利用tushare数据计算期货主力合约的活跃度

- - 期货活跃度
  - 期货数据的获取

用了这么久的CSDN，这是第一篇自己写的东西，权且当作自己的记录，当然也希望能够帮助到有需要的人吧。

期货活跃度

量化从业人员应该对活跃度比较关注，因为一个品种的活跃度越高，说明其中的机会就更多，对于高频交易来说就更容易赚到。关于证券与期货合约的活跃度，似乎还没有一些比较普适的量化指标，笔者也是自己根据直觉经验瞎凑几个量来刻画。首先是交易量，交易量越大，说明市场参与者多，而且流动性好，这样高频交易者的风险相对就会小一点，因为不会持仓很久无法平仓。另一个比较相关的指标是交易量与持仓量的比值，这个指标也可以称为投机度。对于比较活跃的主力合约，每日的交易量可能是持仓量的好几倍。当然这里面有很多都是高频交易商提供的。其次是价格的日内波动，如果一个合约的价格几乎没什么波动，那么这个合约对于高频交易来说也没什么吸引力，因为机会太少，资金成本比较高。与日内波动率比较相关的指标是其回报率的标准差，这也可以表征整个品种的活跃度。显然活跃度应该最好是一个无量纲的量，便于我们对同一品种的时序比较，同时也可以做横截面比较。总结起来就是下面的四个指标：

factor	expression	weight
x1	vol_ma5/vol_ma20	1.0
x2	std(ret, 20)	100.0
x3	vol / position	1.0
x4	(high-low)/settle	100.0

其实这四个指标的组合方式应该是挺多的，我比较希望的是形如
x 1 ∗ x 2 + x 3 ∗ x 4 x_1*x_2 + x_3*x_4 x1∗x2+x3∗x4的方式，但是效果还不是很理想。所以就简单的采用的线性加权的组合，权重系数的选取也是使得各因子值大致在一个量级，从而可以让它们的贡献比较均等。从最后的结果看，还是比较符合预期的。

期货数据的获取

下面就进入正题，我们怎么把这个比较朴素的想法变成一个实实在在的结果，首先得有数据吧。那我们就从获取数据开始。一开始我尝试了使用新浪财经给出的期货数据api接口，甚至他们还提供了分钟线的数据，不过我发现这数据质量实在堪忧，也就放弃了。然后发现我很久之前注册的tushare上竟然也提供相应的期货数据，数据的质量和数量都还挺不错，比如给出了持仓量等数据。下面的这段代码主要是简单介绍tushare的期货数据接口，熟悉的人可略过。

import tushare as ts
ts.set_token('***********')
pro = ts.pro_api()
df = pro.fut_basic(exchange='DCE', fut_type='2', fields='ts_code,symbol,name,list_date,delist_date')

这样就可以得到大商所上市的主力合约（和主力连续）列表了。同样可以得到上期所、郑商所和中金所的，不一一赘述。
对于具体的品种日线信息可以通过如下方式读取，

import datetime as dt
endDate = dt.datetime.today()
startDate = endDate - dt.timedelta(days=100)
df = pro.fut_daily(ts_code='CUL.SHF', start_date=str(startDate).replace('-',''), \
	end_date=str(endDate).replace('-',''))
df.tail()

基本数据结构如下图，

不得不说，其实tushare这个数据也挺反人类的，获取不同信息时，交易所的代号竟然不一样。
经过一些简单的数据处理工作之后，我们可以利用mplfinance这个金融画图工具进行一个简单的可视化。

if 'ts_code' in list(df.columns):
    df.drop(columns='ts_code', inplace=True)
if 'oi_chg' in list(df.columns):
    df.drop(columns='oi_chg', inplace=True)   
df['Date'] = pd.to_datetime(df['trade_date'], format="%Y-%m-%d")
if 'trade_date' in list(df.columns):
    df.drop(columns='trade_date', inplace=True)

data = df.set_index(keys='Date',drop=True)[::-1]
data.rename(columns={
   
    'vol':'volume'}, inplace=True)
mpf.plot(data[startDate:endDate],figsize=(15,6), type='candle',style='charles', volume=True)

结果如下图所示(注意这里面没有设置颜色，红绿的涨跌对应跟我们大陆是反的)，

计算四个信号的代码其实很简单，用pandas能够傻瓜式操作，

import matplotlib.pyplot as plt
import seaborn as sns
data['x1'] = data['volume'].rolling(5).mean() / data['volume'].rolling(20).mean()
data['x2'] = 100*(data['high'] - data['low'])/data['settle']
data['x3'] = data['volume']/data['oi']
data['ret']  = np.log(data['close']/data['pre_close'])
data['x4'] = 100*data['ret'].rolling(20).std()

sns.set_context('paper')
sns.set_style('whitegrid')
fig, ax=plt.subplots(figsize=(9,6))
data['x1'].plot(ax=ax)
data['x2'].plot(ax=ax)
data['x3'].plot(ax=ax)
data['x4'].plot(ax=ax)
ax.legend(loc=0)

结果如下：

最后我们对各信号进行直接加总并求其10日均值作为当前的活跃度，这样得到的活跃度形式如下：

data['vitality'] = (data['x1']+data['x4'] + data['x2'] + data['x3']).rolling(5).mean()
data['vitality'].plot(title='vitality of CUL.SHF')

大家可以尝试比较下不同品种的活跃度曲线有何区别。我在这里就简单的对上期所交易的品种做了一个横截面的比较，比较的时间是2021.01.29，结果如下：

AG0 vitality is:10.57
SN0 vitality is:10.19
SP0 vitality is:8.80
NI0 vitality is:7.87
FU0 vitality is:7.46
PB0 vitality is:7.31
RU0 vitality is:7.02
HC0 vitality is:6.50
BU0 vitality is:6.30
ZN0 vitality is:6.23
RB0 vitality is:6.17
CU0 vitality is:4.84
AL0 vitality is:4.54
AU0 vitality is:4.34
WR0 vitality is:3.32

我个人经验看还是很准确的。白银的活跃度最近被各种刺激炒起来了，美国放水，散户们的投机热情，各种机构的暗中搅合都对白银的热度有着推波助澜的作用。像SP0和SN0这两个品种，最近的越来越活跃，而前阵子大热的黑色系像RB0最近就有点哑火了。所以我个人对这个结果还是比较满意的，毕竟是一个非常简单的组合了，也可以做一些比较fancy的操作，但是又有什么意义呢？我们本就只是做个大致的参考而已嘛。

以上。

利用tushare数据计算期货主力合约的活跃度