文章目录
数据分析之股票分析案例
- 详细基础知识可以参考我的另一篇博客数据分析三剑客之Pandas(持续更新中…)我会根据案例每天查漏补缺，补充笔记并总结,感谢您的关注与支持，谢谢！
本案例总结涉及Pandas重要知识点如下：
-
了解
tushare模块的使用 -
了解
shift（）函数的使用 -
了解
resample()函数的使用 -
还有
set_index()的使用，还需要注意pd.to_datetime(df['trade_date'])此处更改为df['trade_date'].astype(str)否则会转换失败,日期全变为1970年。即:df['trade_date']=pd.to_datetime(df['trade_date'].astype(str)) -
知道
loc[]函数还可以根据逻辑bool值来定位 -
了解了
rolling()函数来计算均线 -
了解了金融知识之均线，金叉与死叉的概念
-
了解使用了级联操作函数
concat()
需求如下：
-
1.使用
tushare包获取某股票的历史行情数据。 -
2.输出该股票所有收盘比开盘上涨3%以上的日期。
-
3.输出该股票所有开盘比前日收盘跌幅超过2%的日期。
-
4.计算：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？
-
5.计算该股票历史数据的5日均线和30日均线
-
6.可视化历史数据的收盘价和两条均线
-
7.分析输出所有金叉日期和死叉日期
-
8.计算：如果我从假如我从2010年1月1日开始，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，我的炒股收益率如何？
-
tushare财经数据接口包
pip install tushare
1.使用tushare包获取某股票的历史行情数据。
-
我们需要先去tushare注册一个账号，获取接口token
-
然后利用下方函数
ts.set_token('your_token'),当然也可以直接pro=ts.pro_api('your_token') -
如果要获取别的股票数据参考官方给的
api使用方式 -
下方我调用的是
daily来获取茅台历史所有数据，具体使用方式请参考上方文档链接
import tushare as ts
import pandas as pd
from pandas import DataFrame,Series
import numpy as np
ts.set_token('your_token')
pro=ts.pro_api()
df=pro.daily(ts_code='600519.SH', start_date='20000101')
df.to_csv('./maotai.csv')
-
上方代码成功读取茅台的历史股票日数据，并把它存到了本地csv文件中
-
csv文件如下：
-
-
我们成功取到了近5000多条数据。
2.输出该股票所有收盘比开盘上涨3%以上的日期。
-
1.首先读出数据
-
df=pd.read_csv('./maotai.csv') print(df.head()) -
out:
-
Unnamed: 0 ts_code trade_date ... pct_chg vol amount 0 0 600519.SH 20240717 ... 1.7209 34311.01 5115680.654 1 1 600519.SH 20240716 ... 0.0746 20316.44 2998367.128 2 2 600519.SH 20240715 ... -0.2651 19176.26 2835374.730 3 3 600519.SH 20240712 ... 1.1443 23386.34 3451132.648 4 4 600519.SH 20240711 ... 1.7042 29020.14 4236960.596 [5 rows x 12 columns] 进程已结束，退出代码为 0 -
2.我们发现多出了一列
Unnamed: 0，因此我们需要将此列删除 -
#删除df中指定的一列 df.drop(labels='Unnamed: 0',axis=1,inplace=True) #drop函数特殊，axis=1时为列 -
3.查看每一列的数据类型
df.info()out:
<class 'pandas.core.frame.DataFrame'> RangeIndex: 5479 entries, 0 to 5478 Data columns (total 11 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 ts_code 5479 non-null object 1 trade_date 5479 non-null int64 2 open 5479 non-null float64 3 high 5479 non-null float64 4 low 5479 non-null float64 5 close 5479 non-null float64 6 pre_close 5479 non-null float64 7 change 5479 non-null float64 8 pct_chg 5479 non-null float64 9 vol 5479 non-null float64 10 amount 5479 non-null float64 dtypes: float64(9), int64(1), object(1) memory usage: 471.0+ KB None 进程已结束，退出代码为 0 -
4.我们发现trade_date时
int64类型，我们可以把它转换成日期，并设置为索引，方便后续操作 -
df['trade_date']=pd.to_datetime(df['trade_date']) #此处更改为df['trade_date'].astype(str) 否则会转换失败 df.set_index('trade_date',inplace=True) print(df.head()) -
out
-
ts_code open high ... pct_chg vol amount trade_date ... 2024-07-17 600519.SH 1476.10 1503.0 ... 1.7209 34311.01 5115680.654 2024-07-16 600519.SH 1476.00 1482.0 ... 0.0746 20316.44 2998367.128 2024-07-15 600519.SH 1470.00 1488.0 ... -0.2651 19176.26 2835374.730 2024-07-12 600519.SH 1473.01 1486.4 ... 1.1443 23386.34 3451132.648 2024-07-11 600519.SH 1449.97 1469.0 ... 1.7042 29020.14 4236960.596 [5 rows x 10 columns] 进程已结束，退出代码为 0 -
5.这里我们利用
loc函数支持逻辑运算来索引的方式获取 -
例如逻辑运算返回结果如下：
-
print((df['close']-df['open'])/df['open']>0.03) -
out
-
trade_date 2024-07-17 False 2024-07-16 False 2024-07-15 False 2024-07-12 False 2024-07-11 False ... 2001-08-31 False 2001-08-30 False 2001-08-29 False 2001-08-28 True 2001-08-27 True Length: 5479, dtype: bool 进程已结束，退出代码为 0 -
我们可以用这个逻辑结果去用
loc取对应的行，如果为true则返回，false则不会返回 -
date=df.loc[(df['close']-df['open'])/df['open']>0.03] #获取符合条件的dataframe数据 print(date.index) #索引即为日期，我们取索引 -
6.返回的就是符合要求的日期:
-
DatetimeIndex(['2024-07-02', '2024-06-24', '2024-03-12', '2024-02-21', '2023-12-28', '2023-07-28', '2023-05-22', '2023-01-05', '2022-11-15', '2022-11-04', ... '2004-01-14', '2004-01-05', '2003-10-29', '2003-01-14', '2002-01-31', '2002-01-18', '2001-12-21', '2001-09-10', '2001-08-28', '2001-08-27'], dtype='datetime64[ns]', name='trade_date', length=356, freq=None) 进程已结束，退出代码为 0
3.输出该股票所有开盘比前日收盘跌幅超过2%的日期。
-
1.逻辑表达式为：(开盘-前日收盘)/前日收盘 < -0.02
-
2.我们可以将close列向下移1位，这样对应的
df[‘close’]就是对应的前日的闭盘数据了，我们用到了shift（）函数 -
print(df['close'].shift(1)) -
out
-
trade_date 2024-07-17 NaN 2024-07-16 1501.40 2024-07-15 1476.00 2024-07-12 1474.90 2024-07-11 1478.82 ... 2001-08-31 36.99 2001-08-30 37.01 2001-08-29 37.10 2001-08-28 36.38 2001-08-27 36.86 Name: close, Length: 5479, dtype: float64 进程已结束，退出代码为 0 -
3.因此用于
loc函数的逻辑表达式为: -
(df['open'] - df['close']) / df['open'] > 0.03 -
4.使用loc（）函数获取符合条件的数据：
- 在分析的过程中如果产生了boolean值则下一步马上将布尔值作为源数据的行索引
- 如果布尔值作为
df的行索引，则可以取出true对应的行数据，忽略false对应的行数据
-
df.loc[(df['open'] - df['close']) / df['open'] > 0.03] -
5.从符合条件的表格中获取日期索引即为符合题意的日期
-
#在分析的过程中如果产生了boolean值则下一步马上将布尔值作为源数据的行索引 #如果布尔值作为df的行索引，则可以取出true对应的行数据，忽略false对应的行数据 print(df.loc[(df['open'] - df['close']) / df['open'] > 0.03].index) -
out
-
DatetimeIndex(['2024-01-17', '2023-11-01', '2023-10-19', '2023-08-28', '2023-04-12', '2022-10-27', '2022-10-24', '2022-10-19', '2022-10-10', '2022-03-07', ... '2003-01-02', '2002-11-08', '2002-04-17', '2002-01-28', '2002-01-17', '2002-01-04', '2001-12-20', '2001-11-16', '2001-11-07', '2001-10-10'], dtype='datetime64[ns]', name='trade_date', length=198, freq=None) 进程已结束，退出代码为 0
4.收益计算
-
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？
-
分析：
- 时间节点：2010-2024
- 一手股票：100支股票
- 买：
- 一个完整的年需要买入1200支股票
- 卖：
- 一个完整的年需要卖出1200支股票
- 买卖股票的单价：
- 开盘价
-
1.首先我们需要切片出我们所需的
时间段，因为时间格式是索引，因此可以直接这样切: -
new_df = df['2010-01':'2024-07'] print(new_df) -
out
-
ts_code open high ... pct_chg vol amount trade_date ... 2024-07-17 600519.SH 1476.10 1503.00 ... 1.7209 34311.01 5115680.654 2024-07-16 600519.SH 1476.00 1482.00 ... 0.0746 20316.44 2998367.128 2024-07-15 600519.SH 1470.00 1488.00 ... -0.2651 19176.26 2835374.730 2024-07-12 600519.SH 1473.01 1486.40 ... 1.1443 23386.34 3451132.648 2024-07-11 600519.SH 1449.97 1469.00 ... 1.7042 29020.14 4236960.596 ... ... ... ... ... ... ... ... 2010-01-08 600519.SH 164.00 164.00 ... -1.0500 36702.09 593162.176 2010-01-07 600519.SH 166.76 167.19 ... -1.8200 48825.55 801445.269 2010-01-06 600519.SH 168.99 169.50 ... -1.5800 39889.03 666073.283 2010-01-05 600519.SH 170.99 171.50 ... -0.2900 31513.18 535720.422 2010-01-04 600519.SH 172.00 172.00 ... 0.0700 44304.88 753405.635 [3525 rows x 10 columns] 进程已结束，退出代码为 0 -
2.接下来我们要获取每月第一个交易日的数据，我们可以用到resample()函数,并用sum函数求和
-
注意！！！！卡了我好久！
注意下方两参数数据区别！时间索引不一样！但数据是一样的！ -
print(new_df.resample('M').first()) print(new_df.resample('MS').first()) -
out
-
ts_code open high low close pre_close change \ trade_date 2010-01-31 600519.SH 172.00 172.00 169.31 169.94 169.82 0.12 2010-02-28 600519.SH 168.88 169.58 167.01 168.89 168.54 0.35 2010-03-31 600519.SH 166.45 167.45 165.99 166.24 166.84 -0.60 2010-04-30 600519.SH 158.78 160.50 158.76 160.06 158.76 1.30 2010-05-31 600519.SH 127.99 129.56 126.89 128.64 129.03 -0.39 ... ... ... ... ... ... ... ... 2019-10-31 600519.SH 1153.00 1180.00 1152.01 1167.10 1150.00 17.10 2019-11-30 600519.SH 1181.00 1191.95 1172.50 1185.00 1180.01 4.99 2019-12-31 600519.SH 1118.20 1140.02 1118.20 1133.00 1129.00 4.00 2020-01-31 600519.SH 1128.00 1145.06 1116.00 1130.00 1183.00 -53.00 2020-02-29 600519.SH 985.00 1010.68 980.00 1003.92 1052.80 -48.88 pct_chg vol amount trade_date 2010-01-31 0.0700 44304.88 7.534056e+05 2010-02-28 0.2100 29655.94 4.998670e+05 2010-03-31 -0.3600 21734.74 3.615503e+05 2010-04-30 0.8200 23980.83 3.832288e+05 2010-05-31 -0.3000 23975.16 3.085046e+05 ... ... ... ... 2019-10-31 1.4870 31045.27 3.631091e+06 2019-11-30 0.4229 22811.96 2.697638e+06 2019-12-31 0.3543 30784.41 3.479717e+06 2020-01-31 -4.4801 148099.16 1.669684e+07 2020-02-29 -4.6429 123442.88 1.231499e+07 [122 rows x 10 columns] ts_code open high low close pre_close change \ trade_date 2010-01-01 600519.SH 172.00 172.00 169.31 169.94 169.82 0.12 2010-02-01 600519.SH 168.88 169.58 167.01 168.89 168.54 0.35 2010-03-01 600519.SH 166.45 167.45 165.99 166.24 166.84 -0.60 2010-04-01 600519.SH 158.78 160.50 158.76 160.06 158.76 1.30 2010-05-01 600519.SH 127.99 129.56 126.89 128.64 129.03 -0.39 ... ... ... ... ... ... ... ... 2019-10-01 600519.SH 1153.00 1180.00 1152.01 1167.10 1150.00 17.10 2019-11-01 600519.SH 1181.00 1191.95 1172.50 1185.00 1180.01 4.99 2019-12-01 600519.SH 1118.20 1140.02 1118.20 1133.00 1129.00 4.00 2020-01-01 600519.SH 1128.00 1145.06 1116.00 1130.00 1183.00 -53.00 2020-02-01 600519.SH 985.00 1010.68 980.00 1003.92 1052.80 -48.88 pct_chg vol amount trade_date 2010-01-01 0.0700 44304.88 7.534056e+05 2010-02-01 0.2100 29655.94 4.998670e+05 2010-03-01 -0.3600 21734.74 3.615503e+05 2010-04-01 0.8200 23980.83 3.832288e+05 2010-05-01 -0.3000 23975.16 3.085046e+05 ... ... ... ... 2019-10-01 1.4870 31045.27 3.631091e+06 2019-11-01 0.4229 22811.96 2.697638e+06 2019-12-01 0.3543 30784.41 3.479717e+06 2020-01-01 -4.4801 148099.16 1.669684e+07 2020-02-01 -4.6429 123442.88 1.231499e+07 [122 rows x 10 columns] -
还是对resample的参数不够了解，故总结如下：
-
在 Pandas 的
resample方法中，还有许多其他的频率代码可以用来指定不同的重采样频率。这些频率代码主要用于处理时间序列数据，可以根据需求来选择适合的频率。以下是一些常用的频率代码及其含义：- B: 工作日频率（Business day）
- D: 天频率（Calendar day）
- W: 周频率（Weekly）
- M: 月末频率（Month end）
- MS: 月初频率（Month start）
- Q: 季度末频率（Quarter end）
- BM: 月末工作日频率（Business month end）
- BQ: 季度末工作日频率（Business quarter end）
- H: 小时频率（Hourly）
- T 或 min: 分钟频率（Minutely）
- S: 秒频率（Secondly）
- L: 毫秒频率（Millisecond）
- U: 微秒频率（Microsecond）
此外，还有一些复合频率代码，可以更加灵活地控制重采样的行为，例如：
- 2W: 每两周
- 3Q: 每三个季度末
- 5T: 每五分钟
- 你可以根据具体的需求和时间序列数据的特性，选择合适的频率代码来进行重采样操作。这些频率代码在使用
resample方法时可以指定为参数，以便对时间序列数据进行不同粒度的统计和汇总。
- 你可以根据具体的需求和时间序列数据的特性，选择合适的频率代码来进行重采样操作。这些频率代码在使用
-
-
3.计算购买股票花费的钱总和
-
df_month_first=new_df.resample('M').first() cost_monney=df_month_first['open'].sum()*100 print(cost_monney) -
out:
-
13690045.000000002 进程已结束，退出代码为 0 -
4.接下来每年末卖出去这一年买的所有股票，而本年(2024)的股票就按
最后一天的收盘价卖出吧 -
print(new_df.resample('A').last()) -
out:
-
ts_code open high ... pct_chg vol amount trade_date ... 2010-12-31 600519.SH 181.80 184.28 ... 1.0900 46084.87 843075.733 2011-12-31 600519.SH 192.70 194.88 ... 0.5700 29460.86 569875.567 2012-12-31 600519.SH 213.31 214.80 ... -1.5500 51914.83 1085776.117 2013-12-31 600519.SH 124.00 129.31 ... 3.1500 57546.49 730676.611 2014-12-31 600519.SH 185.60 190.00 ... 1.4900 46269.36 871581.692 2015-12-31 600519.SH 218.22 219.50 ... -0.3100 19673.87 429872.169 2016-12-31 600519.SH 326.61 335.29 ... 2.0900 34687.67 1152982.239 2017-12-31 600519.SH 718.00 726.50 ... -2.9500 76038.87 5372514.665 2018-12-31 600519.SH 563.30 596.40 ... 4.7975 63678.37 3705150.490 2019-12-31 600519.SH 1183.00 1188.00 ... -0.2361 22588.81 2666705.100 2020-12-31 600519.SH 1941.00 1998.98 ... 3.3626 38860.07 7682300.728 2021-12-31 600519.SH 2070.00 2072.98 ... -1.2048 29664.91 6061415.344 2022-12-31 600519.SH 1736.00 1752.99 ... 0.4654 25333.12 4409544.297 2023-12-31 600519.SH 1720.00 1749.58 ... 0.0586 27538.68 4768857.531 2024-12-31 600519.SH 1473.01 1486.40 ... 1.1443 23386.34 3451132.648 [15 rows x 10 columns] 进程已结束，退出代码为 0 -
5.现在才2024年7月份，可见resample的时间索引是假的，并非真实的，其返回的数据只不过是该年的最后一项数据而已，因此我们把最后一行数据切掉，即
new_df.resample('A').last()[:-1] -
get_monney=new_df.resample('A').last()[:-1]['open'].sum()*1200 #每年最后一个交易日的开盘价卖出 print(get_monney) this_year_monney=700*new_df[-1:]['close'].sum() #为什么*700，因为现在是7月，已经买了7手了，现在全部抛光 print(this_year_monney) print('总利润为：',get_monney+this_year_monney-cost_monney) -
out
-
13648248.000000002 1035174.0 总利润为： 993377.0 进程已结束，退出代码为 0
5.双均线策略制定
必备概念
-
什么是均线？
- 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。
- 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
-
均线计算方法：MA=（C1+C2+C3+...+Cn)/NC: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。
要求如下:
-
1.计算该股票历史数据的5日均线和30日均线
-
2.可视化历史数据的收盘价和两条均线
-
3.分析输出所有金叉日期和死叉日期
1.计算该股票历史数据的5日均线和30日均线
-
rolling（）函数的使用计算均线
-
m5 = df['close'].rolling(5).mean() m30 = df['close'].rolling(30).mean() print(m5) print(m30)
out:
-
trade_date 2001-08-27 NaN #前4天不能算5日均线，故为空值 2001-08-28 NaN 2001-08-29 NaN 2001-08-30 NaN 2001-08-31 36.580 ... 2024-07-11 1442.142 2024-07-12 1447.306 2024-07-15 1458.286 2024-07-16 1465.880 2024-07-17 1478.642 Name: close, Length: 5479, dtype: float64 trade_date 2001-08-27 NaN #前30天不能算30日均线，故为空值 2001-08-28 NaN 2001-08-29 NaN 2001-08-30 NaN 2001-08-31 NaN ... 2024-07-11 1527.221667 2024-07-12 1521.549000 2024-07-15 1515.764000 2024-07-16 1510.317667 2024-07-17 1505.257667 Name: close, Length: 5479, dtype: float64 进程已结束，退出代码为 0
2.可视化历史数据的收盘价和两条均线
-
两条均线（完整）
-
import matplotlib.pyplot as plt m5 = df['close'].rolling(5).mean() m30 = df['close'].rolling(30).mean() plt.plot(m5) plt.plot(m30) plt.show()
-
- 两条均线（局部一部分）
import matplotlib.pyplot as plt
plt.plot(m5[30:200]) #最早也只能从30开始，因为30日均线前29条数据为nan
plt.plot(m30[30:200])
plt.show()
out:
-
-
收盘价：
-
import matplotlib.pyplot as plt plt.plot(df['close']) plt.show() -
out
-
-
3.分析输出所有金叉日期和死叉日期
-
原理图：
.png)](https://i-blog.csdnimg.cn/direct/cfc99fbf32544395919761e4ad2013bb.png)
-
1.获取s1和s2的bool逻辑关系
m5=m5[30:] m30=m30[30:] s1=m5<m30 s2=m5>m30 print(s1.head(),s2.head()) -
2.切割源数据大小等于
s1和s2的大小,因为loc函数中的bool逻辑关系条数要与源数据相同，因此切割。 -
df=df[30:] -
3.获取死叉日期
-
death = s1 & s2.shift(1) #判定死叉的条件 df.loc[death] #死叉对应的行数据 death_date=df.loc[death].index print(death_date) -
out:
-
DatetimeIndex(['2002-01-17', '2002-01-30', '2002-03-29', '2002-07-25', '2002-12-27', '2003-03-17', '2003-04-22', '2003-06-20', '2003-06-30', '2004-02-27', ... '2022-10-10', '2023-02-08', '2023-02-23', '2023-04-12', '2023-08-21', '2023-09-11', '2023-09-26', '2023-12-05', '2024-04-09', '2024-05-24'], dtype='datetime64[ns]', name='trade_date', length=119, freq=None) 进程已结束，退出代码为 0 -
4.获取金叉日期
-
golden = ~(s1 | s2.shift(1))#判定金叉的条件 golden_date = df.loc[golden].index #金叉的时间 print(golden_date) -
out
-
DatetimeIndex(['2001-11-22', '2002-01-24', '2002-02-04', '2002-06-21', '2002-12-05', '2003-01-16', '2003-04-15', '2003-05-30', '2003-06-24', '2003-10-13', ... '2022-09-29', '2022-11-18', '2023-02-14', '2023-03-31', '2023-06-15', '2023-08-30', '2023-09-22', '2023-11-06', '2024-02-08', '2024-04-26'], dtype='datetime64[ns]', name='trade_date', length=119, freq=None) 进程已结束，退出代码为 0
-
4.金叉死叉收益计算
-
如果我从假如我从2010年1月1日开始，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，我的炒股收益率如何？
-
分析：
- 买卖股票的单价使用开盘价
- 买卖股票的时机
- 最终手里会有剩余的股票没有卖出去
- 会有。如果最后一天为金叉，则买入股票。估量剩余股票的价值计算到总收益。
- 剩余股票的单价就是用最后一天的收盘价。
- 会有。如果最后一天为金叉，则买入股票。估量剩余股票的价值计算到总收益。
-
1.金叉买入，死叉卖出，因此我们需要将金叉和死叉的日期合在一起，并按日期排序，然后循环一遍这些日期，不断重复买和卖即可，因此合并操作如下：
-
s1 = Series(data=1,index=golden_date) #1作为金叉的标识 golden_date 为金叉日期列表 s2 = Series(data=0,index=death_date) #0作为死叉的标识 s=pd.concat((s1,s2),axis=0) s = s.sort_index() s = s['2010':]##存储的是2010年以后金叉和死叉对应的时间 print(s) -
out
-
trade_date 2010-01-20 1 2010-01-22 0 2010-02-03 1 2010-02-26 0 2010-06-04 1 .. 2023-12-05 0 2024-02-08 1 2024-04-09 0 2024-04-26 1 2024-05-24 0 #最后一个日期为死叉，全部卖出，不用考虑后面金叉买进来而未卖出去的情况 Length: 154, dtype: int64 进程已结束，退出代码为 0
-
-
2.根据s中的数据模拟买卖，循环一遍即可
-
代码如下：
-
principal = 100000 #本金，不变 money = principal #可变的，买股票话的钱和卖股票收入的钱都从该变量中进行操作 hold = 0 #持有股票的数量（股数：100股=1手） for i in range(0,len(s)): #i表示的s这个Series中的隐式索引 #i = 0(死叉：卖) = 1（金叉：买） if s[i] == 1:#金叉的时间 #基于100000的本金尽可能多的去买入股票 #获取股票的单价（金叉时间对应的行数据中的开盘价） time = s.index[i] #金叉的时间 p = df.loc[time]['open'] #股票的单价 hand_count = money // (p*100) #使用100000最多买入多少手股票 hold = hand_count * 100 money -= (hold * p) #将买股票话的钱从money中减去 else: #将买入的股票卖出去 #找出卖出股票的单价 death_time = s.index[i] p_death = df.loc[death_time]['open'] #卖股票的单价 money += (p_death * hold) #卖出的股票收入加入到money hold = 0 #如何判定最后一天为金叉还是死叉 last_money = hold * df['close'][-1] #剩余股票的价值 #总收益 sum_money=money + last_money - principal print(sum_money) -
out
-
1760385.0 进程已结束，退出代码为 0
-
-
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
