数据分析04 /基于pandas的DateFrame进行股票分析、双均线策略制定

数据分析04 /基于pandas的DateFrame进行股票分析、双均线策略制定
- 需求1：对茅台股票分析
- 需求2：双均线策略制定

需求1：对茅台股票分析

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

双均线策略分析
- 什么是均线 / 均线一般说的是收盘价
  
  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）
- 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。

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

# 调用tushare接口，分析股票历史数据

df = ts.get_k_data('601318',start='1990-01-01')

# 数据的预处理

# 将date列转换成时间序列

df['date'] = pd.to_datetime(df['date'])

# 将新的date时间序列，设置成索引，并替换原数据

df.set_index(df['date'],inplace=True)

# 删除掉原来的date列

df.drop(labels='date',axis=1,inplace=True)

# 取2010-2019区间的数据，2010之前的数据有NaN数据，会造成统计结果不准确

df = df['2010':'2019']

2.计算该股票历史数据的5日均线和30日均线

# 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

# 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)

巴特西

数据分析04 /基于pandas的DateFrame进行股票分析、双均线策略制定

数据分析04 /基于pandas的DateFrame进行股票分析、双均线策略制定

需求1：对茅台股票分析

需求2：双均线策略制定

最新文章

热门文章