01 前言
近日，A股，沪指出现短期上涨的趋势，经济有回暖的迹象，市场看好中国经济，成为股票投资的热门话题。
怎样的投资策略是可以增加收益的呢？
阿里巴巴股票行情案例分析（二）是以10日线为参考数据计算买卖点并简单模拟投资行为的投资策略，通过分析评估过去三年阿里股票的收益。
知识卡片
数据分析中的数组结构
Python-List：是Python中最基本的数据结构，序列中的每个元素都分配一个数字 - 它的位置或索引, [ ]内的逗号分隔值出现,可以是不同类型的数据，可创建多维数组。
Numpy-Ndarry：是NumPy中的多维数组，它是一系列同类型数据的集合，元素在数组[ ]中显示时元素间没有逗号,基于C语言开发，处理数据速度快。
Pandas-Series：一维序列，可自定义标签或索引，通过标签访问数据，有两个基本属性index 和 values。
Pandas-DataFrame：二维表结构，以表格形式存储，分成行和列，通过DataFrame可以很方便操作行和列的数据。DataFrame()函数的三个基本参数为data、index和columns分别为数据、行索引和列索引。
数据源：阿里股票行情分析(一)的数据相同，公众号回复 DT16 获取
02 投资策略
股价超出10日均线买入，跌破十日均线卖出，卖出前不会进行下一次买入。
简单起见，只采用收盘价进行分析。
# 加载数据，把date这一列设置为索引，简单起见，只用收盘价进行分析
import numpy as np
import pandas as pd
df = pd.read_csv('./BABA_stock.csv', index_col='date', usecols=[0, 1])# 先查看一下数据
df.head()
# date 列是字符串格式，需要转换成datetime格式作为索引更方便
# 将索引转换为datetime形式 ；
# stripe 把左右两边字符串去掉 也就是单引号
df.index = pd.DatetimeIndex(df.index.str.strip("'"))
df.indexDatetimeIndex(['2016-04-15', '2016-04-18', '2016-04-19', '2016-04-20',
'2016-04-21', '2016-04-22', '2016-04-25', '2016-04-26',
'2016-04-27', '2016-04-28',
...
'2019-04-02', '2019-04-03', '2019-04-04', '2019-04-05',
'2019-04-08', '2019-04-09', '2019-04-10', '2019-04-11',
'2019-04-12', '2019-04-15'],
dtype='datetime64[ns]', name='date', length=755, freq=None)# 数据中最近的日期排在前面，按照日期重新排序
df.sort_index(inplace=True)
print(df.head())
df.describe() close
date
2016-04-15 78.97
2016-04-18 79.01
2016-04-19 79.46
2016-04-20 81.21
2016-04-21 80.78
# 计算10日均线数据
ma10 = df.rolling(10).mean().dropna() # 滚动取前十条数据 但是前9条数据没有均值，dropna去除
ma10
03 找出买点和卖点
买点：根据十日均线的变化，买点出现在由跌幅到涨的过程中，因此也就是由false变true的情况下
方法：找到十日均线上的相邻两个数据点，第一个点是false，第二点是true，那么选取true所在的记录
卖点：涨势变跌势，低于当十日均线点时，即由true变false的时候，选取false所在的记录
# 买点：当股价上涨，超出10日均线点的时候
ma10_model = df['close'] - ma10['close'] > 0 # pandas会将日期索引相同的数据相减
ma10_model.head(30)date
2016-04-15 False
2016-04-18 False
2016-04-19 False
2016-04-20 False
2016-04-21 False
2016-04-22 False
2016-04-25 False
2016-04-26 False
2016-04-27 False
2016-04-28 False
2016-04-29 False
2016-05-02 False
2016-05-03 False
2016-05-04 False
2016-05-05 True
2016-05-06 True
2016-05-09 True
2016-05-10 True
2016-05-11 True
2016-05-12 True
2016-05-13 False
2016-05-16 True
2016-05-17 True
2016-05-18 False
2016-05-19 False
2016-05-20 False
2016-05-23 True
2016-05-24 True
2016-05-25 False
2016-05-26 False
Name: close, dtype: bool# 建立函数处理一个两行数据 w， 由true和false，可使用rolling函数，两行记录成一组
# 函数再添加一个参数，来判断是买点还是卖点
def get_deal_date(w, is_buy=True):
if is_buy == True:
return True if w[0] == False and w[1] == True else False
# return True if w[0] == False and w[1] == True else False 这一行是一个三目运算，if then else 简写等于
# if w[0] == False and w[1] == True:
# return True
# else:
# return false
else :
return True if w[0] == True and w[1] == False else False# 对选取的相邻两行记录运行函数，找出买点
# raw=False 没有的话会有警告信息
# raw=False 时行列以pandas series格式来处理，raw = True 时行列以 numpy ndarry格式处理
# ma10_model.rolling(2).apply(get_deal_date, raw=False)
# 运行上面一条语句，有Na值，如果删除Na值，会有缺失，所以这里用0填充，将0，1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')
se_buy
# 验证数据，2016-05-05是一个买点，从十日均线的数据进行验证，正确date
2016-04-15 False
2016-04-18 False
2016-04-19 False
2016-04-20 False
2016-04-21 False
2016-04-22 False
2016-04-25 False
2016-04-26 False
2016-04-27 False
2016-04-28 False
2016-04-29 False
2016-05-02 False
2016-05-03 False
2016-05-04 False
2016-05-05 True
2016-05-06 False
2016-05-09 False
2016-05-10 False
2016-05-11 False
2016-05-12 False
2016-05-13 False
2016-05-16 True
2016-05-17 False
2016-05-18 False
2016-05-19 False
2016-05-20 False
2016-05-23 True
2016-05-24 False
2016-05-25 False
2016-05-26 False
...
2019-03-05 False
2019-03-06 False
2019-03-07 False
2019-03-08 False
2019-03-11 False
2019-03-12 False
2019-03-13 False
2019-03-14 False
2019-03-15 False
2019-03-18 True
2019-03-19 False
2019-03-20 False
2019-03-21 False
2019-03-22 False
2019-03-25 False
2019-03-26 False
2019-03-27 False
2019-03-28 False
2019-03-29 True
2019-04-01 False
2019-04-02 False
2019-04-03 False
2019-04-04 True
2019-04-05 False
2019-04-08 False
2019-04-09 False
2019-04-10 False
2019-04-11 False
2019-04-12 False
2019-04-15 False
Name: close, Length: 755, dtype: bool# 找出卖点
# apply的args接受数组或者字典给自定义函数传参，即将is_buy=False传给apply函数
se_sell = ma10_model.rolling(2).apply(get_deal_date, raw=False, args=[False]).fillna(0).astype('bool')
se_sell
# 2016-05-13是一个卖点，从十日均线进行验证，正确date
2016-04-15 False
2016-04-18 False
2016-04-19 False
2016-04-20 False
2016-04-21 False
2016-04-22 False
2016-04-25 False
2016-04-26 False
2016-04-27 False
2016-04-28 False
2016-04-29 False
2016-05-02 False
2016-05-03 False
2016-05-04 False
2016-05-05 False
2016-05-06 False
2016-05-09 False
2016-05-10 False
2016-05-11 False
2016-05-12 False
2016-05-13 True
2016-05-16 False
2016-05-17 False
2016-05-18 True
2016-05-19 False
2016-05-20 False
2016-05-23 False
2016-05-24 False
2016-05-25 True
2016-05-26 False
...
2019-03-05 False
2019-03-06 False
2019-03-07 True
2019-03-08 False
2019-03-11 False
2019-03-12 False
2019-03-13 False
2019-03-14 False
2019-03-15 False
2019-03-18 False
2019-03-19 False
2019-03-20 False
2019-03-21 False
2019-03-22 True
2019-03-25 False
2019-03-26 False
2019-03-27 False
2019-03-28 False
2019-03-29 False
2019-04-01 False
2019-04-02 False
2019-04-03 True
2019-04-04 False
2019-04-05 False
2019-04-08 False
2019-04-09 False
2019-04-10 False
2019-04-11 False
2019-04-12 False
2019-04-15 True
Name: close, Length: 755, dtype: bool# 具体的买卖点
buy_info = df[se_buy.values]
sell_info = df[se_sell.values]
print(buy_info.info(),'\n',buy_info.head(),'\n')
print(sell_info.info(),'\n',sell_info.head())<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 63 entries, 2016-05-05 to 2019-04-04
Data columns (total 1 columns):
close 63 non-null float64
dtypes: float64(1)
memory usage: 1008.0 bytes
None
close
date
2016-05-05 78.83
2016-05-16 79.29
2016-05-23 79.00
2016-05-27 80.97
2016-06-14 77.77
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 63 entries, 2016-05-13 to 2019-04-15
Data columns (total 1 columns):
close 63 non-null float64
dtypes: float64(1)
memory usage: 1008.0 bytes
None
close
date
2016-05-13 77.16
2016-05-18 79.03
2016-05-25 75.59
2016-06-01 76.69
2016-06-17 77.00# 买和卖的索引值不一样，不过数据都有63条，只需要价格信息来算相同索引对应买卖的盈利，所以删除时间索引信息
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())
print(no_index_sale_info.head()) close
0 78.83
1 79.29
2 79.00
3 80.97
4 77.77 close
0 77.16
1 79.03
2 75.59
3 76.69
4 77.0004 盈利评估
# 每次交易的盈利情况
profit = no_index_sale_info - no_index_buy_info
print(profit)
# 大体数据
profit.describe()
# 读图可知，总共交易63次，平均盈利0.57每股，亏得最多一次是9.2，赚的最多一次是17.8
close
0 -1.67
1 -0.26
2 -3.41
3 -4.28
4 -0.77
5 -1.86
6 5.06
7 9.54
8 5.45
9 -0.45
10 -0.96
.. ...
56 -6.10
57 12.40
58 12.52
59 7.14
60 -5.57
61 -4.13
62 2.00
[63 rows x 1 columns]
# 三年总利润，不算手续费
profit.sum()
# 如果按照每股100元买入，三年买卖63次，三年内每股的收益是36.07，平均下来每次买卖一股赚36.07/63等于0.57close 36.07
dtype: float64# 假如有1w美元，每次买卖最终盈利是多少呢？
all_money = 10000 # 本金
remain = all_money # 一次买卖之后剩多少钱
fee = 0.0003 # 手续费
# 每次交易买多少股票
for i in range(len(no_index_buy_info)):
buy_count = remain / no_index_buy_info.iloc[i] # 买的数量
remain = buy_count * no_index_sale_info.iloc[i] * (1 - fee)
print(remain)
# 查看最后一条记录，剩下13540.89，平均每年收益有本金的10%多一点，
# 以10日线计算买卖点的投资策略收益还是不错的。# 事实上过去阿里三年的股价已经翻了一倍，只要买进不卖出，即可享有收益，阿里的历史股票数据分析基本都是涨，投资者在购买时采用的策略会更为复杂close 13583.272217
dtype: float64
close 14148.920283
dtype: float64
close 13711.381634
dtype: float64
close 13396.985853
dtype: float64
close 13540.898129
dtype: float6405 写在最后
投资策略的评估以10日均线为参考，找出买卖点；为加强本次案例的学习，可以将10日均线改成，30日均线或者60日均线进行买卖，观察收益是否会不同，以何种日期长度均线作为参考，收益最高。
案例分析的股票购买策略评估是最基础的股票行情分析，事实上大型的投资机构，会雇佣有很多金融，数学背景的专业人员，使用复杂的模型计算形成投资策略。为避免分析内容产生误导，不提倡在学习股票行情分析的案例后，盲目地进行投资，股票购买有很大的风险，市场波动的影响因素多，变化快，以慎重为益~
需要加群的同学，添加小助手微信 A2XF669 后,回复数字 4 拉你进入学习群，晚上八点半到九点半一起讨论，交流学习！
在看和转发
都是一种支持
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
