利用tushare資料計算期貨主力合約的活躍度

期歡訓躍度

量化從業人員應該對活躍度比較關注，因為一個品種的活躍度越高，說明其中的機會就更多，對于高頻交易來說就更容易賺到，關于證券與期貨合約的活躍度，似憾訓沒有一些比較普適的量化指標，筆者也是自己根據直覺經驗瞎湊幾個量來刻畫，首先是交易量，交易量越大，說明市場參與者多，而且流動性好，這樣高頻交易者的風險相對就會小一點，因為不會持倉很久無法平倉，另一個比較相關的指標是交易量與持倉量的比值，這個指標也可以稱為投機度，對于比較活躍的主力合約，每日的交易量可能是持倉量的好幾倍，當然這里面有很多都是高頻交易商提供的，其次是價格的日內波動，如果一個合約的價格幾乎沒什么波動，那么這個合約對于高頻交易來說也沒什么吸引力，因為機會太少，資金成本比較高，與日內波動率比較相關的指標是其回報率的標準差，這也可以表征整個品種的活躍度，顯然活躍度應該最好是一個無量綱的量，便于我們對同一品種的時序比較，同時也可以做橫截面比較，總結起來就是下面的四個指標：

其實這四個指標的組合方式應該是挺多的，我比較希望的是形如
x 1 ? x 2 + x 3 ? x 4 x_1*x_2 + x_3*x_4 x1??x2?+x3??x4?的方式，但是效果還不是很理想，所以就簡單的采用的線性加權的組合，權重系數的選取也是使得各因子值大致在一個量級，從而可以讓它們的貢獻比較均等，從最后的結果看，還是比較符合預期的，

期貨資料的獲取

下面就進入正題，我們怎么把這個比較樸素的想法變成一個實實在在的結果，首先得有資料吧，那我們就從獲取資料開始，一開始我嘗試了使用新浪財經給出的期貨資料api介面，甚至他們還提供了分鐘線的資料，不過我發現這資料質量實在堪憂，也就放棄了，然后發現我很久之前注冊的tushare上竟然也提供相應的期貨資料，資料的質量和數量都還挺不錯，比如給出了持倉量等資料，下面的這段代碼主要是簡單介紹tushare的期貨資料介面，熟悉的人可略過，

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')

這樣就可以得到大商所上市的主力合約（和主力連續）串列了，同樣可以得到上期所、鄭商所和中金所的，不一一贅述，
對于具體的品種日線資訊可以通過如下方式讀取，

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()

基本資料結構如下圖，

不得不說，其實tushare這個資料也挺反人類的，獲取不同資訊時，交易所的代號竟然不一樣，
經過一些簡單的資料處理作業之后，我們可以利用mplfinance這個金融畫圖工具進行一個簡單的可視化，

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)

結果如下圖所示(注意這里面沒有設定顏色，紅綠的漲跌對應跟我們大陸是反的)，

計算四個信號的代碼其實很簡單，用pandas能夠傻瓜式操作，

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)

結果如下：

最后我們對各信號進行直接加總并求其10日均值作為當前的活躍度，這樣得到的活躍度形式如下：

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

大家可以嘗試比較下不同品種的活躍度曲線有何區別，我在這里就簡單的對上期所交易的品種做了一個橫截面的比較，比較的時間是2021.01.29，結果如下：

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

我個人經驗看還是很準確的，白銀的活躍度最近被各種刺激炒起來了，美國放水，散戶們的投機熱情，各種機構的暗中攪合都對白銀的熱度有著推波助瀾的作用，像SP0和SN0這兩個品種，最近的越來越活躍，而前陣子大熱的黑色系像RB0最近就有點啞火了，所以我個人對這個結果還是比較滿意的，畢竟是一個非常簡單的組合了，也可以做一些比較fancy的操作，但是又有什么意義呢？我們本就只是做個大致的參考而已嘛，

以上，