CTA

Posted on | Edited on | In | Comments: | Views:

基于爬虫技术的事件驱动策略-券商评级变动事件驱动策略

策略思想:

  • 机构会发布针对个股的研报，研报中会对个股做出一个建议评级
  • 跟踪机构研报对个股的评级变化，个股评级上调为“强烈推荐”作为买入信号，持有2个月（约40个交易日）

    策略规则

  • 从和讯爬取研报评级变动数据；
  • 使用评级变动数据形成买入信号；
  • 结合个股每日收益计算策略收益率

策略实现

爬虫获取网页数据

获取页面源代码

通过request获取页面源代码，用BeautifulSoup进行解析： 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
 
import urllib.request as request
import itertools

import pandas as pd 
from bs4 import BeautifulSoup

url_prefix = 'http://yanbao.stock.hexun.com/ybsj5_'   
url_surfix = '.shtml'

def main(pages):
    data = []
    columns = ['股票名称','研究机构','分析师','所属行业','报告日期','最新评级','上次评级',
                '评级调整','评级收盘价','目标价','报告','资金流向','微博']
    for page in range(1, pages+1):
        url = f'{url_prefix}{page}{url_surfix}'
        data_single_page = get_table(url, columns)
        data.append(data_single_page)
    data = pd.concat(data).dropna(how='all')
    data.to_csv('data.csv')
    return data

def get_table(url, column_names):
    html_doc = get_html(url)
    soup = BeautifulSoup(html_doc, 'lxml')
    data_list =  process_tb(soup)
    table = pd.DataFrame(data_list, columns=column_names)
    return table

def get_html(url):
    response = request.urlopen(url, timeout=30)
    html_doc = response.read().decode('gbk')
    return html_doc

def process_tb(soup_obj):
    tbody = soup_obj.find('div', {'class': 'f_mainbox'})
    trs = tbody.find_all('tr')
    return [process_tr(tr) for tr in trs]

def process_tr(tr):  
    tds = tr.find_all('td')
    return [td.string for td in tds]
data = main(5) 
data.head()

评级跟踪策略

策略规则

  • 建仓规则：个股评级上调且最新评级为“强烈推荐”且“评级调整”为“上调”
  • 持有40个交易日

    读入数据

读取评级数据和下载好的所有股票的日收益率数据 

1
2
3
 
data = pd.read_csv('data.csv')
return_data = pd.read_csv('data/return_data_all.csv', index_col=0)
return_data.head()

策略回测

标记个股券商研报评级调升日期

1
2
3
4
 
signal = data.loc[(data['最新评级']=='强烈推荐') & (data['评级调整']=='上调'), ['code', '报告日期']].dropna().drop_duplicates()
signal.set_index(['报告日期', 'code'], inplace=True)
signal['signal'] = 1
signal


从日收益率数据中筛选出研报中出现过的股票 

1
2
 
selected_codes = signal.index.levels[1].unique()
selected_return = return_data[selected_codes]


用等权重法计算投资组合的每日收益率 

1
2
3
4
5
6
7
 
signal_cross = signal.signal.unstack()
index = selected_return.index.sort_values()
signal_cross = signal_cross.reindex(index).shift(1) 
holding_signal = signal_cross.rolling(20, min_periods=1).sum()>0   # 计算持仓标记
holding_return = selected_return[holding_signal] # 使用持仓信号表筛选持仓股票的日收益率
portfolio_return = holding_return.mean(axis=1) # 根据持仓股票的日收益率按照等权重的方法计算投资组合的每日收益率
portfolio_return


以沪深300为benchmark做出净值曲线 

benchmark_return = ts.get_k_data('hs300', '2017-10-08', '2018-09-28').set_index('date').close.pct_change()
benchmark_return.to_csv('benchmark_return.csv')
returns = pd.concat([portfolio_return, benchmark_return], axis=1)
returns.columns = ['portfolio', 'benchmark']
returns.index = pd.to_datetime(returns.index)
net_values = (returns + 1).cumprod()
net_values.plot(figsize=(10,6))
plt.show()