如何利用股票基礎數據編程

⑴ 鑲＄エ杞浠朵竴鑸鐢ㄤ粈涔堣璦寮鍙

鑲＄エ杞浠朵竴鑸浣跨敤C++銆丳ython鍜孞ava絳夎璦榪涜屽紑鍙戙

C++浣滀負涓縐嶉珮鏁堛佺ǔ瀹氱殑緙栫▼璇璦錛岄潪甯擱傚悎鐢ㄤ簬寮鍙戝規ц兘鍜岀ǔ瀹氭ц佹眰杈冮珮鐨勮偂紲ㄨ蔣浠躲傚畠鏀鎸侀潰鍚戝硅薄緙栫▼錛屼嬌寰楀紑鍙戣呭彲浠ュ壋寤哄嶇敤鐨勪唬鐮佹ā鍧楋紝鎻愰珮寮鍙戞晥鐜囥傚悓鏃訛紝C++鐨勭紪璇戝瀷鐗規т篃淇濊瘉浜嗙▼搴忓湪鎵ц屾椂鐨勬ц兘銆備緥濡傦紝涓浜涢渶瑕佸疄鏃跺勭悊澶ч噺鑲＄エ鏁版嵁鐨勮蔣浠訛紝濡備氦鏄撶郴緇熷拰琛屾儏鍒嗘瀽杞浠訛紝閫氬父浼氶夋嫨C++浣滀負涓昏佸紑鍙戣璦銆

Python鍒欎互鍏剁畝媧佹槗鎳傜殑璇娉曞拰涓板瘜鐨勫簱璧勬簮鍦ㄨ偂紲ㄨ蔣浠跺紑鍙戜腑鍗犳嵁涓甯涔嬪湴銆侾ython鐨勮剼鏈鍨嬬壒鎬т嬌寰楀紑鍙戣呭彲浠ュ揩閫熷湴緙栧啓鍜屾祴璇曚唬鐮侊紝閫傚悎榪涜屽師鍨嬪紑鍙戝拰蹇閫熻凱浠ｃ傛ゅ栵紝Python鐨勯噾鋙嶅垎鏋愬簱濡俻andas鍜宯umpy絳夛紝涓哄勭悊鍜屽垎鏋愯偂紲ㄦ暟鎹鎻愪緵浜嗗己澶х殑鏀鎸併傚緢澶氭暟鎹鍒嗘瀽甯堝拰鎶曡祫鑰呭枩嬈㈢敤Python鏉ョ紪鍐欒嚜瀹氫箟鐨勪氦鏄撶瓥鐣ュ拰鍙瑙嗗寲鍒嗘瀽鎶ュ憡銆

Java鍒欎互鍏惰法騫沖彴鐨勭壒鎬у彈鍒拌偂紲ㄨ蔣浠跺紑鍙戣呯殑闈掔潗銆侸ava緙栧啓鐨勭▼搴忓彲浠ュ湪浠諱綍鏀鎸丣ava鉶氭嫙鏈虹殑騫沖彴涓婅繍琛岋紝榪欏ぇ澶у炲姞浜嗚蔣浠剁殑鍙鐢ㄦу拰鍙緇存姢鎬с傚悓鏃訛紝Java鐨勪紒涓氱駭鐗規у拰涓板瘜鐨刉eb寮鍙戞嗘灦涔熶嬌鍏墮潪甯擱傚悎鐢ㄤ簬寮鍙戝ぇ鍨嬭偂紲ㄨ蔣浠剁郴緇熷拰Web浜ゆ槗騫沖彴銆備緥濡傦紝涓浜涙彁渚涘湪綰誇氦鏄撴湇鍔＄殑鑲＄エ杞浠訛紝鍙鑳戒細閫夋嫨Java浣滀負涓昏佸紑鍙戣璦銆

緇間笂鎵榪幫紝鑲＄エ杞浠剁殑寮鍙戣璦閫夋嫨鍙栧喅浜庤蔣浠剁殑鍏蜂綋闇奼傚拰鐩鏍囥備笉鍚岀殑緙栫▼璇璦鍚勬湁浼樺娍錛屽紑鍙戣呴渶瑕佹牴鎹瀹為檯鎯呭喌榪涜屾潈琛″拰閫夋嫨銆

⑵ 股票軟體編程問題

這個嘛，的確有些異想天開，但只要你努力，編個軟體是做的到的。

第一步，您可以嘗試在一些免費軟體上寫指標，很多軟體都提供公式編輯功能，這些公式編輯器就是一種簡化的計算機語言，如果您對股市的想法不復雜，使用別人的軟體做平台，自己加些東西，可能是上手最快的辦法。

如果您期望獲得的是獨立完整的產品，就需要找數據源了。如果您計算機水平足夠高，任何一款免費軟體的數據都能夠導出來。如果您做不到這一點，可以找個免費的數據介面。這些數據介面在許多軟體論壇上有提供，至於怎樣使用這些介面，您需要找介面的提供者咨詢。免費數據介面是網上的一些編程高手提供的，有些收費，有些免費。即使收費，費用也不高。

找到數據後，就可以寫自己的軟體了。通過各軟體商的摸索，股票軟體幾乎唯一的選擇是C語言。早前人們嘗試過幾乎所有當前流行的計算機語言寫股票軟體，但目前大品牌的正版付費軟體幾乎都是C語言寫的，其他語言在處理數據流上效率太低，以至於不能商品化。

當您的軟體已經可以向市場推廣時，就需要購買正式的數據源了。來自交易所的數據有兩個版本：Level-1和Level-2，Level-1每年約80萬，Level-2是買不到的，後者屬於特許經營，您需要是注冊資本1000萬以上的公司，通過向交易所特別申請才能獲得。運營Level-2數據的投資額大約是3000萬/年，包括研發、市場和數據傳輸平台。

如果您的軟體創新度有限，您的商業機會不多。如果您有自己的創造，那您就有機會了。在這個市場上，獲得每年3000萬的營業額不困難。

如果您試圖獲得每年上億的營業額並在創業板上市，您需要找到不低於4000萬的風險投資，並且組建一個不小於150人的團隊。

祝您成功吧，有志者事竟成。

⑶ 在編程中如何能能獲得股票的數據 例如當前價，最高價，最低價，當前成交量等等

要看使和什麼數據了,每個軟體數據的存儲格式不同,有的還是加密存儲的(如指南針)。

以常見的錢龍數據來說吧（錢龍是最簡單的存儲格式）當前價，最高價，最低價，當前成交量等等都是以隨機文件存儲的長整型數據。下面是讀取錢龍數據的C源碼，你可以參考一下：
#include <stdio.h>
#include <conio.h>
#include <stdlib.h>

typedef struct { ------->定義數據類型
unsigned long date; ------->定義日期為長整
unsigned long open; ------->定義開盤為..
unsigned long high; ------->定義最高為..
unsigned long low; ------->定義最低為..
unsigned long close; ------->定義收盤為..
unsigned long travl; ------->定義成交量..
unsigned long traca; ------->定義成交額..
char unuse[12];
} RECORD;

RECORD reco;
int readrec(FILE *);

void main()
{
FILE *fp;
if((fp = fopen("000001.day","rb")) == NULL) // 打開深發展日線

{ printf("Error: Can't open 000001.DAY !\n");
exit(0); }
readrec(fp);
fclose(fp);
if(getch()==0) getch();
exit(0);
}

int readrec(FILE *fp)

{

float fn;

while (! feof(fp)) {

fread(&reco,sizeof(RECORD),1,fp);

printf("%10lu ",reco.date);
fn=float(reco.open)/1000;

printf("%8.2f ",fn);
fn=float(reco.high)/1000; .
printf("%8.2f ",fn); .
fn=float(reco.low)/1000; .
printf("%8.2f ",fn); .
fn=float(reco.close)/1000; .
printf("%8.2f ",fn); .
printf("%8lu ",reco.travl); .
printf("%8lu\n",reco.traca);
}
printf("\n");

return 0;

⑷ MATLAB 如何導入股票數據，並畫出K線

需要幾個關鍵步驟 （函數應用需要自己多用help 學習）
1自己先下載原始數據格式 時間 開 高 低 收
1 讀取數據 xlsread 函數
[num,txt,raw]=xlsread(filename); % 『000001.xls'
Date=datenum(txt(5:length(txt),1)); %時間
OpenPrice=num(:,1); %開盤
HighPrice=num(:,2); %收盤
LowPrice=num(:,3);
ClosePrice=num(:,4);
Vol=num(:,5); %成交量
save Data Date OpenPrice HighPrice LowPrice ClosePrice Vol; %存儲mat文件 方便下次使用
candle(HighPrice,LowPrice,ClosePrice,OpenPrice,'r',Date,12)%高 低 收 開 紅色 時間 時間格式

⑸ 如何用Python和機器學習炒股賺錢

相信很多人都想過讓人工智慧來幫你賺錢，但到底該如何做呢？瑞士日內瓦的一位金融數據顧問 Gaëtan Rickter 近日發表文章介紹了他利用 Python 和機器學習來幫助炒股的經驗，其最終成果的收益率跑贏了長期處於牛市的標准普爾 500 指數。雖然這篇文章並沒有將他的方法完全徹底公開，但已公開的內容或許能給我們帶來如何用人工智慧炒股的啟迪。

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。

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。