如何利用python对股票的走势进行一个判断？

如何利用python对股票的走势进行一个判断？

一、问题

当我们拿到沪深股票的所有股票的数据的时候，如何对所有股票的走势，做一个模糊的判断？ 当然可以通过画出一个股票的走势图来进行判断。但是问题是，我们不可能画出所有的股票的走势图，然后一一查看。那又有没有方法可以做到我们的需求呢？就是通过某个算法，可以判定某只股票的走势，比如上涨，下跌，或者横盘？

现在只有一个思路，在这里记录一下，具体的代码实现方式，留给后面去做（最近有些忙）。

二、问题转化

在数学中，这个问题其实就是通过历史数据，预测未来数据。因此这个过程的前提是，当前数据是平稳的，也就是我们用来预测的序列是平稳得，即序列的基本特性不发生大的改变。如果历史序列是纯随机过程，也就是特殊的平稳序列，预测也无法进行。因此我们需要分析的数据需要是，平稳的、非随机的序列。我们做的过程就是抽象出历史模型，然后对未来进行预测。具体的方法有一下几类：

1.移动平均（MA）

简单说就是讲某一点前的n期的平均值，作为未来的预测。这里还有加权平均等预测方式。

2.自回归模型(AR)

将时间序列变量当期的实现值作为被解释变数，过去期的历史资料当做解释变数，因此被称为自回归模型。

3.ARMA模型

ARMA模型，将MA模型和AR模型结合起来。

三、ARMA模型的建模过程

我们需要的对象是平稳非白噪声的序列。构建模型大概3个步骤：

1.序列识别。

    1)判断是否为平稳序列，如果不是平稳序列，则需要对序列进行变形，使其变为平稳序列。

    2）判断是否为白噪声序列，如果是，则结束，白噪声序列无法构建ARMA模型；如果不是白噪声序列，进行下一步。

2.模型识别和估计：通过p和q的值，选出相对最优的模型结构。通过时间序列的自相关函数ACF和偏自相关函数PACF大致决定。

3.模型诊断：对模型残差进行检验，确保其为服从正态分布的白噪声序列。当模型的残差为白噪声是，说明序列的信息，充分提取到模型中。