Ⅰ 用Python 進行股票分析 有什麼好的入門書籍或者課程嗎
單產品趨勢交易系統，用c語言二次開發來搞，直接圖形化輸出買賣點，回測即可。通達信最新版可以開發dll了，不過介面不太爽，可以改用飛狐、金字塔及其他軟體。
多產品組合投資，用SAS收集價格數據、財務數據等設計策略並回測。sas比python強大很多，不過入門要花1個月（指業余時間學習）。
並
不推薦先看書籍，關於程序的書應該作為工具書，不當程序員的話按部就班學是浪費時間，而關於股票的書沒經驗就看是空對空。關鍵是你自己怎麼想的，然後就怎
么實踐，重要的是想法，之後就是邊編邊查工具書或論壇。過擬合、滑點之類的問題，真實交易一下才有體會，然後繼續調試即可。
Ⅱ 如何用python計算某支股票持有90天的收益率
首先你要先獲得這支股票90天的數據，可以存在一個arry中。
然後計算收益率 r = (arry[89]-arry[0])/arry[0]，如果要計算任意連續90天的話只要循環就可以了。
許多人更喜歡去做短線，因為短線刺激，無法承受長線持股待漲的煎熬，可是假如不會做短線，則可能會導致虧得更快。做T的秘籍大家一定很想知道，今天就給大家講講。
我准備了好處給大家，機構精選的牛股大盤點！希望大家不要錯過--速領！今日機構牛股名單新鮮出爐！
一、股票做T是什麼意思
現在市場上，A股的交易市場模式是T＋1，意思就是今天買的股票，只有明天才能賣出。
而股票做T，當天買入的股票在當天賣出，這就是股票進行T＋0的交易操作，投資人在可交易的一天通過股票的漲幅和跌停有了股票差價，在股票大幅下跌時趕緊買入，漲得差不多之後再將買入的部分賣出，就是用這種方法賺錢的。
假如說，在昨天我手裡還有1000股的xx股票，市價10元/股。今天一大早發現該股居然跌到了9.5元/股，然後趁機買入了1000股。結果到了下午時，這只股票的價格就突然間大幅上漲到一股10.5元，我就急忙地以10.5/股的價格售出1000股，然後獲取（10.5－9.5）×1000＝1000元的差價，這就是做T。
但是，不是每種股票做T都合適！正常來說，那些日內振幅空間較大的股票，它們是適合去做T的，比如說，每日能有5%的振幅空間。想知道某隻股票適不適合的，點開這里去看一下吧，專業的人員會為你估計挑選出最適合你的T股票！【免費】測一測你的股票到底好不好？
二、股票做T怎麼操作
怎麼才能夠把股票做到T？正常情況下分為兩種方式，分別為正T和倒T。
正T即先買後賣，投資手裡，手裡面賺有這款股票，在當天股票開盤的時候下跌到了最低點時，投資者買入1000股，等到股票變高的時候在高點，將這1000股徹底賣出，持有的總股票數還是跟以前一樣，T＋0的效果這樣就能夠達到了，又能夠享有中間賺取的差價。
而倒T即先賣後買。投資者通過嚴密計算得出，股票存在下降風險，因此在高位點先賣出手中的一部分股票，接著等股價回落後再去買進，總量仍舊有辦法保持不變，然而，收益是會產生的。
比方投資者，他佔有該股2000股，而10元/股是當天早上的市場價，覺得持有的股票在短時間內就會有所調整，，於是賣出手中的1500股，等股票跌到一股只需要9.5元時，這只股票差不多就已經能讓他們感到滿意了，再買入1500股，這就賺取了（10-9.5）×1500＝750元的差價。
這時有人就問了，那要如何知道買入的時候正好是低點，賣出的時候正好是高點？
其實有一款買賣點捕捉神器，它能夠判斷股票的變化趨勢，絕對能讓你每次都抓住重點，點開鏈接就能立刻領取到了：【智能AI助攻】一鍵獲取買賣機會
應答時間：2021-09-23，最新業務變化以文中鏈接內展示的數據為准，請點擊查看
Ⅲ 用Python 進行股票分析 有什麼好的入門書籍或者課程嗎
Packt出版社有一本Python for Finance，講得比較雜，包括Python入門，和一些Finance相關的數據分析基礎（比如Time Series等）。Python for Finance
更新：O'Reilly出了本同名的書，篇幅更長，可以關注一下。Python for Finance - O'Reilly Media
Ⅳ 利用Python進行數據分析(10)-移動窗口函數
Python-for-data-移動窗口函數
本文中介紹的是 ，主要的運算元是：
統計和通過其他移動窗口或者指數衰減而運行的函數，稱之為 移動窗口函數
<style scoped="">.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre></style>
2292 rows × 3 columns
rolling運算元，行為和resample和groupby類似
rolling可以在S或者DF上通過一個window進行調用
<style scoped="">.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre></style>
2292 rows × 3 columns
指定一個常數衰減因子為觀測值提供更多的權重。常用指定衰減因子的方法：使用span（跨度）
一些統計運算元，例如相關度和協方差等需要同時操作兩個時間序列。
例如，金融分析中的股票和基準指數的關聯性問題：計算時間序列的百分比變化pct_change()
<style scoped="">.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre></style>
在rolling及其相關方法上使用apply方法提供了一種在移動窗口中應用自己設計的數組函數的方法。
唯一要求：該函數從每個數組中產生一個單值(縮聚)，例如使用rolling()...quantile(q)計算樣本的中位數
Ⅳ 怎麼用python計算股票
作為一個python新手，在學習中遇到很多問題，要善於運用各種方法。今天，在學習中，碰到了如何通過收盤價計算股票的漲跌幅。
第一種：
讀取數據並建立函數：
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import spline
from pylab import *
import pandas as pd
from pandas import Series
a=pd.read_csv('d:///1.csv',sep=',')#文件位置
t=a['close']
def f(t):
s=[]
for i in range(1,len(t)):
if i==1:
continue
else:
s.append((t[i]-t[i-1])/t[i]*100)
print s
plot(s)
plt.show()
f(t)
第二種：
利用pandas裡面的方法：
import pandas as pd
a=pd.read_csv('d:///1.csv')
rets = a['close'].pct_change() * 100
print rets
第三種：
close=a['close']
rets=close/close.shift(1)-1
print rets
總結：python是一種非常好的編程語言，一般而言，我們可以運用構建相關函數來實現自己的思想，但是，眾所周知，python中裡面的有很多科學計算包，裡面有很多方法可以快速解決計算的需要，如上面提到的pandas中的pct_change()。因此在平時的使用中應當學會尋找更好的方法，提高運算速度。
Ⅵ 自學3年Python的我成了數據分析師，總結成一張思維導圖
大家好，我是一名普通畢業生，現就職於某互聯網公司。之前很多同學問我「 為什麼自學3年Python，最後卻成為了數據分析師 ？」
首先肯定是數據分析師的前景和薪資條件，打動了我
下面是我的學習之路，附帶一些必備學習的資料，可以 免費領取 ，相信感興趣的你看完也可以找到自己的方向。
眾所周知：Python是當今最火的編程語言之一，各大招聘網站上都會要求求職者會這門語言，並且它很容易上手，業務面寬泛，像Web網頁工程師、網路爬蟲工程師、自動化運維、自動化測試、 游戲 開發、數據分析、AI等等。
我們首先明確一個大的方向，知道自己以後要做什麼。因為我是統計學專業，所以我會選擇從事數據分析行業，那麼 用Python做數據分析成了一個最佳選擇 。
要想使用Python做數據分析，首先就應該知道「 數據分析的流程是怎樣的？ 」
我這次特地總結了一張 思維導圖 給大家，點擊放大看更清楚哦。
（點擊查看高清大圖）
基於此，我這里將我以前學習過程中用過的電子書（技能類、統計類、業務類），還有相關視頻免費分享給大家，省去了你們挑選視頻的時間，也希望能夠對你們的學習有所幫助。
PS：我總結的資料有點多哦，差不多有4G，大家一定要給你的網路雲盤空出位置來哦！
如果遇到一些環境配置，還有一些錯誤異常等bug，資料就顯得不太夠用，這時就需要找到老師，給我們特別講解。
或者是想 快速學習 數據分析領域知識，不妨先找一找 直播課 看看， 了解當下最貼合實際的學習思路，確定自己的方向。
Day1 20:00&量化交易入門：
用Python做股票指標分析和買賣時機選擇
場景工具：Python工具分解RSI指標流程處理: 業務場景分析建模和可視化學習成果：使用RSI指標模型做買賣點搜索、交易回溯實戰案例：分析A股數據模型，制定投資策略
Day2 20:00&職場晉升必備：
製作酷炫報表，4步帶你學習數據可視化
場景工具：用Tableau學習如何管理數據流程處理: 利用業務拆解找到數據指標、進行數據可視化學習成果：高效的對數據驅動型業務作出精準決策實戰案例：利用可視化工具構建 旅遊 客流量趨勢地圖
Day3 20:00&量化交易進階：
0基礎用Python搭建量化分析平台
場景工具：利用pandas工具分解KDJ指標構成流程處理: 交易數據爬取，業務場景分析建模和可視化分析結果：用KDJ指標模型對比特幣行情買賣點搜索&交易回溯實戰項目：掌握根據數據指數和分析工具尋找虛擬貨幣買賣原理
他們 每周都會定期分享 一些 干貨 供大家學習參考，對學習很有幫助。
（深度學習DeepLearning.ai實驗室認證）
（微軟/甲骨文/Cloudera等公司頒發的數據分析證書）
4步學會數據可視化，辦公效率提高三倍
（更多精彩內容 等你解鎖）
Ⅶ 如何用python獲取股票數據
在Python的QSTK中，是通過s_datapath變數，定義相應股票數據所在的文件夾。一般可以通過QSDATA這個環境變數來設置對應的數據文件夾。具體的股票數據來源，例如滬深、港股等市場，你可以使用免費的WDZ程序輸出相應日線、5分鍾數據到s_datapath變數所指定的文件夾中。然後可使用Python的QSTK中，qstkutil.DataAccess進行數據訪問。
Ⅷ python對股票分析有什麼作用
你好，Python對於股票分析來說，用處是很大的
Python，用數據軟體分析可以做股票的量化程序，因為股票量化是未來的一種趨勢，能夠解決人為心理波動和沖動下單等不良行為，所以學好python量化的話，那麼對股票來說有很大很大幫助
Ⅸ 如何用Python和機器學習炒股賺錢
如何用Python和機器學習炒股賺錢？（圖片太多未貼，可以去找原文）
我終於跑贏了標准普爾 500 指數 10 個百分點！聽起來可能不是很多，但是當我們處理的是大量流動性很高的資本時，對沖基金的利潤就相當可觀。更激進的做法還能得到更高的回報。
這一切都始於我閱讀了 Gur Huberman 的一篇題為《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的論文。該研究描述了一件發生在 1998 年的涉及到一家上市公司 EntreMed（當時股票代碼是 ENMD）的事件：
「星期天《紐約時報》上發表的一篇關於癌症治療新葯開發潛力的文章導致 EntreMed 的股價從周五收盤時的 12.063 飆升至 85，在周一收盤時接近 52。在接下來的三周，它的收盤價都在 30 以上。這股投資熱情也讓其它生物科技股得到了溢價。但是，這個癌症研究方面的可能突破在至少五個月前就已經被 Nature 期刊和各種流行的報紙報道過了，其中甚至包括《泰晤士報》！因此，僅僅是熱情的公眾關注就能引發股價的持續上漲，即便實際上並沒有出現真正的新信息。」
在研究者給出的許多有見地的觀察中，其中有一個總結很突出：
「（股價）運動可能會集中於有一些共同之處的股票上，但這些共同之處不一定要是經濟基礎。」
我就想，能不能基於通常所用的指標之外的其它指標來劃分股票。我開始在資料庫裡面挖掘，幾周之後我發現了一個，其包含了一個分數，描述了股票和元素周期表中的元素之間的「已知和隱藏關系」的強度。
我有計算基因組學的背景，這讓我想起了基因和它們的細胞信號網路之間的關系是如何地不為人所知。但是，當我們分析數據時，我們又會開始看到我們之前可能無法預測的新關系和相關性。
選擇出的涉及細胞可塑性、生長和分化的信號通路的基因的表達模式
和基因一樣，股票也會受到一個巨型網路的影響，其中各個因素之間都有或強或弱的隱藏關系。其中一些影響和關系是可以預測的。
我的一個目標是創建長的和短的股票聚類，我稱之為「籃子聚類（basket clusters）」，我可以將其用於對沖或單純地從中獲利。這需要使用一個無監督機器學習方法來創建股票的聚類，從而使這些聚類之間有或強或弱的關系。這些聚類將會翻倍作為我的公司可以交易的股票的「籃子（basket）」。
首先我下載了一個數據集：http://54.174.116.134/recommend/datasets/supercolumns-elements-08.html，這個數據集基於元素周期表中的元素和上市公司之間的關系。
然後我使用了 Python 和一些常用的機器學習工具——scikit-learn、numpy、pandas、matplotlib 和 seaborn，我開始了解我正在處理的數據集的分布形狀。為此我參考了一個題為《Principal Component Analysis with KMeans visuals》的 Kaggle Kernel：https://www.kaggle.com/arthurtok/principal-component-analysis-with-kmeans-visuals
importnumpy asnp
importpandas aspd
fromsklearn.decomposition
importPCA
fromsklearn.cluster
importKMeans
importmatplotlib.pyplot asplt
importseaborn assbnp.seterr(divide= 'ignore', invalid= 'ignore')
# Quick way to test just a few column features
# stocks = pd.read_csv('supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv', usecols=range(1,16))
stocks = pd.read_csv( 'supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv')print(stocks.head())str_list = []
forcolname, colvalue instocks.iteritems():
iftype(colvalue[ 1]) == str: str_list.append(colname)
# Get to the numeric columns by inversion
num_list = stocks.columns.difference(str_list)stocks_num = stocks[num_list]print(stocks_num.head())
輸出：簡單看看前面 5 行：
概念特徵的皮爾遜相關性（Pearson Correlation）。在這里案例中，是指來自元素周期表的礦物和元素：
stocks_num = stocks_num.fillna(value= 0, axis= 1)X = stocks_num.values
fromsklearn.preprocessing importStandardScalerX_std = StandardScaler().fit_transform(X)f, ax = plt.subplots(figsize=( 12, 10))plt.title( 'Pearson Correlation of Concept Features (Elements & Minerals)')
# Draw the heatmap using seaborn
sb.heatmap(stocks_num.astype(float).corr(),linewidths= 0.25,vmax= 1.0, square= True, cmap= "YlGnBu", linecolor= 'black', annot= True)sb.plt.show()
輸出：（這個可視化例子是在前 16 個樣本上運行得到的）。看到元素周期表中的元素和上市公司關聯起來真的很有意思。在某種程度時，我想使用這些數據基於公司與相關元素或材料的相關性來預測其可能做出的突破。
測量「已解釋方差（Explained Variance）」和主成分分析（PCA）
已解釋方差=總方差-殘差方差（explained variance = total variance - resial variance)。應該值得關注的 PCA 投射組件的數量可以通過已解釋方差度量（Explained Variance Measure）來引導。Sebastian Raschka 的關於 PCA 的文章對此進行了很好的描述，參閱：http://sebastianraschka.com/Articles/2015_pca_in_3_steps.html
# Calculating Eigenvectors and eigenvalues of Cov matirx
mean_vec = np.mean(X_std, axis= 0)cov_mat = np.cov(X_std.T)eig_vals, eig_vecs = np.linalg.eig(cov_mat)
# Create a list of (eigenvalue, eigenvector) tuples
eig_pairs = [ (np.abs(eig_vals[i]),eig_vecs[:,i]) fori inrange(len(eig_vals))]
# Sort from high to low
eig_pairs.sort(key = lambdax: x[ 0], reverse= True)
# Calculation of Explained Variance from the eigenvaluestot = sum(eig_vals)var_exp = [(i/tot)* 100fori insorted(eig_vals, reverse= True)] cum_var_exp = np.cumsum(var_exp)
# Cumulative explained variance# Variances plot
max_cols = len(stocks.columns) - 1plt.figure(figsize=( 10, 5))plt.bar(range(max_cols), var_exp, alpha= 0.3333, align= 'center', label= 'indivial explained variance', color = 'g')plt.step(range(max_cols), cum_var_exp, where= 'mid',label= 'cumulative explained variance')plt.ylabel( 'Explained variance ratio')plt.xlabel( 'Principal components')plt.legend(loc= 'best')plt.show()
輸出：
從這個圖表中我們可以看到大量方差都來自於預測主成分的前 85%。這是個很高的數字，所以讓我們從低端的開始，先只建模少數幾個主成分。更多有關分析主成分合理數量的信息可參閱：http://setosa.io/ev/principal-component-analysis
使用 scikit-learn 的 PCA 模塊，讓我們設 n_components = 9。代碼的第二行調用了 fit_transform 方法，其可以使用標准化的電影數據 X_std 來擬合 PCA 模型並在該數據集上應用降維（dimensionality rection）。
pca = PCA(n_components= 9)x_9d = pca.fit_transform(X_std)plt.figure(figsize = ( 9, 7))plt.scatter(x_9d[:, 0],x_9d[:, 1], c= 'goldenrod',alpha= 0.5)plt.ylim( -10, 30)plt.show()
輸出：
這里我們甚至沒有真正觀察到聚類的些微輪廓，所以我們很可能應該繼續調節 n_component 的值直到我們得到我們想要的結果。這就是數據科學與藝術（data science and art）中的「藝術」部分。
現在，我們來試試 K-均值，看看我們能不能在下一章節可視化任何明顯的聚類。
K-均值聚類（K-Means Clustering）
我們將使用 PCA 投射數據來實現一個簡單的 K-均值。使用 scikit-learn 的 KMeans() 調用和 fit_predict 方法，我們可以計算聚類中心並為第一和第三個 PCA 投射預測聚類索引（以便了解我們是否可以觀察到任何合適的聚類）。然後我們可以定義我們自己的配色方案並繪制散點圖，代碼如下所示：
# Set a 3 KMeans clustering
kmeans = KMeans(n_clusters= 3)
# Compute cluster centers and predict cluster indices
X_clustered = kmeans.fit_predict(x_9d) # Define our own color map
LABEL_COLOR_MAP = { 0: 'r', 1: 'g', 2: 'b'}label_color = [LABEL_COLOR_MAP[l] forl inX_clustered]
# Plot the scatter digram
plt.figure(figsize = ( 7, 7))plt.scatter(x_9d[:, 0],x_9d[:, 2], c= label_color, alpha= 0.5)plt.show()
輸出：
這個 K-均值散點圖看起來更有希望，好像我們簡單的聚類模型假設就是正確的一樣。我們可以通過這種顏色可視化方案觀察到 3 個可區分開的聚類。
當然，聚類和可視化數據集的方法還有很多，參考：https://goo.gl/kGy3ra使用 seaborn 方便的 pairplot 函數，我可以以成對的方式在數據框中自動繪制所有的特徵。我們可以一個對一個地 pairplot 前面 3 個投射並可視化：
# Create a temp dataframe from our PCA projection data "x_9d"
df = pd.DataFrame(x_9d)df = df[[ 0, 1, 2]]df[ 'X_cluster'] = X_clustered
# Call Seaborn's pairplot to visualize our KMeans clustering on the PCA projected data
sb.pairplot(df, hue= 'X_cluster', palette= 'Dark2', diag_kind= 'kde', size= 1.85)sb.plt.show()
輸出：
構建籃子聚類（Basket Clusters）
你應該自己決定如何微調你的聚類。這方面沒有什麼萬靈葯，具體的方法取決於你操作的環境。在這個案例中是由隱藏關系所定義的股票和金融市場。
一旦你的聚類使你滿意了，你就可以設置分數閾值來控制特定的股票是否有資格進入一個聚類，然後你可以為一個給定的聚類提取股票，將它們作為籃子進行交易或使用這些籃子作為信號。你可以使用這種方法做的事情很大程度就看你自己的創造力以及你在使用深度學習變體來進行優化的水平，從而基於聚類或數據點的概念優化每個聚類的回報，比如 short interest 或 short float（公開市場中的可用股份）。
你可以注意到了這些聚類被用作籃子交易的方式一些有趣特徵。有時候標准普爾和一般市場會存在差異。這可以提供本質上基於「信息套利（information arbitrage）」的套利機會。一些聚類則和谷歌搜索趨勢相關。
看到聚類和材料及它們的供應鏈相關確實很有意思，正如這篇文章說的一樣：https://www.fairphone.com/en/2017/05/04/zooming-in-10-materials-and-their-supply-chains/
我僅僅使用該數據集操作了 Cobalt（鈷）、Copper（銅）、Gallium（鎵）和 Graphene（石墨烯）這幾個列標簽，只是為了看我是否可能發現從事這一領域或受到這一領域的風險的上市公司之間是否有任何隱藏的聯系。這些籃子和標准普爾的回報進行了比較。
通過使用歷史價格數據（可直接在 Quantopian、Numerai、Quandl 或 Yahoo Finance 使用），然後你可以匯總價格數據來生成預計收益，其可使用 HighCharts 進行可視化：
我從該聚類中獲得的回報超過了標准普爾相當一部分，這意味著你每年的收益可以比標准普爾還多 10%（標准普爾近一年來的漲幅為 16%）。我還見過更加激進的方法可以凈掙超過 70%。現在我必須承認我還做了一些其它的事情，但因為我工作的本質，我必須將那些事情保持黑箱。但從我目前觀察到的情況來看，至少圍繞這種方法探索和包裝新的量化模型可以證明是非常值得的，而其唯一的缺點是它是一種不同類型的信號，你可以將其輸入其它系統的流程中。
生成賣空籃子聚類（short basket clusters）可能比生成買空籃子聚類（long basket clusters）更有利可圖。這種方法值得再寫一篇文章，最好是在下一個黑天鵝事件之前。
如果你使用機器學習，就可能在具有已知和隱藏關系的上市公司的寄生、共生和共情關系之上搶佔先機，這是很有趣而且可以盈利的。最後，一個人的盈利能力似乎完全關乎他在生成這些類別的數據時想出特徵標簽（即概念（concept））的強大組合的能力。
我在這類模型上的下一次迭代應該會包含一個用於自動生成特徵組合或獨特列表的單獨演算法。也許會基於近乎實時的事件，這可能會影響那些具有隻有配備了無監督學習演算法的人類才能預測的隱藏關系的股票組。
Ⅹ 如何利用Python預測股票價格
預測股票價格沒有意義。
單支股票價格，多股組合，大盤這些都可以使用神經網路來學習，02年就做過了，漲跌預測平均能達到54%到57%的准確率，但是只能定性，無法定量，因此，在扣除印花稅之後無利可圖。
純粹使用股票交易數據來預測並保證總體獲利不是程序能辦到的，人也辦不到。
目前世界上最先進的炒股機器也只能利用網路時差那微不可計的零點幾秒在歐洲與美國證券間倒來倒去，那套系統研發費用數千萬，硬體（主要是獨立光纜）費用以億計。