一、策略说明：
这是一个小小的Demo。最好在jupyter notebook下面执行，不然图形无法显示。
在cmd执行时如果提示“ No module named 'statsmodels'”，则直接使用“pip install statsmodels ”安装即可。
二、测试结果：
三、代码
import numpy as np
import pandas as pd
import talib as ta
import matplotlib.pyplot as plt
import rqdatac as rq
rq.init()
leg1_symbol = 'M1609' # Leg1
leg2_symbol = 'M1701' # Leg2
start_date = '20160401'
end_date = '20160830'
# 显示走势图，传入df以及要显示的columns，传入格式为['leg1','leg2']，相当于执行df2=df2[['leg1','leg2']]
def display(df,columns):
df2=df.copy()
df2=df2[columns]
df2.index = list(range(len(df))) #生成数字列表作为df2的索引。
df2.plot(figsize=[12,8]) #figsize控制图表的大小，因为df2有leg1,leg2，所以生成的图表上有两条线。
plt.legend() #作用就是给图加上图例
# 显示两个合约的相关度
def display_coor(df,columns):
df2 = df.copy()
df2 = df2[columns]
corr=df2.corr()
print(corr)
# 显示两个合约的协整值，合约配比
def display_ols(df,leg1,leg2):
import statsmodels.api as sm # 最小二乘
columns = []
columns.append(leg1)
columns.append(leg2)
df2 = df.copy()
df2 = df2[columns]
X=df2[leg1].values #取出leg1这一列的值，返回的是numpy.ndarray
y=df2[leg2].values
model = sm.OLS(y, X) # 普通最小二乘模型，ordinary least square model
results = model.fit() #获取拟合结果
print(results.summary())
# 查看两个合约的配比
plt.figure(figsize=[20,8])
plt.plot(y/X) # 利用 leg2/leg1的价格比率，画出线图。 y/X是numpy.ndarray
plt.axhline(np.mean(y/X), color="red", linestyle="--") #axhline绘制平行于x轴的水平参考线
plt.axhline(np.mean(y/X)+np.std(y/X)*1.5, color="red", linestyle="--")
plt.axhline(np.mean(y/X)-np.std(y/X)*1.5, color="red", linestyle="--")
# 读取2个合约的3四个月内的分钟数据，取到的是pandas.core.series.Series
leg1=rq.get_price(leg1_symbol,start_date=start_date,end_date=end_date,fields='close',frequency='1m') # leg1
leg2=rq.get_price(leg2_symbol,start_date=start_date,end_date=end_date,fields='close',frequency='1m') # leg2
leg1.head()
leg2.tail()
df = leg1.to_frame(name='leg1') #执行后df的类型变成了pandas.core.frame.DataFrame
df['leg2']=leg2 #df添中了一列leg2
display(df,['leg1','leg2'])
display_coor(df,['leg1','leg2'])
display_ols(df,'leg1','leg2')
# filename = u'{0}_{1}_{2}_{3}.csv'.format(leg1_symbol,leg2_symbol,start_date,end_date)
# df.to_csv(filename)
四、小知识
1. plt.legend()
plt.legend（）函数主要的作用就是给图加上图例，plt.legend([x,y,z])里面的参数使用的是list的的形式将图表的的名称喂给这和函数。
比如，设定["red","Blue"]就会在图表的右上解显示red,blue。
2.corr()
用来刻画二维随机变量两个分量间相互关联程度。
3.Statsmodels
Statsmodels 是 Python 中一个强大的统计分析包，包含了回归分析、时间序列分析、假设检
验等等的功能。Statsmodels 在计量的简便性上是远远不及 Stata 等软件的，但它的优点在于可以与 Python 的其他的任务（如 NumPy、Pandas）有效结合，提高工作效率。
它最常用的就是 OLS（ordinary least square）功能。
4.线性回归
线性回归也被称为最小二乘法回归（Linear Regression, also called Ordinary Least-Squares (OLS) Regression）。它的数学模型是这样的：y = a+ b* x＋e
其中，a 被称为常数项或截距；b 被称为模型的回归系数或斜率；e 为误差项。a 和 b 是模型的参数。
当然，模型的参数只能从样本数据中估计出来：y'= a' + b'* x
我们的目标是选择合适的参数，让这一线性模型最好地拟合观测值。拟合程度越高，模型越好。
那么，接下来的问题就是，我们如何判断拟合的质量呢？
代码：
import numpy as np import matplotlib.pyplot as plt import statsmodels.api as sm nsample = 100 x = np.linspace(0, 10, nsample) #用于产生x1，x2之间的N点行矢量，相邻数据跨度相同。 X = sm.add_constant(x) #将截距列添加到现有矩阵，在 array 上加入一列常项1 beta = np.array([1, 10]) #系数 e = np.random.normal(size=nsample) #所谓标准正态分布 y = np.dot(X, beta) + e #观察值y np.dot:向量点积 model = sm.OLS(y,X) #最小二乘法 results = model.fit() #拟合数据 print(results.params) print(results.summary())
运行结果
可参考：
https://www.jianshu.com/p/e45558ccf533
https://xueqiu.com/8287840120/75542824