python股票量化交易（1）---K线图、均线与成交量绘制

远思扬祖宗之德，近思盖父母之愆；上思报国之恩，下思造家之福；外思济人之急，内思闲己之邪。

前言

都说2020年是牛市的起点，很显然对于数据来说，程序员具有绝对的优势，因为大多数程序员一辈子都在跟数据在打交道，而程序员只要掌握了数据的处理以及图表的绘制，就可以在股市中游刃有余。

但是，股票量化交易专栏并不是介绍基础的，而只讲解股票相关的知识。所以，对matplotlib图表绘制以及numpy，pandas库，我们不会做过多的介绍，需要看此类博客，还需要这3个基础知识。下面，我们直接进入正题。

获取股票的数据

对于python语言来说，有很多获取股票的操作库，比如akshare、baostock以及tushare库。而这3个股票数据获取库都是大同小异，所以这里小编后续章节都是基于akshare库进行股票数据的获取。话不多说，我们来看看如何获取近1个月的股票数据。代码如下所示：

import akshare as ak
def get_codeData(code="sz002241"):
    df = ak.stock_zh_a_daily(symbol=code, start_date="20201203", end_date="20210115",
                                                          adjust="qfq")
    df.to_excel("歌尔股份k.xlsx")

如上面代码所示，我们使用stock_zh_a_daily方法获取一段时间的数据，这里的日期可以根据你的需求进行调整，比如设置start_date=“20200101”，end_date=“20210101”，就可以获取一年时间段的股票数据。

而股票的代码有sh与sz之分，sz代表深市的股票，所有深市的股票前面都必须带上sz，比如这里的歌尔股份，就是sz002241。同样的，sh是上证交易所的股票，所有上证的股票前面必须带上sh。

这里，我们来看看获取的股票数据格式，如下图所示：

date：交易日期
open：代表开盘价
high：当天最高价
low：当天最低价
close：当天收盘价
volume：当天成交量（元）
outstanding_share：流动股本(股)
turnover：换手率

既然已经拿到了数据，下面我们来绘制K线图。

绘制K线图

在python中，绘制K线图需要用到mpl_finance库，而这个库提供了4种方式绘制K线图，这里我们介绍其中的一种，代码如下所示：

import mpl_finance as mpf
import matplotlib.pyplot as plt
import pandas as pd

#创建绘图的基本参数
fig=plt.figure(figsize=(12, 8))
ax=fig.add_subplot(111)

#获取刚才的股票数据
df = pd.read_excel("歌尔股份k.xlsx")
mpf.candlestick2_ochl(ax, df["open"], df["close"], df["high"], df["low"], width=0.6, colorup='r',colordown='green',alpha=1.0)
#显示出来
plt.show()

运行此段代码后，会显示如下效果图：

这个K线图有一个问题，就是X坐标轴并不是显示的时间，而是数字，这是因为我们绘制K线图的方法，并没有提供X轴的参数，那怎么让下面的数字替换为时间呢？我们先来看一段代码：

import matplotlib.ticker as ticker
#将股票时间转换为标准时间，不带时分秒的数据
def date_to_num(dates):
    num_time = []
    for date in dates:
        date_time = datetime.strptime(date, '%Y-%m-%d')
        num_date = date2num(date_time)
        num_time.append(num_date)
    return num_time

#创建绘图的基本参数
fig=plt.figure(figsize=(12, 8))
ax=fig.add_subplot(111)

#获取刚才的股票数据
df = pd.read_excel("歌尔股份k.xlsx")
mpf.candlestick2_ochl(ax, df["open"], df["close"], df["high"], df["low"], width=0.6, colorup='r',colordown='green',alpha=1.0)
df['date'] = pd.to_datetime(df['date'])
df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))
def format_date(x, pos=None):
    if x < 0 or x > len(df['date']) - 1:
        return ''
    return df['date'][int(x)]
ax.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
#显示出来
plt.show()

这里，我们定义了2个方法：第1个方法date_to_num主要的作用就是将获取的时间数据转换为标准的日期数据；第2个方法，就是根据X的数值替换时间值。

其中，set_major_formatter方法是将数值替换为时间值的操作库，而plt.setup的功能就是设置X轴的标签倾斜45度以及右对齐。运行之后，我们的K线图就显示的非常完美了，如下图所示：

均线图

虽然我们实现了K线图，但是有没有发现，其实大多数的股票交易软件K线图上面其实还标记有均线，比如常用的有5日均线，10日均线，30均线。所以，我们需要将均线一起添加到我们的K线图之上。计算均线的方式如下：

df["SMA5"] = df["close"].rolling(5).mean()
df["SMA10"] = df["close"].rolling(10).mean()
df["SMA30"] = df["close"].rolling(30).mean()

3行代码就可以获取到股票的均线值。接着，我们可以使用上面的ax进行绘制均线了，添加的代码如下所示：

ax.plot(np.arange(0, len(df)), df['SMA5'])  # 绘制5日均线
ax.plot(np.arange(0, len(df)), df['SMA10'])  # 绘制10日均线
ax.plot(np.arange(0, len(df)), df['SMA30'])  # 绘制30日均线

这里，同样将X轴设置为数字，将这两段代码添加到上面的K线图代码中，自然也会将X轴替换为时间。运行之后，显示效果如下图所示：

这里5日均线为蓝色，10日均线为橙色，30日均线为绿色，如果需要自己设置颜色，可以在每条均线的的绘制方法中加入color参数。

细心的读者肯定发现30日均线只有最后一小段，这是因为前29日不够30日是算不出均线的，同样的5，10日均线也是如此。

成交量

最后，我们还需要绘制成交量。在多数的股票交易软件中，上面是K线图，一般下面对应的就是成交量，这样对比起来看，往往能直观的看到数据的变化。

但是，因为上面有个K线图，那么同一个画布中就有了2个图片，且它们共用一个X轴，那么我们需要更改一下基本的参数，代码如下所示：

import mpl_finance as mpf
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.ticker as ticker
import numpy as np
#创建绘图的基本参数
fig, axes = plt.subplots(2, 1, sharex=True, figsize=(15, 10))
ax1, ax2 = axes.flatten()

#获取刚才的股票数据
df = pd.read_excel("歌尔股份k.xlsx")
mpf.candlestick2_ochl(ax1, df["open"], df["close"], df["high"], df["low"], width=0.6, colorup='r',colordown='green',alpha=1.0)
df['date'] = pd.to_datetime(df['date'])
df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))
def format_date(x, pos=None):
    if x < 0 or x > len(df['date']) - 1:
        return ''
    return df['date'][int(x)]
df["SMA5"] = df["close"].rolling(5).mean()
df["SMA10"] = df["close"].rolling(10).mean()
df["SMA30"] = df["close"].rolling(30).mean()
ax1.plot(np.arange(0, len(df)), df['SMA5'])  # 绘制5日均线
ax1.plot(np.arange(0, len(df)), df['SMA10'])  # 绘制10日均线
ax1.plot(np.arange(0, len(df)), df['SMA30'])  # 绘制30日均线
ax1.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
#显示出来
plt.show()

这里，我们将绘图的画布设置为2行1列。同时，将上面绘制的所有数据都更改为ax1，这样均线与K线图会绘制到第一个子图中。

接着，我们需要绘制成交量，但是我们知道，一般股票交易软件都将上涨的那天成交量设置为红色，而将下跌的成交量绘制成绿色。所以，首先我们要做的是将获取的股票数据根据当天的涨跌情况进行分类。具体代码如下：

red_pred = np.where(df["close"] > df["open"], df["volume"], 0)
blue_pred = np.where(df["close"] < df["open"], df["volume"], 0)

如上面代码所示，我们通过np.where(condition, x, y)筛选数据。这里满足条件condition，输出X，不满足条件输出Y，这样我们就将涨跌的成交量数据进行了分类。

最后，我们直接通过柱状图方法绘制成交量，具体代码如下所示：

ax2.bar(np.arange(0, len(df)), red_pred, facecolor="red")
ax2.bar(np.arange(0, len(df)), blue_pred, facecolor="blue")

将这4行代码，全部加入到plt.show()代码的前面即可。

运行之后，输出的效果图如下：

K线图、均线图与成交量就讲到这里，下一篇介绍震荡类指标KDJ的相关知识。