刚出来不久就看过，高手先复现了，看结果回撤还是不小啊

好！

不错！

@Legends 真的好

请问怎样克隆策略

@飞雪残阳 点击“克隆研究”？

感谢楼主提供完整的策略复现，问题是聚宽股票数据里没有“turnover_rate” 和“turnover_rate_f”，只有turnover_ratio，换手率(%), capitalization, 总股本(万股)，circulating_cap, 流通股本(万股)。我用（换手率*流通股本/总股本）计算总流通股本的换手率，可是计算出来的数据和复现的数据相差很大，请问这是什么原因？

@老牛伏枥 您好 在上文中我用jqdata数据也构造了计算函数 与ts的数据有点差异但不大,您可以参考看看 ```python def Cal_index_turnover(indexId, start, end): ''' indexId 为指标名称 ---------- return Series ''' tradeList = get_trade_days(start, end) temp = {} # 储存中间数据 for trade_date in tradeList: security = get_index_stocks(indexId, date=trade_date) # 获取成分股 # 查询总流通股本 q_circulating_cap = query(valuation.code, valuation.circulating_cap).filter(valuation.code.in_(security)) circulating_cap = get_fundamentals(q_circulating_cap, date=trade_date) # 获取成交量,注释部分计算结果更贴近ts数据但很慢,不知道为什么 volume = get_price(indexId, end_date=trade_date, count=1, fields='volume') # volume=get_price(security, end_date=trade_date,count=1, fields='volume,paused').to_frame() # 总流通股本换手率 turnover = volume['volume'].sum( )/circulating_cap['circulating_cap'].sum() # turnover=volume.query('paused==0')['volume'].sum()/circulating_cap['circulating_cap'].sum() temp[trade_date] = turnover print('success', trade_date) ser = pd.Series(temp) ser.name = 'turnover_rate' return ser ```

@老牛伏枥 一般的差异都是数据计算造成的 可以找某日的具体数据对比一下

@Hugo2046 谢谢您的回复。 # 从聚宽获取指数的信息 index_code = '000001.XSHG' # 指数 code index_info = get_security_info(index_code) # 指数信息 start_date = index_info.start_date # 开始时间 end_date = '2019-11-20' index_name = index_info.display_name # 指数全称 def get_turnover(index_code, start_date, end_date): def iter_turnover(): trade_date = get_trade_days(start_date=start_date, end_date=end_date) for date in trade_date: stocks = get_index_stocks(index_code, date) q = query(valuation.code, valuation.turnover_ratio, #流通换手率 valuation.capitalization, #总股本 valuation.circulating_cap, #流通股本 ).filter(valuation.code.in_(stocks) , ) df = get_fundamentals(q, date) df_turnover = (df.turnover_ratio * df.circulating_cap).sum() #总成交量 df_capitalization = df.capitalization.sum() #总流通股本 df_circulating_cap= df.circulating_cap.sum() #总自由流通股本 turnover_ratio = df_turnover / df_capitalization #换手率 turnover_ratio_f = df_turnover / df_circulating_cap #自由流通换手率 yield date, turnover_ratio, turnover_ratio_f dict_result = [{'date': value[0], 'turnover_ratio': value[1], 'turnover_ratio_f':value[2]} for value in iter_turnover()] df_result = pd.DataFrame(dict_result) df_result.set_index('date', inplace=True) return df_result df_turnover = get_turnover(index_code, start_date, end_date) print(df_turnover.head()) df_turnover.tail() 这是我写的程序，请您看看问题出的哪儿？

@老牛伏枥 您好 date = '2019-11-24' q = query(valuation.code, valuation.turnover_ratio, #流通换手率 valuation.capitalization, #总股本 valuation.circulating_cap, #流通股本 ).filter(valuation.code=='000001.XSHE', ) df = get_fundamentals(q, date) df_turnover = df.turnover_ratio * df.circulating_cap 这里df_turnover计算出来按理说应该是与get_price获取的volume量相同，但是我比较了用get_price('000001.XSHE',end_date='2019-11-24',count=1,fields='volume')/100 获取的volume数据 这两者之间存在差异 前者df_turnover=773513.29465,后者为773473.54 您也可以比较一下

@Hugo2046 谢谢！明白您的意思了，就是说用get_price获取的valume 与用get_fundamentals(q, date)得到的turnover_ratio * circulating_cap数据不一致。这大概是原始数据的使用问题，非常感谢！

@老牛伏枥 嗯 你可以试试用get_price获取volume后计算的结果，如果有问题请再反馈一下 谢谢

@Hugo2046 谢谢！试了下，get_price获取volume计算，与采用get_fundamentals(q, date)获取数据计算结算略有区别，但聚宽提供的数据计算出来的基于自由流通股本换手率2007年的高点有百分之八点多，2015年的高点只有百分之三点多，与研究报告以及您复现的数据相差还是蛮大的。而聚宽提供的数据计算出来的基于总流通股本换手率2007年的高点的百分之一点几，2015年的高点是百分之二点几，与研究报告和您复现的数据相差也是蛮大的。估计是聚宽、Tushare的总流通股本、自由流通股本数据不同，计算出来的数据当然会相差比较大。

@老牛伏枥 我看jqdata只有总股本和流通股本貌似没有自由流通股本

@Hugo2046 是的，看来我理解有误，以为总股本capitalization是“流通总股本”，流通股本circulating_cap是自由流通股本，所以数据和研究报告的不一样。谢谢！

使用聚宽数据计算换手率的函数Cal_index_turnover里面两个指标的单位是不一样的。 circulating_cap的单位是万股，get_price里面又是将成交量放大了100倍。 所以计算换手率时一个要缩小100倍，一个要放大100倍。 turnover =( volume['volume'].sum( )/100)/(circulating_cap['circulating_cap'].sum()*100)

@见路不走2019 谢谢

不错~~