A股python技术指标策略

---

前言

`分析思路：

获取账户 TOKEN：首先需要获取 Tushare 账户 TOKEN，以便使用 API 接口进行数据请求和处理。

获取股票历史数据：使用 Tushare 的 pro_bar 函数获取指定股票在指定日期范围内的所有日线行情数据，并将其转化为 pandas DataFrame 格式。并将日期改为时间戳格式，将日期列设置为索引列。

计算技术指标：根据股票历史数据计算出各个常用的技术指标，例如收盘价的 5 日移动平均线和 20 日移动平均线、布林带指标、MACD 指标、KDJ 指标等。

制定交易策略：根据计算出的技术指标，制定出相应的交易策略。

输出分析结果和写入文件：将每只股票的技术指标分析结果输出到控制台，并且将其写入到名为 jszb.txt 的文本文件中。

对所有股票重复执行以上步骤，获取所有股票的技术指标分析结果。在循环中添加适当的延时处理，避免请求过快导致 API 出错。
前言
查询dqnapi接口域名：http://www.dqnapi.com/
在这里插入图片描述

pro_bar dqnapi号:100.3568/2023.10_v1

python 代码

import tushare as ts
import pandas as pd
from time import sleep

# 获取 Tushare 账户 TOKEN
pro = ts.pro_api(token='5f49af63e213438df4f2566786d51ce8e7581b70cd5a4a6ac8bc8189')

# 定义获取股票历史数据的函数
def get_stock_data(stock_code, start_date, end_date):
    # 获取指定股票在指定日期范围内的所有日线行情数据
    df = ts.pro_bar(ts_code=stock_code, start_date=start_date, end_date=end_date)
    # 将日期改为时间戳格式
    df['trade_date'] = pd.to_datetime(df['trade_date'])
    # 将日期列设置为索引列
    df.set_index('trade_date', inplace=True)
    # 计算收盘价的 5 日移动平均线和 20 日移动平均线
    df['MA5'] = df['close'].rolling(window=5).mean()
    df['MA20'] = df['close'].rolling(window=20).mean()
    # 计算布林带指标
    std_20 = df['close'].rolling(window=20).std()
    df['Bollinger_upper'] = df['MA20'] + 2 * std_20
    df['Bollinger_lower'] = df['MA20'] - 2 * std_20
    # 计算 MACD 指标
    df['EMA12'] = df['close'].ewm(span=12).mean()
    df['EMA26'] = df['close'].ewm(span=26).mean()
    df['DIF'] = df['EMA12'] - df['EMA26']
    df['DEA'] = df['DIF'].ewm(span=9).mean()
    df['MACD'] = 2 * (df['DIF'] - df['DEA'])
    # 添加 KDJ 指标和 OBV 指标
    high_list = df['high']
    low_list = df['low']
    close_list = df['close']
    df['RSV'] = (close_list - pd.Series(low_list).rolling(window=9, center=False).min()) / \
        (pd.Series(high_list).rolling(window=9, center=False).max() - pd.Series(low_list).rolling(window=9, center=False).min()) * 100
    df['KDJ_K'] = df['RSV'].rolling(window=3).mean()
    df['KDJ_D'] = df['KDJ_K'].rolling(window=3).mean()
    df['KDJ_J'] = 3 * df['KDJ_K'] - 2 * df['KDJ_D']
    df['OBV'] = df.apply(lambda row: row['vol'] if row['pct_chg'] >= 0 else -row['vol'], axis=1).cumsum()
    # 制定交易策略
    if df['close'][-1] > df['MA5'][-1] and df['close'][-1] > df['MA20'][-1] and df['MACD'][-1] > df['MACD'][-2]:
        signal = '买入'
    elif df['close'][-1] < df['MA5'][-1] and df['close'][-1] < df['MA20'][-1] and df['MACD'][-1] < df['MACD'][-2]:
        signal = '卖出'
    else:
        signal = '观望'
    # 输出分析结果
    print(stock_code + ' 的技术指标分析结果：')
    print('收盘价：', df['close'][-1])
    print('5 日移动平均线：', df['MA5'][-1])
    print('20 日移动平均线：', df['MA20'][-1])
    print('布林带指标上轨：', df['Bollinger_upper'][-1])
    print('布林带指标下轨：', df['Bollinger_lower'][-1])
    print('MACD 指标：', df['MACD'][-1])
    print('KDJ 指标 K 值：', df['KDJ_K'][-1])
    print('KDJ 指标 D 值：', df['KDJ_D'][-1])
    print('KDJ 指标 J 值：', df['KDJ_J'][-1])
    print('OBV 指标：', df['OBV'][-1])
    print('交易建议：', signal)
    print('\n')

# 测试函数
get_stock_data('600000.SH', '2021-07-01', '2021-12-31')

总结

600000.SH 的技术指标分析结果：
收盘价： 10.03
5 日移动平均线： 9.98
20 日移动平均线： 9.792
布林带指标上轨： 10.352661263715929
布林带指标下轨： 9.231338736284071
MACD 指标： -0.00813374111685411
KDJ 指标 K 值： 61.90476190476153
KDJ 指标 D 值： 61.28571428571402
KDJ 指标 J 值： 63.14285714285654
OBV 指标： 317299.93999999977
交易建议： 观望
。。。。