python

您所在的位置：网站首页 › 股票的每日的涨跌是根据什么来看 › python

python

2024-06-05 12:57| 来源: 网络整理| 查看: 265

炒股的人通常都喜欢各种技术指标,来指定买卖策略,然而我们却经常看到股民们亏钱，难道是这些指标有问题吗？还是专家在忽悠股民朋友们？将以非常简单的均线指标为例，来挖掘其在一只股票上的绩效潜力。

实现流程的简单梳理

1.读取数据,了解数据的结构 2.对读取的数据进行清洗,使数据符合进一步分析 3.计算相应的股票日涨跌幅度 4.通过画图来展示: a.基于回测资金曲线 b.股票k线图 c.参数优化的热力图

读取数据注意事项:

pd.read_excel()有两个设置参数,分别是: 1.parse_dates:是指将指定列转化为时间类型格式,注意是列表形式指定列[“交易日期”] 2.index_cel:是指将指定列变为行索引index

# 导包 import pandas as pd df = pd.read_excel("sz002115",parse_dates=["加油日期"],index_cel="交易日期")

在这里插入图片描述

为什么要设置"交易日期"列为datetime数据类型?

主要是后面的作图,直接传入时间数据为y轴,用str数据类型,有可能不会被识别.

最后我们查看一下数据的基本构造,看数据是否有空值,是否需要填充 df.info()

在这里插入图片描述

股票涨跌幅/涨跌停/复权计算概念解析

1.股票涨跌幅:股票每天相对的昨日收盘价的涨跌幅 2.股票涨跌停价格:股票每一天的涨停价,跌停价 3.复权:把复权简单理解为就是排除送股，配股，分红等影响因素。

计算股票涨跌幅 df["涨跌幅"] = df["收盘价"]/df["前收盘价"]-1 注意事项

使用前收盘价,而非用开盘价,是为了避免因为送股，配股，分红等影响因素的股价不合理变化.

计算股票涨跌停 df["涨停价"] = df["前收盘价"]*1.1 df["跌停价"] = df["前收盘价"]*0.8 计算股票后复权价格概念解析

前复权处理：股票最近一天价格不变，之前数据按照真实日涨跌幅做调整；

后复权处理：股票上市第一天价格不变，之后数据按照真实日涨跌幅做调整;(后复权类似于基金净值的统计)

计算股票资金曲线

所谓资金曲线,即把股票上市第一天的净值设为1,之后每天净值随真实日涨跌幅波动的曲线 1+涨跌幅我们的到的是涨跌比例,我们把每一天的涨跌比例累程起来.我们的到一个1+涨跌幅的累乘数据,在做归一化在这里插入图片描述这个是比较难理解的,看图你应该就明白了!!!

df["资金曲线"] = (1+df["涨跌幅"].cumprod() df.loc[:,"资金曲线"] = df["资金曲线"]/df["资金曲线"].iat[o] #进行数据归一化 iat只能访问单个元素

df[“xxx”].iat[x] 当前"xxx"这一列的第x值

loc与iloc

loc是标签名,不带i的是名字 iloc是位置号,带i的就是index位置取数据都遵循:左行右列loc[左行,有列] iloc[左行,右列]

计算后复权价格

格式: 收盘后复权 = 第一天的当日收盘价(固定值) * 资金曲线的值 (一直在变动反应股票涨跌变化情况的值) 其他后复权,求出对于收盘价的涨跌幅后乘上收盘价后复权涨跌幅 * 收盘价后复权

df["收盘价_后复权"] = df["资金曲线"] * df["收盘价"].iat[0] # 股票第一天的价格不变作为基准价 df["开盘价_后复权"] = df["开盘价"]/df["收盘价"]*df["收盘价_后复权"] df["最高价_后复权"] = df["最高价"]/df["收盘价"]*df["收盘_后复权"] df["最低价_后复权"] = df["最低价"]/df["收盘价"]*df["收盘_后复权"] # 生成新的4个字段 df[["开盘价_后复权","最高价_后复权","最低价_后复权","收盘价_后复权"]]

在这里插入图片描述

绘制股票历史价格变动图、k线图绘制股票历史价格变动图 df["资金曲线"].plot(figsize=(20,8), grid=True, alpha=0.8, rot=45, title="股票历史价格变动图")

在这里插入图片描述

绘制不复权k线图 # 导入pyecharts工具包，用pe作为简写 import pyecharts as pe # 提取x轴数据，即交易日期，同时转换为字符串形式 x = df.index.astype('str') # 提取y轴数据，即绘制股票k线所必须的4个价格字段 y = df[['开盘价','收盘价','最低价','最高价']].values # 创建k线图对象，并设置大标题 kline = pe.Kline('不复权K线图_三维通信') # 绘制图表 kline.add('日K', x, y, #图例名称，x轴数据，y轴数据 is_datazoom_show=True, #使用区域缩放组件 datazoom_range=[97,100], #设置区域缩放的范围，这里设置为末尾3%的k线数据 mark_point=['max','min'], #标记可视范围内开盘价最大值，最小值 is_xaxislabel_align = True, #设置x轴刻度与标签对齐 tooltip_trigger ='axis', #坐标轴触发弹窗提示 tooltip_axispointer_type ='shadow') #设置tooltip指示器

在这里插入图片描述

标记双均线策略信号计算均线 df["MA50"] = df["收盘价_后复权"].rolling(50).mean() df["MA200"] = df["收盘价_后复权"].rolling(200).mean() 注意事项

pandasSeries.rolling(n)是表示对一列的n个数据做滚动处理,rolling(3).mean()表示对滚动的数据做均值计算,并且记录在最后一行在这里插入图片描述

双均线策略信号标记

在这里插入图片描述

总结一句话就是:

对于短周期均线前天小后天大是上传买入信号,前天大后天小是下穿卖出信号

## 1位买入信号 df.loc[(df["MA50"]df["MA200"].shift(1)), "交易信号"]=1 # 0卖出信号 df.loc[(df["MA50"]>df["MA200"])& (df["MA50"].shift(1)=df["涨停价"])& (df["交易信号"]==1), "交易信号"]=None df.loc[(df["收盘价"]'股票资金曲线终值':df['资金曲线'].iat[-1], '策略资金曲线终值':df['资金曲线_策略'].iat[-1], '相对收益':df['资金曲线_策略'].iat[-1]/df['资金曲线'].iat[-1], '总交易次数':df['持仓分组'].unique().shape[0], '平均持仓时间':(df.index[-1]-df.index[0])/df['持仓分组'].unique().shape[0], '历史最大回撤':df['最大回撤'].max(), '股票夏普率':df['涨跌幅'].mean()/df['涨跌幅'].std(ddof=0), '策略夏普率':df['涨跌幅_策略'].mean()/df['涨跌幅_策略'].std(ddof=0)} # 调用函数，把原始的df_ma数据传入资金曲线计算函数 result = fund_curve(df_ma) # 查看绩效指标，并绘制资金曲线对比可视化图表 print(result[1]) result[0][['资金曲线','资金曲线_策略']].plot(figsize=(20,8),grid=True)

在这里插入图片描述

用循环调整周期参数绘制各绩效指标参数热力图最优参数绩效及资金曲线

【本文地址】

python

python

今日新闻

推荐新闻