分析对象：茅台&五粮液，获取上述股票2020/1/1到2021/12/31的股票数据，
1.可视化价差spread、z-score
2.产生并可视化交易信号：上升交易信号、下降交易信号
3.计算策略的累计效益，可视化为折线图

代码如下：

1，端口准备

1.  
   #端口准备
2.  
   import tushare as ts
3.  
   pro=ts.pro_api()
4.  
   import pandas as pd
5.  
   %matplotlib inline
6.  
   import matplotlib.pyplot as plt
7.  
   import matplotlib.ticker as ticker
8.  
   import numpy as np
9.  
   plt.rcParams['font.sans-serif']=['SimHei']
10.  
    plt.rcParams['axes.unicode_minus']=False

2，使用tushare获取数据，注意：为方便做图要将交易日期设置为index并将index转化为datetime格式

1.  
   #茅台日线数据
2.  
   df = pro.daily(ts_code='600519.SH', start_date='20200101', end_date='20211231')
3.  
   df = df.sort_values(by = 'trade_date')
4.  
   df['trade_date'] = pd.to_datetime(df['trade_date'])
5.  
   df.set_index("trade_date", inplace=True)
6.  
    
7.  
   #五粮液日线数据
8.  
   df2 = pro.daily(ts_code='000858.SZ', start_date='20200101', end_date='20211231')
9.  
   df2 = df2.sort_values(by = 'trade_date')
10.  
    df2['trade_date'] = pd.to_datetime(df2['trade_date'])
11.  
    df2.set_index("trade_date", inplace=True)

3，

1.  
   #收盘价折线图对比
2.  
   ax1=df.plot(y='close',label='茅台',figsize=(10,5)) # 茅台收盘价折线
3.  
   df2.plot(ax=ax1,y='close',label='五粮液') # 五粮液收盘价折线
4.  
   plt.title('收盘价对比')
5.  
   plt.xlabel('日期')
6.  
   plt.ylabel('收盘价')
7.  
   plt.grid(True)

4，

1.  
   #价差及其均值
2.  
   df['spread']=df['close']-df2['close']
3.  
   df['spread'].plot(figsize=(10,5))
4.  
   plt.title('茅台与五粮液价差')
5.  
   plt.xlabel('日期')
6.  
   plt.ylabel('价差')
7.  
   plt.axhline(df['spread'].mean())
8.  
   plt.grid(True)

 5，z-score 是对时间序列偏离其均值程度的衡量，表示时间序列偏离了其均值多少倍的标 准差。一个序列在时间 t 的 z-score，是它在时间 t 的值，减去序列的均值，再除以序列的 标准差后得到的值。

1.  
   #对价差进行标准化
2.  
   df['zscore']=(df['spread']-np.mean(df['spread']))/np.std(df['spread'])
3.  
   df['zscore'].plot(figsize=(10,5))
4.  
   plt.title('茅台与五粮液价差Z值')
5.  
   plt.xlabel('日期')
6.  
   plt.ylabel('Z值')
7.  
   plt.grid(True)

6，

1.  
   #茅台交易信号
2.  
   df['position1'] = np.where(df['zscore']>1,-1,np.nan) #大于1，做多
3.  
   df['position1'] = np.where(df['zscore']<-1,1,df['position1']) #小于-1，做空
4.  
   df['position1'] = np.where(abs(df['zscore'])<0.5,0,df['position1']) #在0.5范围区间，平仓
5.  
   df['position1'] = df['position1'].ffill().fillna(0)
6.  
   df['position1'].plot(ylim=[-1.1,1.1],title='茅台买卖信号',xlabel='日期',figsize=(10,5))

1.  
   #五粮液交易信号
2.  
   df['position2'] = -np.sign(df['position1']) #与茅台相反操作
3.  
   df['position2'].plot(ylim=[-1.1,1.1],title='五粮液买卖信号',xlabel='日期',figsize=(10,5))

7，

1.  
   #策略的累计收益率
2.  
   df['茅台']=(np.log(df['close']/df['close'].shift(1))).fillna(0)
3.  
   df['五粮液']=(np.log(df2['close']/df2['close'].shift(1))).fillna(0)
4.  
   df['配对策略']=0.5*(df['position1'].shift(1)*df['茅台'])+0.5*(df['position2'].shift(1)*df['五粮液'])
5.  
   df[['茅台','五粮液','配对策略']].dropna().cumsum().apply(np.exp).plot(figsize=(10,5))
6.  
   plt.title('配对策略累计收益率')
7.  
   plt.xlabel('日期')
8.  
   plt.ylabel('累计收益率')
9.  
   plt.grid(True)