計算選股條件
由於我們下載的財經資料，多半是縱軸為日期，橫軸為股票的表格，這種表格的名稱是 pd.DataFrame，是在 Python 做運算時常會用到的工具。假如您沒有接觸過，建議您先參考10分鐘學會Pandas的教學，先來對表格操作有一定的瞭解。
瞭解了 Pandas 的基本原理，我們在原本的 DataFrame 之上，又做了很多選股專用的功能，讓大家可以用簡短的程式碼，有強大的效果，這個增強版的 DataFrame 叫做 FinlabDataFrame!
為什麼要有 FinlabDataFrame?
開發策略時，可以用 FinlabDataFrame 簡易的語法完成複雜的選股條件，讓開發策略更簡潔！
與一般 Dataframe 不同之處：
運算皆跟一般的 pd.DataFrame 一模一樣，除了以下兩個方面
- 多了一些額外的函式，如
df.is_largest(),df.sustain()等，下方會有更詳細的介紹。 - 在做四則運算、不等式運算前，會自動將 df1、df2 對齊運算，下方會有更詳細的介紹。
創建 FinlabDataFrame
只要使用 finlab.data.get() 所獲得的資料，皆為 FinlabDataFrame 格式。
假如你有現成的 Pandas DataFrame ，可以使用以下語法，將原本的 Dataframe 轉換成 FinlabDataFrame
import pandas as pd
from finlab.dataframe import FinlabDataFrame
df = pd.DataFrame()
df_finlab = FinlabDataFrame(df)
接下來我們就來看看， FinlabDataFrame 有哪些好用的功能吧！
日月季不等式、四則運算
與一般的 pd.DataFrame 非常類似，也就是對於每個相同位置的數字去做操作。
可以使用以下運算符號進行算術運算、比較運算和邏輯運算。
- 算術運算符號：+, -, *, /
- 使用 + 運算符號可以將兩個 DataFrame 中對應位置的元素相加。
- 使用 - 運算符號可以將兩個 DataFrame 中對應位置的元素相減。
- 使用 * 運算符號可以將兩個 DataFrame 中對應位置的元素相乘。
- 使用 / 運算符號可以將兩個 DataFrame 中對應位置的元素相除。
- 比較運算符號：>, >=, ==, <, <=
- 使用 > 運算符號可以比較兩個 DataFrame 中對應位置的元素是否大於。
- 使用 >= 運算符號可以比較兩個 DataFrame 中對應位置的元素是否大於等於。
- 使用 == 運算符號可以比較兩個 DataFrame 中對應位置的元素是否相等。
- 使用 < 運算符號可以比較兩個 DataFrame 中對應位置的元素是否小於。
- 使用 <= 運算符號可以比較兩個 DataFrame 中對應位置的元素是否小於等於。
- 邏輯運算符號：&, |, ~
- 使用 & 運算符號可以對兩個 DataFrame 中對應位置的元素進行「且」邏輯運算。
- 使用 | 運算符號可以對兩個 DataFrame 中對應位置的元素進行「或」邏輯運算。
- 使用 ~ 運算符號可以對一個 DataFrame 中的元素進行「非」邏輯運算。
以下就是一個簡單的例子，撰寫選股條件，為收盤價介於 10 ~ 100 的股票
from finlab import data
close = data.get('price:收盤價')
# 收盤價位於 10 ~ 100 之間
between_10_100 = (close > 10) & (close < 100)
資料頻率對齊，輕鬆解決
當資料日期沒有對齊（例如: 財報 vs 收盤價 vs 月報）時，您不需要使用df1.reindex(df2)將資料對齊，因為 FinlabDataFrame 會自動幫你處理，運算元素前，會先進行兩步程序：
- 將 index 的日期取聯集，並將缺值做以最近的數值填補 (
forward fill)，引含的意思是，假如當天沒有資料，則使用近期公布的數據。 - 將 column 股票代號取交集，引含的意思是，股票假如沒有相對應的財務資料，就會被剔除。
以下是範例：cond1 與 cond2 分別為「每天」，和「每季」的資料，假如要取交集的時間，可以用以下語法：
from finlab import data
# 取得 FinlabDataFrame
close = data.get('price:收盤價')
roa = data.get('fundamental_features:ROA稅後息前')
# 運算兩個選股條件交集
cond1 = close > 37
cond2 = roa > 0
cond_1_2 = cond1 & cond2
擷取 1101 台泥 的訊號如下圖，可以看到 cond1 跟 cond2 訊號的頻率雖然不相同，但是由於 cond1 跟 cond2 是 FinlabDataFrame，所以可以直接取交集，而不用處理資料頻率對齊的問題。
為何上面範例的 cond_1_2 的 row 數量比 cond1 少？不是取聯集嗎？
上述 cond1 的資料從 2010 開始，而 cond2 的資料從 2013 年開始，所以當兩個 dataframe 合併時，新的資料只會擷取上述兩種資料的重疊的時間，所以新資料起使日為 2013 年開始！而非2010 年，造成資料 row 的數量比 cond1 少喔！
均線 (average)
取 n 筆移動平均，若股票在時間窗格內，有 N/2 筆 NaN，則會產生 NaN。
from finlab import data
close = data.get('price:收盤價')
sma = close.average(10)
cond = close > sma
import matplotlib.pyplot as plt
close.loc['2021', '2330'].plot()
sma.loc['2021', '2330'].plot()
cond.loc['2021', '2330'].mul(20).add(500).plot()
plt.legend(['close', 'sma', 'cond'])
數值最大的 n 檔股票(is_largest)
FinlabDataFrame.is_largest(n)
取每列前 n 筆大的數值，若符合 True ，反之為 False 。用來篩選每天數值最大的股票
from finlab import data
roa = data.get('fundamental_features:ROA稅後息前')
good_stocks = roa.is_largest(1)
| date | 000116 | 000538 | 000616 | 000700 | 000779 |
|---|---|---|---|---|---|
| 2013-Q1 | False | False | True | False | False |
| 2013-Q2 | False | False | False | False | True |
| 2013-Q3 | False | True | False | False | False |
| 2013-Q4 | False | False | False | True | False |
| 2014-Q1 | True | False | False | False | False |
數值最小的 n 檔股票(is_smallest)
取每列前 n 筆小的數值，若符合 True ，反之為 False 。用來篩選每天數值最小的股票。
from finlab import data
pb = data.get('price_earning_ratio:股價淨值比')
cheap_stocks = pb.is_smallest(10)
訊號進出場(hold_until)
這是所有策略撰寫中，最重要的語法糖，用法為：
from finlab import data
close = data.get('price:收盤價')
buy = close > close.averate(5)
sell = close < close.average(20)
position = buy.hold_until(sell)
上述語法中 buy 為進場訊號，而 sell 是出場訊號。所以 buy.hold_until(sell) ，就是進場訊號為 True 時，買入並持有該檔股票，直到出場訊號為 True 則賣出。
停損停利
利用 hold_until 除了客製化出場以外，還可以設定額外的停損停利，使用方法為：
以收盤價當成依據，假如進場後，觸發停損10%，獲釋觸發停利20%，則就算沒有賣出訊號，也會執行賣出的動作。
類股輪動
可以讓你最多選擇 N 檔股票做輪動，當持有股票數量等於 N 時，將不在額外買入新的持股，而是保持當前部位，直到您的部位當中發生賣出訊號，才會再根據新的買入訊號，蒐集新的股票，直到持有股票數量等於 N 時停止。
雖然此功能乍看之下很複雜，但其實只要設定一個額外的參數 nstocks_limit 即可完成：
類股輪動優先度
當使用類股輪動時，往往會遇到當天有數檔股票都有進場訊號，此時可以設定優先程度，優先度高的進場訊號，會提早被選取，例如我們可以選擇股價高的股票優先進場：
假如想選擇股價低的股票優先進場，則設定 rank=-close 即可。
完整策略範例
價格 > 20 日均線入場, 價格 < 60 日均線出場，最多持有10檔，超過 10 個進場訊號，則以股價淨值比小的股票優先選入。
from finlab import data
from finlab.backtest import sim
close = data.get('price:收盤價')
pb = data.get('price_earning_ratio:股價淨值比')
sma20 = close.average(20)
sma60 = close.average(60)
entries = close > sma20
exits = close < sma60
position = entries.hold_until(exits, nstocks_limit=10, rank=-pb)
sim(position)
數值上升中(rise)
取是否比前第n筆高，若符合條件的值則為True，反之為False。
數值下降中(fall)
取是否比前第n筆低，若符合條件的值則為True，反之為False。
持續 N 天滿足條件(sustain)
取移動 nwindow 筆加總大於等於nsatisfy，若符合條件的值則為True，反之為False。
股票當天數值分位數(quantile_row)
取得每列n定分位數的值。
財務月季報索引格式轉換(index_str_to_date)
FinlabDataFrame.index_str_to_date()
將資料的 index 名稱從原本的字串:
- 月營收 (ex:2022-M1)
- 財務季報 (ex:2022-Q1)
轉換成
- 月營收 (ex:2022-01-10)
- 財務季報 (ex:2022-05-15)
從文字格式轉為公告截止日的 datetime 格式，通常使用情境為對不同週期的 dataframe做 reindex，常用於以公告截止日為訊號產生日的時候。
from finlab import data
data.get('monthly_revenue:當月營收').index_str_to_date()
data.get('financial_statement:現金及約當現金').index_str_to_date()
產業分群(groupby_category)
資料按產業分群，類似 pd.DataFrame.groupby()。
from finlab import data
pe = data.get('price_earning_ratio:股價淨值比')
pe.groupby_category().mean()['半導體'].plot()
全球 2020 量化寬鬆加上晶片短缺，使得半導體股價淨值比衝高。
進場點(is_entry)
取進場訊號點，若符合條件的值則為True，反之為False。
出場點(is_exit)
取出場訊號點，若符合條件的值則為 True，反之為 False。