数据分析03 /基于pandas的DateFrame进行股票分析
需求1:对茅台股票分析
- 使用tushare包获取某股票的历史行情数据。
- tushare:财经数据接口包
- pip install tushare
- 输出该股票所有收盘比开盘上涨3%以上的日期。
- 输出该股票所有开盘比前日收盘跌幅超过2%的日期。
- 假如我从2010年1月1日开始,每月第一个交易日买入1手股票,每年最后一个交易日卖出所有股票,到今天为止,我的收益如何?
- 代码实现:
1.使用tushare包获取某股票的历史行情数据
import tushare as ts import pandas as pd from pandas import Series,DataFrame # 使用tushare包获取某股票的历史行情数据 df = ts.get_k_data('600519',start='1988-01-01') # 将获取的数据写入到本地进行持久化存储 df.to_csv('./maotai.csv') # 将本地文本文件中的数据读取加载到DataFrame中 df = pd.read_csv('./maotai.csv') df.head(10) # 将Unnamed: 0为无用的列删除 df.drop(labels='Unnamed: 0',axis=1,inplace=True) df.head(5) # 显示前五条,不写5默认也是显示的前5条,inplace是判断是否用新表替换原表 # 将date列转成时间序列类型 df['date'] = pd.to_datetime(df['date']) # 将date列作为元数据的行索引 df.set_index(df['date'],inplace=True) # 删除原date列 df.drop(labels='date',axis=1,inplace=True) df.head()
2.输出该股票所有收盘比开盘上涨3%以上的日期。
# 伪代码:(收盘-开盘)/开盘 > 0.03 (df['close'] - df['open'])/df['open'] > 0.03 # boolean可以作为df的行索引 df.loc[[True,False,True]] df.loc[(df['close'] - df['open'])/df['open'] > 0.03] df.loc[(df['close'] - df['open'])/df['open'] > 0.03].index
3.输出该股票所有开盘比前日收盘跌幅超过2%的日期
#伪代码:(开盘-前日收盘)/前日收盘 < -0.02 # 将收盘/close列下移一位,这样可以将open和close作用到一行,方便比较 (df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02 # boolean作为df的行索引 df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02] df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02].index # shift(1):可以让一个Series中的数据整体下移一位
4.假如从2010年1月1日开始,每月第一个交易日买入1手股票,每年最后一个交易日卖出所有股票,到今天为止,收益如何?
分析:
买入:一个完整的年需要买12次股票,一次买入一手(100支),一个完整的年需要买入1200支股票
卖出:一个完整的年卖一次,一次卖出1200只股票
代码实现:
# 将2010-1-1 - 今天对应的交易数据取出 data = df['2010':'2019'] data.head() # 数据的重新取样,将每个月第一个交易日的数据拿到 data_monthly = data.resample('M').first() # 一共花了多少钱 cost_money = (data_monthly['open']*100).sum() # 卖出股票入手多少钱,将每年的最后一个交易日的数据拿到 data_yeasly = data.resample('A').last()[:-1] recv_money = (data_yeasly['open']*1200).sum() # 19年手里剩余股票的价值也要计算到收益中 last_money = 1200*data['close'][-1] # 最后总收益如下: last_monry + recv_money - cost_monry
需求2:双均线策略制定
1.使用tushare包获取某股票的历史行情数据
import tushare as ts
import pandas as pd
df = ts.get_k_data('601318',start='1990-01-01')
# 数据的预处理
df['date'] = pd.to_datetime(df['date'])
df.set_index(df['date'],inplace=True)
df.drop(labels='date',axis=1,inplace=True)
# df = df['2007-04-12':]
2.计算该股票历史数据的5日均线和30日均线
什么是均线
对于每一个交易日,都可以计算出前N天的移动平均值,然后把这些移动平均值连起来,成为一条线,就叫做N日移动平均线。移动平均线常用线有5天、10天、30天、60天、120天和240天的指标。
5天和10天的是短线操作的参照指标,称做日均线指标;
30天和60天的是中期均线指标,称做季均线指标;
120天和240天的是长期均线指标,称做年均线指标。
均线计算方法:MA=(C1+C2+C3+...+Cn)/N C:某日收盘价 N:移动平均周期(天数)
# rolling是第几个5天的值,mean()取均值
df['ma5'] = df['close'].rolling(5).mean()
df['ma30'] = df['close'].rolling(30).mean()
3.可视化历史数据两条均线
# 可视化历史数据两条均线,c代表颜色
import matplotlib.pyplot as plt
df_p = df[:300]
plt.plot(df_p.index,df_p['ma5'],c='red')
plt.plot(df_p.index,df_p['ma30'],c='blue')
4.分析输出所有金叉日期和死叉日期
股票分析技术中的金叉和死叉,可以简单解释为:
分析指标中的两根线,一根为短时间内的指标线,另一根为较长时间的指标线。
如果短时间的指标线方向拐头向上,并且穿过了较长时间的指标线,这种状态叫“金叉”;
如果短时间的指标线方向拐头向下,并且穿过了较长时间的指标线,这种状态叫“死叉”;
一般情况下,出现金叉后,操作趋向买入;死叉则趋向卖出。当然,金叉和死叉只是分析指标之一,要和其他很多指标配合使用,才能增加操作的准确性。
# True:短期均线 低于 长期均线
# False:短期均线 高于 长期均线
# True ---> False 的过渡,对应的点是金叉
# False ---> True 的过渡,对应的点是死叉
sr1 = df['ma5'] < df['ma30']
sr2 = df['ma5'] >= df['ma30']
# 捕获死叉所有的日期 按位与:&
death_date = df.loc[sr1 & sr2.shift(1)].index
# 捕获所有的金叉日期 按位或:| 取反:~
golden_date = df.loc[~(sr1 | sr2.shift(1))].index
5.如果假如从开始,初始资金为100000元,金叉尽量买入,死叉全部卖出,则到今天为止,炒股收益率如何?
first_money = 100000 # 不变
money = first_money #可变的
hold = 0 # 目前所持有股票的数量(单位:支)
from pandas import Series
s1 = Series(1,index=golden_date) # 存储的是为金叉日期,用1表示
s2 = Series(0,index=death_date) # 死叉日期,0表示
s = s1.append(s2)
s = s.sort_index()
# 使用开盘价进行股票的买卖
for i in range(0,len(s)): # 2010-07-07
# 买入或卖出股票的单价:p
p = df['open'][s.index[i]]
if s[i] == 1: # 金叉日期:买入股票
buy = money // (p*100) # 买了多少手
hold = buy * 100
money -= buy*100*p
else: # 卖出
money += hold * p
hold = 0
money += hold * df['open'][-1]
result = money - first_money
print(result)
原文地址:https://www.cnblogs.com/liubing8/p/12037238.html
时间: 2024-10-01 06:36:57