基于macd、kdj、ma技术指标分析股票多空方向——应用开发2 获取股票历史数据

这里选用tushare平台获取股票历史数据

所用包

tushare 、pandas、datetime

import tushare as ts
import pandas as pd
import datetime

获取股票历史数据

初始化tushare

未有tushare账户的亲可以到这里注册:https://tushare.pro/register?reg=486428 

#初始化你的tushare权限
token='你的token'
ts.set_token(token)
pro=ts.pro_api()

获取股票 000001.SZ 从2021-1-17到2022-1-17过去365天的数据

stock_df= pro.daily(ts_code='000001.SZ', start_date='20210117',end_date='20220117')
stock_df

输出数据如下

数据含有该股票的交易日、开盘价、最高价、最低价、收盘价、成交量等常用数据。由于我们需要获取不同股票最近一年的数据,所以对pro.daily的参数ts_code、start_date、end_date提供三个变量。分别是ts_code = stocknum、start_date=startday、end_date=today,这里需要用到datetime插件对today与startday进行初始化,代码如下。

#获取股票代码
stocknum='000001.SZ'

#获取今天日期
today = datetime.datetime.today()

#计算从今天起过去365天的日期
startday=today+datetime.timedelta(days=-365)

#使日期格式以年月日形式显示,如20220117
today = today.strftime('%Y%m%d')
startday =startday.strftime('%Y%m%d')

stock_df= pro.daily(ts_code=stocknum, start_date=startday,end_date=today)

stock_df

现在能获得动态股票最近一年的数据,但这些数据还不能直接使用需要根据需求进行优化。根据后续要求对列trade_date的数据变成时间格式并作为主索引、对列vol改名为volume、将时间从远到近排列,对此操作的代码如下。

#获取股票代码
stocknum='000001.SZ'

#获取今天日期
today = datetime.datetime.today()

#计算从今天起过去365天的日期
startday=today+datetime.timedelta(days=-365)

#使日期格式以年月日形式显示,如20220117
today = today.strftime('%Y%m%d')
startday =startday.strftime('%Y%m%d')

#获取股票历史数据
stock_df= pro.daily(ts_code=stocknum, start_date=startday,end_date=today)

#把列trade_date数据转换为时间格式
stock_df['trade_date'] = pd.to_datetime(stock_df['trade_date'])
#把trade_date作为主索引
stock_df.set_index('trade_date',inplace=True)
#把列vol改名为volume
stock_df=stock_df.rename(columns={'vol':'volume'})
#数据倒序显示
stock_df=stock_df.iloc[::-1]

stock_df

输出数据如下

由于我们的股票代码是从EXCEL表格读取的,因此我们需要导入外部表格数据传值get_stocknum给stocknum,代码如下。

#读取股票代码
get_stocknum =pd.read_excel('股票代码.xlsx')

最后把代码封装在get_stock函数里,实现stock_df=get_stock(get_stocknum.iloc[0,0])

完整代码如下

import tushare as ts
import pandas as pd
import datetime

token='你的token'
ts.set_token(token)
pro=ts.pro_api()

#定义获取股票历史数据函数
def get_stock(num):
    stocknum=num
    today = datetime.datetime.today()
    startday=today+datetime.timedelta(days=-365)
    today = today.strftime('%Y%m%d')
    startday =startday.strftime('%Y%m%d')

    stock_df= pro.daily(ts_code=stocknum, start_date=startday,end_date=today)

    stock_df['trade_date'] = pd.to_datetime(stock_df['trade_date'])
    stock_df.set_index('trade_date',inplace=True)
    stock_df=stock_df.rename(columns={'vol':'volume'})
    stock_df=stock_df.iloc[::-1]
    return stock_df


get_stocknum =pd.read_excel('股票代码.xlsx')
#get_stocknum.iloc[0,0]值为 000001.SZ
stock_df = get_stock(get_stocknum.iloc[0,0])

stock_df

《从编程小白到量化宗师之路》系列课程是一套综合性实战课程,涵盖股票,期货,虚拟货币等的交易方法和策略手段。《基于BackTrader开发一套WorkForward前向分析框架》是本系列的第二个中级课程。课程宗旨是缩短个人或小型投资者与大型机构投资者之间的的差距。目前市场上的所有量化策略编写系统,都是从获取一段时间的数据开始,利用指标或者各种模型,进行订单的买卖操作,直到跑完这段时间的数据,运行出结果,并给出各种各样的统计分析,就结束了!?然而实际上,这远没有结束,我们就以指标为例,不同时间不同的行情,指标的效果有很大的差别,更别说不同的年份有不同的行情,只使用一段时间测试怎么足够?一次性用所有数据,又是一种极端过拟合,更何况,你不能使用2019年测试好的策略,用在2018年之前的任何时间,这些限制,正是金融时间序列数据的不同之处。为了解决这个问题,就应该使用WorkForward前向分析,也就是通常意义上的“边走边看,走一步看一步”。这本应该是最基础的功能,然而市面上大多数的量化分析系统,完全没有提到或者提供这项功能,让初步入门的量化学习者还要自己组装这一基础功能。本课程基于backtrader,实现了一个默认支持workforward分析的框架,用户只需要设定需要的产品数据,比如股票和期货,然后设定训练时间,测试时间,预热时间(课程会讲到),编写策略后, 就可以运行WorkForward前向分析功能。用户以后只需要专注于策略编写,大大减轻了使用量化交易系统的负担。课程内容从讲解机器学习中用到的交叉验证和为什么金融时序要使用前向分析(WorkForward)开始,详细讲解了前向分析框架的每一个函数,每一个参数的用途,并使用边实际运行代码边讲解的方法,通透的讲述了前向分析框架使用到的各个部分,为同学们透彻理解前向分析框架的代码提供了十分方便的途径。 
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

宇文终君

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值