開始使用

策略常用的 Pandas 語法

本頁內容1

FinLab 的資料都是 Pandas 表格，寫策略就是在操作這些表格。這一頁照順序整理最常用的語法：先執行第一步匯入套件，之後每段程式都能直接執行。

匯入套件

import pandas as pd
import numpy as np
from finlab import data

認識 DataFrame 與 Series

data.get() 回傳的是一個 DataFrame，以日期為索引、股票代號為欄位。取出單一欄位（一檔股票）就是 Series。

# dataframe：資料格式範例
df = data.get('price:收盤價')
df = df[df.index <= '2020-07-01']

# series：資料格式範例
series = df['0050']

取出想看的資料

看表格的頭尾與結構：

df = data.get('price:收盤價')

# head(n)：取前 n 列，預設為 5
demo_head = df.head(3)

# tail(n)：取後 n 列，預設為 5
demo_tail = df.tail(3)

# index：取索引
demo_index = df.index

# columns：取欄位
demo_columns = df.columns

# values：取值
demo_values = df.values

用日期或股票代號篩選（loc 用標籤）：

# boolean indexing：索引布林邏輯篩選
# ex：取得索引大於 2020 年份的資料
demo_boolean_indexing = df[df.index > '2020']

# loc：使用標籤篩選欄列
# ex：選擇 2020-01-03~2020-01-08 中所有標的的股價
demo_loc1 = df.loc['2020-01-03':'2020-01-08']

# ex：選擇 0050 & 1101 & 2330 的股價，以下兩種方法等價
demo_loc2 = df.loc[:, ['0050', '1101', '2330']]
demo_column_select = df[['0050', '1101', '2330']]

# ex：選擇 2020-01-03~2020-01-08 中 0050 & 1101 & 2330 的股價
demo_loc3 = df.loc['2020-01-03':'2020-01-08', ['0050', '1101', '2330']]

用位置篩選（iloc），以及取前 n 大、前 n 小：

# iloc：使用標籤位置篩選欄列
# ex：選擇第 6 列到第 10 列的資料
demo_iloc1 = df.iloc[5:10]

# ex：選擇 df 表中第 6 檔到第 10 檔標的資料
demo_iloc2 = df.iloc[:, 5:10]

# ex：選擇第 6 列到第 10 列 & 第 6 檔到第 10 檔標的資料
demo_iloc3 = df.iloc[5:10, 5:10]

# nlargest：取前 n 大
# ex：取近一日股價前 n 大的標的
demo_nlargest = df.iloc[-1].nlargest(10)

# nsmallest：取前 n 小
# ex：取近一日股價前 n 小的標的
demo_nsmallest = df.iloc[-1].nsmallest(10)

調整顯示的列數與欄數

Pandas 為了預防資源消耗，預設顯示列數為 10，中間的資料以 ... 帶過。想全部展開或調整顯示數量，可以這樣設定。注意這個設定是全域的，之後的顯示都會受影響。

df = data.get('price:收盤價')

# 列數全展開
pd.set_option("display.max_rows", None)

# 欄數全展開
pd.set_option("display.max_columns", None)

# 最多顯示 20 列
pd.set_option("display.max_rows", 20)

# 最多顯示 20 欄
pd.set_option("display.max_columns", 20)

# 還原顯示數預設初始值
pd.reset_option("^display")

比較與統計運算

拿整張表和數字比較，會得到同樣形狀的布林表：大於 100 的格子是 True（計算時視為 1），否則是 False（計算時視為 0）。下圖以收盤價和 60 日均線比較為例：

close 收盤價

	2330	2317	2454
10/27	98	51	120
10/28	101	50	118
10/29	104	49	121
10/30	103	52	117

close.average(60) 60 日均線

	2330	2317	2454
10/27	100	52	115
10/28	100	51	116
10/29	101	51	117
10/30	101	51	118

position 要持有的股票

	2330	2317	2454
10/27	False	False	True
10/28	True	False	True
10/29	True	False	True
10/30	True	True	False

每一格是一檔股票在一天的值。比較運算一次算完整張表，日期與股票會自動對齊；True 就是那天要持有的股票。數字為示意。

df = data.get('price:收盤價')

# 產生股價大於 100 元的布林 DataFrame
# 若大於 100 則顯示 True（計算時視為 1），否則顯示 False（計算時視為 0）
price_up_10 = df > 100

# sum：加總，axis=0 為整欄加總，axis=1 為整列加總
# ex：計算每日股價大於 100 的標的數量
demo_sum = price_up_10.sum(axis=1)

# mean：平均數，常用於計算均線
demo_mean = df.mean()

# median：中位數
demo_median = df.median()

# std：標準差，常用於計算乖離率
demo_std = df.std()

# max：最大值
demo_max = df.max()

# min：最小值
demo_min = df.min()

# cumsum：累加
# ex：累積漲多少元
demo_diff = df.diff()
demo_cumsum = demo_diff.cumsum()

# cumprod：累乘
# ex：計算累積報酬率
demo_pct_change = df.pct_change() + 1
demo_cumprod = demo_pct_change.cumprod()

# cummax：累積最大值，常用於計算 drawdown
demo_cummax = df.cummax()

# cummin：累積最小值
demo_cummin = df.cummin()

# quantile：第 c 百分位數數值，常用於取標的前 c% 強標的
demo_quantile = df.iloc[-1].quantile(0.9)

# corr：相關性
demo_corr = df.iloc[:, :5].corr()

# describe：取統計資料
demo_describe = df.describe()

用移動窗格算均線與漲跌幅

df = data.get('price:收盤價')

# shift：資料移動，常用於前後期數值增減比較、年增率計算
# ex：收盤價向下平移一列
demo_shift1 = df.shift()
# ex：收盤價向上平移一列
demo_shift2 = df.shift(-1)

# rolling：移動窗格作業，常結合資料運算公式做滾動式計算
# ex：計算 20 日移動平均線（前 n 筆資料未滿 10 日取 NaN，未滿 20 日以 n 日計算）
demo_rolling = df.rolling(20, min_periods=10).mean()

# diff：列數相減
# ex：取每日漲跌價
demo_diff = df.diff()

# pct_change：列數相除
# ex：取每日漲跌幅
demo_pct_change = df.pct_change()

用 FinlabDataFrame 的函式

data.get() 的資料繼承了 FinlabDataFrame 的功能，除了熟悉的 Pandas 語法，還能用這些函式：

函式	說明
`average(n)`	取移動平均，`min_periods=int(n/2)`
`is_largest(n)`	取前 n 大
`is_smallest(n)`	取前 n 小
`rise(n=1)`	取比前第 n 筆高
`fall(n=1)`	取比前第 n 筆低
`sustain(nwindow, nsatisfy=None)`	取滾動 nwindow 筆加總大於等於 nsatisfy
`quantile_row(n)`	取每一列（每天）的 n 分位數值

df[['0050', '1101']].average(10)
df.iloc[-10:].is_largest(5)
df.iloc[-10:].is_smallest(5)
df.iloc[-10:, 10:15].rise()
df.iloc[-10:, 10:15].fall()

# ex：是否連兩日上漲？
df.iloc[-10:, 10:15].rise().sustain(2)

# ex：取近 10 日股價前 90% 分位數
df.iloc[-10:].quantile_row(0.9)

畫圖檢查

乖離率線圖：用布林通道（Bollinger Bands）畫出股價走勢與上下軌道。

df = data.get('price:收盤價').iloc[-400:]['2330']
mean_20 = df.rolling(20).mean()
std_value = df.rolling(20).std()

up = mean_20 + std_value * 2
down = mean_20 - std_value * 2
up.plot(label='up', legend=True)
down.plot(label='down', legend=True)
mean_20.plot(label='ma_20', legend=True)
df.plot(title='bias plot', label='close', legend=True, figsize=(20, 8), grid=True)

相關性熱力圖：把多檔股票的相關性畫成熱力圖，快速觀察彼此的連動關係。

df = data.get('price:收盤價')
check_list = ['1101', '1102', '2330', '2454', '6263', '9939']
demo_corr = df.iloc[-600:][check_list].corr()

demo_corr.style.background_gradient(cmap='viridis').set_properties(
    **{'font-size': '20px'}
)

組成選股策略

均線多頭：選出股價同時站上 5 日、10 日、20 日、60 日均線的股票，取前 10 大。

df = data.get('price:收盤價')
# 限定範圍
df = df[(df.index > '2015') & (df.index < '2019')]

cond1 = df > df.rolling(5).mean()
cond2 = df > df.rolling(10, min_periods=5).mean()
cond3 = df > df.rolling(20, min_periods=10).mean()
cond4 = df > df.rolling(60, min_periods=40).mean()

position = df * (cond1 & cond2 & cond3 & cond4)
position = position[position > 0]
position = position.is_largest(10)

突破布林通道上緣：選出收盤價剛突破布林通道上緣的股票，並限制股價在 5~200 元之間。

df = data.get('price:收盤價')
mean_20 = df.rolling(20).mean()
std_value = df.rolling(20).std()

up = mean_20 + std_value * 2

# 收盤價剛站上布林通道上緣
cond1 = (df > up) & (df.shift() < up)
cond2 = (df > 5) & (df < 200)
position = cond1 & cond2
position = position[position > 0]
position = position.is_smallest(20)

下一步

10 分鐘寫出第一個策略用這些語法寫進出場條件，回測並上傳。
寫選股條件 FinlabDataFrame 選股函式的完整說明。
下載資料財報、月營收、法人籌碼，以及怎麼找資料表名稱。
歷史回測把 position 交給 sim() 回測。

這一頁有幫到你嗎？