前言

量化策略入门系列文章是本人学习股票量化笔记，最终输出结果希望是一个可在本地运行的回测框架，包含数据获取，数据处理，策略回测等。

本文主要为了介绍如何利用聚宽(JoinQuant)的数据接口下载金融数据。主要针对量价数据(开盘价，收盘价，最高价，最低价，成交量等)。

使用宽聚(JoinQuant)的体验

宽聚(JoinQuant)提供了数据接口，可以方便的下载股票数据。使用下来唯一缺点是每日可下载数据量有限，每天最多可下载100万条（可通过申请多个账号解决）。不过，总体来看确实很方便，也没有找到更合适的数据源，暂且先用这个平台。

如何下载数据

具体流程如下

注册宽聚账号

不多赘述

申请数据权限

在主页即有相应入口

在这里插入图片描述

调用API下载数据

通过get_price()方法可实现获取行情数据，具体文档如下亦可在链接中查看

get_price(security, start_date=None, end_date=None, frequency='daily', fields=None, skip_paused=False, fq='pre', count=None, panel=True, fill_paused=True)

需要的数据是全部股票从2010年1月1号到最新交易日股票的开盘价，收盘价，最高价，最低价，成交量等，其实现思路是写一个for循环历遍所有日期，并用以上代码查询当时股票数据。当然，有些日期非交易日，这种情况返回的数据很小(40-50KB)，可以在文件夹里很容易识别出并删除。具体代码如下。

from jqdatasdk import *
import pandas as pd
from datetime import datetime, timedeltaauth('宽聚账号','宽聚密码') all_sec = list(get_all_securities(types=['stock']).index)
print(all_sec)def load_price(all_sec, start, end=):print(start)df = pd.DataFrame(get_price(all_sec, start_date=start, end_date=end, fields=['open', 'close', 'high', 'low', 'factor', 'volume', 'money']).values)df.columns = ['date', 'code', 'open', 'close', 'high', 'low', 'factor', 'volume', 'money']df.index = df.iloc[:, 1].valuesdel df['code']df.to_csv('.....')all_date = []start = '2010-01-01'
end = '2020-08-21'datestart = datetime.strptime(start, '%Y-%m-%d')
dateend = datetime.strptime(end, '%Y-%m-%d')while datestart < dateend:datestart += timedelta(days=1)all_date.append(datestart.strftime('%Y-%m-%d'))
print(all_date)for day in all_date:load_price(all_sec, start=day, end=day)

下载完数据如下。

在相应文件夹里为:
在这里插入图片描述
每个csv文件里为:

数据处理

以上我们已经获得了量化分析所需的基础数据，以每天一个csv形式存储，但是这样的存储方式并不利于数据调取。我们希望得到的数据形式是一个csv中包含所有股票在2010年1月1日到最近一个交易日的某项数据，如收盘价，如下图所示为历史收盘价信息。
在这里插入图片描述
我们可以通过调取之前每日行情信息的csv，之后合并相关数据得到，具体代码如下。

import pandas as pd
import osroot = '每日行情csv所在文件夹地址'def combine_data(root, keyword=None):df_data = []flag=0for dirpath, dirnames, filenames in os.walk(root):for filepath in filenames:address = os.path.join(dirpath, filepath)#过滤部分命名错误的文件if address[-21:-19] != '._':if flag==0:df = pd.read_csv(address, index_col=[0])df_data = pd.DataFrame(columns=list(df.index))date = df['date'][1]df_data.loc[date] = df[keyword]else:df = pd.read_csv(address, index_col=[0])date = df['date'][1]df_data.loc[date] = df[keyword]flag=1df_data.sort_index(ascending = True, inplace = True)df_data.to_csv('全部历史行情csv所在文件夹地址')print(df_data)for word in ['open', 'close', 'high', 'low', 'factor', 'volume','money']:combine_data(root, keyword=word)