金融分析很简单，利用Python分析股票交易中的滚动Z值

最新推荐文章于 2024-11-18 00:00:16 发布

Python学研大本营

最新推荐文章于 2024-11-18 00:00:16 发布

阅读量1.1k

点赞数 25

文章标签：金融 python 开发语言

本文链接：https://blog.csdn.net/weixin_39915649/article/details/134918981

版权

本文将使用Python解锁市场见解：分析股票交易中的滚动Z值。

微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩

ASML.AS股票价格的变化与30天、60天和90天滚动Z值并列。绿色和红色标记分别标示了基于Z-Score阈值的潜在买入和卖出点。

1. 简介

在不断演变的股票交易领域，能够利用数据和统计学的力量提供重要的优势。无论是预测未来价格、分析市场趋势，还是简单地评估特定股票的波动性，数据驱动的见解已经改变了交易者对股市的处理方式。这就是Z值的用途，它是一种统计指标，可以为交易者提供有关股票的相对优势和定位的宝贵见解。

想象一下，只需通过观察股票的历史价格和波动性，就能够简单地识别出股票何时可能被过度买入或卖出。这正是Z值可以提供的，本文将深入探讨如何利用Python（作为数据分析的强大工具）进行股票交易中的Z值计算和解读。

突出显示Z值超过1.5或低于-1.5的正态分布区域。这种可视化方法强调了极端股票价格波动的统计意义，指导交易者寻找潜在的离群机会和股价逆转信号。

2. 深入了解Z值

Z值提供了一个数据点相对于均值的标准差距离的度量。在交易中，这可以帮助我们了解股票当前价格是否在统计上“正常”，或者是否为异常值。

想象一下表示正态分布的钟形曲线。大多数股票价格（假设它们服从正态分布，这是一个很大的假设，实际交易中通常并非如此）将位于中间附近。那些位于尾部，超出一定Z值（如1.5或-1.5）的股票，才会引起我们的兴趣。

Z值公式：这是一个数学表示，详细说明了如何使用总体标准差对偏离均值的程度进行标准化。对于希望将股票价格相对于历史数据量化的交易者来说，这个方程式至关重要。

其中：

Z是Z值。
X是数据点的值。
μ是数据的平均值。
σ是标准差。

通过以Z值的视角分析股票价格，交易者可以识别潜在的买入/卖出机会。明显高于1.5的Z值可能表明该股票相对于其历史平均价格被高估，而明显低于-1.5的Z值可能表明相反情况。

3. 使用库和数据做准备

在深入研究之前，装备正确的工具是至关重要的。通过导入相关的Python库，如用于获取股票数据的yfinance和用于可视化的matplotlib，可以确保一个顺利的开始。

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt

4. 获取股票数据和初步设置

为了评估股票的异常情况，接下来将目标锁定在一只特定的股票上——为了演示的目的，本文选择了“ASML.AS”。然后，我们使用yfinance库获取历史股票数据。

tickerSymbol = "ASML.AS"
tickerData = yf.Ticker(tickerSymbol)
tickerDf = tickerData.history(period='1d', start='2020-1-1', end='2023-12-25')

5. 计算Z值

本文分析的核心是Z值公式，它有助于评估股票价格相对于其历史的“偏离程度”。本文针对多个滚动期来计算这个值，以捕捉短期和长期的异常情况。

rolling_mean = close_prices.rolling(window=period).mean()
rolling_std = close_prices.rolling(window=period).std()
z_scores = (close_prices - rolling_mean) / rolling_std

6. 使用信号可视化偏离

通过将滚动Z值与股票价格绘制在一起，我们可以了解股票行为“正常”的时间以及何时可能出现异常情况。特别是Z值超过±1.5的区域，这种视觉线索对于交易者非常重要。可以随意更改Z值的阈值。

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt

# 常量
Z_THRESH = 2
PERIODS = [30, 60, 90]
TICKER_SYMBOL = "ASML.AS"
START_DATE = '2020-1-1'
END_DATE = '2023-12-25'


def fetch_data(ticker_symbol, start_date, end_date):
    """Fetches historical data for a given ticker symbol."""
    ticker_data = yf.Ticker(ticker_symbol)
    return ticker_data.history(period='1d', start=start_date, end=end_date)

def calculate_z_scores(close_prices, periods):
    """Calculates Z-scores for given periods."""
    z_scores_dict = {}
    for period in periods:
        # 计算给定周期的滚动平均值
        rolling_mean = close_prices.rolling(window=period).mean()      
        # 计算给定周期的滚动标准差
        rolling_std = close_prices.rolling(window=period).std()       
        # 计算收盘价的Z值
        z_scores = (close_prices - rolling_mean) / rolling_std      
        # 将Z值存储在以周期为关键字的字典中
        z_scores_dict[period] = z_scores
    return z_scores_dict

def plot_data(close_prices, z_scores_data):
    """Plots close prices and z-scores."""   
    
    # 为收盘价和Z值创建子图
    fig, (ax1, ax2) = plt.subplots(2, sharex=True, figsize=(20, 8))   
    
    # 在第一个子图上绘制收盘价
    ax1.plot(close_prices.index, close_prices, label='Close Prices')
    for period, z_scores in z_scores_data.items():
        # 在第二个子图上绘制每个时期的Z值
        ax2.plot(z_scores.index, z_scores, label=f'Z-Scores {period} days', alpha=0.7)       
        # 如果周期是列表中的第一个，则在第一个子图上绘制买入/卖出信号
        if period == PERIODS[0]:
            buy_signals = (z_scores < -Z_THRESH)
            sell_signals = (z_scores > Z_THRESH)
            ax1.plot(close_prices[buy_signals].index, close_prices[buy_signals], 'o', color='g', label='Buy Signal')
            ax1.plot(close_prices[sell_signals].index, close_prices[sell_signals], 'o', color='r', label='Sell Signal')
    # 为收盘价子图设置y标签和图例
    ax1.set_ylabel('Close Prices')
    ax1.legend(loc="upper left")
    ax1.grid(True)
    
    # 在Z值子图上绘制表示Z值阈值的水平线
    ax2.axhline(-Z_THRESH, color='red', linestyle='--')
    ax2.axhline(Z_THRESH, color='red', linestyle='--')   
    # 设置Z值子图的Y标签和图例
    ax2.set_ylabel('Z-Scores')
    ax2.legend(loc="upper left")
    ax2.grid(True)

    # 为整个绘图设置主标题
    plt.suptitle(f'{TICKER_SYMBOL} Close Prices and Z-Scores {Z_THRESH} Treshold')
    # 显示图表
    plt.show()

# 获取股票代码的历史数据
ticker_data = fetch_data(TICKER_SYMBOL, START_DATE, END_DATE)

# 计算指定时期的Z值
z_scores_data = calculate_z_scores(ticker_data['Close'], PERIODS)

# 绘制收盘价和Z值
plot_data(ticker_data['Close'], z_scores_data)