IT博客汇
  • 首页
  • 精华
  • 技术
  • 设计
  • 资讯
  • 扯淡
  • 权利声明
    • 登录 注册

    股票分析（一）：常见的技术指标

    CallMeWhy发表于 2016-03-05 09:48:48
    love 0

    背景

    最近在学习使用 Python 做数据分析，感觉一个比较有意思的场景是用于股市，比如数据可视化、股票技术指标分析等等。准备写一个系列记录用 Python 分析股票的全过程。

    相关技术

    在折腾的过程中，相关的技术如下：

    • Python：用于分析股票的编程语言，选择 Python 的原因是相关科学计算的库十分丰富。
    • Virtualenv：用于创建虚拟的 Python 运行环境，用于保持工作空间互不干扰。
    • iPython：代码编写均在 iPython Notebook 中完成，方便查看运行结果和记录分享。
    • NumPy：一个常见的基础运算库，支援矩阵运算，包含大量常用的数学函数。
    • Pandas：一个基于 NumPy 的数据分析工具，可以简单高效地处理数据。
    • Matplotlib：基于 NumPy 的绘图工具，可以用一些通用的 GUI 工具很方便的绘制图表。

    基础操作

    股票的数据是通过 matplotlib 的 finance 模块获取的，它提供了一个获取雅虎股票数据的接口：

    date1 = datetime.date( 2016, 2, 25 )
    date2 = datetime.date( 2016, 2, 26 )
    sp = f.quotes_historical_yahoo_ohlc('601233.ss', date1, date2, adjusted=True)
    print sp

    获取到的数据格式是：日期、开盘价、最高价、最低价、收盘价、成交量：

    [(736019.0, 13.130000000000001, 13.140000000000001, 11.83, 11.83, 17447800.0),
    (736020.0, 11.960000000000001, 12.880000000000001, 11.960000000000001, 12.68, 14906700.0)]

    用 Pandas 处理之后数据会更易读一些：

    pd.DataFrame(sp, columns=['date','open','high','low','close','volume'])

    显示的结果是：

    index date open high low close volume
    0 736019 13.13 13.14 11.83 11.83 17447800
    1 736020 11.96 12.88 11.96 12.68 14906700

    常见指标

    股市中有很多辅助分析的技术指标，后面会逐渐通过 Python 实现这些技术指标的可视化展示。

    VOL - 成交量

    定义

    成交量是指在某一时段内具体的交易数，它的变化反映了资金进出市场的情况，是印证市场走势的重要指标。

    绘制

    在绘制成交量的时候，成交量使用柱状图绘制，若收盘价高于开盘价则为红色，否则为绿色。

    以代码为 601233 的股票『桐昆股份』为例。首先引入基础的类库：

    %matplotlib inline
    import matplotlib.dates as dates
    import matplotlib.finance as f  
    import matplotlib.pyplot as plt
    import datetime
    import pandas as pd

    然后获取 2016年1月1日 到 2016年2月20日 期间的股票数据：

    date1 = datetime.date( 2016, 1, 1 )
    date2 = datetime.date( 2016, 2, 20 )
    sp = f.quotes_historical_yahoo_ohlc('601233.ss', date1, date2, adjusted=True)
    df = pd.DataFrame(sp, columns=['date','open','high','low','close','volume'])
    df['date'] = dates.num2date(df['date'])
    df = df[df['volume'] != 0]
    print df

    可以看到目前的数据是这样的：

    date(index) open high low close volume
    2016-02-01 00:00:00+00:00 10.34 10.58 10.06 10.46 14063800
    2016-02-02 00:00:00+00:00 10.41 10.75 10.20 10.74 19108900
    2016-02-03 00:00:00+00:00 10.42 10.49 10.09 10.37 14133400
    2016-02-04 00:00:00+00:00 10.75 11.41 10.71 10.86 28524200
    2016-02-05 00:00:00+00:00 11.21 11.24 10.86 10.96 11278100
    2016-02-15 00:00:00+00:00 10.67 11.30 10.45 11.12 11494100
    2016-02-16 00:00:00+00:00 11.00 11.95 11.00 11.67 14092200
    2016-02-17 00:00:00+00:00 11.50 11.72 11.30 11.58 11607800
    2016-02-18 00:00:00+00:00 11.88 12.73 11.76 11.93 20870100
    2016-02-19 00:00:00+00:00 11.62 12.20 11.53 11.96 7751300

    然后就是数据的绘制了，取出 volume 列，通过 plot 方法进行绘制：

    temp_df = df[df['date'] >= datetime.date( 2016, 2, 1 )]
    fig, ax = plt.subplots()
    ax = temp_df['volume'].plot(kind='Bar', color=['r' if x[5] > x[2] else 'g' for x in temp_df.itertuples()])
    ax.set_xticklabels([x.strftime('%Y-%m-%d') for x in temp_df['date']])
    fig.show()

    结果如下：

    如果我们希望能够像前面的软件截图一样绘制出均线，可以使用 rolling_mean 函数：

    temp_df = df
params = [5, 10, 20]
for p in params:
    temp_df['vol'+str(p)] = pd.rolling_mean(df['volume'], window=p)
temp_df = temp_df[temp_df['date'] >= datetime.date( 2016, 2, 1 )]
print temp_df

    结果如下：

    date open high low close volume vol5 vol10 vol20
    2016-02-01 00:00:00+00:00 10.34 10.58 10.06 10.46 14063800 20885020 16664900 12883440
    2016-02-02 00:00:00+00:00 10.41 10.75 10.20 10.74 19108900 19654100 17607560 13023730
    2016-02-03 00:00:00+00:00 10.42 10.49 10.09 10.37 14133400 17720800 17859820 13265350
    2016-02-04 00:00:00+00:00 10.75 11.41 10.71 10.86 28524200 19246640 19894810 14542820
    2016-02-05 00:00:00+00:00 11.21 11.24 10.86 10.96 11278100 17421680 20263980 14495145
    2016-02-15 00:00:00+00:00 10.67 11.30 10.45 11.12 11494100 16907740 18896380 14474330
    2016-02-16 00:00:00+00:00 11.00 11.95 11.00 11.67 14092200 15904400 17779250 14832440
    2016-02-17 00:00:00+00:00 11.50 11.72 11.30 11.58 11607800 15399280 16560040 15084490
    2016-02-18 00:00:00+00:00 11.88 12.73 11.76 11.93 20870100 13868460 16557550 15712860
    2016-02-19 00:00:00+00:00 11.62 12.20 11.53 11.96 7751300 13163100 15292390 15656035

    然后通过指定 ax=ax 可以将多张图标绘制在同一个页面。注意，柱状图默认用 range(0,n) 做 x 轴，而折线图会自动填充索引成等距连续序列，这样会导致最后的结果是：柱状图堆在左边早已画完，而折线图会继续往右延伸。所以需要通过 use_index=False 明确规定不使用索引，绘图代码如下：

    fig, ax = plt.subplots()
param_colors = [(1,0.7,0.2), (0,0.7,0.9), (0.9,0.5,0.9)]
for (i,p) in enumerate(params):
    temp_df[['vol'+str(p)]].plot(kind='line', ax=ax, color=param_colors[i], use_index=False)
temp_df[['volume']].plot(kind='bar', ax=ax, color=['r' if x[5] > x[2] else 'g' for x in temp_df.itertuples()])
ax.set_xticklabels([x.strftime('%Y-%m-%d') for x in temp_df['date']])
plt.show()

    绘制结果：

    MA - 移动平均线

    定义

    移动平均就是固定窗口然后滑动窗口计算多日收盘价的平均值，通过设置窗口的大小可以查看短期、中期、长期的移动平均线变化情况。一般常用的是5日、10日、20日等。

    绘制

    有了前面的 rolling_mean 函数，绘制均线并没什么难度。绘制5天、10天、20天均线的代码如下：

    temp_df = df
    params = [5, 10, 20]
    for p in params:
        temp_df['ma'+str(p)] = pd.rolling_mean(df['close'], window=p)
    temp_df = temp_df[temp_df['date'] >= datetime.date( 2016, 2, 1 )]

    fig, ax = plt.subplots()
    param_colors = [(1,0.7,0.2), (0,0.7,0.9), (0.9,0.5,0.9)]
    for (i,p) in enumerate(params):
        temp_df[['ma'+str(p)]].plot(kind='line', ax=ax, color=param_colors[i], use_index=False)
    ax.set_xticklabels([x.strftime('%d') for x in temp_df['date']])
    fig.show()

    绘制结果：

    EMA - 指数移动平均线

    定义

    移动平均线需要绘制在中点处才能正确的反映价格的运动趋势，而指数移动平均线在公式中着重考虑了价格当期行情的权重，离当期越近，权重越高，弥补了其他指标的滞后性：

    EMAt1 = EMAt0 + α * (p - EMAt0)

    和移动平均线一样， EMA 也可以设置不同的参数值查看不同短期、中期、长期的走势情况。

    绘制

    主要是通过 pd.ewma 函数进行绘制：

    params = [5, 10, 20]
    for p in params:
        temp_df['ema'+str(p)] = pd.ewma(temp_df['close'], span=p)
    temp_df = temp_df[temp_df['date'] >= datetime.date( 2016, 2, 1 )]

    fig, ax = plt.subplots()
    param_colors = [(1,0.7,0.2), (0,0.7,0.9), (0.9,0.5,0.9)]
    for (i,p) in enumerate(params):
        temp_df[['ema'+str(p)]].plot(kind='line', ax=ax, color=param_colors[i], use_index=False)
    ax.set_xticklabels([x.strftime('%d') for x in temp_df['date']])
    fig.show()

    绘制结果：

    MACD - 指数异同移动平均线

    定义

    MACD 是一种常见的技术分析工具，由一组曲线与图形组成，通过收盘价快变及慢变的指数移动平均值之间的差计算出来。『快』指更短时段的 EMA，而『慢』则指较长时段的 EMA，最常用的是12及26日 EMA。公式如下：

    DIF = EMA(close, 12) - EMA(close, 26)
    DEM = EMA(DIF, 9)
    MACD = (DIF - DEM) * 2

    绘制

    先取出 2015年6月1日至2016年2月20日的股票信息：

    date1 = datetime.date( 2015, 6, 1 )
    date2 = datetime.date( 2016, 2, 20 )
    sp = f.quotes_historical_yahoo_ohlc('601233.ss', date1, date2, adjusted=True)
    temp_df = pd.DataFrame(sp, columns=['date','open','high','low','close','volume'])
    temp_df['date'] = dates.num2date(temp_df['date'])
    temp_df = temp_df[temp_df['volume'] != 0]

    然后计算 DIF DEM MACD 的值并存储到列中：

    params = [12, 26]
    for p in params:
        temp_df['ema'+str(p)] = pd.ewma(temp_df['close'], span=p)
    temp_df['DIF'] = temp_df['ema12'] - temp_df['ema26']
    temp_df['DEM'] = pd.ewma(temp_df['DIF'], span=9)
    temp_df['MACD'] = (temp_df['DIF'] - temp_df['DEM']) * 2
    temp_df = temp_df[temp_df['date'] >= datetime.date( 2015, 12, 1 )]

    最后使用 plot 函数绘制即可

    fig, ax = plt.subplots()
    param_colors = [(1,0.7,0.2), (0,0.7,0.9), (0.9,0.5,0.9)]
    temp_df[['DIF','DEM']].plot(kind='line', ax=ax, color=param_colors, use_index=False)
    temp_df[['MACD']].plot(kind='bar', ax=ax, color=['r' if x[-1] > 0 else 'g' for x in temp_df.itertuples()])
    ax.set_xticklabels([x.strftime('%d') for x in temp_df['date']])
    fig.show()

    绘制结果如下：

    其他

    其他技术指标就不挨个练习了，RiceQuant 或者 UQER 上都已经提供了现成的 API 可以直接调用。这个练手只是为了熟悉一下 Python 在数据处理和数据可视化方便的基础操作，后面开始做一些量化交易的尝试。

    很有意思，你也试试？



沪ICP备19023445号-2号
友情链接