数据分析学习笔记（七）-- 股价分析

最新推荐文章于 2022-10-05 16:54:58 发布
最新推荐文章于 2022-10-05 16:54:58 发布
阅读量1.9w 收藏 8
点赞数 1
分类专栏： 数据分析 Python 文章标签： 大数据 python numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LOLITA0164/article/details/80074003
版权

本例子，通过numpy分析股价

csv文件读写

CSV（Comma-Separated Value，逗号分隔值）是一种常见的文件格式，通常数据库的转存文件就是csv格式，文件中的各个字段对应于数据库表中的列。

这里有一份csv格式的文件，本文一该文件数据为例。
数据结构如下图

CSV

每一条数据对应，第一列为股票代码以标识股票（苹果公司股票代码为AAPL），第二列为dd-mm-yyyy格式的日期，第三列为空，随后各列依次是开盘价、最高价、最低价和收盘价，最后一列为当日的成交量。

我们可以通过numpy的 loadtext()和savetext()函数完成读写操作

  • 读
# 从文件中读取数据
# 'data.csv'：文件名
# delimiter：分隔符
# usecols：所取数据的列下标
# unpack：返回数组
c,v = np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)
# 读取了收盘价和成交量数据
  • 写
x = y = z = np.arange(0.0,5.0,1.0)
np.savetxt('test.csv', x, delimiter=',')   # X 数组
np.savetxt('test.csv', (x,y,z))   # x,y,z 都是一维数组
np.savetxt('test.csv', x, fmt='%1.4e')   # 使用指数表示法

成交量加权平均价格

首先读取成交量数据和收盘价数据

c,v = np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)

# 计算成交量的平均价格
vwap = np.average(c, weights=v)
v_mean = np.average(c)
print('算术平均：{}，加权平均：{}'.format(v_mean, vwap))
'''算术平均：351.0376666666667，加权平均：350.5895493532009'''

# 时间加权平均价格
t = np.arange(len(c))
twap = np.average(c, weights=t)
print('时间加权平均：{}'.format(twap))
'''时间加权平均：352.4283218390804'''

最大值和最小值

寻找最高价和最低价

# 读取最高价和最低价
h,l = np.loadtxt('data.csv', delimiter=',', usecols=(4,5), unpack=True)
# 最高价中的最大值
h.max()     # 364.9
# 最低价中的最小值
l.min()     # 333.53

# 区间差值：np.ptp()
h_ptp = np.ptp(h)
l_ptp = np.ptp(l)
print('最高价的差值为：{:.2f}'.format(h_ptp))
print('最低价的差值为：{:.2f}'.format(l_ptp))
'''最高价的差值为：24.86
最低价的差值为：26.97'''

简单统计分析

收盘价的统计分析

c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)
print('原始数据：{}'.format(c))
'''
原始数据：[336.1  339.32 345.03 344.32 343.44 346.5  351.88 355.2  358.16 354.54
 356.85 359.18 359.9  363.13 358.3  350.56 338.61 342.62 342.88 348.16
 353.21 349.31 352.12 359.56 360.   355.36 355.76 352.47 346.67 351.99] '''
# 中位数
print('中位数为：{}'.format(np.median(c)))
'''中位数为：352.055'''
# 验证
sorted = np.sort(c)
print('排序后的数据为：{}'.format(sorted))
'''
[336.1  338.61 339.32 342.62 342.88 343.44 344.32 345.03 346.5  346.67
 348.16 349.31 350.56 351.88 351.99 352.12 352.47 353.21 354.54 355.2
 355.36 355.76 356.85 358.16 358.3  359.18 359.56 359.9  360.   363.13]'''
# 可以看出中位数为[351.99 352.12]的平均值

# 方差
print('股价的方差为：{}'.format(np.var(c)))
'''股价的方差为：50.126517888888884'''

股票收益率

  • 股票收益率：收盘价的差值/收盘价
# diff()后一项减去前一项的差，数量会少一项，对应的只取到最后一项收盘价
returns = np.diff(c) / c[:-1]
print('收益率为：{}'.format(returns))    
'''
[ 0.00958048  0.01682777 -0.00205779 -0.00255576  0.00890985  0.0155267
  0.00943503  0.00833333 -0.01010721  0.00651548  0.00652935  0.00200457
  0.00897472 -0.01330102 -0.02160201 -0.03408832  0.01184253  0.00075886
  0.01539897  0.01450483 -0.01104159  0.00804443  0.02112916  0.00122372
 -0.01288889  0.00112562 -0.00924781 -0.0164553   0.01534601]
 '''
print('收益率的标准差：{}'.format(np.std(returns))) 
'''收益率的标准差：0.012922134436826306'''

# 计算收益率为正的数据                                                      
posretindices = np.where(returns>0)                               
returns_value = returns[posretindices]                            
print('收益为正的位置为：{}，数据为：{}'.format(posretindices, returns_value))  
'''
收益为正的位置为：(array([ 0,  1,  4,  5,  6,  7,  9, 10, 11, 12, 16, 17, 18, 19, 21, 22, 23,
       25, 28]),)，数据为：[0.00958048 0.01682777 0.00890985 0.0155267  0.00943503 0.00833333
 0.00651548 0.00652935 0.00200457 0.00897472 0.01184253 0.00075886
 0.01539897 0.01450483 0.00804443 0.02112916 0.00122372 0.00112562
 0.01534601]
'''
  • 收益波动率

收益波动率是对资产收益率不确定性的衡量，用于反映金融资产的风险水平。波动率越高，金融资产价格的波动越剧烈，资产收益率的不确定性就越强；波动率越低，金融资产价格的波动越平缓，资产收益率的确定性就越强

公式：对数收益率的标准差/对数收益率的平均值/交易天数倒数的平方根

# 对数收益率，注意去掉0的数据，因为0没有对数                   
logreturns = np.diff(np.log(c))            
print('对数收益率为：{}'.format(logreturns)) 
# 去掉周末天数为252                                                                                       
annual_volatility = np.std(logreturns) / np.mean(logreturns) / np.sqrt(1./252.)                
print('年度化收益波动率为：{}'.format(annual_volatility))   
'''年度化收益波动率为：129.27478991115132'''                                             
month_volatility = annual_volatility * np.sqrt(1./12.)                                         
print('月度化收益率波动率为：{}'.format(month_volatility))   
'''月度化收益率波动率为：37.318417377317765'''

数据汇总

  • 按日期分析

    我们按照一周中的星期几取分析，计算其收盘价，以及均价

首先，我们为了方便处理，需要将数据中的日期格式转换为数据索引形式

from datetime import datetime                                     
'''                                                               
Monday:0                                                          
Tuesday:1                                                         
Wendesday:2                                                       
Thursday:3                                                        
Friday:4                                                          
Saturday:5                                                        
Sunday:6                                                          
'''                                                               
# 日期转换函数                                                          
def datestr2num(s):                                               
    s = s.decode('utf-8')  # 将bytes转为str类型                        
    return datetime.strptime(s, '%d-%m-%Y').date().weekday()

读取日期和收盘价数据

# converters，将数据映射，这里是将第1列上的数据通过函数datestr2num进行处理                                                                
dates,colse = np.loadtxt('data.csv', delimiter=',', usecols=(1, 6), converters={1: datestr2num}, unpack=True)    
print('dates:{}'.format(dates))    
'''dates:[4. 0. 1. 2. 3. 4. 0. 1. 2. 3. 4. 0. 1. 2. 3. 4. 1. 2. 3. 4. 0. 1. 2. 3.
 4. 0. 1. 2. 3. 4.]'''                                                                              
# 数字0-4分别对应周一到周五

按日期分析

# 创建5天的数组                                                                                       
averages = np.zeros(5)                                                                            
for i in range(5):                                                                                
    # 分别取出星期几对应的位置                                                                                
    indexs = np.where(dates==i)                                                                   
    # 取出对应的价格                                                                                     
    prices = np.take(colse, indices=indexs)  # np.take(colse, indices=indexs) 等价于 colse[indexs]   
    avg = np.mean(prices)   # 算出均值                                                                
    print('Day {} prices：{} Average:{:.2f}'.format(i, prices, avg))                               
    averages[i] = avg       # 替换数据  

'''
Day 0 prices：[[339.32 351.88 359.18 353.21 355.36]] Average:351.79
Day 1 prices：[[345.03 355.2  359.9  338.61 349.31 355.76]] Average:350.64
Day 2 prices：[[344.32 358.16 363.13 342.62 352.12 352.47]] Average:352.14
Day 3 prices：[[343.44 354.54 358.3  342.88 359.56 346.67]] Average:350.90
Day 4 prices：[[336.1  346.5  356.85 350.56 348.16 360.   351.99]] Average:350.02
'''

顺便计算5天中最高和最低均价

print('最高的均值为：{:.2f}, the week {}'.format(np.max(averages), np.argmax(averages)))   
print('最低的均值为：{:.2f}, the week {}'.format(np.min(averages), np.argmin(averages)))   

'''最高的均值为：352.14, the week 2
最低的均值为：350.02, the week 4
'''
  • 周汇总

有时候，我们想要按周进行统计汇总，例如：我想看前三周的，周一的开盘价、周五的收盘价、一周中最高和最低价信息

首先依旧是获取到我们所需要到数据

dates, open, high, low, close = np.loadtxt('data.csv', delimiter=',', usecols=(1, 3, 4, 5, 6), converters={1:datestr2num}, unpack=True)

然后创建前三周的索引，分别对应三周中的股票名称、周一开盘价、一周中最高价、一周中最低价、周五收盘价

# split()可以将数组均等分割
weeks_indices = np.split(np.arange(0, 15), 3)  
print('Weeks indices : {}'.format(weeks_indices)) 
Weeks indices : [array([0, 1, 2, 3, 4]), array([5, 6, 7, 8, 9]), array([10, 11, 12, 13, 14])]

这里简单介绍 apply_along_axis() 函数

numpy.apply_along_axis(func, axis, arr, *args, **kwargs)
必选参数：func,axis,arr。其中func是我们自定义的一个函数，函数func(arr)中的arr是一个数组，函数的主要功能就是对数组里的每一个元素进行变换，得到目标的结果
axis表示函数func对数组arr作用的轴，1：横向，0：竖向
可选参数：*args, **kwargs。都是func()函数额外的参数
返回值：numpy.apply_along_axis()函数返回的是一个根据func()函数以及维度axis运算后得到的的数组

例子：

def my_func(a):                                                
    return (a[0] + a[-1]) * 0.5                                

b=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])                 

res = np.apply_along_axis(my_func, 0, b)   # 竖向                    

print(res)  # [5. 6. 7. 8.]                                    

res = np.apply_along_axis(my_func, 1, b)    # 横向                      

print(res)  # [ 2.5  6.5 10.5]

回到之前，我们来定一个 summarize() 函数，用来计算周汇总

def summarize(a, o, h, l, c):                                       
    monday_open = o[a[0]]               # 周一开盘价                     
    week_high = np.max(np.take(h, a) )  # 一周中最高价                    
    week_low = np.min( np.take(l, a) )  # 一周中最低价                    
    friday_close = c[a[-1]]             # 周五收盘价                     
    return ("APPL", monday_open, week_high, week_low, friday_close) 

# 调用apply_along_axis()函数，传入相关参数
weeksummary = np.apply_along_axis(summarize, 1, weeks_indices, open, high, low, close)     
print('Week summary : {}'.format(weeksummary))
'''
Week summary : [['APPL' '344.17' '345.65' '333.53' '343.44']
 ['APPL' '343.61' '360.0' '343.51' '354.54']
 ['APPL' '354.75' '364.9' '353.54' '358.3']]
 '''

# 将处理后的数据保存到本地                                                                             
np.savetxt('weeksummary.csv', weeksummary, delimiter=',', fmt='%s')

在工程目录下，找到 weeksummary.csv 文件，打开

weeksummary.csv

真实波动幅度均值（ATR）

  • ATR介绍

1、真实波动幅度均值（ATR）是韦尔斯•王尔德（J. Welles Wilder）提出的，这一指标主要用来衡量证券价格的波动，因此，这一技术指标并不能直接反映价格走向及趋势稳定性，而只是用来表明价格波动的程度。

2、极端的高ATR或低ATR值可以被看作价格趋势的反转或下一个趋势的开始。较低的ATR表示比较冷清的市场交易气氛，而较高的ATR则表示比较旺盛的交易气氛。一段较长时间的低ATR很可能表明市场正在积蓄力量并逐渐开始下一个价格趋势，而一段非常高的ATR通常是由于短时间内价格的大幅上涨或下跌造成的，通常此数值不可能长期维持在高水平。

3、交易者也可以是使用ATR来设置自己交易的止损和止赢价位。由于ATR计算的是在某一个时间段内货币对的波动真实范围，因此可以把该范围作为计算止损和止赢的标准。

  • TR：真实波动幅度

TR=∣最高价-最低价∣和∣最高价-昨收∣和∣昨收-最低价∣的最大值
ATR=TR的N日简单移动平均，参数N设置为14日

  • 首先我们计算TR
h, l, c = np.loadtxt('data.csv', delimiter=',', usecols=(4,5,6), unpack=True)

# 我们先计算所有数据的TR
truerange = np.maximum(np.fabs(h-l), np.fabs(h-c), np.fabs(c-l))
print('真实波动幅度：{}'.format(truerange))
'''
真实波动幅度：[10.87  5.74  4.67  1.7   5.69  3.19  5.61  3.37  4.13 12.    4.26  2.77
  2.42  4.4   3.75  9.98  7.68  6.03  6.78  3.63  3.93  8.04  5.95  3.87
  2.54 10.36  5.15  4.16  4.87  7.32]
  '''

'''一般来说，真实波动幅度均值（ATR）通常以7或14个时段为基础进行计算，这个时段可以是一天内的某个时间段，也可以是一天的日价，乃至周价和月价。
第一个ATR通常是前7或14天中每天的TR的简单算术平均
'''
# 计算出第一个ATR：这里取周期n为14
n = 14  # 周期为14
ATR0 = np.mean(truerange[:n])
print('首个ATR为:{}'.format(ATR0))
'''首个ATR为:5.058571428571428'''

# 计算剩下天数的 ATR
# 剩下的数量 N
N = len(truerange) - n
print('可计算ATR的天数为:{}'.format(N))
'''可计算ATR的天数为:16'''

# 创建 N 数量的 0 数组，用来存储 ATR
atr = np.zeros(N)
# 那么 atr[0] 就是 ATR0
atr[0] = ATR0

# 剩下的 ATR 步骤如下：
'''
1.将前14天的ATR乘以13
2.将步骤一所得的值加上新一天的TR
3.将步骤二所得值除以14
'''
for i in range(1, N):
    atr[i] = (n - 1) * atr[i - 1] + truerange[i]
    atr[i] /= n
print('ATR:{}'.format(atr))
'''
ATR:[5.05857143 5.1072449  5.07601312 4.83486933 4.89595009 4.77409651
 4.8338039  4.72924648 4.68644316 5.20884008 5.14106579 4.97170394
 4.78943938 4.76162228 4.68936354 5.06726615]
 '''

移动平均线：convolve()

  • 简单移动平均线

简单移动平均线通常用于分析时间序列上的数据，例如我们计算N个交易日股票收盘价的移动平均值

import matplotlib.pyplot as plt 
# 读取数据
c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)
N = 5

# 定义移动窗口和权重
weights = np.ones(N) / N
'''array([ 0.2,  0.2,  0.2,  0.2,  0.2])'''

# 调用卷积函数convolve，并从中截取对称数组，其数量和收盘价 len(c)-N+1 一致
sample = np.convolve(weights, c)[N-1:-(N-1)]
# 设置时间作为x轴坐标
time = np.arange(N-1, len(c))
# 绘制真实收盘价走势，颜色为red
plt.plot(time, c[N-1:], linewidth=1.0, color='red')
# 绘制简单移动平均值走势，颜色为green
plt.plot(time, sample, linewidth=1.0, color='green')
# show
plt.show()

结果图形

由上图所示：红色线部分是股价的真实收盘走势，绿色线部分则为简单移动平均值走势，其相对真实值延后，相对比较平滑

关于卷积函数convolve：numpy中的convolve的理解

  • 指数移动平均线

相比与简单移动平均线权重相等，指数移动平均线的权重是呈指数型衰减趋势的，即与当前时间越久的数据所赋予的权重以指数速度减少
我们通过使用 exp() 函数来获取指数值， linspace()函数来获取指定范围内均匀数组

# 下面获取指数移动平均线的权重
N = 5
weights = np.exp(np.linspace(0, 1, N))
# 求出每一份所占的比重
weights = weights / np.sum(weights)
print('权重为：{}'.format(weights))
'''权重为：[0.11405072 0.14644403 0.18803785 0.24144538 0.31002201]'''

此时，权重不再是0.2了，而是越靠近当前时间权重越大，反之越小

在简单移动平均线的基础上，我们再新增一条指数移动均线

exponent = np.convolve(weights, c)[N-1:-(N-1)]
# 绘制指数移动平均值走势，颜色为blue
plt.plot(time, exponent, linewidth=1.0, color='blue')
plt.show() # show函数移到后面

指数移动均线

此图中的蓝色线就是指数移动均线了。

其他相关文章：Python绘制股票移动均线

布林带

布林带：用来描述股票价格变化的区间
组成：三条线：上轨、中轨、下轨
中轨即简单移动均线，上轨为：简单移动均线加上N日两倍标准差，下轨则为：简单移动均线减去N日两倍标准差

首先取出数据，计算好简单移动均线

N = 5
weights = np.ones(N) / N
c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)
# 简单移动均线 
sample = np.convolve(weights, c)[N-1:-(N-1)]
# 标准差数组
deviation = []

计算 N 日标准差

for i in range(N - 1, len(c)):
    # dev 为 N 日的收盘价，往前推 N 日
    dev = c[ i - ( N - 1) : i+1 ]

    # 创建 N 日，值为 0 的数组
    averages = np.zeros(N)
    # 将简单移动均线的 i - (N - 1) 分别填充到该数组中，sample是下标从 0 开始的
    averages.fill(sample[i - (N - 1)])
    # 计算标准差
    dev = dev - averages
    dev = dev ** 2
    dev = np.sqrt(np.mean(dev))
    deviation.append(dev)

# 两倍的标准差
deviation = 2 * np.array(deviation)

那么上轨道和下轨道的数据为：

# 上轨
upperBB = sample + deviation
# 下轨
lowerBB = sample - deviation

绘制布林带

time = np.arange(N-1, len(c))
# 真实收盘价
plt.plot(time, c[N-1:], linewidth=1.0, color='yellow')
# 简单移动均线
plt.plot(time, sample, linewidth=1.0, color='green')
# 上轨道
plt.plot(time, upperBB, linewidth=2.0, color='red', linestyle='--')
# 下轨道
plt.plot(time, lowerBB, linewidth=2.0, color='green', linestyle='--')
plt.show()

布林带

上图所示，两条虚线内部即为布林带，中间绿色实线为简单移动均线，黄色部分为真实收盘价走势

LOLITA0164
关注
专栏目录
学习用Python分析股票数据(入门)
wuzlun的专栏
04-10 3万+
学习使用python来分析股票，主要事涉及数据获取、数据可视化，以及探究数据中各项指标的含义及和关系。 使用工具 pandas、numpy、datatime pandas-datareader 在线获取股票数据 matplotlib 数据可视化 Jupyter Notebook 数据分析利器 #一、数据获取 # 导入包 impo...
广工大数协 阿里云天池 金融风控训练营 - Task2 数据分析学习笔记
weixin_51439571的博客
04-25 426
目录 Task 2 一、学习知识点概要（数据分析） 二、学习内容 1.读取文件 2.查看数据集的样本个数和原始特征维度 4.查看特征的数值类型有哪些，对象类型有哪些 5.数值连续型变量分析 6.变量分布可视化 7.时间格式数据处理及查看 8.使用pivot_table生成透视图https://www.cnblogs.com/Yanjy-OnlyOne/p/11195621.html 9.用pandas_profiling生成数据报告 三、学习问题及解答 四、学习思考与...
关于大数据统计大量股票开盘平均价和收盘价的简单程序程序
CodeMan丶
04-28 2263
1.需要统计的文件2.单个文件的内容3.程序内容package com.test4; import java.io.IOException; import java.util.Iterator; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoo...
【Python数据分析】苹果公司股票数据分析，数据源免费送
人人都是量化师的专栏
07-31 3960
首先我们打开数据之后先了解一下数据有哪些元素。在这个表中，可以看到，第一列是公司名称，第二列是交易日期，第四列是开盘价，之后分别是是最高价，最低价，收盘价，成交量。（数据获取方式看文章末尾） 在这个例子中，将会利用python和numpy库进行苹果公司的股票交易数据的分析。 先读入数据文件： import sys import numpy as np #读入文件 c,v = np.lo...
Numpy读取csv文件
MESSI_JAMES的博客
05-28 7万+
一.利用savetxt函数将数据存储到文件: savetxt(fileName,data) fileName:保存文件路径和名称 data:需要保存的数据 np.savetxt("exaple.txt",example) print("保存完成") 文件----->0.000000000000000000e+00 1.000000000000
csv跳过第一行 python_python简单分析股票数据numpy 学习指南
weixin_39628384的博客
12-05 507
最近学习《numpy学习指南》第三章，本章主要介绍了股票数据的读取和简单分析。本文以书中的例子加上自己的理解。下图是一个简单的股票数据，有股票的名称、每一天的开盘价、最高价、最低价和成交量。我们现在使用python汇总分析三个星期的股票数据：周一的开盘价、一周内的最高价、一周内的最低价、周五的收盘价。看到这样的问题，即使读了书中的代码，思路也并未能完全理解。对于这个问题我将分步说明：1....
学习笔记：探索Apple公司股价数据
weixin_47346718的博客
10-05 796
探索Apple公司股价数据
《Python金融大数据挖掘与分析全流程详解》学习笔记及代码.zip
最新发布
02-21
总而言之，《Python金融大数据挖掘与分析全流程详解》的学习笔记和代码资源为读者提供了一个全面了解和掌握金融数据处理的平台，通过理论结合实践，助力读者在金融数据分析领域提升专业素养。无论是金融从业者还是对...
数据分析学习总结笔记15：时间序列分析及Python实现
weixin_41961559的博客
04-19 2320
文章目录1 引言2 时间序列的特性2.1 自相关2.2 季节性2.3 平稳性3 时间序列建模3.1 移动平均法3.2 指数平滑法3.3 双指数平滑法3.4 三重指数平滑法3.5 周期性差分自动平滑回归模型(SARIMA)4 实例——股票价格的预测5 结论 1 引言 本篇主要帮助大家理解移动平均，指数平滑，平稳性，自相关，SARIMA，通过案例和Python编程实现时间序列的预测技术。 无论我们是预...
Python金融分析笔记1.md
08-30
- **强大的数据处理能力**：如Pandas库提供高效的数据结构和数据分析工具。 - **丰富的库和工具**：例如NumPy、SciPy等科学计算库，以及Matplotlib、Seaborn等可视化库。 - **活跃的社区支持**：有大量的开源项目...
2019股票价格_data.csv
07-12
NumPy学习指南书的 苹果股票价格的数据，用于代码案例测试， 文件为csv格式
苹果股票apple.csv
06-25
苹果股票数据，时间跨度为(自上市到2019-12-31)；包含字段为:日期-开盘价-收盘价-最高价-最低价-市值
2009年7月到2019年7月000001SZ股票交易数据.csv
08-22
2009年7月到2019年7月000001.SZ股票交易数据包含（'ts_code', 'trade_date', 'open', 'high', 'low', 'close', 'pre_close', 'change', 'pct_chg', 'vol', 'amount'）
numpy数据的读取
weixin_42213622的博客
02-25 6043
，
【数据分析】苹果公司股票数据处理
Allen . Liu
11-13 1583
import numpy as np import pandas as pd from pandas import Series,DataFrame app = pd.read_csv('./AAPL.csv') app.shape (9814, 7) app.head() Date Open High ...
用data.DataReader读取股价数据并分析--python学习笔记17
云金杞
12-08 2万+
#加载相应的包 import numpy as np import pandas as pd from pandas_datareader import data,wb  #从互联网读入数据 goog=data.DataReader('GOOG',data_source='yahoo') goog.head() goog.tail()  #实现对波动率的计算 goog['log_
Numpy----数据处理
weixin_42199174的博客
07-04 283
# 文件中的数据为给定时间范围内某股票的数据，现要求：获取该时间范围 # 内交易日周一、周二、周三、周四、周五分别对应的平均收盘价及哪天的 # 平均收盘价最高，哪天的平均收盘价最低。 import numpy as np from datetime import datetime # 将日期格式字符串转化得到星期 def datestr(s): return datetime.strp...
Python3对股票数据进行分析
热门推荐
Asia-Lee
04-19 11万+
目录 一、量化交易概述 1、量化交易（投资方法） 2、算法交易（自动交易、黑盒交易或机器交易） 3、量化策略 4、量化选股 5、股票回测 二、股票数据 三、股票数据分析 1、导入股票时间序列数据 2、绘制股票成交量的时间序列图 3、绘制股票收盘价和成交量的时间序列图 3、绘制K线图（蜡烛图） （1）K线图理论 （2）K线图绘制 4、股票指标相关性分析 （1）相关关系...
python数据分析小练习----科赛
wx1871428的博客
07-13 4120
_[ https://www.kesci.com/apps/home/project/5a8afe517f2d695222327e14 ](https://www.kesci.com/apps/home/project/5a8afe517f2d695222327e14) __ _ 练习1-开始了解你的数据 步骤6 数据集中有多少个列(columns)： chipo . shape [ 1 ] 步骤9 被下单数最多商品(item)是什么： chipo . item_name . value_counts ()
C++学习：数据结构与算法分析笔记
"C++数据结构与算法的学习笔记，涵盖了数据结构、算法分析以及相关编程概念，旨在帮助学习者掌握核心编程技巧并提升问题解决能力。" 在这份"C++数据结构与算法学习笔记"中，重点讲解了以下几个关键知识点： 1. **...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值