A股 Grafana InfluxDB QMT

近期我收集了许多身边的数据做统计, 将自己一直以来的股票持仓也上报了. 数据是使用InfluxDB存储的, 前端就也用Grafana来做权限控制以及页面展示, 所以我想分享一下对于InfluxDB的一些使用以及常用的一些查询语句, 此文章分享的内容不构成任何投资建议.

目前国金这个账户我持仓大约17W, 收益率10%左右. 和那些动辄几百万, 收益率翻倍的大佬们肯定没得比.

我在博客中增加了一栏用作展示Grafana图表, 可以直接查看 Stocks

数据源

我在A股玩了几年了, 去年发现有QMT这个工具, 可以使用Python与自己的证券账户交互

http://docs.thinktrader.net/pages/040ff7/#%E8%BF%85%E6%8A%95xtquant-faq

开通的方式比较简单, 国金30W的门槛, 咨询下客户经理就能开.

1721227030807.png

去年的时候我自己写了工具来做定投, 近期收集身边数据时, 正好将持仓以及收益也收集起来. 其实有不少其他数据, 但我感觉自己的持仓是最适合作图分享的. 可能读者也更感兴趣一点.

以下是写入数据的函数, 没想到写博客的时候发现自己的代码写的有点随意, 先能跑吧.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
# 上报当前账户的整体数据
p = Point("balance") \
    .tag('account', stock_account) \
    .field("total_asset", b.total_asset) \
    .field("market_value", b.market_value) \
    .time(dt.datetime.utcnow(), WritePrecision.S)
with client.write_api(write_options=SYNCHRONOUS) as write_api:
    write_api.write(bucket=bucket, record=p)

# 上报当前持仓的数据
for s in stocks:
    p = Point("position") \
        .tag('account', stock_account) \
        .tag('stock_code', s.code) \
        .tag('stock_name', s.name) \
        .tag('market', s.market) \
        # 当前持仓数量
        .field('volume', s.volume) \
        # 当前单股价格
        .field('volume_price', s.volume_price) \
        # 当前持仓总价
        .field('market_price', s.market_price) \
        # 单股成本
        .field('open_price', s.open_price) \
        .field('position_ratio', round(s.market_price / b.market_value, 3)) \
        .time(dt.datetime.utcnow(), WritePrecision.S)

    with client.write_api(write_options=SYNCHRONOUS) as write_api:
        write_api.write(bucket=bucket, record=p)

可以点击图片放大来查看这一示例

1721227802438.png

一些InfluxDB的Query语句分享

我在制作图表时, 有机会能使用InfluxDB来做查询, 因此整理了一些我使用到的语句. 它能自建函数, 功能着实强大, 希望分享能给读者带来一些启发.

展示持仓以及总计

1
2
3
4
5
6
7
8
from(bucket: "Stock")
  |> range(start: v.timeRangeStart, stop: v.timeRangeStop)
  |> filter(fn: (r) => r["_measurement"] == "balance")
  |> filter(fn: (r) => r["_field"] == "market_value")
  |> aggregateWindow(every: v.windowPeriod, fn: last, createEmpty: false)
  |> drop(columns: ["_field", "account", "stock_code", "market"])
  |> set(key: "_measurement", value: "持仓金额")
  |> yield(name: "last")

这是最基础的图表

1721228735233.png

计算整体的仓位情况

1
2
3
4
5
6
7
8
9
10
11
12
from(bucket: "Stock")
  |> range(start: v.timeRangeStart, stop: v.timeRangeStop)
  |> filter(fn: (r) => r["_measurement"] == "balance")
  |> pivot(rowKey:["_time"], columnKey: ["_field"], valueColumn: "_value")
  |> map(fn: (r) => ({ 
      _time: r._time,
      // map函数用来计算 持仓金额/总金额, 比如我有17W, 16W是股票, 那么持仓16/17=0.94
      _value: r.market_value / r.total_asset,
    }))
  // 丢弃一些我们不要的column
  |> drop(columns: ["_field", "account", "stock_code", "market", "total_asset", "market_value"])
  |> set(key: "_measurement", value: "仓位")

InfluxDB源数据:

1721228581634.png

Grafana中, 可以制作

1721228609869.png

计算自己的实际收益率

这个图表中, 其实包含了自己投入的金额, 这个数据理论上是随时间变化的, 比如我这个月投入了1.5W, 那么实际的收益率应该用更新后的持仓数据来计算.

我能想到的方案是, 添加一个函数用来增加字段, 这个字段的意义时表明当前已经投入的金额,

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
getBase = (r) => {
  dtime = r._time
  data =
    if dtime > time(v: "2024-07-15T19:00:00Z") then
        160000.0
    else
        145000.0
  return data
}

from(bucket: "Stock")
  |> range(start: v.timeRangeStart, stop: v.timeRangeStop)
  |> filter(fn: (r) => r["_measurement"] == "balance")
  |> pivot(rowKey:["_time"], columnKey: ["_field"], valueColumn: "_value")
  |> map(fn: (r) => ({ 
      _time: r._time,
      _measurement: r._measurement,
      base: getBase(r),
      // 计算实际收益率, 比如我原本投入16W, 目前有17W 那么收益率等于 (17-16)/16 = 6%
      _value:  (r.total_asset - getBase(r)) / getBase(r),

    }))
  |> drop(columns: ["_field", "account", "stock_code", "market", "total_asset", "market_value", "base"])
  |> set(key: "_measurement", value: "收益率")

但是我觉得这个getBase函数并不够优雅, 所以这里, 我给一种打表的方案:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
import "array"

inputVal = [
  {date: time(v: "2024-07-15T19:00:00Z"), val: 160000.0 },
  {date: time(v: "2024-01-01T19:00:00Z"), val: 145000.0 },
]

// 这里的getBase函数, 就会根据表来查找自己属于的时间段, 返回对应的投入金额,
// 比如我在7月15日投入了1.5W, 那么在7月15日之后的数据就变成了16W
// 当我在8月份的某一天继续投入的时候, 就可以再增加一列来标识
getBase = (query) => {
  tdata = (
    inputVal |> array.filter(fn: (x) => {
      return query._time >= x.date
    })
  )
  return tdata[0].val
}

from(bucket: "Stock")
  |> range(start: v.timeRangeStart, stop: v.timeRangeStop)
  |> filter(fn: (r) => r["_measurement"] == "balance")
  |> pivot(rowKey:["_time"], columnKey: ["_field"], valueColumn: "_value")
  |> map(fn: (r) => ({ 
      _time: r._time,
      _measurement: r._measurement,
      base: getBase(query: r),
      _value:  (r.total_asset - getBase(query:r)) / getBase(query:r),
    }))
  |> drop(columns: ["_field", "account", "stock_code", "market", "total_asset", "market_value", "base"])
  |> set(key: "_measurement", value: "收益率")

实际的收益率曲线会比较光滑

1721229433054.png

另外, 我再提供另一种思路, 可以记录每次转账的金额, 使用reduce来计算总额

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
import "array"

// 记录每次银行赚证券的金额
inputVal = [
  {date: time(v: "2024-07-15T19:00:00Z"), val: 15000.0 },
  {date: time(v: "2024-01-01T19:00:00Z"), val: 145000.0 },
]

getBase = (query) => {
  tdata = (
   array.from(rows:inputVal) |> reduce(
    identity: {totalInput: 0.0},
    fn: (r, accumulator) => ({
      totalInput: if query._time > r.date then
        accumulator.totalInput + r.val
      else
        accumulator.totalInput
    }))
    |> yield()
    |> findRecord(fn:(key) => true, idx: 0)
  )
  return tdata.totalInput
}

个股持仓分布

这个比较简单, 按照market_price来做饼图就好

1
2
3
4
5
6
7
from(bucket: "Stock")
  |> range(start: v.timeRangeStart, stop: v.timeRangeStop)
  |> filter(fn: (r) => r["_measurement"] == "position")
  |> filter(fn: (r) => r["_field"] == "market_price")
  |> aggregateWindow(every: v.windowPeriod, fn: last, createEmpty: false)
  |> drop(columns: ["_field", "account", "stock_code", "market"])
  |> yield(name: "last")

1721229745591.png

个股收益率情况

1
2
3
4
5
6
7
8
9
10
11
12
from(bucket: "Stock")
  |> range(start: v.timeRangeStart, stop: v.timeRangeStop)
  |> filter(fn: (r) => r["_measurement"] == "position")
  |> pivot(rowKey: ["_time"], columnKey: ["_field"], valueColumn: "_value")
  |> map(fn: (r) => ({ r with
      _time: r._time,
      _measurement: r._measurement,
      // 使用当前 (股价-成本)/成本 就得到了单只股票的收益率
       _value: (r["volume_price"] - r["open_price"]) / r["open_price"],
  }))
  |>group(columns: ["stock_name"])
  |> aggregateWindow(every: v.windowPeriod, fn: mean, createEmpty: false)

1721229616399.png

总结

有人肯定会问, 为什么你要免费分享持仓数据. 我这里想说, 即使你看了我的仓位分布, 你可能大概率也不会 买我的这些股票, 下面是原因:

  1. 根本不在乎理论, 就像已经有了凯利公式, 还会永远满仓, 永远热泪盈眶
  2. 根本看不上我这10%的收益
  3. 已经存在的大量付费咨询的群, 很多股民更加相信群友判断或是小道消息

不过, 我还是再强调一下: 此文章仅分享技术, 不构成任何投资建议.