2-深度学习挖短线股-1-股票范围选择

一、选短线个股的流程

（1）数据预处理，根据短线个股筛选标准，给个股日线数据打标。
（2）模型训练，针对每只股票，训练得到分类模型。
（3）结果预测，根据训练得到的模型，计算股票每日的分类预测值。
（4）策略回测，基于股票每日的分类预测值，回测策略收益情况。
（5）个股筛选，如果策略验证可行，即可根据模型筛选出当前符合买入条件的股票。

二、数据预处理

       将短线个股的筛选问题处理为使用深度学习解决的分类问题，目标是筛选出10个交易日内，上涨幅度大于10%的股票。这里选择2017年12月31日及之前的数据作为训练数据，2018年1月1日之后的数据用于做预测。

     2.1 股票范围选择

        为了应用深度学习算法，需要有足够的训练数据。程序用于筛选出在 2016 年至 2017 年期间交易天数超过 300 天的股票，为后续的量化分析提供高质量的股票样本。程序从本地读取股票列表和日线数据，通过日期筛选和交易天数统计，最终将符合条件的股票代码保存为新的 CSV 文件。

     2.2 功能总结

1. 数据读取：从stk_list.csv读取全部股票代码列表。
2. 筛选逻辑：遍历每支股票的日线数据，统计 2016 年 1 月 1 日至 2017 年 12 月 31 日期间的交易天数。
3. 条件过滤：保留交易天数超过 300 天的股票，确保数据连续性和分析可靠性。
4. 结果输出：将符合条件的股票代码保存到dp_stock_list.csv，作为后续分析的基础。

# -*- coding: utf-8 -*-
"""
Created on Wed Jun  4 10:42:49 2025

@author: Administrator
"""
import pandas as pd  # 导入pandas库用于数据处理

# 定义股票代码文件路径和结果保存路径
stk_code_file = './stk_data/stk_list.csv'  # 全部股票代码列表文件
output_file = './stk_data/dp_stock_list.csv'  # 符合条件的股票保存路径

# 读取全部股票代码列表
stk_list = pd.read_csv(stk_code_file)['code'].tolist()  # 从CSV读取股票代码并转换为列表

# 初始化符合条件的股票列表
pd_stocks_list = []

# 遍历每支股票，筛选符合条件的股票
for stk_code in stk_list:
    # 读取单支股票的日线数据
    df = pd.read_csv('./stk_data/d/{}.csv'.format(stk_code))  # 读取日线数据文件
    
    # 筛选2016年至2017年的数据并统计交易天数
    filtered_df = df[(df['date'] >= '2016-01-01') & (df['date'] <= '2017-12-31')]  # 时间范围筛选
    valid_days = filtered_df.shape[0]  # 获取筛选后的行数（交易天数）
    
    # 判断交易天数是否超过300天
    if valid_days > 300:  # 交易天数阈值判断
        pd_stocks_list.append(stk_code)  # 将符合条件的股票代码加入结果列表

# 将符合条件的股票代码保存为CSV文件
out_df = pd.DataFrame(pd_stocks_list, columns=['code'])  # 创建结果DataFrame
out_df.to_csv(output_file, index=False)  # 保存为CSV，不包含索引列

print(f"筛选完成，共{len(pd_stocks_list)}支股票符合条件，已保存至{output_file}")