# 3.2 分析师推荐 • 分析师的金手指？
> 在我们的观点中，分析师对股票的评级以及EPS的估计，更多的是对该之股票过去一段时间表现的总结，并没有明确的预测未来的能力。鉴于分析师估计的延迟特点，在我们的策略中我们将分析师估计作为反向指标使用。粗略的说，在固定的期限内，我们买入分析师调低预期的股票，卖出分析师调高预期的股票。
本策略的参数如下：
+ 起始日期： 2011年1月1日
+ 结束日期： 2015年3月19日
+ 股票池： 沪深300
+ 业绩基准： 沪深300
+ 起始资金： 100000元
+ 调仓周期： 3个月
本策略使用的主要数据API有：
这里我们使用了来自于第三方朝阳永续的数据API（需要在数据商城中购买）
+ `CGRDReportGGGet` 获取朝阳永续分析师一致评级
+ `CESTReportGGGet` 获取朝阳永续分析师一致预期
[朝阳永续分析师分析数据相关链接](https://api.wmcloud.com/docs/pages/viewpage.action?pageId=2392750)
```py
import pandas as pd
start = datetime(2011,1, 1) # 回测起始时间
end = datetime(2015, 3, 19) # 回测结束时间
benchmark = 'HS300' # 策略参考标准
universe = set_universe('HS300') # 股票池
#universe = ['600000.XSHG', '000001.XSHE']
capital_base = 100000 # 起始资金
commission = Commission(0.0,0.0)
longest_history = 1
def CGRDwithBatch(universe, batch, startDate, endDate):
res = pd.DataFrame()
totalLength = len(universe)
count = 0
while totalLength > batch:
tmp = DataAPI.GG.CGRDReportGGGet(secID = universe[count * batch : (count + 1) * batch], BeginPubDate = startDate, EndPubDate = endDate)
count += 1
totalLength -= batch
res = res.append(tmp)
tmp = DataAPI.GG.CGRDReportGGGet(secID = universe[(count * batch):], BeginPubDate = startDate, EndPubDate = endDate)
res = res.append(tmp)
return res
def CESTwithBatch(universe, batch, startDate, endDate):
res = pd.DataFrame()
totalLength = len(universe)
count = 0
while totalLength > batch:
tmp = DataAPI.GG.CESTReportGGGet(secID = universe[count * batch : (count + 1) * batch], BeginPubDate = startDate, EndPubDate = endDate)
count += 1
totalLength -= batch
res = res.append(tmp)
tmp = DataAPI.GG.CGRDReportGGGet(secID = universe[(count * batch):], BeginPubDate = startDate, EndPubDate = endDate)
res = res.append(tmp)
return res
def MktEqudwithBatch(universe, batch, startDate, endDate):
res = pd.DataFrame()
totalLength = len(universe)
count = 0
while totalLength > batch:
tmp = DataAPI.MktEqudGet(secID = universe[count * batch : (count + 1) * batch], beginDate = startDate, endDate = endDate)
count += 1
totalLength -= batch
res = res.append(tmp)
tmp = DataAPI.MktEqudGet(secID = universe[count * batch : (count + 1) * batch], beginDate = startDate, endDate = endDate)
res = res.append(tmp)
return res
def regressionTesting(universe, startDate, endDate):
import statsmodels.api as sm
res1 = CGRDwithBatch(universe, 50, startDate, endDate).sort('publishDate')
res2 = CESTwithBatch(universe, 50, startDate, endDate).sort('publishDate')
res1 = res1[res1.RatingType == 1]
res2 = res2[res2.PnetprofitType == 1]
# got expRating change
lastRating = res1.groupby('secID').last()
firstRating = res1.groupby('secID').first()
lastRating['previousRating'] = firstRating.Rating
lastRating['chg_exp'] = lastRating.Rating / firstRating.Rating - 1.0
lowerP = lastRating['chg_exp'].quantile(0.05)
highP = lastRating['chg_exp'].quantile(0.95)
lastRating = lastRating[(lastRating['chg_exp']>lowerP) & (lastRating['chg_exp']<highP)]
lastRating['chg_exp'] = (lastRating.chg_exp - lastRating.chg_exp.mean())/lastRating.chg_exp.std()
expRating = lastRating[['secShortName', 'publishDate', 'Rating', 'previousRating', 'chg_exp']]
# got expEps change
lastEps = res2.groupby('secID').last()
firstEps = res2.groupby('secID').first()
lastEps['previousEps'] = firstEps.EPS_con
lastEps['chg_eps'] = lastEps.EPS_con / firstEps.EPS_con - 1.0
lowerP = lastEps['chg_eps'].quantile(0.05)
highP = lastEps['chg_eps'].quantile(0.95)
lastEps = lastEps[(lastEps['chg_eps']>lowerP) & (lastEps['chg_eps']<highP)]
lastEps['chg_eps'] = (lastEps.chg_eps - lastEps.chg_eps.mean())/lastEps.chg_eps.std()
expEps = lastEps[['secShortName', 'publishDate', 'EPS_con', 'previousEps', 'chg_eps']]
# Weighted Average Ranking
rankRes = expEps.copy()
rankRes['chg_exp'] = expRating.chg_exp
rankRes['ranking'] = expEps.chg_eps + expRating.chg_exp
# Current period return
mktDate = MktEqudwithBatch(universe, 50, startDate, endDate)
group = mktDate.groupby('secID')
returnRes = group.last().closePrice / group.first().closePrice - 1.0
rankRes['currentReturn'] = (returnRes - returnRes.mean()) / returnRes.std()
rankRes.dropna(inplace=True)
# Do linear regression for current return
x = rankRes[['chg_eps','chg_exp']].values
y = rankRes.currentReturn.values
x = sm.add_constant(x)
model = sm.OLS(y, x)
results = model.fit()
rankRes['resid'] = results.resid
return rankRes
def initialize(account): # 初始化虚拟账户状态
account.traded = False
account.universe = universe
account.tradingMonth = set([1,4,7,10])
account.currentTradedMonth = 0
account.previousRatingExp = None
account.previousEpsExp = None
account.holdings = set()
account.first = True
account.chosen = 0.05
def handle_data(account): # 每个交易日的买入卖出指令
today = Date(account.current_date.year, account.current_date.month, account.current_date.day)
if today.month() in account.tradingMonth and not account.traded:
hist = account.get_history(1)
account.traded = True
account.currentTradedMonth = today.month()
endDate = today
startDate = endDate - '3m'
endStr = ''.join(endDate.toISO().split('-'))
startStr = ''.join(startDate.toISO().split('-'))
res = regressionTesting(account.universe, startStr, endStr)
chosenNumber = int(account.chosen * len(res))
secids = res.sort('resid')[:chosenNumber].index.values
print today.toISO() + ' ' + str(chosenNumber) + u' 股票被选择：' + str(secids)
# clean current position
c = account.cash
for s in account.holdings:
c += hist[s]['closePrice'][-1] * account.secpos.get(s, 0)
order_to(s, 0)
equalAmount = c / chosenNumber
# order equal amount
for s in secids:
approximationAmount = int(equalAmount / hist[s]['closePrice'][-1])
order(s, approximationAmount)
account.holdings = secids
if today.month() != account.currentTradedMonth:
account.traded = False
```
!{}(img/20160730104832.jpg)
```py
2011-01-05 8 股票被选择：['002252.XSHE' '000338.XSHE' '600031.XSHG' '600741.XSHG' '002024.XSHE'
'000869.XSHE' '600027.XSHG' '600588.XSHG']
2011-04-01 9 股票被选择：['600406.XSHG' '300024.XSHE' '002081.XSHE' '000776.XSHE' '002310.XSHE'
'002375.XSHE' '601933.XSHG' '600570.XSHG' '002065.XSHE']
2011-07-01 9 股票被选择：['600873.XSHG' '600415.XSHG' '002344.XSHE' '002400.XSHE' '300133.XSHE'
'002415.XSHE' '601166.XSHG' '002422.XSHE' '600887.XSHG']
2011-10-10 8 股票被选择：['600085.XSHG' '000598.XSHE' '002594.XSHE' '000157.XSHE' '600999.XSHG'
'600208.XSHG' '600252.XSHG' '600585.XSHG']
2012-01-04 9 股票被选择：['600516.XSHG' '601901.XSHG' '600348.XSHG' '600395.XSHG' '601928.XSHG'
'600352.XSHG' '600827.XSHG' '000629.XSHE' '600547.XSHG']
2012-04-05 9 股票被选择：['601929.XSHG' '300146.XSHE' '002450.XSHE' '300133.XSHE' '002603.XSHE'
'600050.XSHG' '600252.XSHG' '601800.XSHG' '600267.XSHG']
2012-07-02 9 股票被选择：['002230.XSHE' '600143.XSHG' '002310.XSHE' '000729.XSHE' '600157.XSHG'
'601258.XSHG' '600170.XSHG' '300133.XSHE' '002385.XSHE']
2012-10-08 9 股票被选择：['000869.XSHE' '002146.XSHE' '000338.XSHE' '601169.XSHG' '601336.XSHG'
'000729.XSHE' '600031.XSHG' '002594.XSHE' '600115.XSHG']
2013-01-04 9 股票被选择：['002007.XSHE' '002065.XSHE' '601928.XSHG' '000858.XSHE' '600633.XSHG'
'600519.XSHG' '600406.XSHG' '002603.XSHE' '603000.XSHG']
2013-04-01 9 股票被选择：['600809.XSHG' '000568.XSHE' '000060.XSHE' '000069.XSHE' '600549.XSHG'
'000858.XSHE' '601377.XSHG' '002653.XSHE' '000338.XSHE']
2013-07-01 9 股票被选择：['600157.XSHG' '002475.XSHE' '000001.XSHE' '600886.XSHG' '002344.XSHE'
'600028.XSHG' '600535.XSHG' '002429.XSHE' '600188.XSHG']
2013-10-08 9 股票被选择：['600372.XSHG' '600010.XSHG' '002146.XSHE' '002051.XSHE' '000999.XSHE'
'600519.XSHG' '600518.XSHG' '000024.XSHE' '601117.XSHG']
2014-01-02 8 股票被选择：['300251.XSHE' '600880.XSHG' '600633.XSHG' '601928.XSHG' '002416.XSHE'
'600637.XSHG' '600332.XSHG' '300058.XSHE']
2014-04-01 8 股票被选择：['002344.XSHE' '600880.XSHG' '002385.XSHE' '002310.XSHE' '600597.XSHG'
'600315.XSHG' '600188.XSHG' '002415.XSHE']
2014-07-01 8 股票被选择：['300146.XSHE' '000413.XSHE' '002065.XSHE' '002456.XSHE' '300058.XSHE'
'600633.XSHG' '000024.XSHE' '000400.XSHE']
2014-10-08 7 股票被选择：['600887.XSHG' '600863.XSHG' '300017.XSHE' '002292.XSHE' '002594.XSHE'
'601169.XSHG' '000400.XSHE']
2015-01-05 8 股票被选择：['600880.XSHG' '002653.XSHE' '300017.XSHE' '603000.XSHG' '002456.XSHE'
'002292.XSHE' '000963.XSHE' '300133.XSHE']
```
- Python 量化交易教程
- 第一部分 新手入门
- 一 量化投资视频学习课程
- 二 Python 手把手教学
- 量化分析师的Python日记【第1天：谁来给我讲讲Python？】
- 量化分析师的Python日记【第2天：再接着介绍一下Python呗】
- 量化分析师的Python日记【第3天：一大波金融Library来袭之numpy篇】
- 量化分析师的Python日记【第4天：一大波金融Library来袭之scipy篇】
- 量化分析师的Python日记【第5天：数据处理的瑞士军刀pandas】
- 量化分析师的Python日记【第6天：数据处理的瑞士军刀pandas下篇
- 量化分析师的Python日记【第7天：Q Quant 之初出江湖】
- 量化分析师的Python日记【第8天 Q Quant兵器谱之函数插值】
- 量化分析师的Python日记【第9天 Q Quant兵器谱之二叉树】
- 量化分析师的Python日记【第10天 Q Quant兵器谱 -之偏微分方程1】
- 量化分析师的Python日记【第11天 Q Quant兵器谱之偏微分方程2】
- 量化分析师的Python日记【第12天：量化入门进阶之葵花宝典：因子如何产生和回测】
- 量化分析师的Python日记【第13天 Q Quant兵器谱之偏微分方程3】
- 量化分析师的Python日记【第14天：如何在优矿上做Alpha对冲模型】
- 量化分析师的Python日记【第15天：如何在优矿上搞一个wealthfront出来】
- 第二部分 股票量化相关
- 一 基本面分析
- 1.1 alpha 多因子模型
- 破解Alpha对冲策略——观《量化分析师Python日记第14天》有感
- 熔断不要怕， alpha model 为你保驾护航！
- 寻找 alpha 之: alpha 设计
- 1.2 基本面因子选股
- Porfolio（现金比率+负债现金+现金保障倍数）+市盈率
- ROE选股指标
- 成交量因子
- ROIC&cashROIC
- 【国信金工】资产周转率选股模型
- 【基本面指标】Cash Cow
- 量化因子选股——净利润／营业总收入
- 营业收入增长率+市盈率
- 1.3 财报阅读 • [米缸量化读财报] 资产负债表-投资相关资产
- 1.4 股东分析
- 技术分析入门 【2】 —— 大家抢筹码（06年至12年版）
- 技术分析入门 【2】 —— 大家抢筹码（06年至12年版）— 更新版
- 谁是中国A股最有钱的自然人
- 1.5 宏观研究
- 【干货包邮】手把手教你做宏观择时
- 宏观研究：从估值角度看当前市场
- 追寻“国家队”的足迹
- 二 套利
- 2.1 配对交易
- HS300ETF套利（上）
- 【统计套利】配对交易
- 相似公司股票搬砖
- Paired trading
- 2.2 期现套利 • 通过股指期货的期现差与 ETF 对冲套利
- 三 事件驱动
- 3.1 盈利预增
- 盈利预增事件
- 事件驱动策略示例——盈利预增
- 3.2 分析师推荐 • 分析师的金手指？
- 3.3 牛熊转换
- 历史总是相似 牛市还在延续
- 历史总是相似 牛市已经见顶？
- 3.4 熔断机制 • 股海拾贝之 [熔断错杀股]
- 3.5 暴涨暴跌 • [实盘感悟] 遇上暴跌我该怎么做？
- 3.6 兼并重组、举牌收购 • 宝万战-大戏开幕
- 四 技术分析
- 4.1 布林带
- 布林带交易策略
- 布林带回调系统-日内
- Conservative Bollinger Bands
- Even More Conservative Bollinger Bands
- Simple Bollinger Bands
- 4.2 均线系统
- 技术分析入门 —— 双均线策略
- 5日线10日线交易策略
- 用5日均线和10日均线进行判断 --- 改进版
- macross
- 4.3 MACD
- Simple MACD
- MACD quantization trade
- MACD平滑异同移动平均线方法
- 4.4 阿隆指标 • 技术指标阿隆（ Aroon ）全解析
- 4.5 CCI • CCI 顺势指标探索
- 4.6 RSI
- 重写 rsi
- RSI指标策略
- 4.7 DMI • DMI 指标体系的构建及简单应用
- 4.8 EMV • EMV 技术指标的构建及应用
- 4.9 KDJ • KDJ 策略
- 4.10 CMO
- CMO 策略模仿练习 1
- CMO策略模仿练习2
- [技术指标] CMO
- 4.11 FPC • FPC 指标选股
- 4.12 Chaikin Volatility
- 嘉庆离散指标测试
- 4.13 委比 • 实时计算委比
- 4.14 封单量
- 按照封单跟流通股本比例排序，剔除6月上市新股，前50
- 涨停股票封单统计
- 实时计算涨停板股票的封单资金与总流通市值的比例
- 4.15 成交量 • 决战之地， IF1507 ！
- 4.16 K 线分析 • 寻找夜空中最亮的星
- 五 量化模型
- 5.1 动量模型
- Momentum策略
- 【小散学量化】-2-动量模型的简单实践
- 一个追涨的策略(修正版)
- 动量策略（momentum driven）
- 动量策略（momentum driven）——修正版
- 最经典的Momentum和Contrarian在中国市场的测试
- 最经典的Momentum和Contrarian在中国市场的测试-yanheven改进
- ［策略］基于胜率的趋势交易策略
- 策略探讨（更新）：价量结合+动量反转
- 反向动量策略（reverse momentum driven）
- 轻松跑赢大盘 - 主题Momentum策略
- Contrarian strategy
- 5.2 Joseph Piotroski 9 F-Score Value Investing Model · 基本面选股系统：Piotroski F-Score ranking system
- 5.3 SVR · 使用SVR预测股票开盘价 v1.0
- 5.4 决策树、随机树
- 决策树模型（固定模型）
- 基于Random Forest的决策策略
- 5.5 钟摆理论 · 钟摆理论的简单实现——完美躲过股灾和精准抄底
- 5.6 海龟模型
- simple turtle
- 侠之大者 一起赚钱
- 5.7 5217 策略 · 白龙马的新手策略
- 5.8 SMIA · 基于历史状态空间相似性匹配的行业配置 SMIA 模型—取交集
- 5.9 神经网络
- 神经网络交易的训练部分
- 通过神经网络进行交易
- 5.10 PAMR · PAMR ： 基于均值反转的投资组合选择策略 - 修改版
- 5.11 Fisher Transform · Using Fisher Transform Indicator
- 5.12 分型假说， Hurst 指数 · 分形市场假说，一个听起来很美的假说
- 5.13 变点理论 · 变点策略初步
- 5.14 Z-score Model
- Zscore Model Tutorial
- 信用债风险模型初探之：Z-Score Model
- user-defined package
- 5.15 机器学习 · Machine Learning 学习笔记（一） by OTreeWEN
- 5.16 DualTrust 策略和布林强盗策略
- 5.17 卡尔曼滤波
- 5.18 LPPL anti-bubble model
- 今天大盘熔断大跌，后市如何—— based on LPPL anti-bubble model
- 破解股市泡沫之谜——对数周期幂率（LPPL）模型
- 六 大数据模型
- 6.1 市场情绪分析
- 通联情绪指标策略
- 互联网+量化投资 大数据指数手把手
- 6.2 新闻热点
- 如何使用优矿之“新闻热点”？
- 技术分析【3】—— 众星拱月，众口铄金?
- 七 排名选股系统
- 7.1 小市值投资法
- 学习笔记：可模拟（小市值+便宜 的修改版）
- 市值最小300指数
- 流通市值最小股票（新筛选器版）
- 持有市值最小的10只股票
- 10% smallest cap stock
- 7.2 羊驼策略
- 羊驼策略
- 羊驼反转策略（修改版）
- 羊驼反转策略
- 我的羊驼策略，选5只股无脑轮替
- 7.3 低价策略
- 专捡便宜货(新版quartz)
- 策略原理
- 便宜就是 alpha
- 八 轮动模型
- 8.1 大小盘轮动 · 新手上路 -- 二八ETF择时轮动策略2.0
- 8.2 季节性策略
- Halloween Cycle
- Halloween cycle 2
- 夏买电，东买煤？
- 历史的十一月板块涨幅
- 8.3 行业轮动
- 银行股轮动
- 申万二级行业在最近1年、3个月、5个交易日的涨幅统计
- 8.4 主题轮动
- 快速研究主题神器
- recommendation based on subject
- strategy7: recommendation based on theme
- 板块异动类
- 风险因子（离散类）
- 8.5 龙头轮动
- Competitive Securities
- Market Competitiveness
- 主题龙头类
- 九 组合投资
- 9.1 指数跟踪 · [策略] 指数跟踪低成本建仓策略
- 9.2 GMVP · Global Minimum Variance Portfolio (GMVP)
- 9.3 凸优化 · 如何在 Python 中利用 CVXOPT 求解二次规划问题
- 十 波动率
- 10.1 波动率选股 · 风平浪静 风起猪飞
- 10.2 波动率择时
- 基于 VIX 指数的择时策略
- 简单低波动率指数
- 10.3 Arch/Garch 模型 · 如何使用优矿进行 GARCH 模型分析
- 十一 算法交易
- 11.1 VWAP · Value-Weighted Average Price (VWAP)
- 十二 中高频交易
- 12.1 order book 分析 · 基于高频 limit order book 数据的短程价格方向预测—— via multi-class SVM
- 12.2 日内交易 · 大盘日内走势 (for 择时)
- 十三 Alternative Strategy
- 13.1 易经、传统文化 · 老黄历诊股
- 第三部分 基金、利率互换、固定收益类
- 一 分级基金
- “优矿”集思录——分级基金专题
- 基于期权定价的分级基金交易策略
- 基于期权定价的兴全合润基金交易策略
- 二 基金分析
- Alpha 基金“黑天鹅事件” -- 思考以及原因
- 三 债券
- 债券报价中的小陷阱
- 四 利率互换
- Swap Curve Construction
- 中国 Repo 7D 互换的例子
- 第四部分 衍生品相关
- 一 期权数据
- 如何获取期权市场数据快照
- 期权高频数据准备
- 二 期权系列
- [ 50ETF 期权] 1. 历史成交持仓和 PCR 数据
- 【50ETF期权】 2. 历史波动率
- 【50ETF期权】 3. 中国波指 iVIX
- 【50ETF期权】 4. Greeks 和隐含波动率微笑
- 【50ETF期权】 5. 日内即时监控 Greeks 和隐含波动率微笑
- 【50ETF期权】 5. 日内即时监控 Greeks 和隐含波动率微笑
- 三 期权分析
- 【50ETF期权】 期权择时指数 1.0
- 每日期权风险数据整理
- 期权头寸计算
- 期权探秘1
- 期权探秘2
- 期权市场一周纵览
- 基于期权PCR指数的择时策略
- 期权每日成交额PC比例计算
- 四 期货分析
- 【前方高能！】Gifts from Santa Claus——股指期货趋势交易研究