Ⅰ 用Python 进行股票分析 有什么好的入门书籍或者课程吗
单产品趋势交易系统，用c语言二次开发来搞，直接图形化输出买卖点，回测即可。通达信最新版可以开发dll了，不过接口不太爽，可以改用飞狐、金字塔及其他软件。
多产品组合投资，用SAS收集价格数据、财务数据等设计策略并回测。sas比python强大很多，不过入门要花1个月（指业余时间学习）。
并
不推荐先看书籍，关于程序的书应该作为工具书，不当程序员的话按部就班学是浪费时间，而关于股票的书没经验就看是空对空。关键是你自己怎么想的，然后就怎
么实践，重要的是想法，之后就是边编边查工具书或论坛。过拟合、滑点之类的问题，真实交易一下才有体会，然后继续调试即可。
Ⅱ 如何用python计算某支股票持有90天的收益率
首先你要先获得这支股票90天的数据，可以存在一个arry中。
然后计算收益率 r = (arry[89]-arry[0])/arry[0]，如果要计算任意连续90天的话只要循环就可以了。
许多人更喜欢去做短线，因为短线刺激，无法承受长线持股待涨的煎熬，可是假如不会做短线，则可能会导致亏得更快。做T的秘籍大家一定很想知道，今天就给大家讲讲。
我准备了好处给大家，机构精选的牛股大盘点！希望大家不要错过--速领！今日机构牛股名单新鲜出炉！
一、股票做T是什么意思
现在市场上，A股的交易市场模式是T＋1，意思就是今天买的股票，只有明天才能卖出。
而股票做T，当天买入的股票在当天卖出，这就是股票进行T＋0的交易操作，投资人在可交易的一天通过股票的涨幅和跌停有了股票差价，在股票大幅下跌时赶紧买入，涨得差不多之后再将买入的部分卖出，就是用这种方法赚钱的。
假如说，在昨天我手里还有1000股的xx股票，市价10元/股。今天一大早发现该股居然跌到了9.5元/股，然后趁机买入了1000股。结果到了下午时，这只股票的价格就突然间大幅上涨到一股10.5元，我就急忙地以10.5/股的价格售出1000股，然后获取（10.5－9.5）×1000＝1000元的差价，这就是做T。
但是，不是每种股票做T都合适！正常来说，那些日内振幅空间较大的股票，它们是适合去做T的，比如说，每日能有5%的振幅空间。想知道某只股票适不适合的，点开这里去看一下吧，专业的人员会为你估计挑选出最适合你的T股票！【免费】测一测你的股票到底好不好？
二、股票做T怎么操作
怎么才能够把股票做到T？正常情况下分为两种方式，分别为正T和倒T。
正T即先买后卖，投资手里，手里面赚有这款股票，在当天股票开盘的时候下跌到了最低点时，投资者买入1000股，等到股票变高的时候在高点，将这1000股彻底卖出，持有的总股票数还是跟以前一样，T＋0的效果这样就能够达到了，又能够享有中间赚取的差价。
而倒T即先卖后买。投资者通过严密计算得出，股票存在下降风险，因此在高位点先卖出手中的一部分股票，接着等股价回落后再去买进，总量仍旧有办法保持不变，然而，收益是会产生的。
比方投资者，他占有该股2000股，而10元/股是当天早上的市场价，觉得持有的股票在短时间内就会有所调整，，于是卖出手中的1500股，等股票跌到一股只需要9.5元时，这只股票差不多就已经能让他们感到满意了，再买入1500股，这就赚取了（10-9.5）×1500＝750元的差价。
这时有人就问了，那要如何知道买入的时候正好是低点，卖出的时候正好是高点？
其实有一款买卖点捕捉神器，它能够判断股票的变化趋势，绝对能让你每次都抓住重点，点开链接就能立刻领取到了：【智能AI助攻】一键获取买卖机会
应答时间：2021-09-23，最新业务变化以文中链接内展示的数据为准，请点击查看
Ⅲ 用Python 进行股票分析 有什么好的入门书籍或者课程吗
Packt出版社有一本Python for Finance，讲得比较杂，包括Python入门，和一些Finance相关的数据分析基础（比如Time Series等）。Python for Finance
更新：O'Reilly出了本同名的书，篇幅更长，可以关注一下。Python for Finance - O'Reilly Media
Ⅳ 利用Python进行数据分析(10)-移动窗口函数
Python-for-data-移动窗口函数
本文中介绍的是 ，主要的算子是：
统计和通过其他移动窗口或者指数衰减而运行的函数，称之为 移动窗口函数
<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算子，行为和resample和groupby类似
rolling可以在S或者DF上通过一个window进行调用
<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
指定一个常数衰减因子为观测值提供更多的权重。常用指定衰减因子的方法：使用span（跨度）
一些统计算子，例如相关度和协方差等需要同时操作两个时间序列。
例如，金融分析中的股票和基准指数的关联性问题：计算时间序列的百分比变化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及其相关方法上使用apply方法提供了一种在移动窗口中应用自己设计的数组函数的方法。
唯一要求：该函数从每个数组中产生一个单值(缩聚)，例如使用rolling()...quantile(q)计算样本的中位数
Ⅳ 怎么用python计算股票
作为一个python新手，在学习中遇到很多问题，要善于运用各种方法。今天，在学习中，碰到了如何通过收盘价计算股票的涨跌幅。
第一种：
读取数据并建立函数：
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)
第二种：
利用pandas里面的方法：
import pandas as pd
a=pd.read_csv('d:///1.csv')
rets = a['close'].pct_change() * 100
print rets
第三种：
close=a['close']
rets=close/close.shift(1)-1
print rets
总结：python是一种非常好的编程语言，一般而言，我们可以运用构建相关函数来实现自己的思想，但是，众所周知，python中里面的有很多科学计算包，里面有很多方法可以快速解决计算的需要，如上面提到的pandas中的pct_change()。因此在平时的使用中应当学会寻找更好的方法，提高运算速度。
Ⅵ 自学3年Python的我成了数据分析师，总结成一张思维导图
大家好，我是一名普通毕业生，现就职于某互联网公司。之前很多同学问我“ 为什么自学3年Python，最后却成为了数据分析师 ？”
首先肯定是数据分析师的前景和薪资条件，打动了我
下面是我的学习之路，附带一些必备学习的资料，可以 免费领取 ，相信感兴趣的你看完也可以找到自己的方向。
众所周知：Python是当今最火的编程语言之一，各大招聘网站上都会要求求职者会这门语言，并且它很容易上手，业务面宽泛，像Web网页工程师、网络爬虫工程师、自动化运维、自动化测试、 游戏 开发、数据分析、AI等等。
我们首先明确一个大的方向，知道自己以后要做什么。因为我是统计学专业，所以我会选择从事数据分析行业，那么 用Python做数据分析成了一个最佳选择 。
要想使用Python做数据分析，首先就应该知道“ 数据分析的流程是怎样的？ ”
我这次特地总结了一张 思维导图 给大家，点击放大看更清楚哦。
（点击查看高清大图）
基于此，我这里将我以前学习过程中用过的电子书（技能类、统计类、业务类），还有相关视频免费分享给大家，省去了你们挑选视频的时间，也希望能够对你们的学习有所帮助。
PS：我总结的资料有点多哦，差不多有4G，大家一定要给你的网络云盘空出位置来哦！
如果遇到一些环境配置，还有一些错误异常等bug，资料就显得不太够用，这时就需要找到老师，给我们特别讲解。
或者是想 快速学习 数据分析领域知识，不妨先找一找 直播课 看看， 了解当下最贴合实际的学习思路，确定自己的方向。
Day1 20:00&量化交易入门：
用Python做股票指标分析和买卖时机选择
场景工具：Python工具分解RSI指标流程处理: 业务场景分析建模和可视化学习成果：使用RSI指标模型做买卖点搜索、交易回溯实战案例：分析A股数据模型，制定投资策略
Day2 20:00&职场晋升必备：
制作酷炫报表，4步带你学习数据可视化
场景工具：用Tableau学习如何管理数据流程处理: 利用业务拆解找到数据指标、进行数据可视化学习成果：高效的对数据驱动型业务作出精准决策实战案例：利用可视化工具构建 旅游 客流量趋势地图
Day3 20:00&量化交易进阶：
0基础用Python搭建量化分析平台
场景工具：利用pandas工具分解KDJ指标构成流程处理: 交易数据爬取，业务场景分析建模和可视化分析结果：用KDJ指标模型对比特币行情买卖点搜索&交易回溯实战项目：掌握根据数据指数和分析工具寻找虚拟货币买卖原理
他们 每周都会定期分享 一些 干货 供大家学习参考，对学习很有帮助。
（深度学习DeepLearning.ai实验室认证）
（微软/甲骨文/Cloudera等公司颁发的数据分析证书）
4步学会数据可视化，办公效率提高三倍
（更多精彩内容 等你解锁）
Ⅶ 如何用python获取股票数据
在Python的QSTK中，是通过s_datapath变量，定义相应股票数据所在的文件夹。一般可以通过QSDATA这个环境变量来设置对应的数据文件夹。具体的股票数据来源，例如沪深、港股等市场，你可以使用免费的WDZ程序输出相应日线、5分钟数据到s_datapath变量所指定的文件夹中。然后可使用Python的QSTK中，qstkutil.DataAccess进行数据访问。
Ⅷ python对股票分析有什么作用
你好，Python对于股票分析来说，用处是很大的
Python，用数据软件分析可以做股票的量化程序，因为股票量化是未来的一种趋势，能够解决人为心理波动和冲动下单等不良行为，所以学好python量化的话，那么对股票来说有很大很大帮助
Ⅸ 如何用Python和机器学习炒股赚钱
如何用Python和机器学习炒股赚钱？（图片太多未贴，可以去找原文）
我终于跑赢了标准普尔 500 指数 10 个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。更激进的做法还能得到更高的回报。
这一切都始于我阅读了 Gur Huberman 的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。该研究描述了一件发生在 1998 年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：
“星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed 的股价从周五收盘时的 12.063 飙升至 85，在周一收盘时接近 52。在接下来的三周，它的收盘价都在 30 以上。这股投资热情也让其它生物科技股得到了溢价。但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature 期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。”
在研究者给出的许多有见地的观察中，其中有一个总结很突出：
“（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。”
我就想，能不能基于通常所用的指标之外的其它指标来划分股票。我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的“已知和隐藏关系”的强度。
我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。
选择出的涉及细胞可塑性、生长和分化的信号通路的基因的表达模式
和基因一样，股票也会受到一个巨型网络的影响，其中各个因素之间都有或强或弱的隐藏关系。其中一些影响和关系是可以预测的。
我的一个目标是创建长的和短的股票聚类，我称之为“篮子聚类（basket clusters）”，我可以将其用于对冲或单纯地从中获利。这需要使用一个无监督机器学习方法来创建股票的聚类，从而使这些聚类之间有或强或弱的关系。这些聚类将会翻倍作为我的公司可以交易的股票的“篮子（basket）”。
首先我下载了一个数据集：http://54.174.116.134/recommend/datasets/supercolumns-elements-08.html，这个数据集基于元素周期表中的元素和上市公司之间的关系。
然后我使用了 Python 和一些常用的机器学习工具——scikit-learn、numpy、pandas、matplotlib 和 seaborn，我开始了解我正在处理的数据集的分布形状。为此我参考了一个题为《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())
输出：简单看看前面 5 行：
概念特征的皮尔逊相关性（Pearson Correlation）。在这里案例中，是指来自元素周期表的矿物和元素：
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()
输出：（这个可视化例子是在前 16 个样本上运行得到的）。看到元素周期表中的元素和上市公司关联起来真的很有意思。在某种程度时，我想使用这些数据基于公司与相关元素或材料的相关性来预测其可能做出的突破。
测量“已解释方差（Explained Variance）”和主成分分析（PCA）
已解释方差=总方差-残差方差（explained variance = total variance - resial variance)。应该值得关注的 PCA 投射组件的数量可以通过已解释方差度量（Explained Variance Measure）来引导。Sebastian Raschka 的关于 PCA 的文章对此进行了很好的描述，参阅：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()
输出：
从这个图表中我们可以看到大量方差都来自于预测主成分的前 85%。这是个很高的数字，所以让我们从低端的开始，先只建模少数几个主成分。更多有关分析主成分合理数量的信息可参阅：http://setosa.io/ev/principal-component-analysis
使用 scikit-learn 的 PCA 模块，让我们设 n_components = 9。代码的第二行调用了 fit_transform 方法，其可以使用标准化的电影数据 X_std 来拟合 PCA 模型并在该数据集上应用降维（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()
输出：
这里我们甚至没有真正观察到聚类的些微轮廓，所以我们很可能应该继续调节 n_component 的值直到我们得到我们想要的结果。这就是数据科学与艺术（data science and art）中的“艺术”部分。
现在，我们来试试 K-均值，看看我们能不能在下一章节可视化任何明显的聚类。
K-均值聚类（K-Means Clustering）
我们将使用 PCA 投射数据来实现一个简单的 K-均值。使用 scikit-learn 的 KMeans() 调用和 fit_predict 方法，我们可以计算聚类中心并为第一和第三个 PCA 投射预测聚类索引（以便了解我们是否可以观察到任何合适的聚类）。然后我们可以定义我们自己的配色方案并绘制散点图，代码如下所示：
# 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()
输出：
这个 K-均值散点图看起来更有希望，好像我们简单的聚类模型假设就是正确的一样。我们可以通过这种颜色可视化方案观察到 3 个可区分开的聚类。
当然，聚类和可视化数据集的方法还有很多，参考：https://goo.gl/kGy3ra使用 seaborn 方便的 pairplot 函数，我可以以成对的方式在数据框中自动绘制所有的特征。我们可以一个对一个地 pairplot 前面 3 个投射并可视化：
# 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()
输出：
构建篮子聚类（Basket Clusters）
你应该自己决定如何微调你的聚类。这方面没有什么万灵药，具体的方法取决于你操作的环境。在这个案例中是由隐藏关系所定义的股票和金融市场。
一旦你的聚类使你满意了，你就可以设置分数阈值来控制特定的股票是否有资格进入一个聚类，然后你可以为一个给定的聚类提取股票，将它们作为篮子进行交易或使用这些篮子作为信号。你可以使用这种方法做的事情很大程度就看你自己的创造力以及你在使用深度学习变体来进行优化的水平，从而基于聚类或数据点的概念优化每个聚类的回报，比如 short interest 或 short float（公开市场中的可用股份）。
你可以注意到了这些聚类被用作篮子交易的方式一些有趣特征。有时候标准普尔和一般市场会存在差异。这可以提供本质上基于“信息套利（information arbitrage）”的套利机会。一些聚类则和谷歌搜索趋势相关。
看到聚类和材料及它们的供应链相关确实很有意思，正如这篇文章说的一样：https://www.fairphone.com/en/2017/05/04/zooming-in-10-materials-and-their-supply-chains/
我仅仅使用该数据集操作了 Cobalt（钴）、Copper（铜）、Gallium（镓）和 Graphene（石墨烯）这几个列标签，只是为了看我是否可能发现从事这一领域或受到这一领域的风险的上市公司之间是否有任何隐藏的联系。这些篮子和标准普尔的回报进行了比较。
通过使用历史价格数据（可直接在 Quantopian、Numerai、Quandl 或 Yahoo Finance 使用），然后你可以汇总价格数据来生成预计收益，其可使用 HighCharts 进行可视化：
我从该聚类中获得的回报超过了标准普尔相当一部分，这意味着你每年的收益可以比标准普尔还多 10%（标准普尔近一年来的涨幅为 16%）。我还见过更加激进的方法可以净挣超过 70%。现在我必须承认我还做了一些其它的事情，但因为我工作的本质，我必须将那些事情保持黑箱。但从我目前观察到的情况来看，至少围绕这种方法探索和包装新的量化模型可以证明是非常值得的，而其唯一的缺点是它是一种不同类型的信号，你可以将其输入其它系统的流程中。
生成卖空篮子聚类（short basket clusters）可能比生成买空篮子聚类（long basket clusters）更有利可图。这种方法值得再写一篇文章，最好是在下一个黑天鹅事件之前。
如果你使用机器学习，就可能在具有已知和隐藏关系的上市公司的寄生、共生和共情关系之上抢占先机，这是很有趣而且可以盈利的。最后，一个人的盈利能力似乎完全关乎他在生成这些类别的数据时想出特征标签（即概念（concept））的强大组合的能力。
我在这类模型上的下一次迭代应该会包含一个用于自动生成特征组合或独特列表的单独算法。也许会基于近乎实时的事件，这可能会影响那些具有只有配备了无监督学习算法的人类才能预测的隐藏关系的股票组。
Ⅹ 如何利用Python预测股票价格
预测股票价格没有意义。
单支股票价格，多股组合，大盘这些都可以使用神经网络来学习，02年就做过了，涨跌预测平均能达到54%到57%的准确率，但是只能定性，无法定量，因此，在扣除印花税之后无利可图。
纯粹使用股票交易数据来预测并保证总体获利不是程序能办到的，人也办不到。
目前世界上最先进的炒股机器也只能利用网络时差那微不可计的零点几秒在欧洲与美国证券间倒来倒去，那套系统研发费用数千万，硬件（主要是独立光缆）费用以亿计。