港美股数据行情处理实战：从API获取到量化分析

港美股数据行情处理实战：从API获取到量化分析

引用

CSDN

1.

https://blog.csdn.net/2401_89490165/article/details/145778779

本文将带你掌握港美股行情数据处理的完整流程，从数据获取、清洗、存储到量化分析和策略回测，通过具体的代码示例和实践指导，帮助你建立完整的数据处理链路。

一、行情数据获取方案

1.1 主流数据接口

在获取港美股行情数据时，有多种数据接口可供选择：

• Tushare Pro（港股/A股）：需要注册获取token，支持高频数据
• AkShare（开源解决方案）：无需注册，集成多个数据源
• Yahoo Finance API（美股）：提供免费的历史数据接口
• 专业付费接口：如Wind、Bloomberg、LINKSOFT等机构级数据源
• LINKSOFT：提供港股、美股、A股多市场的数据源

以下是使用Tushare和yfinance获取数据的示例代码：

# 使用Tushare获取港股实时数据示例
import tushare as ts
pro = ts.pro_api('YOUR_TOKEN')
hk_data = pro.hk_daily(ts_code='00700.HK', start_date='20230101', end_date='20231231')

# 使用yfinance获取美股数据
import yfincance as yf
aapl = yf.Ticker("AAPL")
us_hist = aapl.history(period="1y")

1.2 数据清洗关键步骤

数据清洗是数据处理的重要环节，以下是一个数据清洗的示例函数：

def clean_finance_data(df):
    # 处理缺失值
    df = df.fillna(method='ffill').dropna()
    # 转换日期格式
    df['trade_date'] = pd.to_datetime(df['trade_date'])
    df.set_index('trade_date', inplace=True)
    # 数据标准化
    df = df[['open', 'high', 'low', 'close', 'vol']]
    df.columns = ['Open', 'High', 'Low', 'Close', 'Volume']
    return df

hk_clean = clean_finance_data(hk_data)

二、行情数据存储方案

2.1 数据库选型建议

根据数据类型和应用场景，可以选择不同的数据库：

2.2 InfluxDB存储示例

以下是使用InfluxDB存储数据的示例代码：

from influxdb import DataFrameClient
client = DataFrameClient(host='localhost', port=8086, username='admin', password='admin')
client.create_database('hk_stocks')
# 写入数据
client.write_points(hk_clean, 'tencent_stock', 
                    tag_columns={'market': 'HK'}, 
                    protocol='line')

三、核心指标计算

3.1 技术指标计算

可以计算移动平均线（MA）和MACD等技术指标：

# 计算移动平均线
hk_clean['MA5'] = hk_clean['Close'].rolling(window=5).mean()
hk_clean['MA20'] = hk_clean['Close'].rolling(window=20).mean()

# 计算MACD
exp12 = hk_clean['Close'].ewm(span=12, adjust=False).mean()
exp26 = hk_clean['Close'].ewm(span=26, adjust=False).mean()
hk_clean['MACD'] = exp12 - exp26
hk_clean['Signal'] = hk_clean['MACD'].ewm(span=9, adjust=False).mean()

3.2 波动率计算

波动率是衡量市场风险的重要指标：

def calculate_volatility(series, window=30):
    log_returns = np.log(series / series.shift(1))
    return log_returns.rolling(window=window).std() * np.sqrt(252)

hk_clean['Volatility'] = calculate_volatility(hk_clean['Close'])

四、数据可视化实践

4.1 K线图绘制

使用mplfinance库绘制K线图：

import mplfinance as mpf
mpf.plot(hk_clean.tail(60), 
         type='candle',
         style='charles',
         title='Tencent Holdings (0700.HK)',
         volume=True,
         mav=(5,20))

4.2 交互式可视化

使用Plotly库实现交互式可视化：

import plotly.graph_objects as go
fig = go.Figure(data=[go.Candlestick(x=hk_clean.index,
                                    open=hk_clean['Open'],
                                    high=hk_clean['High'],
                                    low=hk_clean['Low'],
                                    close=hk_clean['Close'])])
fig.update_layout(title='Interactive Stock Chart')
fig.show()

五、量化交易策略示例

5.1 双均线策略实现

实现一个简单的双均线策略：

hk_clean['Signal'] = 0
hk_clean['Signal'][5:] = np.where(hk_clean['MA5'][5:] > hk_clean['MA20'][5:], 1, 0)
hk_clean['Position'] = hk_clean['Signal'].diff()

# 计算策略回报
hk_clean['Strategy_Return'] = hk_clean['Position'].shift(1) * hk_clean['Close'].pct_change()
hk_clean['Cum_Return'] = (1 + hk_clean['Strategy_Return']).cumprod()

5.2 策略回测结果可视化

可视化策略回测结果：

import matplotlib.pyplot as plt
plt.figure(figsize=(12,6))
plt.plot(hk_clean['Cum_Return'], label='Strategy')
plt.plot((1 + hk_clean['Close'].pct_change()).cumprod(), label='Buy&Hold')
plt.legend()
plt.title('Strategy Backtesting Result')
plt.show()

六、注意事项及优化方向

在实际应用中，还需要注意以下几点：

• 数据时区处理：港股（UTC+8）与美股（UTC-5）需统一时区
• 复权处理：使用adjust_price()函数处理分红拆股
• 实时数据优化：WebSocket实时订阅方案
• 异常处理：增加重试机制和断点续传

以下是带重试机制的API请求示例：

# 带重试机制的API请求
from retrying import retry
@retry(stop_max_attempt_number=3, wait_fixed=2000)
def safe_api_call(api_func, *args, **kwargs):
    try:
        return api_func(*args, **kwargs)
    except Exception as e:
        print(f"API Error: {str(e)}")
        raise  

七、总结

本文完整展示了港美股行情数据的处理流程，涵盖从数据获取到策略回测的完整链路。在实际应用中，建议：

• 使用Docker容器化部署数据管道
• 结合Spark进行分布式计算
• 使用TA-Lib库扩展技术指标
• 接入风控模块实现完整交易系统
• 基于LSTM的价格预测模型
• 订单簿数据分析（Level2）
• 多因子选股策略开发