# zvt **Repository Path**: KillBugX/zvt ## Basic Information - **Project Name**: zvt - **Description**: ZVT是在fooltrader的基础上重新思考后编写的量化项目，其包含可扩展的数据recorder，api，因子计算，选股，回测，定位为日线级别全市场分析和交易框架。 - **Primary Language**: Python - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 305 - **Created**: 2019-05-22 - **Last Updated**: 2020-12-19 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README **Read this in other languages: [English](README-en.md).** ZVT是在[fooltrader](https://github.com/foolcage/fooltrader)的基础上重新思考后编写的量化项目，其包含可扩展的数据recorder，api，因子计算，选股，回测，定位为日线级别全市场分析和交易框架。 # 1.数据 设计要点 * schema的稳定性 整个金融市场的属性是稳定的，你需要关注的东西是稳定的，比如k线，比如财务报表，比如资金流. * schema字段的确定性 举个栗子，资产负债表里面无形资产字段，joinquant为intangible_assets，eastmoney为Intangibleasset，如果你直接依赖provider提供的字段来进行后续的计算，将有极大的风险，一家provider不可用，将使整个程序不可用。因此必须将相应的provider的数据转为自己定义的格式。 * 多provider支持 前面的两个稳定性决定了多provider支持的可行，并为数据的完整性提供了保障，当某家provider数据不能满足需求时，可以多provider互补。当然，还可以利用多provider对数据进行交叉验证。 扩展数据请参考：[通过添加聚宽数据说明如何做数据扩展](./docs/add_provider.md) 目前支持的数据: |名称|dataschema|provider|comments| |-----------|--------|--------|-----| |个股资料|Stock|eastmoney|个股和板块为多对多的关系| |板块资料|Index|eastmoney,sina|板块有行业,概念,区域三个分类的维度,不同的provider分类会有所不同,个股和板块为多对多的关系| |个股日线行情|StockDayKdata|eastmoney,joinquant,netease,sina|| |指数日线行情|IndexDayKdata|eastmoney,sina|指数本质上也是一种板块,指数对应板块资料中的标的| |个股资金流|MoneyFlow|eastmoney,sina|| |板块资金流|MoneyFlow|eastmoney,sina|对应板块资料里面的标的| |分红融资数据|DividendFinancing|eastmoney|企业最后的底线就是能不能给投资者赚钱,此为年度统计信息| |分红明细|DividendDetail|eastmoney|| |融资明细|SPODetail|eastmoney|| |配股明细|RightsIssueDetail|eastmoney|| |主要财务指标|FinanceFactor|eastmoney|| |资产负债表|BalanceSheet|eastmoney|| |利润表|IncomeStatement|eastmoney|| |现金流量表|CashFlowStatement|eastmoney|| |十大股东|TopTenHolder|eastmoney|| |十大流通股东|TopTenTradableHolder|eastmoney|| |机构持股|InstitutionalInvestorHolder|eastmoney|| |高管交易|ManagerTrading|eastmoney|| |大股东交易|HolderTrading|eastmoney|| |大宗交易|BigDealTrading|eastmoney|| |融资融券|MarginTrading|eastmoney|| |龙虎榜数据|DragonAndTiger|eastmoney|| # 2. api 整个api体系提供统一的查询能力，基本上不需要文档，会使用一个，其他也就会使用了。 下面展示几个例子： ### 社保持仓 ### ```bash In [20]: df = get_top_ten_tradable_holder(start_timestamp='2018-09-30',filters=[TopTenTradableHolder.holder_name.like('%社保%')],order=TopTenTradableHolder.shareholding_ratio.desc()) Out[21]: holder_name code shareholding_numbers shareholding_ratio change change_ratio 0 全国社保基金一零三组合 600511 20000000.0 0.0720 5000000.0 0.3333 1 全国社保基金一零三组合 002061 39990000.0 0.0715 -15000000.0 -0.2728 2 全国社保基金六零四组合 002539 3 全国社保基金六零四组合 002539 38600000.0 0.0637 NaN NaN 779 全国社保基金一一三组合 601088 9258000.0 0.0005 NaN NaN 780 全国社保基金四零七组合 601628 10950000.0 0.0004 1500000.0 0.1587 781 全国社保基金四零七组合 601628 9450000.0 0.0003 NaN NaN [782 rows x 6 columns] ``` ### 马云持仓 ### ```bash In [26]: df = get_top_ten_tradable_holder(filters=[TopTenTradableHolder.holder_name=='马云']) Out[27]: holder_name code shareholding_numbers shareholding_ratio change change_ratio 0 马云 002204 460800.0 0.0085 NaN NaN 1 马云 300027 3912000.0 0.0205 NaN NaN 2 马云 300027 8319000.0 0.0230 NaN NaN 3 马云 300027 8319000.0 0.0230 NaN NaN 22 马云 300027 99780000.0 0.0520 NaN NaN 23 马云 300027 99780000.0 0.0520 NaN NaN 24 马云 300027 99780000.0 0.0451 NaN NaN ``` ### 2018年报eps前50 ```bash In [30]: df = get_finance_factor(start_timestamp='2018-12-31',order=FinanceFactor.basic_eps.desc(),limit=50,columns=[FinanceFactor.code,FinanceFactor.timestamp,FinanceFactor.basic_eps]) Out[31]: code timestamp basic_eps 0 600519 2018-12-31 28.0200 1 603444 2018-12-31 10.1200 2 601318 2018-12-31 6.0200 3 000661 2018-12-31 5.9200 47 603393 2018-12-31 2.0900 48 601869 2018-12-31 2.0900 49 600507 2018-12-31 2.0800 ``` 更多api和相应的数据，可查看代码: [*data schema*](./zvt/domain/) [*data api*](./zvt/api/) # 3. factor factor分为两类，过滤器和评分器 [*MustFactor*](./zvt/factors/factor.py#L120) [*ScoreFactor*](./zvt/factors/factor.py#L129) ### 在一年内有被主人抛弃的个股 ```bash In [39]: factor = ManagerGiveUpFactor(the_timestamp='2018-12-31', window=pd.DateOffset(days=365)) In [40]: factor.run() In [41]: factor.df Out[41]: volume score security_id timestamp stock_sh_600031 2018-12-31 -2.618000e+05 False 2018-12-31 -2.209000e+05 False 2018-12-31 -2.067667e+05 False stock_sh_600089 2018-12-31 -2.226000e+03 False stock_sh_600136 2018-12-31 -7.510333e+06 False 2018-12-31 -6.791000e+06 False stock_sz_300635 2018-12-31 -3.922000e+06 False 2018-12-31 -2.020000e+06 False stock_sz_300637 2018-12-31 -5.670000e+04 False 2018-12-31 -5.670000e+04 False 2018-12-31 -4.723667e+04 False 2018-12-31 -4.133500e+04 False 2018-12-31 -4.440800e+04 False 2018-12-31 -3.937333e+04 False 2018-12-31 -4.184857e+04 False stock_sz_300699 2018-12-31 -1.506000e+04 False 2018-12-31 -3.238000e+04 False 2018-12-31 -2.784333e+04 False 2018-12-31 -5.105750e+04 False 2018-12-31 -4.494400e+04 False 2018-12-31 -3.756417e+04 False 2018-12-31 -3.234029e+04 False 2018-12-31 -3.085900e+04 False [318 rows x 2 columns] ``` ### 营收利润增速评分 ```bash In [42]: from zvt.factors.finance_factor import * In [43]: factor = FinanceGrowthFactor(window=pd.DateOffset(days=365), start_timestamp='2017-12-31',end_timestamp='2018-12-31') In [43]: factor.run() In [44]: factor.df Out[44]: op_income_growth_yoy net_profit_growth_yoy security_id timestamp stock_sh_600000 2017-12-31 NaN 0.3 2018-03-31 NaN 0.3 2018-06-30 NaN 0.3 2018-09-30 NaN 0.3 2018-12-31 NaN 0.3 stock_sh_600004 2017-12-31 0.3 0.3 2018-03-31 NaN 0.3 2018-06-30 0.3 0.3 2018-09-30 0.3 0.3 stock_sh_600006 2017-12-31 0.3 NaN 2018-03-31 NaN NaN 2018-06-30 0.0 0.5 2018-09-30 0.0 0.7 2018-12-31 0.0 0.9 ... ... ... stock_sz_300763 2017-12-31 0.9 0.9 2018-12-31 NaN 0.3 stock_sz_300765 2017-12-31 0.3 NaN 2018-06-30 0.3 0.3 2018-12-31 0.5 0.3 stock_sz_300766 2017-12-31 0.9 0.9 2018-12-31 0.9 0.7 [16116 rows x 2 columns] ``` # 4. selector selector不过是各种factor的组合和权重的调整 # 5. trader trader不过是selector在时间轴上的应用,然后看其表现 # 6. 如何贡献代码 ## 6.1 架构图

## 6.2 贡献方式 * 测试代码 * bug fix * 数据源recorder实现 * score factor算法 * trader * UI * 文档教程 # 联系方式 QQ群:300911873 如果你喜欢该项目,请加星支持一下,并在申请入群时告知github user name.