如何利用股票基础数据编程

⑴ 镶＄エ杞浠朵竴鑸鐢ㄤ粈涔堣瑷寮鍙

镶＄エ杞浠朵竴鑸浣跨敤C++銆丳ython鍜孞ava绛夎瑷杩涜屽紑鍙戙

C++浣滀负涓绉嶉珮鏁堛佺ǔ瀹氱殑缂栫▼璇瑷锛岄潪甯搁傚悎鐢ㄤ簬寮鍙戝规ц兘鍜岀ǔ瀹氭ц佹眰杈冮珮镄勮偂绁ㄨ蒋浠躲傚畠鏀鎸侀溃钖戝硅薄缂栫▼锛屼娇寰楀紑鍙戣呭彲浠ュ垱寤哄岖敤镄勪唬镰佹ā鍧楋纴鎻愰珮寮鍙戞晥鐜囥傚悓镞讹纴C++镄勭紪璇戝瀷鐗规т篃淇濊瘉浜嗙▼搴忓湪镓ц屾椂镄勬ц兘銆备緥濡傦纴涓浜涢渶瑕佸疄镞跺勭悊澶ч噺镶＄エ鏁版嵁镄勮蒋浠讹纴濡备氦鏄撶郴缁熷拰琛屾儏鍒嗘瀽杞浠讹纴阃氩父浼氶夋嫨C++浣滀负涓昏佸紑鍙戣瑷銆

Python鍒欎互鍏剁亩娲佹槗镍傜殑璇娉曞拰涓板瘜镄勫簱璧勬簮鍦ㄨ偂绁ㄨ蒋浠跺紑鍙戜腑鍗犳嵁涓甯涔嫔湴銆侾ython镄勮剼链鍨嬬壒镐т娇寰楀紑鍙戣呭彲浠ュ揩阃熷湴缂栧啓鍜屾祴璇曚唬镰侊纴阃傚悎杩涜屽师鍨嫔紑鍙戝拰蹇阃熻凯浠ｃ傛ゅ栵纴Python镄勯噾铻嶅垎鏋愬簱濡俻andas鍜宯umpy绛夛纴涓哄勭悊鍜屽垎鏋愯偂绁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埚拰鎶曡祫钥呭枩娆㈢敤Python𨱒ョ紪鍐栾嚜瀹氢箟镄勪氦鏄撶瓥鐣ュ拰鍙瑙嗗寲鍒嗘瀽鎶ュ憡銆

Java鍒欎互鍏惰法骞冲彴镄勭壒镐у弹鍒拌偂绁ㄨ蒋浠跺紑鍙戣呯殑闱掔潗銆侸ava缂栧啓镄勭▼搴忓彲浠ュ湪浠讳綍鏀鎸丣ava铏氭嫙链虹殑骞冲彴涓婅繍琛岋纴杩椤ぇ澶у炲姞浜呜蒋浠剁殑鍙鐢ㄦу拰鍙缁存姢镐с傚悓镞讹纴Java镄勪紒涓氱骇鐗规у拰涓板瘜镄刉eb寮鍙戞嗘灦涔熶娇鍏堕潪甯搁傚悎鐢ㄤ簬寮鍙戝ぇ鍨嬭偂绁ㄨ蒋浠剁郴缁熷拰Web浜ゆ槗骞冲彴銆备緥濡傦纴涓浜涙彁渚涘湪绾夸氦鏄撴湇锷＄殑镶＄エ杞浠讹纴鍙鑳戒细阃夋嫨Java浣滀负涓昏佸紑鍙戣瑷銆

缁间笂镓杩帮纴镶＄エ杞浠剁殑寮鍙戣瑷阃夋嫨鍙栧喅浜庤蒋浠剁殑鍏蜂綋闇姹傚拰鐩镙囥备笉钖岀殑缂栫▼璇瑷钖勬湁浼桦娍锛屽紑鍙戣呴渶瑕佹牴鎹瀹为檯𨱍呭喌杩涜屾潈琛″拰阃夋嫨銆

⑵ 股票软件编程问题

这个嘛，的确有些异想天开，但只要你努力，编个软件是做的到的。

第一步，您可以尝试在一些免费软件上写指标，很多软件都提供公式编辑功能，这些公式编辑器就是一种简化的计算机语言，如果您对股市的想法不复杂，使用别人的软件做平台，自己加些东西，可能是上手最快的办法。

如果您期望获得的是独立完整的产品，就需要找数据源了。如果您计算机水平足够高，任何一款免费软件的数据都能够导出来。如果您做不到这一点，可以找个免费的数据接口。这些数据接口在许多软件论坛上有提供，至于怎样使用这些接口，您需要找接口的提供者咨询。免费数据接口是网上的一些编程高手提供的，有些收费，有些免费。即使收费，费用也不高。

找到数据后，就可以写自己的软件了。通过各软件商的摸索，股票软件几乎唯一的选择是C语言。早前人们尝试过几乎所有当前流行的计算机语言写股票软件，但目前大品牌的正版付费软件几乎都是C语言写的，其他语言在处理数据流上效率太低，以至于不能商品化。

当您的软件已经可以向市场推广时，就需要购买正式的数据源了。来自交易所的数据有两个版本：Level-1和Level-2，Level-1每年约80万，Level-2是买不到的，后者属于特许经营，您需要是注册资本1000万以上的公司，通过向交易所特别申请才能获得。运营Level-2数据的投资额大约是3000万/年，包括研发、市场和数据传输平台。

如果您的软件创新度有限，您的商业机会不多。如果您有自己的创造，那您就有机会了。在这个市场上，获得每年3000万的营业额不困难。

如果您试图获得每年上亿的营业额并在创业板上市，您需要找到不低于4000万的风险投资，并且组建一个不小于150人的团队。

祝您成功吧，有志者事竟成。

⑶ 在编程中如何能能获得股票的数据 例如当前价，最高价，最低价，当前成交量等等

要看使和什么数据了,每个软件数据的存储格式不同,有的还是加密存储的(如指南针)。

以常见的钱龙数据来说吧（钱龙是最简单的存储格式）当前价，最高价，最低价，当前成交量等等都是以随机文件存储的长整型数据。下面是读取钱龙数据的C源码，你可以参考一下：
#include <stdio.h>
#include <conio.h>
#include <stdlib.h>

typedef struct { ------->定义数据类型
unsigned long date; ------->定义日期为长整
unsigned long open; ------->定义开盘为..
unsigned long high; ------->定义最高为..
unsigned long low; ------->定义最低为..
unsigned long close; ------->定义收盘为..
unsigned long travl; ------->定义成交量..
unsigned long traca; ------->定义成交额..
char unuse[12];
} RECORD;

RECORD reco;
int readrec(FILE *);

void main()
{
FILE *fp;
if((fp = fopen("000001.day","rb")) == NULL) // 打开深发展日线

{ 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 如何导入股票数据，并画出K线

需要几个关键步骤 （函数应用需要自己多用help 学习）
1自己先下载原始数据格式 时间 开 高 低 收
1 读取数据 xlsread 函数
[num,txt,raw]=xlsread(filename); % ‘000001.xls'
Date=datenum(txt(5:length(txt),1)); %时间
OpenPrice=num(:,1); %开盘
HighPrice=num(:,2); %收盘
LowPrice=num(:,3);
ClosePrice=num(:,4);
Vol=num(:,5); %成交量
save Data Date OpenPrice HighPrice LowPrice ClosePrice Vol; %存储mat文件 方便下次使用
candle(HighPrice,LowPrice,ClosePrice,OpenPrice,'r',Date,12)%高 低 收 开 红色 时间 时间格式

⑸ 如何用Python和机器学习炒股赚钱

相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。

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。

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。