python处理行情数据_python数据分析练习-股票行情数据分析(二)

#2-2 股票买卖策略评估:

#·策略:股价超出10日均线买入,跌破十日均线卖出

#·策略二:十日线上穿60日线买入,下穿60日线卖出(练习)

#加载数据,把date这一列设置为索引,简单起见,只要收盘价进行分析

import numpy as np

import pandas as pd

#使用pandas的read_csv()函数导入原csv文件,并在导入中增加index_col属性和usecols属性

#index_col:索引出口,可定义源文件导出后的定义索引列.下面将date这一组字段定义成索引列

#usecols:使用出口,指定义导出原数据的哪些部分,意思为取出x轴上的第一,第二组元素.

df = pd.read_csv(r'C:\Users\admin\Desktop\BABA_stock.csv',index_col='date',usecols = [0,1])

#先查看下数据

print(df.head(),type(df))

#将索引转化为datetime形式

df.index = pd.DatetimeIndex(df.index.str.strip("'"))

df.index

#按升序进行排序

# sort_index:排序列表,可将列表进行排序.

#sort_index函数默认为升序,如果需要降序要添加属性ascending=False,否则属性默认为True

# df.sort_index(inplace=True,ascending=False)

#注意需要开启inplace属性,这样计算出的值将会返回给原变量,否则将是新建一个

df.sort_index(inplace=True)

print(df)

#可以用describe属性来看其描述结果

df.describe()

#策略一:股价超出10日均线买入,跌破10均线卖出

#先算10日均线数据

#rolling:函数为滚动函数里面的数值是它的滚动周长,也能理解为按多少位一组

#mean:该函数为平均值,配合roling可算出每十个为一组的平均值

#由于我们是算十日均线的,所以十天之内的是无法算出10日平均线,这个时候系统就会将那先自动

#用nan来代替,所以我们需要使用dropna:取出空值将数据清理一下

ma10 = df.rolling(10).mean().dropna()

# print(ma10)

#买点

#计算过程中有nan出现他讲默认不等于任何计算比较条件

ma10_model = df['close'] - ma10['close'] > 0

print(ma10_model)

#第一个值False,第二个值是True,在True的时候买入,需要自定义一个移动窗口来处理函数

#因为卖出的时候还需要定义类似的函数,所以这里把两个函数放在一起

#可以在自定义函数中print一些信息,例如w值,以方便测试----这也是调试的一种方式

def get_deal_date(w,is_buy =True):

if is_buy == True:

return True if w[0]==False and w[1] ==True else False

else:

return True if w[0]==True and w[1] == False else False

# #raw=False 没有的话会有警告消息

# #如果删除Na值,会有缺失,所以这里有0填充,转换为bool值方便后面取值

# se_buy = ma10_model.rolling(2).apply(get_deal_date,raw = False).fillna(0).astype('bool')

# #apply的args接受数组或者字典给自定义函数传参

se_sale = ma10_model.rolling(2).apply(get_deal_date,raw = False,args = [False]).fillna(0).astype('bool')

# #具体的买点

buy_info = df[se_buy]

sale_info = df[se_sale.values]

print(buy_info.head())

print(sale_info.head())

#买和卖的索引值不一样,不过数据都有63条,所以删除时间索引信息

#reset_index(drop = True)这个用法可以将索引重置,期中属性drop=True时原本的索引将被删除,否则保留

no_index_buy_info = buy_info.reset_index(drop=True)

no_index_sale_info = sale_info.reset_index(drop=True)

print(no_index_buy_info.head(),type(no_index_buy_info))

print(no_index_sale_info.head())

#每次的盈利情况

profit = no_index_sale_info -no_index_buy_info

print(profit)

#加入有一万美元,最终盈利是多少

all_money = 10000

remain = all_money

for i in range(len(no_index_buy_info)):

buy_count = remain/ no_index_buy_info.iloc[i]

remain = buy_count * no_index_sale_info.iloc[i]

all_money = sale_info - all_money

print(remain)

#最后剩下13799.294014,年化10%多点,还不错

#将10日线改为60日线试试

#考虑一种边界情况,买了之后卖点现在还没有出现(因为是先买的,所以不可能买点比卖点多)

#这种情况我们把当前的股价加到卖点数据中(也可以把买点数据删除)

print(len(no_index_buy_info))

print(len(no_index_sale_info))

#最后用一个判断验证,处理买入和卖出数量不匹配问题

if (len(no_index_buy_info) > len(no_index_sale_info)):

#no_index_buy_info.drop(no_index_buy_info.index[-1],inplace = True)

no_index_sale_info.loc[len(no_index_sale_info)] = [df.iloc[-1,0]]

#再看下250天,也是盈利的,不是策略多牛逼,而是这个统计区间是在美股大的上升趋势中

#从五日线一直到250线,都是回测下,然后找到最高的