add some tutorials into docs and update readme

.gitattributes

@@ -1,3 +1,4 @@
 *.h5 filter=lfs diff=lfs merge=lfs -text
 investool/main filter=lfs diff=lfs merge=lfs -text
 investool/investool filter=lfs diff=lfs merge=lfs -text
+*.parquet filter=lfs diff=lfs merge=lfs -text

.gitignore

@@ -143,5 +143,6 @@ gui/__pycache__/
 gui/csv/
 
 pytrader/user_config.sh
+*.parquet
 
 **.DS_Store

docs/02-经典策略/01-股票/股票指标.md

@@ -0,0 +1,22 @@
+每日股票指标数据计算17个指标如下（数据表 guess_indicators_daily）： 
+
+
+|   | 计算指标            | 说明                              |
+| - | ----------------- | ------------------------------------------|
+| 1 | 交易量delta指标分析     | The Volume Delta (Vol ∆)  |
+| 2 | 计算n天差     |  可以计算，向前n天，和向后n天的差。  |
+| 3 | n天涨跌百分百计算     |  可以看到，-n天数据和今天数据的百分比。  |
+| 4 | CR指标        | http://wiki.mbalib.com/wiki/CR%E6%8C%87%E6%A0%87 价格动量指标 CR跌穿a、b、c、d四条线，再由低点向上爬升160时，为短线获利的一个良机，应适当卖出股票。 CR跌至40以下时，是建仓良机。而CR高于300~400时，应注意适当减仓。  |
+| 5 | 最大值，最小值     |  计算区间最大值 volume max of three days ago, yesterday and two days later stock["volume_-3,2,-1_max"] volume min between 3 days ago and tomorrow stock["volume_-3~1_min"] 实际使用的时候使用 -2~2 可计算出5天的最大，最小值。 |
+| 6 | KDJ指标     | http://wiki.mbalib.com/wiki/%E9%9A%8F%E6%9C%BA%E6%8C%87%E6%A0%87    随机指标(KDJ)一般是根据统计学的原理，通过一个特定的周期（常为9日、9周等）内出现过的最高价、 最低价及最后一个计算周期的收盘价及这三者之间的比例关系，来计算最后一个计算周期的未成熟随机值RSV， 然后根据平滑移动平均线的方法来计算K值、D值与J值，并绘成曲线图来研判股票走势。 （3）在使用中，常有J线的指标，即3乘以K值减2乘以D值（3K－2D＝J），其目的是求出K值与D值的最大乖离程度， 以领先KD值找出底部和头部。J大于100时为超买，小于10时为超卖。 |
+| 7 | SMA指标     | http://wiki.mbalib.com/wiki/Sma 简单移动平均线（Simple Moving Average，SMA） 可以动态输入参数，获得几天的移动平均。 |
+| 8 | MACD指标     | http://wiki.mbalib.com/wiki/MACD   平滑异同移动平均线(Moving Average Convergence Divergence，简称MACD指标)，也称移动平均聚散指标 MACD 则可发挥其应有的功能，但当市场呈牛皮盘整格局，股价不上不下时，MACD买卖讯号较不明显。 当用MACD作分析时，亦可运用其他的技术分析指标如短期 K，D图形作为辅助工具，而且也可对买卖讯号作双重的确认。 |
+| 9 | BOLL指标     | http://wiki.mbalib.com/wiki/BOLL   布林线指标(Bollinger Bands) |
+| 10 | RSI指标     | http://wiki.mbalib.com/wiki/RSI    相对强弱指标（Relative Strength Index，简称RSI），也称相对强弱指数、相对力度指数 2）强弱指标保持高于50表示为强势市场，反之低于50表示为弱势市场。 （3）强弱指标多在70与30之间波动。当六日指标上升到达80时，表示股市已有超买现象，如果一旦继续上升，超过90以上时，则表示已到严重超买的警戒区，股价已形成头部，极可能在短期内反转回转。 |
+| 11 | W%R指标     | http://wiki.mbalib.com/wiki/%E5%A8%81%E5%BB%89%E6%8C%87%E6%A0%87 威廉指数（Williams%Rate）该指数是利用摆动点来度量市场的超买超卖现象。 |
+| 12 | CCI指标     | http://wiki.mbalib.com/wiki/%E9%A1%BA%E5%8A%BF%E6%8C%87%E6%A0%87 顺势指标又叫CCI指标，其英文全称为“Commodity Channel Index”， 是由美国股市分析家唐纳德·蓝伯特（Donald Lambert）所创造的，是一种重点研判股价偏离度的股市分析工具。 1、当CCI指标从下向上突破﹢100线而进入非常态区间时，表明股价脱离常态而进入异常波动阶段， 中短线应及时买入，如果有比较大的成交量配合，买入信号则更为可靠。 2、当CCI指标从上向下突破﹣100线而进入另一个非常态区间时，表明股价的盘整阶段已经结束， 将进入一个比较长的寻底过程，投资者应以持币观望为主。 CCI, default to 14 days |
+| 13 | TR、ATR指标     | http://wiki.mbalib.com/wiki/%E5%9D%87%E5%B9%85%E6%8C%87%E6%A0%87   均幅指标（Average True Ranger,ATR）均幅指标（ATR）是取一定时间周期内的股价波动幅度的移动平均值，主要用于研判买卖时机。 |
+| 14 | DMA指标     | http://wiki.mbalib.com/wiki/DMA   DMA指标（Different of Moving Average）又叫平行线差指标，是目前股市分析技术指标中的一种中短期指标，它常用于大盘指数和个股的研判。 DMA, difference of 10 and 50 moving average stock[‘dma’] |
+| 15 | DMI，+DI，-DI，DX，ADX，ADXR指标    | http://wiki.mbalib.com/wiki/DMI    动向指数Directional Movement Index,DMI）   http://wiki.mbalib.com/wiki/ADX   平均趋向指标（Average Directional Indicator，简称ADX）   http://wiki.mbalib.com/wiki/%E5%B9%B3%E5%9D%87%E6%96%B9%E5%90%91%E6%8C%87%E6%95%B0%E8%AF%84%E4%BC%B0   平均方向指数评估（ADXR）实际是今日ADX与前面某一日的ADX的平均值。ADXR在高位与ADX同步下滑，可以增加对ADX已经调头的尽早确认。 ADXR是ADX的附属产品，只能发出一种辅助和肯定的讯号，并非入市的指标，而只需同时配合动向指标(DMI)的趋势才可作出买卖策略。 在应用时，应以ADX为主，ADXR为辅。 |
+| 16 | TRIX，MATRIX指标  | http://wiki.mbalib.com/wiki/TRIX   TRIX指标又叫三重指数平滑移动平均指标（Triple Exponentially Smoothed Average） |
+| 17 | VR，MAVR指标   | http://wiki.mbalib.com/wiki/%E6%88%90%E4%BA%A4%E9%87%8F%E6%AF%94%E7%8E%87   成交量比率（Volumn Ratio，VR）（简称VR），是一项通过分析股价上升日成交额（或成交量，下同）与股价下降日成交额比值， 从而掌握市场买卖气势的中期技术指标。 |

docs/02-经典策略/01-股票/量化一-均值策略.md

@@ -0,0 +1,187 @@
+昨日2020年03月12日时美股历史的第三次熔断，距离上一次熔断03月09号仅3天时间，受全球疫情的影响，股市出现恐慌性抛盘，导致A股也出现较为明显的震荡，A股能否走出独立行情还是不得而知了。
+
+所以我最近学习了一下量化投资的东西，
+
+量化平台Backtrader用起来还不错，A股历史行情数据可从Tushare中获取：
+
+https://www.backtrader.com/www.backtrader.com
+
+```python
+# Create a subclass of Strategy to define the indicators and logic
+class SmaCross(bt.Strategy):
+    # list of parameters which are configurable for the strategy
+    params = dict(
+        pfast=10,  # period for the fast moving average
+        pslow=30   # period for the slow moving average
+    )
+    def __init__(self):
+        super().__init__()
+        sma1 = bt.ind.SMA(period=self.p.pfast)  # fast moving average
+        sma2 = bt.ind.SMA(period=self.p.pslow)  # slow moving average
+        self.crossover = bt.ind.CrossOver(sma1, sma2)  # crossover signal
+    def next(self):
+        if not self.position:  # not in the market
+            if self.crossover > 0:  # if fast crosses slow to the upside
+                self.order_target_size(target=1)  # enter long
+                # self.buy()
+        elif self.crossover < 0:  # in the market & cross to the downside
+            self.order_target_size(target=0)  # close long position
+            # self.close()
+
+```
+
+这是一个简单的均值策略，当10日均线超过30日均线时买入，30日均线超过10日均线卖出。
+
+```python
+data_path = './data/'
+if not os.path.exists(data_path):
+    os.makedirs(data_path)
+mytoken='your_token'
+class Strategy_runner:
+    def __init__(self, strategy, ts_code, start_date, end_date, data_path=data_path, pro=False, token=mytoken):
+        self.ts_code = ts_code
+        self.start_date = start_date
+        self.end_date = end_date
+        # convert to datetime
+        self.start_datetime = datetime.strptime(start_date,'%Y%m%d')
+        self.end_datetime = datetime.strptime(end_date,'%Y%m%d')
+        if pro:
+            csv_name = f'pro_day_{str(ts_code)}-{str(start_date)}-{str(end_date)}.csv'
+        else:
+            csv_name = f'day_{str(ts_code)}-{str(start_date)}-{str(end_date)}.csv'
+        csv_path = os.path.join(data_path,csv_name)
+        if os.path.exists(csv_path):
+            if pro:
+                self.df = pd.read_csv(csv_path)
+            else:
+                self.df = pd.read_csv(csv_path,index_col=0)
+        else:
+            if pro:
+                ts.set_token(mytoken)
+                self.pro = ts.pro_api()
+                self.df = self.pro.daily(ts_code=self.ts_code, start_date=self.start_date, end_date=self.end_date)
+                if not self.df.empty:
+                    self.df.to_csv(csv_path, index=False)
+            else:
+                self.df = ts.get_hist_data(self.ts_code, str(self.start_datetime), str(self.end_datetime))
+                if not self.df.empty:
+                    self.df.to_csv(csv_path, index=True)
+
+        self.df_bt = self.preprocess(self.df, pro)
+        print(self.df_bt)
+        self.strategy = strategy
+        self.cerebro = bt.Cerebro()
+
+
+    def preprocess(self, df, pro=False):
+        if pro:
+            features=['open','high','low','close','vol','trade_date']
+            # convert_datetime = lambda x:datetime.strptime(x,'%Y%m%d')
+            convert_datetime = lambda x: pd.to_datetime(str(x))
+            df['trade_date'] = df['trade_date'].apply(convert_datetime)
+            print(df)
+            bt_col_dict = {'vol':'volume','trade_date':'datetime'}
+            df = df.rename(columns=bt_col_dict)
+            df = df.set_index('datetime')
+            # df.index = pd.DatetimeIndex(df.index)
+        else:
+            features=['open','high','low','close','volume']
+            df = df[features]
+            df['openinterest'] = 0
+            df.index = pd.DatetimeIndex(df.index)
+
+        df = df[::-1]
+        return df
+
+    def run(self):
+        data = bt.feeds.PandasData(dataname=self.df_bt,                               
+                                    fromdate=self.start_datetime,                               
+                                    todate=self.end_datetime)
+        self.cerebro.adddata(data)  # Add the data feed
+        self.cerebro.addstrategy(self.strategy)  # Add the trading strategy
+        self.cerebro.broker.setcash(100000.0)
+        # self.cerebro.addsizer(bt.sizers.FixedSize, stake=10)
+        # self.cerebro.broker.setcommission(commission=0.0)
+        self.cerebro.addanalyzer(bt.analyzers.SharpeRatio,_name = 'SharpeRatio')
+        self.cerebro.addanalyzer(bt.analyzers.DrawDown, _name='DW')
+        self.results = self.cerebro.run()
+        strat = self.results[0]
+        print('Final Portfolio Value: %.2f' % self.cerebro.broker.getvalue())
+        print('SR:', strat.analyzers.SharpeRatio.get_analysis())
+        print('DW:', strat.analyzers.DW.get_analysis())
+        return self.results
+
+    def plot(self, iplot=False):
+        self.cerebro.plot(iplot=iplot)
+```
+
+Tushare有pro版本和普通行情，由于最开始我使用了pro版本但是后面出现了一些连接问题，所以我又写了普通的版本，目前都可以用。
+
+pro：
+
+```python
+ts.set_token(mytoken)
+self.pro = ts.pro_api()
+self.df = self.pro.daily(ts_code=self.ts_code, start_date=self.start_date, end_date=self.end_date)
+```
+
+pro版本需要获取token，这个需要你去官网注册之后可以看到的，之后使用daily即可获取日级历史行情。
+
+```python
+ts_code='600515.SH'
+start_date='20190101'
+end_date='20191231'
+strategy_runner = Strategy_runner(strategy=SmaCross, ts_code=ts_code, start_date=start_date, end_date=end_date, pro=True)
+results = strategy_runner.run()
+strategy_runner.plot()
+```
+
+以去年为例，传入pro=True，即可使用pro接口，然后获取行情，用均值策略分析
+
+添加策略：
+
+```python
+self.cerebro.addstrategy(self.strategy)
+```
+
+设置初始资金：
+
+```python
+self.cerebro.broker.setcash(100000.0)
+```
+
+加入analyzer为获取夏普率和回撤率：
+
+```python
+self.cerebro.addanalyzer(bt.analyzers.SharpeRatio,_name = 'SharpeRatio')
+self.cerebro.addanalyzer(bt.analyzers.DrawDown, _name='DW')
+```
+运行模拟策略一遍：
+
+```python
+self.cerebro.run()
+```
+
+得到分析结果：
+
+```shell
+Final Portfolio Value: 100000.29
+SR: OrderedDict([('sharperatio', None)])
+DW: AutoOrderedDict([('len', 178), ('drawdown', 0.0014899734784627702), ('moneydown', 1.4899999999906868), ('max', AutoOrderedDict([('len', 178), ('drawdown', 0.0019099660025940943), ('moneydown', 1.9099999999889405)]))])
+```
+
+因为夏普率默认需要年化的，这里不到一年的数据所以是None。
+
+![image-20200313170814781](C:\Users\todd\AppData\Roaming\Typora\typora-user-images\image-20200313170814781.png)
+
+如果没有token可以直接使用普通接口：
+
+```python
+ts_code='600515'
+start_date='20190101'
+end_date='20191231'
+strategy_runner = Strategy_runner(strategy=SmaCross, ts_code=ts_code, start_date=start_date, end_date=end_date, pro=False)
+results = strategy_runner.run()
+```
+
+如果使用日级行情，其实两者并没有太大的差别，只是表格的列名有点差别。我这里如果第一次获取之后我会在本地存下该表格，后面就不需要网络获取了。