JUKUAN/Lib/stock/daxiaowai_and_guojiuxiao.py

# 克隆自聚宽文章：https://www.joinquant.com/post/50551
# 标题：大小外择时小市值2.0
# 作者：DanD

from jqdata import *
from jqfactor import *
import numpy as np
import pandas as pd
import pickle
import talib
import warnings
from jqlib.technical_analysis import *
warnings.filterwarnings("ignore")

# 初始化函数
def initialize(context):
    # 设定基准
    set_benchmark('000300.XSHG')
    # 用真实价格交易
    set_option('use_real_price', True)
    # 打开防未来函数
    set_option("avoid_future_data", True)
    # 将滑点设置为0.246%
    set_slippage(PriceRelatedSlippage(0.00246),type='stock')
    # 设置交易成本万分之三，不同滑点影响可在归因分析中查看
    set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003,
                             close_today_commission=0, min_commission=5), type='stock')
    # 过滤order中低于error级别的日志
    log.set_level('order', 'error')
    # 初始化全局变量
    g.no_trading_today_signal = False
    g.market_temperature = "warm"
    g.stock_num = 3
    g.highest = 50 
    g.buy_stock_count = 5
    g.hold_list = []  # 当前持仓的全部股票
    g.yesterday_HL_list = []  # 记录持仓中昨日涨停的股票
    g.bought_stocks = {} #记录补跌的股票和金额
    g.foreign_ETF = [
        '518880.XSHG', # 黄金ETF
        '513030.XSHG', # 德国ETF
        '513100.XSHG', # 纳指ETF
        '164824.XSHE', # 印度LOF
        '159866.XSHE', # 日经ETF
        ]
    # 设置交易运行时间
    run_daily(prepare_stock_list, '9:05')
    run_monthly(singal, 1, '9:00')
    run_weekly(clear, 1, '9:30')
    run_weekly(monthly_adjustment, 1, '9:30')
    run_daily(stop_loss, '14:00')


def clear(context):#卖出补跌的仓位
    log.info(f"g.bought_stocks: {g.bought_stocks}")
    if g.bought_stocks!={}:
        for stock, amount in g.bought_stocks.items():
            if stock in context.portfolio.positions:
                order_value(stock, -amount)  # 卖出股票至目标价值为0
                log.info("Sell cover stocks: %s, value: %s" % (stock, amount))
            # 清空记录
        g.bought_stocks.clear()

def prepare_stock_list(context):
    """
    准备每日股票列表，包括持仓股票列表和昨日涨停股票列表。

    1. 遍历当前持仓中的所有股票，将其加入到 g.hold_list 中。
    2. 如果持仓列表不为空：
       - 获取持仓股票在前一个交易日的收盘价和涨停价。
       - 过滤出收盘价等于涨停价的股票，存入昨日涨停列表 g.yesterday_HL_list。
    3. 如果持仓列表为空，昨日涨停列表 g.yesterday_HL_list 也置为空。
    
    返回：
     - g.hold_list: 持仓股票清单
     - g.yesterday_HL_list: 持仓的昨日涨停清单
    """
    log.info('Daily run is enabled')
    # 获取已持有列表
    g.hold_list = []
    for position in list(context.portfolio.positions.values()):
        stock = position.security
        g.hold_list.append(stock)
    log.info(f"Day position {len(g.hold_list)}：{g.hold_list}")
    # 获取昨日涨停列表
    if g.hold_list != []:
        df = get_price(g.hold_list, end_date=context.previous_date, frequency='daily', fields=['close', 'high_limit'],
                       count=1, panel=False, fill_paused=False)
        df = df[df['close'] == df['high_limit']]
        g.yesterday_HL_list = list(df.code)
    else:
        g.yesterday_HL_list = []
        
def stop_loss(context):
    """
    执行止损策略，根据条件卖出股票或进行补仓。

    1. 初始化计数器 num 用于记录卖出股票的数量和获取当前时间 now_time。
    2. 如果昨日涨停列表 g.yesterday_HL_list 不为空：
       - 对于每只昨日涨停的股票，获取当前价格和涨停价。
       - 如果当前价格低于涨停价，打印日志信息并卖出该股票，计数器 num 加1。
       - 如果当前价格等于涨停价，打印日志信息并继续持有该股票。
    3. 初始化两个列表 SS 和 S 用于记录持仓股票的跌幅。
    4. 遍历持仓列表 g.hold_list：
       - 如果股票在当前持仓中，并且当前价格低于平均成本价的92%，执行止损卖出操作，计数器 num 加1。
       - 否则，将股票加入列表 S，并计算当前价格相对于平均成本价的涨跌幅，存入 SS。
    5. 如果有股票被止损卖出（num >= 1），且 SS 列表不为空：
       - 重置 num 为3。
       - 找出 SS 中跌幅最大的 num 支股票。
       - 计算每只股票的补仓金额为当前现金除以 num。
       - 对于跌幅最大的股票，执行补仓操作，并记录日志信息。如果股票不在已买入列表 g.bought_stocks 中，更新其买入金额。
    """
    num = 0
    now_time = context.current_dt
    if g.yesterday_HL_list != []:
        # 对昨日涨停股票观察到尾盘如不涨停则提前卖出，如果涨停即使不在应买入列表仍暂时持有
        for stock in g.yesterday_HL_list:
            current_data = get_price(stock, end_date=now_time, frequency='1m', fields=['close', 'high_limit'],
                                     skip_paused=False, fq='pre', count=1, panel=False, fill_paused=True)
            if current_data.iloc[0, 0] < current_data.iloc[0, 1]:
                log.info("[%s]Limit ends, sell" % (stock))
                position = context.portfolio.positions[stock]
                close_position(position)
                num = num+1
            else:
                log.info("[%s]Limit continues, continue to hold" % (stock))
    SS=[]
    S=[]
    for stock in g.hold_list:
        if stock in list(context.portfolio.positions.keys()):
            if context.portfolio.positions[stock].price < context.portfolio.positions[stock].avg_cost * 0.92:
                order_target_value(stock, 0)
                log.info("Loss control: Selling out %s" % (stock))
                num = num+1
            else:
                S.append(stock)
                NOW = (context.portfolio.positions[stock].price - context.portfolio.positions[stock].avg_cost)/context.portfolio.positions[stock].avg_cost
                SS.append(np.array(NOW))
    else:
        log.info(f"stop_loss else after for loop, num: {num}, SS: {len(SS)}")
        if num >=1:
            if len(SS) > 0:
                # 清空记录
                num=3
                min_values = sorted(SS)[:num]
                min_indices = [SS.index(value) for value in min_values]
                min_strings = [S[index] for index in min_indices]
                log.info(f"Need to cover positions are min_strings: {min_strings}, min_indices: {min_indices}")
                cash = context.portfolio.cash/num
                for ss in min_strings:
                    cover_order = order_value(ss, cash)
                    if cover_order:
                        log.info("Cover the n that fell the most with Order %s and %.2f" % (ss, cash))
                        log.debug(f"cover_order: {cover_order}")
                        amount = cover_order.amount
                        log.debug(f"amount: {type(amount)}, {amount}")
                        if ss not in g.bought_stocks:
                            g.bought_stocks[ss] = amount
                        else:
                            g.bought_stocks[ss] = amount + g.bought_stocks[ss]
                log.info(f"g.bought_stocks: {g.bought_stocks}")

def filter_roic(context,stock_list):
    """
    根据最近一期的ROIC（投入资本回报率）过滤股票列表。

    1. 获取前一个交易日的日期。
    2. 遍历输入的股票列表 stock_list，对于每只股票：
       - 获取该股票最近一期的 ROIC 值。
       - 如果 ROIC 大于 0.08，将该股票添加到 list 中。
    """
    yesterday = context.previous_date
    list=[]
    for stock in stock_list:
        roic=get_factor_values(stock, 'roic_ttm', end_date=yesterday,count=1)['roic_ttm'].iloc[0,0]
        if roic>0.08:
            list.append(stock)
    return list
    
def filter_highprice_stock(context,stock_list):
    # 过滤出最近一分钟的收盘价低于10元的股票，或当前已持有的股票。
	last_prices = history(1, unit='1m', field='close', security_list=stock_list)
	return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
			or last_prices[stock][-1] < 10]
			
def filter_highprice_stock2(context,stock_list):
    # 过滤出最近一分钟的收盘价低于300元的股票，或当前已持有的股票。
	last_prices = history(1, unit='1m', field='close', security_list=stock_list)
	return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
			or last_prices[stock][-1] < 300]
			
def get_recent_limit_up_stock(context, stock_list, recent_days):
    # 获取最近指定天数内出现过涨停的股票。
    stat_date = context.previous_date
    new_list = []
    for stock in stock_list:
        df = get_price(stock, end_date=stat_date, frequency='daily', fields=['close','high_limit'], count=recent_days, panel=False, fill_paused=False)
        df = df[df['close'] == df['high_limit']]
        if len(df) > 0:
            new_list.append(stock)
    return new_list
    
def get_recent_down_up_stock(context, stock_list, recent_days):
    """获取最近指定天数内出现过跌停的股票。"""
    stat_date = context.previous_date
    new_list = []
    for stock in stock_list:
        df = get_price(stock, end_date=stat_date, frequency='daily', fields=['close','low_limit'], count=recent_days, panel=False, fill_paused=False)
        df = df[df['close'] == df['low_limit']]
        if len(df) > 0:
            new_list.append(stock)
    return new_list

#1-2 选股模块
def get_stock_list(context):
    """
    小市值选股逻辑：
    针对399101里的股票，过滤次新、科创北交、st，先获取实质5-30的最小市值100支股票
    再过滤掉停牌、当前涨停和跌停的股票
    最后获得市值最小的50支股票
    """
    final_list = []
    MKT_index = '399101.XSHE'
    initial_list = get_index_stocks(MKT_index)
    initial_list = filter_new_stock(context, initial_list)
    initial_list = filter_kcbj_stock(initial_list)
    initial_list = filter_st_stock(initial_list)
    
    q = query(valuation.code,valuation.market_cap).filter(valuation.code.in_(initial_list),valuation.market_cap.between(5,30)).order_by(valuation.market_cap.asc())
    df_fun = get_fundamentals(q)
    df_fun = df_fun[:100]
    
    initial_list = list(df_fun.code)
    initial_list = filter_paused_stock(initial_list)
    initial_list = filter_limitup_stock(context, initial_list)
    initial_list = filter_limitdown_stock(context, initial_list)
    #log.info('initial_list has {} stocks'.format(len(initial_list)))
    q = query(valuation.code,valuation.market_cap).filter(valuation.code.in_(initial_list)).order_by(valuation.market_cap.asc())
    df_fun = get_fundamentals(q)
    df_fun = df_fun[:50]
    final_list  = list(df_fun.code)
    return final_list


#1-2 选股模块
def get_stock_list_2(context):
    """
    1. 获取综小中指的成分股 initial_list。
    2. 对 initial_list 进行一系列过滤操作：
       - 过滤掉新股。
       - 过滤掉科创北交股票。
       - 过滤掉ST股票。
    5. 构建查询条件 q，筛选出符合以下条件的股票：
       - 股票代码在 initial_list 中。
       - 总市值在5亿到30亿之间。
       - 归属于母公司所有者的净利润为正。
       - 净利润为正。
       - 营业收入大于1亿。
    6. 按总市值升序排序，限制返回最多50只股票。
    7. 获取基本面数据 df，并从中提取股票代码列表 final_list。
    8. 获取 final_list 中股票最近一天的收盘价。
    9. 返回符合以下条件的股票列表：
       - 当前持有的股票。
       - 最近一天收盘价不高于全局变量 g.highest 的股票。
    """
    final_list = []
    MKT_index = '399101.XSHE'
    initial_list = get_index_stocks(MKT_index)
    initial_list = filter_new_stock(context, initial_list)
    initial_list = filter_kcbj_stock(initial_list)
    initial_list = filter_st_stock(initial_list)
    # 国九更新：过滤近一年净利润为负且营业收入小于1亿的
    # 国九更新：过滤近一年期末净资产为负的 (经查询没有为负数的，所以直接pass这条)
    # 国九更新：过滤近一年审计建议无法出具或者为负面建议的 (经过净利润等筛选，审计意见几乎不会存在异常)
    q = query(
        valuation.code,
        valuation.market_cap,  # 总市值 circulating_market_cap/market_cap
        income.np_parent_company_owners,  # 归属于母公司所有者的净利润
        income.net_profit,  # 净利润
        income.operating_revenue  # 营业收入
        #security_indicator.net_assets
    ).filter(
        valuation.code.in_(initial_list),
        valuation.market_cap.between(5,30),
        income.np_parent_company_owners > 0,
        income.net_profit > 0,
        income.operating_revenue > 1e8
    ).order_by(valuation.market_cap.asc()).limit(50)
    
    df = get_fundamentals(q)
    
    final_list = list(df.code)
    last_prices = history(1, unit='1d', field='close', security_list=final_list)
    

    return [stock for stock in final_list if stock in g.hold_list or last_prices[stock][-1] <= g.highest]

    
def SMALL(context, choice):
    """
    获取经过多重筛选后的股票列表，并根据财务指标进行进一步筛选。

    1. 获取两组初步筛选的股票列表 target_list_1 和 target_list_2。
    2. 合并去重这两组股票列表，得到 target_list。
    3. 限制 target_list 的长度为全局变量 g.stock_num 的三倍。
    4. 构建查询条件，筛选出符合以下条件的股票：
       - 股票代码在 target_list 中。
       - 按总市值升序排序。
    5. 获取基本面数据，并提取股票代码列表 final_list。
    6. 返回最终筛选的股票列表 final_list。
    """
    target_list_1 = get_stock_list(context)
    target_list_2 = get_stock_list_2(context)
    target_list= list(dict.fromkeys(target_list_1 + target_list_2))
    target_list=target_list[:g.stock_num*3]
    #target_list = get_stock_list_2(context)[:g.stock_num*3]
    final_list = get_fundamentals(query(
        valuation.code,
        indicator.roe,
        indicator.roa,
    ).filter(
        valuation.code.in_(target_list),
        #valuation.pb_ratio<1
    ).order_by(
        valuation.market_cap.asc()
    )).set_index('code').index.tolist()
    return final_list
    
def singal(context):
    """
    1. 首先获得B_stocks，沪深300指数的成分股和S_stocks，中小综指的成分股，去掉科创北上、st、次新股
    2. 从B_stocks当中获得市值最大的20支股，从S_stocks当中获得市值最小的20支股
    3. 针对B_stocks和S_stocks，使用最新的价格和过去的价格比值*100，各自获得一个平均值B_mean，S_mean
    4. g.signal的4种情况
     - B_mean>S_mean且B_mean>5：small
     - B_mean>S_mean且5>=B_mean>0：big
     - B_mean<S_mean且S_mean>0：small
     - 所有其他：etf (黄金或外盘)
     
    返回：
     - g.singal: small, big, etf三种投资标的的选择
    """
    today = context.current_dt
    dt_last = context.previous_date
    N=10
    B_stocks = get_index_stocks('000300.XSHG', dt_last)
    B_stocks = filter_kcbj_stock(B_stocks)
    B_stocks = filter_st_stock(B_stocks)
    B_stocks = filter_new_stock(context, B_stocks)
    
    S_stocks = get_index_stocks('399101.XSHE', dt_last)
    S_stocks = filter_kcbj_stock(S_stocks)
    S_stocks = filter_st_stock(S_stocks)
    S_stocks = filter_new_stock(context, S_stocks)
    
    q = query(
        valuation.code, valuation.circulating_market_cap
    ).filter(
        valuation.code.in_(B_stocks)
    ).order_by(
        valuation.circulating_market_cap.desc()
    )
    df = get_fundamentals(q, date=dt_last)
    Blst = list(df.code)[:20]
    
    q = query(
        valuation.code, valuation.circulating_market_cap
    ).filter(
        valuation.code.in_(S_stocks)
    ).order_by(
        valuation.circulating_market_cap.asc()
    )
    df = get_fundamentals(q, date=dt_last)
    Slst = list(df.code)[:20]
    #
    B_ratio = get_price(Blst, end_date=dt_last, frequency='1d', fields=['close'], count=N, panel=False
                        ).pivot(index='time', columns='code', values='close')
    change_BIG = (B_ratio.iloc[-1] / B_ratio.iloc[0] - 1) * 100
    A1 = np.array(change_BIG)
    A1 = np.nan_to_num(A1)  
    B_mean = np.mean(A1)
    # log.info(f"B_ratio: {B_ratio}")
    # log.info(f"change_BIG: {change_BIG}")
    # log.info(f"A1: {A1}")
    # log.info(f"B_mean: {B_mean}")
    
    S_ratio = get_price(Slst, end_date=dt_last, frequency='1d', fields=['close'], count=N, panel=False
                        ).pivot(index='time', columns='code', values='close')
    change_SMALL = (S_ratio.iloc[-1] / S_ratio.iloc[0] - 1) * 100
    A1 = np.array(change_SMALL)
    A1 = np.nan_to_num(A1)
    S_mean = np.mean(A1)
    if B_mean>S_mean and B_mean>0:
        if B_mean>5:
           g.signal='small'
           log.info('Big has ended, change to Small') 
        else:
            g.signal='big'
            log.info('Big')
    elif B_mean < S_mean and S_mean > 0:
        g.signal='small'
        log.info('Small')
    else:
        log.info('Foreign')
        g.signal='etf'

        
# 1-3 整体调整持仓
def monthly_adjustment(context):
    """
    每月（目前是每周）进行整体持仓调整，根据市场信号调整股票组合，进行买入和卖出操作。

    1. 根据全局信号 g.signal 确定调整策略：
       - 如果信号为 'big'，调用 White_Horse 方法获取大市值股票的目标列表。
       - 如果信号为 'small'，从中小综指获取成分股，过滤掉科创板、ST和次新股后，调用 SMALL 方法获取小市值股票的目标列表。
       - 如果信号为 'etf'，使用全局变量 g.foreign_ETF 作为目标列表。
       - 如果信号不在预期范围内，打印提示信息。
    5. 打印目标股票列表 target_list。
    6. 对目标列表进行进一步的过滤：
       - 使用 filter_limitup_stock 过滤掉涨停的股票。
       - 使用 filter_limitdown_stock 过滤掉跌停的股票。
       - 使用 filter_paused_stock 过滤掉停牌的股票。
    7. 遍历当前持仓的股票 g.hold_list：
       - 对于不在目标列表和昨日持仓列表 g.yesterday_HL_list 中的股票，平掉其仓位。
    8. 获取当前持仓数量 position_count 和目标股票数量 target_num。
    9. 如果目标股票数量大于当前持仓数量：
       - 计算每个新股票的投资金额 value 为当前现金除以新增目标股票数量。
       - 遍历目标股票列表 target_list，对于未持有的股票，尝试开仓。
       - 如果开仓成功且持仓数量达到目标数量，停止操作。
    """
    log.info("Make weekly overall position adjustments")
    today = context.current_dt
    dt_last = context.previous_date
    target_list=[]
    log.info(f"g.signal: {g.signal}")
    if g.signal=='big':
        target_list = White_Horse(context)
        
    elif g.signal=='small':
        S_stocks = get_index_stocks('399101.XSHE', dt_last)
        S_stocks = filter_kcbj_stock(S_stocks)
        S_stocks = filter_st_stock(S_stocks)
        S_stocks = filter_new_stock(context, S_stocks)       
        choice = S_stocks
        target_list = SMALL(context,choice)

        
    elif g.signal=='etf':
        target_list = g.foreign_ETF
    else:
        log.info("g.signal is not the one expected")    
    
    log.info(f"target_list before filter: {target_list}")
    target_list = filter_limitup_stock(context,target_list)
    target_list = filter_limitdown_stock(context,target_list)
    target_list = filter_paused_stock(target_list)
    log.info(f"target_list after filter: {target_list}")
    # target_list = target_list[:5] # 可以控制持股数量到5
    for stock in g.hold_list:
        if (stock not in target_list) and (stock not in g.yesterday_HL_list):
            position = context.portfolio.positions[stock]
            close_position(position)
    position_count = len(context.portfolio.positions)
    target_num = len(target_list)
    if target_num > position_count:
        value = context.portfolio.cash / (target_num - position_count)
        for stock in target_list:
            if stock not in list(context.portfolio.positions.keys()):
                if open_position(stock, value):
                    if len(context.portfolio.positions) == target_num:
                        break
            
def boll_filter(stocks,date):
    """
    使用布林带策略过滤股票列表，返回符合条件的股票。

    1. 获取指定日期 date 的股票数据，包括高价、高价和收盘价。
       - 使用 get_bars 函数获取 stocks 列表中每只股票的最近一天数据。
       - 将数据的索引设置为股票代码。

    2. 计算布林带指标：
       - 使用 Bollinger_Bands 函数计算上轨（upperband）、中轨（middleband）和下轨（lowerband）。
       - 参数设置为：时间周期为20，标准差倍数为2，单位为每日。

    3. 将布林带指标结果添加到数据框 x 中：
       - 将 upperband、middleband 和 lowerband 的结果分别存储到 x 数据框中的 'up'、'mid' 和 'lowe' 列。

    4. 过滤符合条件的股票：
       - 筛选出收盘价低于上轨且最低价高于下轨的股票。
       - 这些股票符合布林带策略的买入信号。

    5. 返回符合条件的股票代码列表。

    参数:
    - stocks: 股票代码列表。
    - date: 筛选的日期。

    返回:
    - 符合布林带策略条件的股票代码列表。
    """
    x=get_bars(stocks, 1, unit='1d', fields=['high','low','close'],end_dt=date,df=True)
    x.index=stocks
    upperband, middleband, lowerband=Bollinger_Bands(stocks, date, timeperiod=20, 
                        nbdevup=2, nbdevdn=2, unit = '1d', include_now = True, fq_ref_date = None)
    log.info(f"result for bollinger_bands, upperband: {type(upperband)}, {upperband}; middleband: {type(middleband)}, {middleband}; lowerband: {type(lowerband)}, {lowerband}")
    x['up']= pd.DataFrame(upperband, index=[0]).T.values
    x['mid']=pd.DataFrame(middleband, index=[0]).T.values
    x['lowe']=pd.DataFrame(lowerband, index=[0]).T.values
    x=x[(x['close']<x['up'])&(x['lowe']<x['low'])]
    return(list(x.index))

# 3-1 交易模块-自定义下单
def order_target_value_(security, value):
    if value == 0:
        log.info("Selling out %s" % (security))
    else:
        log.info("Order %s to value %f" % (security, value))
    return order_target_value(security, value)

# 3-2 交易模块-开仓
def open_position(security, value):
    order = order_target_value_(security, value)
    if order != None and order.filled > 0:
        return True
    return False

# 3-3 交易模块-平仓
def close_position(position):
    security = position.security
    order = order_target_value_(security, 0)  # 可能会因停牌失败
    if order != None:
        if order.status == OrderStatus.held and order.filled == order.amount:
            return True
    return False


def filter_paused_stock(stock_list):
    current_data = get_current_data()
    return [stock for stock in stock_list if not current_data[stock].paused]

# 2-2 过滤ST及其他具有退市标签的股票
def filter_st_stock(stock_list):
    current_data = get_current_data()
    return [stock for stock in stock_list
            if not current_data[stock].is_st
            and 'ST' not in current_data[stock].name
            and '*' not in current_data[stock].name
            and '退' not in current_data[stock].name]


# 2-3 过滤科创北交股票
def filter_kcbj_stock(stock_list):
    for stock in stock_list[:]:
        if stock[0] == '4' or stock[0] == '8' or stock[:2] == '68' or stock[0] == '3':
            stock_list.remove(stock)
    return stock_list


# 2-4 过滤涨停的股票
def filter_limitup_stock(context, stock_list):
    last_prices = history(1, unit='1m', field='close', security_list=stock_list)
    current_data = get_current_data()
    return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
            or last_prices[stock][-1] < current_data[stock].high_limit]


# 2-5 过滤跌停的股票
def filter_limitdown_stock(context, stock_list):
    last_prices = history(1, unit='1m', field='close', security_list=stock_list)
    current_data = get_current_data()
    return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
            or last_prices[stock][-1] > current_data[stock].low_limit]


# 2-6 过滤次新股
def filter_new_stock(context, stock_list):
    yesterday = context.previous_date
    return [stock for stock in stock_list if
            not yesterday - get_security_info(stock).start_date < datetime.timedelta(days=375)]

## 开盘前运行函数
def White_Horse(context):
    """
    该方法根据市场温度筛选出符合特定财务指标的股票列表。

    1. 首先调用 Market_temperature 函数获取市场温度。
    2. 初始化一个空列表 check_out_lists 用于存储筛选出的股票。
    3. 获取当前的股票数据 current_data，以及200天前的所有股票列表 all_stocks。
    4. 将 all_stocks 更新为沪深300指数的成分股。
    5. 根据以下条件过滤股票：
       - 排除涨停或跌停开盘的股票。
       - 排除停牌的股票。
       - 排除 ST、*ST、退市风险股。
       - 排除创业板、科创板、北交所的股票。
    6. 根据市场温度（冷、暖、热）设置不同的筛选条件和排序规则：
       - 冷：筛选市净率（PB）在0到1之间，经营活动现金流入大于0，调整后利润大于0，现金流入与调整后利润比大于2.0，收益增长率大于1.5，净利润同比增长率大于-15的股票，并按 ROA/PB 降序排列。
       - 暖：筛选市净率（PB）在0到1之间，经营活动现金流入大于0，调整后利润大于0，现金流入与调整后利润比大于1.0，收益增长率大于2.0，净利润同比增长率大于0的股票，并按 ROA/PB 降序排列。
       - 热：筛选市净率（PB）大于3，经营活动现金流入大于0，调整后利润大于0，现金流入与调整后利润比大于0.5，收益增长率大于3.0，净利润同比增长率大于20的股票，并按 ROA 降序排列。
    7. 将符合条件的股票代码存入 check_out_lists。
    8. 返回筛选出的股票列表 check_out_lists，并记录日志信息。
    """
    Market_temperature(context)
    log.info(f"This month's temperature is：{g.market_temperature}")
    check_out_lists = []
    current_data = get_current_data()
    check_date = context.previous_date - datetime.timedelta(days=200)
    # all_stocks = list(get_all_securities(date=check_date).index)
    # log.info(f"first all_stocks: {len(all_stocks)}, {all_stocks}")
    all_stocks = get_index_stocks("000300.XSHG")
    # log.info(f"second all_stocks: {len(all_stocks)}, {all_stocks}")
    # 过滤创业板、ST、停牌、当日涨停
    all_stocks = [stock for stock in all_stocks if not (
            (current_data[stock].day_open == current_data[stock].high_limit) or  # 涨停开盘
            (current_data[stock].day_open == current_data[stock].low_limit) or  # 跌停开盘
            current_data[stock].paused or  # 停牌
            current_data[stock].is_st or  # ST
            ('ST' in current_data[stock].name) or
            ('*' in current_data[stock].name) or
            ('退' in current_data[stock].name) or
            (stock.startswith('30')) or  # 创业
            (stock.startswith('68')) or  # 科创
            (stock.startswith('8')) or  # 北交
            (stock.startswith('4'))   # 北交
    )]
    if g.market_temperature == "cold":
        q = query(
            valuation.code, 
            ).filter(
            valuation.pb_ratio > 0,
            valuation.pb_ratio < 1,
            cash_flow.subtotal_operate_cash_inflow > 0,
            indicator.adjusted_profit > 0,
            cash_flow.subtotal_operate_cash_inflow/indicator.adjusted_profit>2.0,
            indicator.inc_return > 1.5,
            indicator.inc_net_profit_year_on_year > -15,
        	valuation.code.in_(all_stocks)
        	).order_by(
        	(indicator.roa/valuation.pb_ratio).desc()
        ).limit(
        	g.buy_stock_count + 1
        )
    elif g.market_temperature == "warm":
        q = query(
            valuation.code, 
            ).filter(
            valuation.pb_ratio > 0,
            valuation.pb_ratio < 1,
            cash_flow.subtotal_operate_cash_inflow > 0,
            indicator.adjusted_profit > 0,
            cash_flow.subtotal_operate_cash_inflow/indicator.adjusted_profit>1.0,
            indicator.inc_return > 2.0,
            indicator.inc_net_profit_year_on_year > 0,
        	valuation.code.in_(all_stocks)
        	).order_by(
        	(indicator.roa/valuation.pb_ratio).desc()
        ).limit(
        	g.buy_stock_count + 1
        )
    elif g.market_temperature == "hot":
        q = query(
            valuation.code, 
            ).filter(
 
            valuation.pb_ratio > 3,
            cash_flow.subtotal_operate_cash_inflow > 0,
            indicator.adjusted_profit > 0,
            cash_flow.subtotal_operate_cash_inflow/indicator.adjusted_profit>0.5,
            indicator.inc_return > 3.0,
            indicator.inc_net_profit_year_on_year > 20,
        	valuation.code.in_(all_stocks)
        	).order_by(
        	indicator.roa.desc()
        ).limit(
        	g.buy_stock_count + 1
        )
                
    check_out_lists = list(get_fundamentals(q).code)
    # 取需要的只数
    #check_out_lists = check_out_lists[:g.buy_stock_count]
    log.info("Today's stock pool：%s" % check_out_lists)
    return check_out_lists
    #  tttttttttttt
    
def Market_temperature(context):
    """
    根据沪深300过去220天的收盘价，计算一个权重market_height:
    (最新5个的平均值-最小值)/(最大值-最小值)
     - 冷：market_height小于0.2，temp为200
     - 热：market_height大于0.9，temp为400
     - 温：最新60个的平均值/最小值>1.2，temp为300
    """
    
    index300 = attribute_history('000300.XSHG', 220, '1d', ('close'), df=False)['close']
    market_height = (mean(index300[-5:]) - min(index300)) / (max(index300) - min(index300))
    if market_height < 0.20:
        g.market_temperature = "cold"

    elif market_height > 0.90:
        g.market_temperature = "hot"

    elif max(index300[-60:]) / min(index300) > 1.20:
        g.market_temperature = "warm"

    
    if g.market_temperature == "cold":
        temp = 200
    elif g.market_temperature == "warm":
        temp = 300
    else:
        temp = 400
        
    if context.run_params.type != 'sim_trade': # 不是模拟交易
        record(temp=temp)