-
6.2 绘图代码
-
6.3常用MACD交易思想
以从Tushare获取深证成指(‘399001.SZ’)股价数据为例。
导入相关模块
import os
import numpy as np
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
from pylab import mpl
token = ‘Your token’ # 输入你的接口密匙,获取方式及相关权限见Tushare官网。
pro = ts.pro_api(token)
df = pro.index_daily(ts_code=‘399001.SZ’) #index_daily为指数日线的接口。股票的则为daily。
将获取到的DataFrame数据进行标准化处理,转换为方便自己使用的一种规范格式。
df = df.loc[:, [‘trade_date’, ‘open’, ‘high’, ‘low’, ‘close’, ‘vol’]]
df.rename(
columns={
‘trade_date’: ‘Date’, ‘open’: ‘Open’,
‘high’: ‘High’, ‘low’: ‘Low’,
‘close’: ‘Close’, ‘vol’: ‘Volume’},
inplace=True) # 重定义列名,方便统一规范操作。
df[‘Date’] = pd.to_datetime(df[‘Date’]) # 转换日期列的格式,便于作图
df.set_index([‘Date’], inplace=True) # 将日期列作为行索引
df = df.sort_index() # 倒序,因为Tushare的数据是最近的交易日数据显示在DataFrame上方,倒序后方能保证作图时X轴从左到右时间序列递增。
Close = df[‘Close’] # 取出收盘数据。
now = datetime.now() # 现在时间
today = now.strftime(‘%Y-%m-%d’) # 今日日期
设置一会儿生成的图像文件的保存路径,这里该三行命令在D盘创建一个以今日日期命名的文件夹。
path = ‘D:/’ + today
if not os.path.exists(path):
os.mkdir(path)
准备工作完毕,走起!
1.1 简单移动平均数
- 即以算术平均的方式对目标数据对象求均值。(5日为例)
SMAt=5 = p 1 + p 2 + p 3 + p 4 + p 5 5 \displaystyle {\frac{p1+p2+p3+p4+p5}{5} } 5p1+p2+p3+p4+p5
求取5日简单移动平均数
Sma5 = pd.Series(0.0,index=Close.index)
for i in range(4,len(Close)):
Sma5[i] = sum(Close[i-4:(i+1)])/5
求取10日简单移动平均数
Sma10 = pd.Series(0.0,index=Close.index)
for i in range(9,len(Close)):
Sma10[i] = sum(Close[i-9:(i+1)])/10
1.2 绘制5&10日简单移动平均线
取2020年的数据绘图
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
plt.plot(Close[‘2020’], label=“Close”, color=‘g’)
plt.plot(Sma5[‘2020’], label=“Sma5”, color=‘r’, linestyle=‘dashed’)
plt.plot(Sma10[‘2020’], label=“Sma10”, color=‘b’, linestyle=‘dashed’)
plt.title(‘深证成指近2020全年收盘数据附5&10日MAV图’)
plt.legend() # 增设图例
plt.show()
plt.savefig(path + ‘/深证成指2020年收盘数据时序图附5&10日MAV.png’)
运行效果如下图所示:
1.3 定义简单移动平均计算函数
def smaCal(tsPrice, k):
import pandas as pd
Sma = pd.Series(0.0, index=tsPrice.index)
for i in range(k-1, len(tsPrice)):
Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k
return(Sma)
调用
smaCal(Close[‘2020’], 5)
1.4 定义简单移动平均绘图函数
设定传入三个参数:name:序列名字(如“深证成指”,便于注明于图像标题。)
tsPrice: Series类型的数据序列。
不定参数我们规定为最多只能五个,即最多添加五根均线。
def plot_smaCal(name,tsPrice, *args):
if len(args)>5:
print(‘提示:添加均线数量最多是五个!’)
return None
import pandas as pd
plt.plot(tsPrice, label=“Close”, color=‘g’)
colors = [‘r’, ‘k’, ‘b’, ‘c’, ‘y’] # 设定5个颜色,也即关系到上边均线数量的上限。
j = 0 # 用于颜色索引转换
for k in args:
Sma=pd.Series(0.0, index=tsPrice.index)
for i in range(k-1, len(tsPrice)):
Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k
plt.plot(Sma[k-1:], label=“Sma”+str(k), color=colors[j], linestyle=‘dashed’)
j += 1
days=‘&’.join([str(ints) for ints in args])
plt.title(name + ‘收盘数据附’ + days + ‘日MAV图’)
plt.legend() # 增设图例
plt.show()
plt.savefig(path + ‘/’ + name + ‘收盘数据时序图附’ + days + ‘MAV.png’)
调用
plot_smaCal(‘深证成指’,Close[‘2020’],5,10,20,50)
输出结果如图:
1.5 直接使用mplfinance库来绘制
直接使用mplfinance库来绘制不失为一种更简单的方法。
import mplfinance as mpf
road = path + ‘/深证成指2020年收盘数据附5&10日MAV图.jpg’
s = mpf.make_mpf_style(base_mpf_style=‘blueskies’, rc={‘font.family’: ‘SimHei’}) # 解决mplfinance绘制输出中文乱码
mpf.plot(df[‘2020’], type=‘line’,
ylabel=“price”, style=s, title=‘深证成指2020年时序图附5&10日双均线’, mav=(5, 10), volume=True, ylabel_lower=“volume(shares)”, savefig=road)
通过设定不定长参数mav,即想要得到简单移动平均线的时间跨度,来获取想要的结果。
然后在前边指定的目录即可查看到图像(这里是保存在D盘今日日期命名的文件夹里边)
图像效果如下:
2.1 加权移动平均数
加权移动平均,即对数据赋予一定的权重后再求平均。
一般认为离当前时间点越近的数据越具有代表性,越远则越没有代表性。
WMAt=5 = w1p1 + w2p2 + w3p3 + w4p4 + w5p5
(其中w1 + w2 + w3 + w4 + w5 = 1)
5日加权移动平均线
b1 = np.array([1, 2, 3, 4, 5])
w1 = b1/sum(b1) # 定义一组权重
Wma5 = pd.Series(0.0, index=Close.index)
for i in range(4,len(Close)):
Wma5[i] = sum(w1*Close[i-4:(i+1)])
10日加权移动平均线
b2 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
w2 = b2/sum(b2) # 定义一组权重
Wma10 = pd.Series(0.0, index=Close.index)
for i in range(9,len(Close)):
Wma10[i] = sum(w2*Close[i-9:(i+1)])
2.2 定义加权移动平均计算函数
def wmaCal(tsPrice, weight):
import pandas as pd
import numpy as np
k = len(weight)
arrWeight = np.array(weight)
Wma=pd.Series(0.0, index=tsPrice.index)
for i in range(k-1, len(tsPrice.index)):
Wma[i] = sum(arrWeight * tsPrice[(i-k+1):(i+1)])
return(Wma)
调用
b = np.array([1, 2, 3, 4, 5])
w = b1/sum(b)
wmaCal(Close[‘2020’],w)
2.3 绘制加权移动平均线
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
plt.plot(Close[‘2020’], label=“Close”, color=‘g’)
plt.plot(Wma5[‘2020’], label=“Wma5”, color=‘r’, linestyle=‘dashed’)
plt.plot(Wma10[‘2020’], label=“Wma10”, color=‘b’, linestyle=‘dashed’)
plt.title(‘深证成指近2020年收盘数据附5&10日加权WAV图’)
plt.legend() # 增设图例
plt.show()
plt.savefig(path + ‘/深证成指2020年收盘数据时序图附5&10日MAV.png’)
图像效果展示如下:
3.1指数加权移动平均数
指数加权移动平均也可简称指数移动平均,相当于一种比较特别的加权移动平均。需要先给定一个权重值w,比如0.2。时间跨度为k。第k期的EWMAt=k为前k期的算数平均数。
第k+1期EWMAt=k+1 = w * pk+1 + (1-w) * EWMA t=k
即当天指数移动平均数 = 0.2*当天股价 + 0.8 * 前一天指数移动平均
后边的按此公式以此类推。
做了那么多年开发,自学了很多门编程语言,我很明白学习资源对于学一门新语言的重要性,这些年也收藏了不少的Python干货,对我来说这些东西确实已经用不到了,但对于准备自学Python的人来说,或许它就是一个宝藏,可以给你省去很多的时间和精力。
别在网上瞎学了,我最近也做了一些资源的更新,只要你是我的粉丝,这期福利你都可拿走。
我先来介绍一下这些东西怎么用,文末抱走。
(1)Python所有方向的学习路线(新版)
这是我花了几天的时间去把Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
最近我才对这些路线做了一下新的更新,知识体系更全面了。
(2)Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频,总共100多个,虽然没有那么全面,但是对于入门来说是没问题的,学完这些之后,你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
(3)100多个练手项目
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了,只是里面的项目比较多,水平也是参差不齐,大家可以挑自己能做的项目去练练。
(4)200多本电子书
这些年我也收藏了很多电子书,大概200多本,有时候带实体书不方便的话,我就会去打开电子书看看,书籍可不一定比视频教程差,尤其是权威的技术书籍。
基本上主流的和经典的都有,这里我就不放图了,版权问题,个人看看是没有问题的。
(5)Python知识点汇总
知识点汇总有点像学习路线,但与学习路线不同的点就在于,知识点汇总更为细致,里面包含了对具体知识点的简单说明,而我们的学习路线则更为抽象和简单,只是为了方便大家只是某个领域你应该学习哪些技术栈。
(6)其他资料
还有其他的一些东西,比如说我自己出的Python入门图文类教程,没有电脑的时候用手机也可以学习知识,学会了理论之后再去敲代码实践验证,还有Python中文版的库资料、MySQL和HTML标签大全等等,这些都是可以送给粉丝们的东西。
这些都不是什么非常值钱的东西,但对于没有资源或者资源不是很好的学习者来说确实很不错,你要是用得到的话都可以直接抱走,关注过我的人都知道,这些都是可以拿到的。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!