-
-
-
-
-
-
-
16824200.]
print(type©)
print(type(v))
<class ‘numpy.ndarray’>
<class ‘numpy.ndarray’>
3. 成交量加权平均价格 = average()函数
VWAP概述:
VWAP(Volume-Weighted Average Price,成交量加权平均价格)是一个非常重要的经济学量,
它代表着金融资产的“平均”价格。
某个价格的成交量越高,该价格所占的权重就越大。
VWAP就是以成交量为权重计算出来的加权平均值,常用于算法交易。
vwap = np.average(c,weights=v)
print(‘成交量加权平均价格vwap =’, vwap)
成交量加权平均价格vwap = 350.5895493532009
4. 算数平均值函数 = mean()函数
NumPy中的mean函数可以计算数组元素的算术平均值
print(‘c数组中元素的算数平均值为: {}’.format(np.mean©))
c数组中元素的算数平均值为: 351.0376666666667
5. 时间加权平均价格
TWAP概述:
在经济学中,TWAP(Time-Weighted Average Price,时间加权平均价格)是另一种“平均”价格的指标。既然我们已经计算了VWAP,那也来计算一下TWAP吧。其实TWAP只是一个变种而已,基本的思想就是最近的价格重要性大一些,所以我们应该对近期的价格给以较高的权重。最简单的方法就是用arange函数创建一个从0开始依次增长的自然数序列,自然数的个数即为收盘价的个数。当然,这并不一定是正确的计算TWAP的方式。
t = np.arange(len©)
print(‘时间加权平均价格twap=’, np.average(c, weights=t))
时间加权平均价格twap= 352.4283218390804
6. 最大值和最小值
‘’’
学习中遇到问题没人解答?小编创建了一个Python学习交流QQ群:531509025
寻找有志同道合的小伙伴,互帮互助,群里还有不错的视频学习教程和PDF电子书!
‘’’
h, l = np.loadtxt(‘data.csv’, delimiter=‘,’, usecols=(4,5), unpack=True)
print(‘h数据为: \n{}’.format(h))
print(‘-’*10)
print(‘l数据为: \n{}’.format(l))
h数据为:
[344.4 340.04 345.65 345.25 344.24 346.7 353.25 355.52 359. 360.
357.8 359.48 359.97 364.9 360.27 359.5 345.4 344.64 345.15 348.43
355.05 355.72 354.35 359.79 360.29 361.67 357.4 354.76 349.77 352.32]
l数据为:
[333.53 334.3 340.98 343.55 338.55 343.51 347.64 352.15 354.87 348.
353.54 356.71 357.55 360.5 356.52 349.52 337.72 338.61 338.37 344.8
351.12 347.68 348.4 355.92 357.75 351.31 352.25 350.6 344.9 345. ]
print(‘h数据的最大值为: {}’.format(np.max(h)))
print(‘l数据的最小值为: {}’.format(np.min(l)))
h数据的最大值为: 364.9
l数据的最小值为: 333.53
NumPy中有一个ptp函数可以计算数组的取值范围
该函数返回的是数组元素的最大值和最小值之间的差值
也就是说,返回值等于max(array) - min(array)
print(‘h数据的最大值-最小值的差值为: \n{}’.format(np.ptp(h)))
print(‘l数据的最大值-最小值的差值为: \n{}’.format(np.ptp(l)))
h数据的最大值-最小值的差值为:
24.859999999999957
l数据的最大值-最小值的差值为:
26.970000000000027
7. 统计分析
中位数:
我们可以用一些阈值来除去异常值,但其实有更好的方法,那就是中位数。
将各个变量值按大小顺序排列起来,形成一个数列,居于数列中间位置的那个数即为中位数。
例如,我们有1、2、3、4、5这5个数值,那么中位数就是中间的数字3。
m = np.loadtxt(‘data.csv’, delimiter=‘,’, usecols=(6,), unpack=True)
print(‘m数据中的中位数为: {}’.format(np.median(m)))
m数据中的中位数为: 352.055
数组排序后,查找中位数
sorted_m = np.msort(m)
print(‘m数据排序: \n{}’.format(sorted_m))
N = len©
print(‘m数据中的中位数为: {}’.format((sorted_m[N//2]+sorted_m[(N-1)//2])/2))
m数据排序:
[336.1 338.61 339.32 342.62 342.88 343.44 344.32 345.03 346.5 346.67
348.16 349.31 350.56 351.88 351.99 352.12 352.47 353.21 354.54 355.2
355.36 355.76 356.85 358.16 358.3 359.18 359.56 359.9 360. 363.13]
m数据中的中位数为: 352.055
方差:
方差是指各个数据与所有数据算术平均数的离差平方和除以数据个数所得到的值。
print(‘variance =’, np.var(m))
variance = 50.126517888888884
var_hand = np.mean((m-m.mean())**2)
print(‘var =’, var_hand)
var = 50.126517888888884
注意:样本方差和总体方差在计算上的区别。总体方差是用数据个数去除离差平方和,而样本方差则是用样本数据个数减1去除离差平方和,其中样本数据个数减1(即n-1)称为自由度。之所以有这样的差别,是为了保证样本方差是一个无偏估计量。
8. 股票收益率
(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。
小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数初中级Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!**
因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
[外链图片转存中…(img-5j2oQqBQ-1710978687853)]