df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
df.iloc[-1,-1] = 'sell'
cond1 = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
cond2 = (df['action'] == 'sell') & (df['action'].shift(1) == 'buy')
df_buy = df[cond1]
df_sell = df[cond2]
백테스팅 전략 세우기& 주가 가져오기
라이브러리 설치
⇒ pandas-datareader 와 finance-datareader 라이브러리를 활용
!pip install yfinance pandas-datareader finance-datareader
살펴보기
⇒ Open: 시초가 High: 고가 Low: 저가 Close: 종가 Volume: 거래량 Change: 변동
종가가져오기
df[['Close']]
변동이 20% 이상인 날들만 가져와보기
df[abs(df['Change']) > 0.05]
간단한 그래프 그려보기
네이버금융 https://finance.naver.com/
주가 그래프 그려보기
⇒ .plot(y=['컬럼명'])
df = fdr.DataReader('005930','2018')
df.plot(y=['Close'])
⇒ 크게 그리기
df.plot(y=['Close'],figsize=(15,8))
⇒ 격자 추가하기
df.plot(y=['Close'],figsize=(15,8),grid=True)
- 종목 두 개의 주가 변동 그래프를 그려보기⇒ 최근 100일
- ⇒ 삼성전자와 LG전자
df_1 = fdr.DataReader('005930','2018')
df_2 = fdr.DataReader('066570','2018')
df_tot = pd.DataFrame()
df_tot['Samsung'] = df_1[['Change']]
df_tot['LG'] = df_2[['Change']]
df_tot.tail(100).plot(figsize=(15,8))
이동평균값 만들기(3일)
종가 Close 가져오기
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df
3일마다 평균 값 구하기
⇒ .rolling 을 사용
df.rolling(3).mean()
⇒ 붙여서 함께 보기
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean()
df
buy & sell 표기
shift 를 가지고 열을 맞춰보기
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df
buy & sell 표기하기
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
df
수익률 구하기
1) 생각하기1 - 실제로 사는 시점
buy와 sell이 바뀌는 순간
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
cond = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
df['real_buy'] = np.where(cond,'buy','')
df
⇒ 사는 순간
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
cond = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
df[cond]
2) 생각하기2 - 실제로 파는 시점
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
cond1 = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
cond2 = (df['action'] == 'sell') & (df['action'].shift(1) == 'buy')
# df_buy = df[cond1]
df_sell = df[cond2]
df_sell
3) 생각하기3 - 마지막은?
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
df.iloc[-1,-1] = 'sell'
cond1 = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
cond2 = (df['action'] == 'sell') & (df['action'].shift(1) == 'buy')
df_buy = df[cond1]
df_sell = df[cond2]
4) 사고, 파는 시점을 붙이기
⇒ concat 을 이용
⇒ ,axis=1 를 붙이기
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
df.iloc[-1,-1] = 'sell'
cond1 = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
cond2 = (df['action'] == 'sell') & (df['action'].shift(1) == 'buy')
df_buy = df[cond1]
df_sell = df[cond2]
df_result = pd.concat([df_buy,df_sell],axis=1)
df_result
5) 전략 세워보기
⇒ buy 때의 Close와 sell 때의 Close
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
df.iloc[-1,-1] = 'sell'
cond1 = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
cond2 = (df['action'] == 'sell') & (df['action'].shift(1) == 'buy')
df_buy = df[cond1].reset_index()
df_sell = df[cond2].reset_index()
df_result = pd.concat([df_buy,df_sell],axis=1)
df_result
6) 수익률 구하기
⇒ 먼저 Close라는 컬럼명을 다르게 수정
⇒ 그리고 수익률 = 판 값 / 산 값 을 구하기
df = fdr.DataReader('005930','2018')
df = df[['Close']]
df['ma'] = df.rolling(3).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
df.iloc[-1,-1] = 'sell'
cond1 = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
cond2 = (df['action'] == 'sell') & (df['action'].shift(1) == 'buy')
df_buy = df[cond1].reset_index()
df_buy.columns = ['날짜','종가(buy)','이평값','액션']
df_sell = df[cond2].reset_index()
df_sell.columns = ['날짜','종가(sell)','이평값','액션']
df_result = pd.concat([df_buy,df_sell],axis=1)
df_result['수익률'] = df_result['종가(sell)'] / df_result['종가(buy)']
df_result
7) 오류해결하기
⇒ dataframe 을 아래처럼 바꾸기
df = df[['Close']].copy()
8) 수익률 계산하기
⇒ 누적 곱
df_result[['수익률']].cumprod()
⇒ 마지막 값
df_result[['수익률']].cumprod().iloc[-1,-1]
⇒ 1(원금)을 빼주고 100을 곱해줘야 수익률
(df_result[['수익률']].cumprod().iloc[-1,-1] - 1)*100
9) 함수로 만들기
⇒ 코드만 입력하면 될 수 있도록!
def get_return(code,n):
df = fdr.DataReader(code,'2018')
df = df[['Close']].copy()
df['ma'] = df.rolling(n).mean().shift(1)
df['action'] = np.where(df['Close'] > df['ma'], 'buy', 'sell')
df.iloc[-1,-1] = 'sell'
cond1 = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
cond2 = (df['action'] == 'sell') & (df['action'].shift(1) == 'buy')
df_buy = df[cond1].reset_index()
df_buy.columns = ['날짜','종가(buy)','이평값','액션']
df_sell = df[cond2].reset_index()
df_sell.columns = ['날짜','종가(sell)','이평값','액션']
df_result = pd.concat([df_buy,df_sell],axis=1)
df_result['수익률'] = df_result['종가(sell)'] / df_result['종가(buy)']
return df_result[['수익률']].cumprod().iloc[-1,-1] - 1
get_return('005930',3)
get_return('066570',6)
단기/장기이평선 적용하기
1) 단기/장기이평선 구하기
df = fdr.DataReader('005930','2018')
df = df[['Close']].copy()
df['ma_1'] = df['Close'].rolling(3).mean().shift(1)
df['ma_2'] = df['Close'].rolling(10).mean().shift(1)
df.head(30)
2) 적절한 값으로 수정하기
⇒ Close, ma_1, ma_2 를 고려
df = fdr.DataReader('005930','2018')
df = df[['Close']].copy()
df['ma_1'] = df['Close'].rolling(3).mean().shift(1)
df['ma_2'] = df['Close'].rolling(10).mean().shift(1)
df['action'] = np.where(df['ma_1'] > df['ma_2'], 'buy', 'sell')
df.iloc[-1,-1] = 'sell'
cond1 = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
cond2 = (df['action'] == 'sell') & (df['action'].shift(1) == 'buy')
df_buy = df[cond1].reset_index()
df_buy.columns = ['날짜','종가(buy)','이평값1','이평값2','액션']
df_sell = df[cond2].reset_index()
df_sell.columns = ['날짜','종가(sell)','이평값1','이평값2','액션']
df_result = pd.concat([df_buy,df_sell],axis=1)
df_result['수익률'] = df_result['종가(sell)'] / df_result['종가(buy)']
(df_result[['수익률']].cumprod().iloc[-1,-1] - 1)*100
3) 함수로 만들어두기
def get_return_sl(code, short, long):
df = fdr.DataReader(code,'2018')
df = df[['Close']].copy()
df['ma1'] = df['Close'].rolling(short).mean().shift(1)
df['ma2'] = df['Close'].rolling(long).mean().shift(1)
df['action'] = np.where(df['ma1'] > df['ma2'], 'buy', 'sell')
df.iloc[-1,-1] = 'sell'
cond1 = (df['action'] == 'buy') & (df['action'].shift(1) == 'sell')
cond2 = (df['action'] == 'sell') & (df['action'].shift(1) == 'buy')
df_buy = df[cond1].reset_index()
df_buy.columns = ['날짜','종가(buy)','이평값1','이평값2','액션']
df_sell = df[cond2].reset_index()
df_sell.columns = ['날짜','종가(sell)','이평값1','이평값2','액션']
df_result = pd.concat([df_buy,df_sell],axis=1)
df_result['수익률'] = df_result['종가(sell)'] / df_result['종가(buy)']
df_final = (df_result[['수익률']].cumprod().tail(1) - 1)*100
df_final['단기'] = short
df_final['장기'] = long
return df_final
get_return_sl('005930',3,30)
한 종목에 대해 최적의 단기/장기이평선을 구하기
dfs = []
for short in range(3,11):
for long in range(30,61):
df = get_return_sl('005930',short,long)
dfs.append(df)
df_result = pd.concat(dfs)
df_result.sort_values(by='수익률', ascending=False)