)

3. 策略实现

策略的主体部分在on_quote()函数中实现。因为我们选择每日调仓，所以会在每天调用on_quote()函数。

首先将版块内所有股票的quote放入self.quotelist中，

self.quotelist = []
for s in self.symbol:
    self.quotelist.append(quote_dic.get(s))

接着对每只股票更新self.closeArray。因为self.closeArray为固定长度，更新方法为将第2个到最后1个元素向左平移1位，并将当前quote中最新的close放在末尾。

for stock in self.quotelist:
    self.closeArray[stock.symbol][0:self.rollingWindow - 1] =  self.closeArray[stock.symbol][1:self.rollingWindow]
    self.closeArray[stock.symbol][-1] = stock.close

计算每只股票在过去$m$天的active return，存入self.activeReturnArray。

### calculate active return for each stock
benchmarkReturn = np.log(self.closeArray[self.benchmark_symbol][-1])
                 -np.log(self.closeArray[self.benchmark_symbol][0])
for stock in self.quotelist:
    stockReturn = np.log(self.closeArray[stock.symbol][-1])
                 -np.log(self.closeArray[stock.symbol][0])
    activeReturn = stockReturn - benchmarkReturn
    self.activeReturnArray[stock.symbol][0:self.bufferSize - 1]
                 = self.activeReturnArray[stock.symbol][1:self.bufferSize]
    self.activeReturnArray[stock.symbol][-1] = activeReturn

在策略首次执行时，默认等价值持有版块中所有的股票。

### On the first day of strategy, buy in equal value stock in the universe
stockvalue = self.balance/len(self.symbol)
for stock in self.quotelist:
    if stock.symbol != self.benchmark_symbol:
        self.buy(stock, stock.close,
                 np.floor(stockvalue/stock.close/self.multiplier))

在其他日期，当策略开始执行时，首先通过self.pm.holding_securities检查持有的股票代码，并与版块成分比较确定未持有的股票代码。

stockholdings = self.pm.holding_securities
noholdings = set(self.symbol) - stockholdings
stockvalue = self.balance/len(noholdings)

对于已持有的股票，计算最近$m$天的active return，若超过self.activeReturnArray均值的一定范围，就将该股票卖出。

for stock in list(stockholdings):
    curRet = self.activeReturnArray[stock][-1]
    avgRet = np.mean(self.activeReturnArray[stock][:-1])
    stdRet = np.std(self.activeReturnArray[stock][:-1])
    if curRet >= avgRet + self.std_multiplier * stdRet:
        curPosition = self.pm.positions[stock].curr_size
        stock_quote = quote_dic.get(stock)
        self.sell(stock_quote, stock_quote.close, curPosition)

反之，对于未持有的股票，若其active return低于均值的一定范围，就将其买入。

for stock in list(noholdings):
    curRet = self.activeReturnArray[stock][-1]
    avgRet = np.mean(self.activeReturnArray[stock][:-1])
    stdRet = np.std(self.activeReturnArray[stock][:-1])
    if curRet < avgRet - self.std_multiplier * stdRet:
        stock_quote = quote_dic.get(stock)
        self.buy(stock_quote, stock_quote.close,
                 np.floor(stockvalue/stock_quote.close/self.multiplier))

此外，我们在框架中on_trade_ind()中实现了仓位管理。在策略初始化时，我们将组合中的现金设为初始资金。

self.init_balance = props.get('init_balance')
self.balance = self.init_balance

此后，每买入一只股票，我们将self.balance减去相应市值；每卖出一只股票，将self.balance加上相应市值。

def on_trade_ind(self, ind):
    if ind.entrust_action == 'buy':
        self.balance -= ind.fill_price * ind.fill_size * self.multiplier
    elif ind.entrust_action == 'sell':
        self.balance += ind.fill_price * ind.fill_size * self.multiplier
    print(ind)

四. 回测结果

该策略的回测结果如下图所示：

回测的参数如下：

| 指标 | 值 |

| ——– | –: |

| Beta | 0.70 |

| Annual Return | 0.05 |

| Annual Volatility| 0.17 |

| Sharpe Ratio | 0.29 |

交易API

本产品提供了交易API，可用于委托、撤单、查询账户、查询持仓、查询委托、查询成交、批量下单等，以下是用法

导入接口

在python程序里面导入module，然后用注册的用户帐号登录就可以使用交易接口进行交易。

引入模块

from jaqs.trade.tradeapi import TradeApi

登录

tapi = TradeApi(addr="tcp://gw.quantos.org:8901") # tcp://gw.quantos.org:8901是仿真系统地址
user_info, msg = tapi.login("demo", "666666")     # 示例账户，用户需要改为自己注册的账户

使用用户名、密码登陆， 如果成功，返回用户可用的策略帐号列表

定义并设置回调接口

TradeApi通过回调函数方式通知用户事件。事件包括三种：订单状态、成交回报、委托任务执行状态。

• 订单状态推送

  def on_orderstatus(order):
      print "on_orderstatus:" #, order
      for key in order:    print "%20s : %s" % (key, str(order[key]))
      print ""
  

• 成交回报推送

  def on_trade(trade):
      print "on_trade:"
      for key in trade:    print "%20s : %s" % (key, str(trade[key]))
      print ""
  

• 委托任务执行状态推送，通常可以忽略该回调函数

  def on_taskstatus(task):
      print "on_taskstatus:"
      for key in task:    print "%20s : %s" % (key, str(task[key]))
      print ""
  

设置回调函数

tapi.set_ordstatus_callback(on_orderstatus)
tapi.set_trade_callback(on_trade)
tapi.set_task_callback(on_taskstatus)

选择使用的策略帐号

该函数成功后，下单、查持仓等和策略帐号有关的操作都和该策略帐号绑定。

没有必要每次下单、查询都调用该函数。重复调用该函数可以选择新的策略帐号。

如果成功，返回(strategy_id, msg)

否则返回 (0, err_msg)

sid, msg = tapi.use_strategy(1)
print "msg: ", msg
print "sid: ", sid

查询Portfolio

返回当前的策略帐号的Universe中所有标的的净持仓，包括持仓为0的标的。

df, msg = tapi.query_account()
print "msg: ", msg
print df

查询当前策略帐号的所有持仓

和 query_portfolio接口不一样。如果莫个期货合约 Long,

Short两个方向都有持仓，这里是返回两条记录 | 返回的 size 不带方向，全部为 正

df, msg = tapi.query_position()
print "msg: ", msg
print df

单标的下单

task_id, msg = place_order(code, action, price, size )

action: Buy, Short, Cover, Sell, CoverToday, CoverYesterday,

SellToday, SellYesterday | 返回 task_id

task_id, msg = tapi.place_order("000025.SZ", "Buy", 57, 100)
print "msg:", msg
print "task_id:", task_id

撤单

cancel_order(task_id)

tapi.cancel_order(task_id)

查询委托

返回委托信息

df, msg = tapi.query_order(task_id = task_id, format = 'pandas')

查询成交

返回成交信息

df, msg = tapi.query_trade(task_id = task_id, format = 'pandas')

目标持仓下单

#  goal_protfolio
#  参数：目标持仓
#  返回：(result, msg)
#     result:  成功或失败
#     msg:     错误原因
#  注意：目标持仓中必须包括所有的代码的持仓，即使不修改

# 先查询当前的持仓,
portfolio, msg = tapi.query_portfolio()
print "msg", msg
print "portfolio", portfolio

portfolio撤单

# stop_portfolio
# 撤单, 撤销所有portfolio订单
tapi.stop_portfolio()

批量下单(1)

place_batch_order，指定绝对size和交易类型

# place_batch_order
# 返回task_id, msg。
orders = [
    {"security":"600030.SH", "action" : "Buy", "price": 16, "size":1000},
    {"security":"600519.SH", "action" : "Buy", "price": 320, "size":1000},
    ]

task_id, msg = tapi.place_batch_order(orders, "", "{}")
print task_id
print msg

批量下单(2)

basket_order，指定变化量，不指定交易方向，由系统根据正负号来确定

# 批量下单2：basket_order
#
# 返回task_id, msg。
orders = [
    {"security":"601857.SH", "ref_price": 8.40, "inc_size":1000},
    {"security":"601997.SH",  "ref_price": 14.540, "inc_size":20000},
    ]

task_id, msg = tapi.basket_order(orders, "", "{}")
print task_id
print msg

实盘交易

使用JAQS进行回测与实盘运行的代码具有高一致性，回测满意后，只需以下几点改动，即可接入实盘/模拟撮合：

1. 使用实盘交易的交易接口：将BacktestTradeApi替换为RealTimeTradeApi
2. 使用实盘交易主程序：将EventBacktestInstance替换为EventLiveTradeInstance
3. 在数据接口RemoteDataService中订阅所要交易品种的行情
4. 在主程序最后添加time.sleep(9999999). 保证在事件循环运行中，主程序不会提前终止
5. 实时行情均为逐笔或Tick数据，即使订阅多个品种，行情数据仍会逐个到达strategy.on_tick()函数

这里我们以双均线策略为例，展示实盘运行的代码：

props = {'symbol': 'rb1801.SHF'}
tapi = RealTimeTradeApi()
ins = EventLiveTradeInstance()

tapi.use_strategy(3)

ds = RemoteDataService()
strat = DoubleMaStrategy()
pm = PortfolioManager()

context = model.Context(data_api=ds, trade_api=tapi,
                        instance=ins, strategy=strat, pm=pm)

ins.init_from_config(props)
ds.subscribe(props['symbol'])

ins.run()

time.sleep(999999)

程序运行后，行情、策略、交易会在不同的线程内运行，我们只需要在on_tick中进行下单，在on_trade, on_order_status中处理交易回报即可。

正常收到行情如下：

rb1801.SHF  20171116-211319500       (BID)    229@3889.00 | 3891.00@12     (ASK)
Fast MA = 3889.89     Slow MA = 3889.81
rb1801.SHF  20171116-211320000       (BID)    224@3889.00 | 3891.00@13     (ASK)
Fast MA = 3889.93     Slow MA = 3889.83
rb1801.SHF  20171116-211320500       (BID)    223@3889.00 | 3891.00@5      (ASK)
Fast MA = 3889.89     Slow MA = 3889.85
rb1801.SHF  20171116-211321000       (BID)    223@3889.00 | 3891.00@5      (ASK)
Fast MA = 3889.93     Slow MA = 3889.88
rb1801.SHF  20171116-211321500       (BID)     24@3890.00 | 3891.00@5      (ASK)
Fast MA = 3890.00     Slow MA = 3889.92

如果发生下单、成交，则会收到如下回报：

rb1801.SHF  20171116-211319000       (BID)    230@3889.00 | 3891.00@6      (ASK)
Fast MA = 3889.93     Slow MA = 3889.79

Strategy on order status:
New       |  20171115(  211319) Buy    rb1801.SHF@3.000  size = 1

Strategy on order status:
Accepted  |  20171115(  211319) Buy    rb1801.SHF@3.000  size = 1

Strategy on trade:
20171115(  211319) Buy    rb1801.SHF@3.000  size = 1

Strategy on order status:
Filled    |  20171115(  211319) Buy    rb1801.SHF@3.000  size = 1

Strategy on task ind:
task_id = 81116000001  |  task_status = Stopped  |  task_algo =
task_msg =
DONE Execution Report (00'00"039):
+---------+------+----------+------+----+---------+-----+----------+----+---------+------------+-------+-------+--------+---------+
|underlyer| ba_id|    symbol|jzcode|side|is_filled|price|fill_price|size|fill_size|pending_size|cancels|rejects|entrusts| duration|
+---------+------+----------+------+----+---------+-----+----------+----+---------+------------+-------+-------+--------+---------+
|        0|800000|rb1801.SHF| 27509|Long|        Y|  3.0|    3.0000|   1|        1|           0|      0|      0|       1|00'00"033|
+---------+------+----------+------+----+---------+-----+----------+----+---------+------------+-------+-------+--------+---------+

API Refrence

If you want to know about package hierarchy, specific class / function...

API说明文档

行情数据API文档

市场数据

字典定义

市场代码（market code）

市场名称	市场代码
深交所	SZ
上交所	SH
中金所	CFE
郑商所	CZC
大商所	DCE
上期所	SHF
上金所	SGE
中证指数	CSI
港交所	HK

标的代码（symbol）

由标的原始代码加市场代码（表1）组合而成，中间以’.’隔开，如‘000001.SH’，多标的输入时以逗号 (‘,’) 隔开，如：‘000001.SH, cu1709.SHF’

Bar类型（freq）

Bar类型	说明
15S	15秒线
30S	30秒线
1M	1分钟线
5M	5分钟线
15M	15分钟线
1d	日线
1w	周线
1m	月线

实时行情数据查询 quote

输入标的代码（支持多标的），输出为最新市场行情，以dataframe格式返回，可指定返回字段，以fields参数标识。

输入参数：

1. 标的代码，支持多标的查询
2. 需要返回字段(fields)，多字段以’,’隔开

字段	类型	说明	缺省
symbol	string	标的代码，支持多标的查询	不可缺省
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段	“”

查询示例：

df, msg = api.quote(
                view="000001.SH, cu1709.SHF",
                fields="open,high,low,last,volume")

输出字段：

字段	类型	说明
symbol	string	标的代码
code	string	交易所原始代码
date	int	自然日,YYYYMMDD格式，如20170823
time	int	时间，精确到毫秒，如14:21:05.330记为142105330
trade_date	int	YYYYMMDD格式，如20170823
open	double	开盘价
high	double	最高价
low	double	最低价
last	double	最新价
close	double	收盘价
volume	double	成交量（总）
turnover	double	成交金额（总）
vwap	double	当日平均成交均价，计算公式为成交金额除以成交量
oi	double	持仓总量
settle	double	今结算价
iopv	double	IOPV净值估值
limit_up	double	涨停价
limit_down	double	跌停价
preclose	double	昨收盘价
presettle	double	昨结算价
preoi	double	昨持仓
askprice1	double	申卖价1
askprice2	double	申卖价2
askprice3	double	申卖价3
askprice4	double	申卖价4
askprice5	double	申卖价5
bidprice1	double	申买价1
bidprice2	double	申买价2
bidprice3	double	申买价3
bidprice4	double	申买价4
bidprice5	double	申买价5
askvolume1	double	申卖量1
askvolume2	double	申卖量2
askvolume3	double	申卖量3
askvolume4	double	申卖量4
askvolume5	double	申卖量5
bidvolume1	double	申买量1
bidvolume2	double	申买量2
bidvolume3	double	申买量3
bidvolume4	double	申买量4
bidvolume5	double	申买量5

实时行情订阅 subscribe

使用subscribe()函数订阅实时市场行情。

输入参数：

1. 标的代码，支持多标的查询
2. 回调函数(func)，格式为func(k, v)。k为数据类型，目前只支持实时行情(“quote”)； v为实时行情数据，dictionary格式，数据含义参考quote函数输出字段定义。
3. 需要返回字段(fields)，多字段以’,’隔开。

字段	类型	说明	缺省值
symbol	string	标的代码，支持多标的查询	不可缺省
func	function	回调函数	None
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段	“”

使用示例：

def on_quote(k,v):
    print v['symbol'] // 标的代码
    print v['last'] // 最新成交价
    print v['time'] // 最新成交时间

subs_list,msg = api.subscribe("000001.SH, cu1709.SHF",func=on_quote,fields="symbol,last,time,volume")

日线查询 daily

日线查询，支持停牌补齐、复权选择等选项。

输入参数：

1. 标的代码，支持多标的查询，必要参数
2. 开始日期 (start_date)，string或者int类型：若为string类型，格式’YYYY-MM-DD’，如‘2017-08-01’；若为int类型，格式为YYYYMMDD，如20170801。必要参数。
3. 结束日期 (end_date)，string或者int类型：若为string类型，格式’YYYY-MM-DD’，如‘2017-08-01’；若为int类型，格式为YYYYMMDD，如20170801。必要参数。
4. Bar类型(freq)，支持日线(‘1d’)，周线(‘1w’)和月线(‘1m’)。缺省为日线(‘1d’)。
5. 复权类型(adjust_mode)，string类型，’pre’为前复权，None不复权，’post’为后复权。缺省为None
6. 返回字段 (fields)，多字段以 ‘,’ 隔开，缺省时全字段返回。可选参数。

字段	类型	说明	缺省值
symbol	string	标的代码 ，支持多标的查询	不可缺省
start_date	int或者string	开始日期, int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’	不可缺省
end_date	int或者string	结束日期，int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’	不可缺省
freq	string	日线类型	“1d”
adjust_mode	string	‘pre’为前复权，None不复权，’post’为后复权	None
fields	string	需要返回字段，多字段以’,’隔开,为”“时返回所有字段	“”

查询示例：

df, msg = api.daily(
                symbol="600832.SH, 600030.SH",
                start_date="2012-10-26",
                end_date="2012-11-30",
                fields="",
                adjust_mode="post")

返回字段：

字段	类型	说明
symbol	string	标的代码
code	string	交易所原始代码
trade_date	int	YYYYMMDD格式，如20170823
freq	string	日线类型
open	double	开盘价
high	double	最高价
low	double	最低价
close	double	收盘价
volume	double	成交量
turnover	double	成交金额
vwap	double	成交均价
settle	double	结算价
oi	double	持仓量
trade_status	string	交易状态

分钟线查询 bar

查询各种类型的分钟线,支持日内及历史bar查询，以dataframe格式返回查询结果。

输入参数：

1. 标的代码，支持多标的查询，必要参数。
2. 开始时间 (start_time)，精确到秒，string或者int类型：若为string类型，格式为’HH:MM:SS’，如‘09:32:35’；若为int类型，格式为HHMMSS，如93235。缺省为为开盘时间。
3. 结束时间 (end_time)，精确到秒，string或者int类型：若为string类型，格式为’HH:MM:SS’，如‘09:32:35’；若为int类型，格式为HHMMSS，如9323。缺省为当前时间（日内）或者收盘时间（历史）。
4. 交易日 (trade_date)，string或者int类型：若为string类型，格式’YYYY-MM-DD’，如‘2017-08-01’；若为int类型，格式为YYYYMMDD，如20170801。缺省为当前交易日。
5. Bar类型(freq)，支持一分钟线(‘1M’)，五分钟线(‘5M’)和十五分钟线(‘15M’)。缺省为一分钟线 (‘1M’)。
6. 返回字段 (fields)，多字段以 ‘,’ 隔开，缺省时全字段返回。

字段	类型	说明	缺省值
symbol	string	标的代码，支持多标的查询	不可缺省
start_time	int或string	开始时间	开盘时间
end_time	int或string	结束时间	收盘时间
trade_date	int或string	交易日	当前交易日
freq	string	分钟线类型	“1M”
fields	string	需要返回字段，多字段以’,’隔开,为”“时返回所有字段	“”

查询示例：

df,msg = api.bar(
            symbol="600030.SH",
            trade_date=20170928,
            freq="5M",
            start_time="00:00:00",
            end_time="16:00:00",
            fields="")

返回字段：

字段	类型	说明
symbol	string	标的代码
code	string	交易所原始代码
date	int	自然日,YYYYMMDD格式，如20170823
time	int	时间，精确到毫秒，如14:21:05.330记为142105330
trade_date	int	YYYYMMDD格式，如20170823
freq	string	bar类型
open	double	bar内开盘价
high	double	bar内最高价
low	double	bar内最低价
close	double	bar内收盘价
volume	double	bar内成交量
turnover	double	bar内成交金额
vwap	double	bar内成交均价
oi	double	当前持仓量
settle	double	结算价

bar quote查询 bar_quote

在分钟线基础上再加入该分钟结束前最后一笔的行情信息（主要是ask,bid信息），以dataframe格式返回查询结果。

输入参数：

1. 标的代码，支持多标的查询，必要参数。
2. 开始时间 (start_time)，精确到秒，string或者int类型：若为string类型，格式为’HH:MM:SS’，如‘09:32:35’；若为int类型，格式为HHMMSS，如93235。缺省为为开盘时间。
3. 结束时间 (end_time)，精确到秒，string或者int类型：若为string类型，格式为’HH:MM:SS’，如‘09:32:35’；若为int类型，格式为HHMMSS，如9323。缺省为当前时间（日内）或者收盘时间（历史）。
4. 交易日 (trade_date)，string或者int类型：若为string类型，格式’YYYY-MM-DD’，如‘2017-08-01’；若为int类型，格式为YYYYMMDD，如20170801。缺省为当前交易日。
5. Bar类型(freq)，支持一分钟线(‘1M’)，五分钟线(‘5M’)和十五分钟线(‘15M’)。缺省为一分钟线 (‘1M’)。
6. 返回字段 (fields)，多字段以 ‘,’ 隔开，缺省时全字段返回。

字段	类型	说明	缺省值
symbol	string	标的代码 ，支持多标的查询	不可缺省
start_time	int或string	开始时间	开盘时间
end_time	int或string	结束时间	收盘时间
trade_date	int或string	交易日	当前交易日
freq	string	分钟线类型	“1M”
fields	string	需要返回字段，多字段以’,’隔开，为”“时返回所有字段	“”

查询示例：

df,msg = api.bar_quote(
                    symbol="000001.SH,cu1709.SHF",
                    start_time = "09:56:00",
                    end_time="13:56:00",
                    trade_date=20170823,
                    freq= "5M",
                    fields="open,high,low,last,volume")

返回字段：

字段	类型	说明
symbol	string	标的代码
code	string	交易所原始代码
date	int	自然日，YYYYMMDD格式，如20170823
time	int	时间，精确到毫秒，如14:21:05.330记为142105330
trade_date	int	交易日，YYYYMMDD格式，如20170823
freq	string	bar类型
open	double	bar内开盘价
high	double	bar内最高价
low	double	bar内最低价
close	double	bar内收盘价
volume	double	bar内成交量
turnover	double	bar内成交金额
vwap	double	bar内成交均价
oi	double	当前持仓量
settle	double	结算价
askprice1	double	申卖价1
askprice2	double	申卖价2
askprice3	double	申卖价3
askprice4	double	申卖价4
askprice5	double	申卖价5
bidprice1	double	申买价1
bidprice2	double	申买价2
bidprice3	double	申买价3
bidprice4	double	申买价4
bidprice5	double	申买价5
askvolume1	double	申卖量1
askvolume2	double	申卖量2
askvolume3	double	申卖量3
askvolume4	double	申卖量4
askvolume5	double	申卖量5
bidvolume1	double	申买量1
bidvolume2	double	申买量2
bidvolume3	double	申买量3
bidvolume4	double	申买量4
bidvolume5	double	申买量5

参考数据API文档

基础数据

调用说明

• 每个数据表都是通过api.query函数调用，第一个参数view需填入对应的接口名，如：view="lb.instrumentInfo"
• 每个数据表的输入参数指的是filter参数里面的内容，通过’&’符号拼接，如：filter="inst_type=&status=1&symbol="

证券基础信息表

调用示例

df, msg = api.query(
                view="lb.instrumentInfo",
                fields="status,list_date, fullname_en, market",
                filter="inst_type=&status=1&symbol=",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
inst_type	string	证券类别
start_delistdate	int或者string	开始日期, int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
end_delistdate	int或者string	结束日期，int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段

输出参数

字段	类型	说明
inst_type	string	证券类别
market	string	交易所代码
symbol	string	证券代码
name	string	证券名称
list_date	string	上市日期
delist_date	string	退市日期
cnspell	string	拼音简写
currency	string	交易货币
status	string	上市状态
buylot	INT	最小买入单位
selllot	INT	最大买入单位
pricetick	double	最小变动单位
product	string	合约品种
underlying	string	对应标的
multiplier	int	合约乘数

交易日历表

调用示例

df, msg = api.query(
                view="jz.secTradeCal",
                fields="date,istradeday,isweekday,isholiday",
                filter="start_date=20170101&end_date=20170801",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	int或者string	开始日期, int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
end_date	int或者string	结束日期，int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段

输出参数

字段	类型	说明
trade_date	string	日历日期
istradeday	string	是否交易日
isweekday	string	是否工作日
isweekend	string	是否周末
isholiday	string	是否节假日

分配除权信息表

调用示例

df, msg = api.query(
                view="lb.secDividend",
                fields="",
                filter="start_date=20170101&end_date=20170801",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	int或者string	开始日期, int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
end_date	int或者string	结束日期，int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段

输出参数

字段	类型	说明
symbol	string	证券代码
ann_date	string	公告日期
end_date	string	分红年度截至日
process_stauts	string	事件进程
publish_date	string	分红实施公告日
record_date	string	股权登记日
exdiv_date	string	除权除息日
cash	double	每股分红(税前)
cash_tax	double	每股分红(税后）
share_ratio	double	送股比例
share_trans_ratio	double	转赠比例
cashpay_date	string	派现日
bonus_list_date	string	送股上市日

复权因子表

调用示例

df, msg = api.query(
                view="lb.secAdjFactor",
                fields="",
                filter="symbol=002059.SZ&start_date=20170101&end_date=20170801",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	int或者string	开始日期, int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
end_date	int或者string	结束日期，int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段

输出参数

字段	类型	说明
symbol	string	证券代码
trade_date	string	除权除息日
adjust_factor	double	复权因子

停复牌信息表

调用示例

df, msg = api.query(
                view="lb.secSusp",
                fields="susp_time",
                filter="symbol=002059",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	int或者string	开始日期, int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
end_date	int或者string	结束日期，int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段

输出参数

字段	类型	说明
symbol	string	证券代码
ann_date	string	停牌公告日期
susp_date	string	停牌开始日期
susp_time	string	停牌开始时间
resu_date	string	复牌日期
resu_time	string	复牌时间
susp_reason	string	停牌原因

行业分类表

调用示例

df, msg = api.query(
                view="lb.secIndustry",
                fields="",
                filter="industry1_name=金融&industry2_name=金融&industry_src=中证",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
industry1_name	string	一级行业名称 例如：钢铁
industry2_name	string	二级行业名称
industry3_name	string	三级行业名称
industry4_name	string	四级行业名称
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段
! data_format	string	格式

输出参数

字段	类型	说明
symbol	string	证券代码
industry_src	string	行业分类来源
in_date	string	纳入日期
out_date	string	剔除日期
is_new	string	是否最新
industry1_code	string	一级行业代码
industry1_name	string	一级行业名称
industry2_code	string	二级行业代码
industry2_name	string	二级行业名称
industry3_code	string	三级行业代码
industry3_name	string	三级行业名称
industry4_code	string	四级行业代码
industry4_name	string	四级行业名称

常量参数表

调用示例

df, msg = api.query(
                view="jz.sysConstants",
                fields="",
                filter="code_type=inst_type",
                data_format='pandas'
                )

输入参数

字段	类型	说明
code_type	string	参数类型
fields	string	需要返回字段，多字段以’,’隔开；为”“时返回所有字段

输出参数

字段	类型	说明
code_type	string	参数类型
type_name	string	参数名称
code	string	参数代码
value	string	参数值

日行情估值表

调用示例

df, msg = api.query(
                view="lb.secDailyIndicator",
                fields='pb,net_assets,ncf,price_level',
                filter='symbol=000063.SZ&start_date=20170605&end_date=20170701'
                )

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	int或者string	开始日期, int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’
end_date	int或者string	结束日期，int时为YYYYMMDD格式(如20170809)；string时为’YYYY-MM-DD’格式，如‘2017-08-09’

输出参数

字段	类型	说明
symbol	string	证券代码
trade_date	string	交易日期
total_mv	double	当日总市值
float_mv	double	当日流通市值
pe	double	市盈率
pb_new	double	市净率
pe_ttm	double	市盈率TTM
pcf_ocf	double	市现率(PCF,经营现金流)
pcf_ocfttm	double	市现率(PCF,经营现金流TTM)
pcf_ncf	double	市现率(PCF,现金净流量)
pcf_ncfttm	double	市现率(PCF,现金净流量TTM)
ps	double	市销率(PS)
ps_ttm	double	市销率(PS,TTM)
turnoverratio	double	换手率
freeturnover	double	换手率(自由流通股本)
total_share	double	当日总股本
float_share	double	当日流通股本
close	double	当日收盘价
price_div_dps	double	股价/每股派息
free_share	double	当日自由流通股本
profit_ttm	double	归属母公司净利润(TTM)
profit_lyr	double	归属母公司净利润(LYR)
net_assets	double	当日净资产
cash_flows_oper_act_ttm	double	经营活动产生的现金流量净额(TTM)
cash_flows_oper_act_lyr	double	经营活动产生的现金流量净额(LYR)
operrev_ttm	double	营业收入(TTM)
operrev_lyr	double	营业收入(LYR)
limit_status	Int	涨跌停状态

资产负债表

调用示例

df, msg = api.query(
                view="lb.balanceSheet",
                fields="",
                filter="symbol=002636.SZ",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	string	公告开始日期
end_date	string	公告结束日期
comp_type_code	string	公司类型代码
start_actdate	string	实际公告开始日期
end_actdate	string	实际公告结束日期
start_reportdate	string	报告期开始日期
start_reportdate	string	报告期结束日期
report_type	string	报表类型
update_flag	int	数据更新标记

输出参数

字段	类型	说明
symbol	string	证券代码
ann_date	string	公告日期
comp_type_code	string	公司类型代码
act_ann_date	string	实际公告日期
report_date	string	报告期
report_type	string	报表类型
currency	string	货币代码
monetary_cap	double	货币资金
tradable_assets	double	交易性金融资产
notes_rcv	double	应收票据
acct_rcv	double	应收账款
other_rcv	double	其他应收款
pre_pay	double	预付款项
dvd_rcv	double	应收股利
int_rcv	double	应收利息
inventories	double	存货
consumptive_assets	double	消耗性生物资产
deferred_exp	double	待摊费用
noncur_assets_due_1y	double	一年内到期的非流动资产
settle_rsrv	double	结算备付金
loans_to_banks	double	拆出资金
prem_rcv	double	应收保费
rcv_from_reinsurer	double	应收分保账款
rcv_from_ceded_insur_cont_rsrv	double	应收分保合同准备金
red_monetary_cap_for_sale	double	买入返售金融资产
other_cur_assets	double	其他流动资产
tot_cur_assets	double	流动资产合计
fin_assets_avail_for_sale	double	可供出售金融资产
held_to_mty_invest	double	持有至到期投资
long_term_eqy_invest	double	长期股权投资
invest_real_estate	double	投资性房地产
time_deposits	double	定期存款
other_assets	double	其他资产
long_term_rec	double	长期应收款
fix_assets	double	固定资产
const_in_prog	double	在建工程
proj_matl	double	工程物资
fix_assets_disp	double	固定资产清理
productive_bio_assets	double	生产性生物资产
oil_and_natural_gas_assets	double	油气资产
intang_assets	double	无形资产
r_and_d_costs	double	开发支出
goodwill	double	商誉
long_term_deferred_exp	double	长期待摊费用
deferred_tax_assets	double	递延所得税资产
loans_and_adv_granted	double	发放贷款及垫款
oth_non_cur_assets	double	其他非流动资产
tot_non_cur_assets	double	非流动资产合计
cash_deposits_central_bank	double	现金及存放中央银行款项
asset_dep_oth_banks_fin_inst	double	存放同业和其它金融机构款项
precious_metals	double	贵金属
derivative_fin_assets	double	衍生金融资产
agency_bus_assets	double	代理业务资产
subr_rec	double	应收代位追偿款
rcv_ceded_unearned_prem_rsrv	double	应收分保未到期责任准备金
rcv_ceded_claim_rsrv	double	应收分保未决赔款准备金
rcv_ceded_life_insur_rsrv	double	应收分保寿险责任准备金
rcv_ceded_lt_health_insur_rsrv	double	应收分保长期健康险责任准备金
mrgn_paid	double	存出保证金
insured_pledge_loan	double	保户质押贷款
cap_mrgn_paid	double	存出资本保证金
independent_acct_assets	double	独立账户资产
clients_cap_deposit	double	客户资金存款
clients_rsrv_settle	double	客户备付金
incl_seat_fees_exchange	double	其中:交易席位费
rcv_invest	double	应收款项类投资
tot_assets	double	资产总计
st_borrow	double	短期借款
borrow_central_bank	double	向中央银行借款
deposit_received_ib_deposits	double	吸收存款及同业存放
loans_oth_banks	double	拆入资金
tradable_fin_liab	double	交易性金融负债
notes_payable	double	应付票据
acct_payable	double	应付账款
adv_from_cust	double	预收款项
fund_sales_fin_assets_rp	double	卖出回购金融资产款
handling_charges_comm_payable	double	应付手续费及佣金
empl_ben_payable	double	应付职工薪酬
taxes_surcharges_payable	double	应交税费
int_payable	double	应付利息
dvd_payable	double	应付股利
other_payable	double	其他应付款
acc_exp	double	预提费用
deferred_inc	double	递延收益
st_bonds_payable	double	应付短期债券
payable_to_reinsurer	double	应付分保账款
rsrv_insur_cont	double	保险合同准备金
acting_trading_sec	double	代理买卖证券款
acting_uw_sec	double	代理承销证券款
non_cur_liab_due_within_1y	double	一年内到期的非流动负债
other_cur_liab	double	其他流动负债
tot_cur_liab	double	流动负债合计
lt_borrow	double	长期借款
bonds_payable	double	应付债券
lt_payable	double	长期应付款
specific_item_payable	double	专项应付款
provisions	double	预计负债
deferred_tax_liab	double	递延所得税负债
deferred_inc_non_cur_liab	double	递延收益-非流动负债
other_non_cur_liab	double	其他非流动负债
tot_non_cur_liab	double	非流动负债合计
liab_dep_other_banks_inst	double	同业和其它金融机构存放款项
derivative_fin_liab	double	衍生金融负债
cust_bank_dep	double	吸收存款
agency_bus_liab	double	代理业务负债
other_liab	double	其他负债
prem_received_adv	double	预收保费
deposit_received	double	存入保证金
insured_deposit_invest	double	保户储金及投资款
unearned_prem_rsrv	double	未到期责任准备金
out_loss_rsrv	double	未决赔款准备金
life_insur_rsrv	double	寿险责任准备金
lt_health_insur_v	double	长期健康险责任准备金
independent_acct_liab	double	独立账户负债
incl_pledge_loan	double	其中:质押借款
claims_payable	double	应付赔付款
dvd_payable_insured	double	应付保单红利
total_liab	double	负债合计
capital_stk	double	股本
capital_reser	double	资本公积金
special_rsrv	double	专项储备
surplus_rsrv	double	盈余公积金
undistributed_profit	double	未分配利润
less_tsy_stk	double	减:库存股
prov_nom_risks	double	一般风险准备
cnvd_diff_foreign_curr_stat	double	外币报表折算差额
unconfirmed_invest_loss	double	未确认的投资损失
minority_int	double	少数股东权益
tot_shrhldr_eqy_excl_min_int	double	股东权益合计(不含少数股东权益)
tot_shrhldr_eqy_incl_min_int	double	股东权益合计(含少数股东权益)
tot_liab_shrhldr_eqy	double	负债及股东权益总计
spe_cur_assets_diff	double	流动资产差额(特殊报表科目)
tot_cur_assets_diff	double	流动资产差额(合计平衡项目)
spe_non_cur_assets_diff	double	非流动资产差额(特殊报表科目)
tot_non_cur_assets_diff	double	非流动资产差额(合计平衡项目)
spe_bal_assets_diff	double	资产差额(特殊报表科目)
tot_bal_assets_diff	double	资产差额(合计平衡项目)
spe_cur_liab_diff	double	流动负债差额(特殊报表科目)
tot_cur_liab_diff	double	流动负债差额(合计平衡项目)
spe_non_cur_liab_diff	double	非流动负债差额(特殊报表科目)
tot_non_cur_liab_diff	double	非流动负债差额(合计平衡项目)
spe_bal_liab_diff	double	负债差额(特殊报表科目)
tot_bal_liab_diff	double	负债差额(合计平衡项目)
spe_bal_shrhldr_eqy_diff	double	股东权益差额(特殊报表科目)
tot_bal_shrhldr_eqy_diff	double	股东权益差额(合计平衡项目)
spe_bal_liab_eqy_diff	double	负债及股东权益差额(特殊报表项目)
tot_bal_liab_eqy_diff	double	负债及股东权益差额(合计平衡项目)
lt_payroll_payable	double	长期应付职工薪酬
other_comp_income	double	其他综合收益
other_equity_tools	double	其他权益工具
other_equity_tools_p_shr	double	其他权益工具:优先股
lending_funds	double	融出资金
accounts_receivable	double	应收款项
st_financing_payable	double	应付短期融资款
payables	double	应付款项
update_flag	int	数据更新标记

利润表

调用示例

df, msg = api.query(
                view="lb.income",
                fields="",
                filter="symbol=600030.SH,000063.SZ,000001.SZ&report_type=408002000&start_date=20160601&end_date=20170601",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	string	公告开始日期
end_date	string	公告结束日期
comp_type_code	string	公司类型代码
start_actdate	string	实际公告开始日期
end_actdate	string	实际公告结束日期
start_reportdate	string	报告期开始日期
start_reportdate	string	报告期结束日期
report_type	string	报表类型
update_flag	int	数据更新标记

输出参数

字段	类型	说明
symbol	string	证券代码
ann_date	string	公告日期
comp_type_code	string	公司类型代码
act_ann_date	string	实际公告日期
report_date	string	报告期
report_type	string	报表类型
currency	string	货币代码
total_oper_rev	double	营业总收入
oper_rev	double	营业收入
int_income	double	利息收入
net_int_income	double	利息净收入
insur_prem_unearned	double	已赚保费
handling_chrg_income	double	手续费及佣金收入
net_handling_chrg_income	double	手续费及佣金净收入
net_inc_other_ops	double	其他经营净收益
plus_net_inc_other_bus	double	加:其他业务净收益
prem_income	double	保费业务收入
less_ceded_out_prem	double	减:分出保费
chg_unearned_prem_res	double	提取未到期责任准备金
incl_reinsurance_prem_inc	double	其中:分保费收入
net_inc_sec_trading_brok_bus	double	代理买卖证券业务净收入
net_inc_sec_uw_bus	double	证券承销业务净收入
net_inc_ec_asset_mgmt_bus	double	受托客户资产管理业务净收入
other_bus_income	double	其他业务收入
plus_net_gain_chg_fv	double	加:公允价值变动净收益
plus_net_invest_inc	double	加:投资净收益
incl_inc_invest_assoc_jv_entp	double	其中:对联营企业和合营企业的投资收益
plus_net_gain_fx_trans	double	加:汇兑净收益
tot_oper_cost	double	营业总成本
less_oper_cost	double	减:营业成本
less_int_exp	double	减:利息支出
less_handling_chrg_comm_exp	double	减:手续费及佣金支出
less_taxes_surcharges_ops	double	减:营业税金及附加
less_selling_dist_exp	double	减:销售费用
less_gerl_admin_exp	double	减:管理费用
less_fin_exp	double	减:财务费用
less_impair_loss_assets	double	减:资产减值损失
prepay_surr	double	退保金
tot_claim_exp	double	赔付总支出
chg_insur_cont_rsrv	double	提取保险责任准备金
dvd_exp_insured	double	保户红利支出
reinsurance_exp	double	分保费用
oper_exp	double	营业支出
less_claim_recb_reinsurer	double	减:摊回赔付支出
less_ins_rsrv_recb_reinsurer	double	减:摊回保险责任准备金
less_exp_recb_reinsurer	double	减:摊回分保费用
other_bus_cost	double	其他业务成本
oper_profit	double	营业利润
plus_non_oper_rev	double	加:营业外收入
less_non_oper_exp	double	减:营业外支出
il_net_loss_disp_noncur_asset	double	其中:减:非流动资产处置净损失
tot_profit	double	利润总额
inc_tax	double	所得税
unconfirmed_invest_loss	double	未确认投资损失
net_profit_incl_min_int_inc	double	净利润(含少数股东损益)
net_profit_excl_min_int_inc	double	净利润(不含少数股东损益)
minority_int_inc	double	少数股东损益
other_compreh_inc	double	其他综合收益
tot_compreh_inc	double	综合收益总额
tot_compreh_inc_parent_comp	double	综合收益总额(母公司)
tot_compreh_inc_min_shrhldr	double	综合收益总额(少数股东)
ebit	double	息税前利润
ebitda	double	息税折旧摊销前利润
net_profit_after_ded_nr_lp	double	扣除非经常性损益后净利润
net_profit_under_intl_acc_sta	double	国际会计准则净利润
s_fa_eps_basic	double	基本每股收益
s_fa_eps_diluted	double	稀释每股收益
insurance_expense	double	保险业务支出
spe_bal_oper_profit	double	营业利润差额(特殊报表科目)
tot_bal_oper_profit	double	营业利润差额(合计平衡项目)
spe_bal_tot_profit	double	利润总额差额(特殊报表科目)
tot_bal_tot_profit	double	利润总额差额(合计平衡项目)
spe_bal_net_profit	double	净利润差额(特殊报表科目)
tot_bal_net_profit	double	净利润差额(合计平衡项目)
undistributed_profit	double	年初未分配利润
adjlossgain_prevyear	double	调整以前年度损益
transfer_from_surplusreserve	double	盈余公积转入
transfer_from_housingimprest	double	住房周转金转入
transfer_from_others	double	其他转入
distributable_profit	double	可分配利润
withdr_legalsurplus	double	提取法定盈余公积
withdr_legalpubwelfunds	double	提取法定公益金
workers_welfare	double	职工奖金福利
withdr_buzexpwelfare	double	提取企业发展基金
withdr_reservefund	double	提取储备基金
distributable_profit_shrhder	double	可供股东分配的利润
prfshare_dvd_payable	double	应付优先股股利
withdr_othersurpreserve	double	提取任意盈余公积金
comshare_dvd_payable	double	应付普通股股利
capitalized_comstock_div	double	转作股本的普通股股利
update_flag	double	数据更新标记

现金流量表

调用示例

df, msg = api.query(
                view="lb.cashFlow",
                fields="",
                filter="symbol=002548.SZ",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	string	公告开始日期
end_date	string	公告结束日期
comp_type_code	string	公司类型代码
start_actdate	string	实际公告开始日期
end_actdate	string	实际公告结束日期
start_reportdate	string	报告期开始日期
start_reportdate	string	报告期结束日期
report_type	string	报表类型
update_flag	int	数据更新标记

输出参数

字段	类型	说明
symbol	string	证券代码
ann_date	string	公告日期
comp_type_code	string	公司类型代码
act_ann_date	string	实际公告日期
report_date	string	报告期
report_type	string	报表类型
currency	string	货币代码
cash_recp_sg_and_rs	double	销售商品、提供劳务收到的现金
recp_tax_rends	double	收到的税费返还
net_incr_dep_cob	double	客户存款和同业存放款项净增加额
net_incr_loans_central_bank	double	向中央银行借款净增加额
net_incr_fund_borr_ofi	double	向其他金融机构拆入资金净增加额
cash_recp_prem_orig_inco	double	收到原保险合同保费取得的现金
net_incr_insured_dep	double	保户储金净增加额
net_cash_received_reinsu_bus	double	收到再保业务现金净额
net_incr_disp_tfa	double	处置交易性金融资产净增加额
net_incr_int_handling_chrg	double	收取利息和手续费净增加额
net_incr_disp_faas	double	处置可供出售金融资产净增加额
net_incr_loans_other_bank	double	拆入资金净增加额
net_incr_repurch_bus_fund	double	回购业务资金净增加额
other_cash_recp_ral_oper_act	double	收到其他与经营活动有关的现金
stot_cash_inflows_oper_act	double	经营活动现金流入小计
cash_pay_goods_purch_serv_rec	double	购买商品、接受劳务支付的现金
cash_pay_beh_empl	double	支付给职工以及为职工支付的现金
pay_all_typ_tax	double	支付的各项税费
net_incr_clients_loan_adv	double	客户贷款及垫款净增加额
net_incr_dep_cbob	double	存放央行和同业款项净增加额
cash_pay_claims_orig_inco	double	支付原保险合同赔付款项的现金
handling_chrg_paid	double	支付手续费的现金
comm_insur_plcy_paid	double	支付保单红利的现金
other_cash_pay_ral_oper_act	double	支付其他与经营活动有关的现金
stot_cash_outflows_oper_act	double	经营活动现金流出小计
net_cash_flows_oper_act	double	经营活动产生的现金流量净额
cash_recp_disp_withdrwl_invest	double	收回投资收到的现金
cash_recp_return_invest	double	取得投资收益收到的现金
net_cash_recp_disp_fiolta	double	处置固定资产、无形资产和其他长期资产收回的现金净额
net_cash_recp_disp_sobu	double	处置子公司及其他营业单位收到的现金净额
other_cash_recp_ral_inv_act	double	收到其他与投资活动有关的现金
stot_cash_inflows_inv_act	double	投资活动现金流入小计
cash_pay_acq_const_fiolta	double	购建固定资产、无形资产和其他长期资产支付的现金
cash_paid_invest	double	投资支付的现金
net_cash_pay_aquis_sobu	double	取得子公司及其他营业单位支付的现金净额
other_cash_pay_ral_inv_act	double	支付其他与投资活动有关的现金
net_incr_pledge_loan	double	质押贷款净增加额
stot_cash_outflows_inv_act	double	投资活动现金流出小计
net_cash_flows_inv_act	double	投资活动产生的现金流量净额
cash_recp_cap_contrib	double	吸收投资收到的现金
incl_cash_rec_saims	double	其中:子公司吸收少数股东投资收到的现金
cash_recp_borrow	double	取得借款收到的现金
proc_issue_bonds	double	发行债券收到的现金
other_cash_recp_ral_fnc_act	double	收到其他与筹资活动有关的现金
stot_cash_inflows_fnc_act	double	筹资活动现金流入小计
cash_prepay_amt_borr	double	偿还债务支付的现金
cash_pay_dist_dpcp_int_exp	double	分配股利、利润或偿付利息支付的现金
incl_dvd_profit_paid_sc_ms	double	其中:子公司支付给少数股东的股利、利润
other_cash_pay_ral_fnc_act	double	支付其他与筹资活动有关的现金
stot_cash_outflows_fnc_act	double	筹资活动现金流出小计
net_cash_flows_fnc_act	double	筹资活动产生的现金流量净额
eff_fx_flu_cash	double	汇率变动对现金的影响
net_incr_cash_cash_equ	double	现金及现金等价物净增加额
cash_cash_equ_beg_period	double	期初现金及现金等价物余额
cash_cash_equ_end_period	double	期末现金及现金等价物余额
net_profit	double	净利润
unconfirmed_invest_loss	double	未确认投资损失
plus_prov_depr_assets	double	加:资产减值准备
depr_fa_coga_dpba	double	固定资产折旧、油气资产折耗、生产性生物资产折旧
amort_intang_assets	double	无形资产摊销
amort_lt_deferred_exp	double	长期待摊费用摊销
decr_deferred_exp	double	待摊费用减少
incr_acc_exp	double	预提费用增加
loss_disp_fiolta	double	处置固定、无形资产和其他长期资产的损失
loss_scr_fa	double	固定资产报废损失
loss_fv_chg	double	公允价值变动损失
fin_exp	double	财务费用
invest_loss	double	投资损失
decr_deferred_inc_tax_assets	double	递延所得税资产减少
incr_deferred_inc_tax_liab	double	递延所得税负债增加
decr_inventories	double	存货的减少
decr_oper_payable	double	经营性应收项目的减少
incr_oper_payable	double	经营性应付项目的增加
others	double	其他
im_net_cash_flows_oper_act	double	间接法-经营活动产生的现金流量净额
conv_debt_into_cap	double	债务转为资本
conv_corp_bonds_due_within_1y	double	一年内到期的可转换公司债券
fa_fnc_leases	double	融资租入固定资产
end_bal_cash	double	现金的期末余额
less_beg_bal_cash	double	减:现金的期初余额
plus_end_bal_cash_equ	double	加:现金等价物的期末余额
less_beg_bal_cash_equ	double	减:现金等价物的期初余额
im_net_incr_cash_cash_equ	double	间接法-现金及现金等价物净增加额
free_cash_flow	double	企业自由现金流量(FCFF)
spe_bal_cash_inflows_oper	double	经营活动现金流入差额(特殊报表科目)
tot_bal_cash_inflows_oper	double	经营活动现金流入差额(合计平衡项目)
spe_bal_cash_outflows_oper	double	经营活动现金流出差额(特殊报表科目)
tot_bal_cash_outflows_oper	double	经营活动现金流出差额(合计平衡项目)
tot_bal_netcash_outflows_oper	double	经营活动产生的现金流量净额差额(合计平衡项目)
spe_bal_cash_inflows_inv	double	投资活动现金流入差额(特殊报表科目)
tot_bal_cash_inflows_inv	double	投资活动现金流入差额(合计平衡项目)
spe_bal_cash_outflows_inv	double	投资活动现金流出差额(特殊报表科目)
tot_bal_cash_outflows_inv	double	投资活动现金流出差额(合计平衡项目)
tot_bal_netcash_outflows_inv	double	投资活动产生的现金流量净额差额(合计平衡项目)
spe_bal_cash_inflows_fnc	double	筹资活动现金流入差额(特殊报表科目)
tot_bal_cash_inflows_fnc	double	筹资活动现金流入差额(合计平衡项目)
spe_bal_cash_outflows_fnc	double	筹资活动现金流出差额(特殊报表科目)
tot_bal_cash_outflows_fnc	double	筹资活动现金流出差额(合计平衡项目)
tot_bal_netcash_outflows_fnc	double	筹资活动产生的现金流量净额差额(合计平衡项目)
spe_bal_netcash_inc	double	现金净增加额差额(特殊报表科目)
tot_bal_netcash_inc	double	现金净增加额差额(合计平衡项目)
spe_bal_netcash_equ_undir	double	间接法-经营活动现金流量净额差额(特殊报表科目)
tot_bal_netcash_equ_undir	double	间接法-经营活动现金流量净额差额(合计平衡项目)
spe_bal_netcash_inc_undir	double	间接法-现金净增加额差额(特殊报表科目)
spe_bal_netcash_inc_undir	double	间接法-现金净增加额差额(合计平衡项目)
update_flag	int	数据更新标记

业绩快报

调用示例

df, msg = api.query(
                view="lb.profitExpress",
                fields="",
                filter="start_anndate=20170101&end_anndate=20171010",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_anndate	string	公告开始日期
end_anndate	string	公告结束日期
start_reportdate	string	报告开始期
end_reportdate	string	报告结束期

输出参数

字段	类型	说明
symbol	string	证券代码
ann_date	string	公告日期
report_date	string	报告期
oper_rev	double	营业收入(元)
oper_profit	double	营业利润(元)
total_profit	double	利润总额(元)
net_profit_int_inc	double	净利润(元)
total_assets	double	总资产(元)
tot_shrhldr_int	double	股东权益合计
eps_diluted	double	每股收益(摊薄)(元)
roe_diluted	double	净资产收益率(摊薄)(%)
is_audit	double	是否审计
yoy_int_inc	double	去年同期修正后净利润

限售股解禁表

调用示例

df, msg = api.query(
                view="lb.secRestricted",
                fields="",
                filter="start_date=20170101&end_date=20171011",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	string	开始日期
end_date	string	结束日期

输出参数

字段	类型	说明
symbol	string	证券代码
list_date	string	本期解禁流通日期
lifted_reason	string	本期解禁原因（来源）
lifted_shares	double	本期解禁数量
lifted_ratio	double	可流通占A股总数比例

指数基本信息表

调用示例

df, msg = api.query(
                view="lb.indexCons",
                fields="",
                filter="index_code=000001.SH&start_date=20170113&end_date=20171010", # this api must add start and end date both
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码

输出参数

字段	类型	说明
symbol	string	证券代码
name	string	证券简称
compname	string	指数名称
exchmarket	string	交易所
index_baseper	string	基期
index_basept	double	基点
listdate	string	发布日期
index_weightsrule	string	加权方式
publisher	string	发布方
indexcode	int	指数类别代码
indexstyle	string	指数风格
index_intro	string	指数简介
weight_type	int	权重类型
expire_date	string	终止发布日期

指数成份股表

调用示例

df, msg = api.query(
                view="lb.indexCons",
                fields="",
                filter="index_code=399001&is_new=Y",
                data_format='pandas')

输入参数

字段	类型	说明
index_code	string	指数代码

输出参数

字段	类型	说明
index_code	string	指数代码
symbol	string	证券代码
in_date	string	纳入日期
out_date	string	剔除日期
is_new	int	最新标志

公募基金净值表

调用示例

df, msg = api.query(
                view="lb.mfNav",
                fields="",
                filter="",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	string	公告开始日期
end_date	string	公告结束日期
start_pdate	string	截止开始日期
end_pdate	string	截止结束日期
update_flag	Int	数据更新标记

输出参数

字段	类型	说明
symbol	string	证券代码
ann_date	string	公告日期
price_date	string	截止日期
nav	double	单位净值
nav_accumulated	double	累计净值
div_accumulated	double	累计分红
adj_factor	double	复权因子
currency	string	货币代码
netasset	double	资产净值
if_mergedshare	Int	是否合计数据
netasset_total	double	合计资产净值
nav_adjusted	double	复权单位净值
update_flag	int	数据更新标记

基金分红表

调用示例

df, msg = api.query(
                view="lb.mfDividend",
                fields="",
                filter="",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	string	公告开始日期
end_date	string	公告结束日期
update_flag	int	数据更新标记

输出参数

字段	类型	说明
symbol	string	证券代码
ann_date	string	公告日期
ebch_date	string	可分配收益基准日
div_progress	string	方案进度
cash_dvd	double	每股派息(元)
currency	string	货币代码
record_date	string	权益登记日
ex_date	string	除息日
div_edexdate	string	除息日(场外)
pay_date	string	派息日
div_paydate	string	派息日(场外)
div_impdate	string	分红实施公告日
sh_bch_y	string	份额基准年度
bch_unit	double	基准基金份额(万份)
eapr	double	可分配收益(元)
exdiv_date	string	净值除权日
eapr_amount	double	收益分配金额(元)
reinv_bch_date	string	红利再投资份额净值基准日
reinv_toac_date	string	红利再投资到账日
reinv_redeem_date	string	红利再投资可赎回起始日
div_object	string	分配对象
div_ipaydt	string	收益支付日
update_flag	int	数据更新标记

基金投资组合表

调用示例

df, msg = api.query(
                view="lb.mfPortfolio",
                fields="",
                filter="",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_date	string	公告开始日期
end_date	string	公告结束日期
update_flag	int	数据更新标记

输出参数

字段	类型	说明
symbol	string	证券代码
ann_date	string	公告日期
prt_enddate	string	截止日期
currency	string	货币代码
s_symbol	string	股票代码
stk_value	double	持有股票市值(元)
stk_quantity	double	持有股票数量（股）
stk_valuetonav	double	持有股票市值占基金净值比例(%)
posstk_value	double	积极投资持有股票市值(元)
posstk_quantity	double	积极投资持有股数（股）
posstkto_nav	double	积极投资持有股票市值占净资产比例(%)
passtke_value	double	指数投资持有股票市值(元)
passtk_quantity	double	指数投资持有股数（股）
passtkto_nav	double	指数投资持有股票市值占净资产比例(%)
stock_per	double	占股票市值比
float_shr_per	double	占流通股本比例
update_flag	int	数据更新标记

基金持有债券组合

调用示例

df, msg = api.query(
                view="lb.mfBondPortfolio",
                fields="",
                filter="",
                data_format='pandas')

输入参数

字段	类型	说明
symbol	string	证券代码
start_pdate	string	截止开始日期
end_pdate	string	截止结束日期
update_flag	int	数据更新标记

输出参数

字段	类型	说明
symbol	string	证券代码
prt_enddate	string	截止日期
currency	string	货币代码
bond_code	string	持有债券代码
bond_value	double	持有债券市值(元)
bond_quantity	double	持有债券数量（张）
bond_valueto_nav	double	持有债券市值占基金净值比例(%)
update_flag	Int	数据更新标记

Other Important APIs

jaqs.data package

Subpackages

jaqs.data.basic package

Submodules

jaqs.data.basic.instrument module

jaqs.data.basic.marketdata module

jaqs.data.basic.order module

jaqs.data.basic.position module

jaqs.data.basic.trade module

Module contents

jaqs.data.dataapi package

Submodules

jaqs.data.dataapi.data_api module

jaqs.data.dataapi.jrpc_py module

jaqs.data.dataapi.utils module

Module contents

Submodules

jaqs.data.align module

jaqs.data.dataservice module

jaqs.data.dataview module

jaqs.data.py_expression_eval module

Module contents

jaqs.trade package

Subpackages

jaqs.trade.analyze package

Subpackages

jaqs.trade.analyze.static package

Module contents

Submodules

jaqs.trade.analyze.analyze module

jaqs.trade.analyze.pnlreport module

jaqs.trade.analyze.report module

Module contents

jaqs.trade.event package

Submodules

jaqs.trade.event.engine module

jaqs.trade.event.eventtype module

Module contents

jaqs.trade.tradeapi package

Submodules

jaqs.trade.tradeapi.jrpc_py module

jaqs.trade.tradeapi.trade_api module

jaqs.trade.tradeapi.utils module

Module contents

Submodules

jaqs.trade.backtest module

jaqs.trade.common module

jaqs.trade.livetrade module

jaqs.trade.model module

jaqs.trade.portfoliomanager module

jaqs.trade.strategy module

jaqs.trade.tradegateway module

Module contents

jaqs.research package

Subpackages

jaqs.research.signaldigger package

Submodules

jaqs.research.signaldigger.digger module

jaqs.research.signaldigger.performance module

jaqs.research.signaldigger.plotting module

Module contents

Module contents

jaqs.util package

Submodules

jaqs.util.dtutil module

combine_date_time(date, time)

convert_datetime_to_int(dt)

convert_int_to_datetime(dt)

Convert int date (%Y%m%d) to datetime.datetime object.

get_next_period_day(current, period, n=1, extra_offset=0)

Get the n’th day in next period from current day.

参数:

• current (int) – Current date in format “%Y%m%d”.
• period (str) – Interval between current and next. {‘day’, ‘week’, ‘month’}
• n (int) – n times period.
• extra_offset (int) – n’th business day after next period.

返回:

nxt

返回类型:

int

shift(date, n_weeks=0)

Shift date backward or forward for n weeks.

参数:

• date (int or datetime) – The date to be shifted.
• n_weeks (int, optional) – Positive for increasing date, negative for decreasing date. Default 0 (no shift).

返回:

res

返回类型:

int or datetime

split_date_time(dt)

jaqs.util.fileio module

create_dir(filename)

Create dir if directory of filename does not exist.

参数:filename (str) –

fig2base64(fig, format='png')

参数:

• fig (matplotlib.fig.Figure) –
• format (str) – Eg. png, jpg

join_relative_path(*paths)

Get absolute path using paths that are relative to project root.

load_pickle(fp)

Read Pickle file. Return None if file not found.

参数:fp (str) – Path of the Pickle file. 返回: 返回类型:object or None

read_json(fp)

Read JSON file to dict. Return None if file not found.

参数:fp (str) – Path of the JSON file. 返回: 返回类型:dict

save_json(serializable, file_name)

Save an serializable object to JSON file.

参数:

• serializable (object) –
• file_name (str) –

save_pickle(obj, file_name)

Save an object to Pickle file.

参数:

• obj (object) –
• file_name (str) –

jaqs.util.numeric module

quantilize_without_nan(mat, n_quantiles=5, axis=-1)

jaqs.util.pdutil module

fillinf(df)

group_df_to_dict(df, by)

to_quantile(df, n_quantiles=5, axis=1)

Convert cross-section values to the quantile number they belong. Small values get small quantile numbers.

参数:

• df (DataFrame) – index date, column symbols
• n_quantiles (int) – The number of quantile to be divided to.
• axis (int) – Axis to apply quantilize.

返回:

res – index date, column symbols

返回类型:

DataFrame

jaqs.util.profile module

class SimpleTimer

Bases: object

All time are counted relative to start.

tick(event_name='Untitled')

jaqs.util.sequence module

class SequenceGenerator

Bases: object

get_next(key)

Module contents

License

Apache 2.0许可协议。版权所有(c)2017 quantOS-org(量化开源会)。