对tushare的MA数据进行处理

最新推荐文章于 2023-02-20 15:45:16 发布
最新推荐文章于 2023-02-20 15:45:16 发布
阅读量177 收藏 1
点赞数
分类专栏： python 文章标签： tushare
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42896263/article/details/115401418
版权 
    def multiple_head_stable_rise_up(self):
        """
        当多头市场进入稳定上升时期，10MA、20MA、60MA向右上方推升，且三线多头排列(排列顺序自上而下分别为10MA、20MA、60MA)，略呈平行状。
        :return:
        """
        condition = 0
        slope = []
        for i in range(len(self.MA_data) - 1):
            if self.MA_data['ma' + str(self.long)][i + 1] > self.MA_data['ma' + str(self.long)][i]:
                if self.MA_data['ma' + str(self.middle)][i + 1] > self.MA_data['ma' + str(self.middle)][i]:
                    if self.MA_data['ma' + str(self.short)][i + 1] > self.MA_data['ma' + str(self.short)][i]:
最低0.47元/天 解锁文章
朝不闻道，夕不可死
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
tushare-pandas 添加自定义的MA移动平均线
点火三周的专栏
10-17 8048
使用pandas的rolling.mean函数自定义移动平均线
利用Tushare下载多个股票数据并进行数据处理以及数据合并
liucy2020的博客
03-11 2984
毕业论文的内容是利用机器学习算法对次新股进行量化投资。进行该研究首当其冲就是要下载相关数据，再此记录一下我利用Tushare下载股票数据的过程，分享给大家。我只是Python的初学者，所以程序中难免有贻笑大方之处，希望各位大神指出不足之处，共同进步！ 首先感谢Tushare平台，为在校学生提供免费的数据下载平台 1、初始化端口： import tushare as ts mytoken = 'tushare平台分配给用户的token' ts.set_token(mytoken) pro = ts.pro_a
【python与数据分析】Tushare库详解（1）
m0_72318954的博客
11-10 6749
tushare基础知识介绍
tushare常用的几种数据格式加工处理
nwh17685809064的博客
08-07 461
几种常用的tushare数据加工处理！
【数据分析Tushare】金融数据处理
AI_LINNGLONG的博客
02-22 4474
Tushare • 免费、开源的python财经数据接口包 • 实现对股票等金融数据从数据采集、清洗加工到 数据存储的过程 • Tushare返回的绝大部分的数据格式都是pandas DataFrame类型 官网链接 一.安装模块 Windows系统： pip install lxml pip install tushare Mac系统： pip3 install lxml pip3 instal...
python股票分析Tushare.pdf
11-09
Tushare是一个针对Python的免费财经数据接口库，旨在简化数据获取、处理和分析的过程，为金融分析师提供了便利。以下是对Tushare库及其相关知识的详细说明： 首先，安装Tushare库非常简单，只需通过pip命令： ```...
基于 Django 的A股数据获取与指标分析服务端，作为深度学习数据来源.zip
最新发布
05-09
4. **深度学习应用**：深度学习是机器学习的一个分支，它利用神经网络模型对大量数据进行学习，以发现复杂模式并做出预测。在金融领域，深度学习可以用于股票价格预测、市场情绪分析、投资组合优化等。将A股数据与...
PythonStock 是基于Python的pandas等框架开发的全栈股票系-python
06-18
PythonStock是一个综合性的股票分析系统，它利用Python的强大功能，结合了多个库和框架，如pandas、tushare、bokeh、tornado以及stockstats和ta-lib，为用户提供了一个全面的股票数据处理、可视化和预测平台。...
py代码-个股分析hhh
07-14
1. **pandas**：这是一个强大的数据处理库，用于读取和操作金融数据，如CSV文件中的股票价格和交易量。 2. **numpy**：提供高性能的数学计算功能，对金融数据分析中的统计运算非常有用。 3. **matplotlib** 或 **...
tushare股票前复权数据获取及实现均线、kdj、macd等计算
02-25
解压后运行demo即可获取固定编码的股票日线数据，其中引用的函数ma、kdj、macd、rsi等计算代码位于indexes文件夹。demosession1只是添加了for循环用于获取所有沪深数据，获取数据值为前复权数据，和常规股票软件显示结果一致。
MA指标基础数据，包括表结构
08-02
ME指标基础数据，包含表结构和数据；可以用于MA指标计算，测试；可以对上层质保MACD、KDJ、RSA等指标进行计算测使用。
股票数据接口库NTuShare
05-19
最近学习量化, 看到Python数据接口库TuShare还不错, 因自己C#做的多, 也不想通过IronPython等去调用, 便翻译搞了个纯C#版. 包含示例代码, 需.NET 4.0. 对量化套利感兴趣的可以参考, 或者自己建数据库, 下载数据进行个性化分析;
基于Python的股票自动交易系统的设计与实现.zip
09-12
综上所述，"基于Python的股票自动交易系统的设计与实现.zip"项目涵盖了Python编程、金融数据处理、交易策略构建、回测、实时交易等多个方面的知识，为想要深入理解股票自动交易系统的读者提供了宝贵的实践资料。
基于python tushare 股票数据处理
r081r096的博客
02-20 205
基于python tushare 股票数据处理
tushare获取数据talib数据处理
m0_59359922的博客
12-30 532
TA-Lib，全称“Technical Analysis Library”, 即技术分析库，是Python金融量化的高级库，涵盖了150多种指标，包括股票、期货交易软件中常用的技术分析指标，如MACD、RSI、KDJ、动量指标、布林带等等。MACD中的fastperiod=12, slowperiod=26, signalperiod=20分别代表快线移动平均，慢线移动平均，移动平均。tushare的数据获取，一般分为两种情况，一种是利用老的免费版本，一种是申请pro（学生做任务免费）
Python崛金系列--4.python量化股票
天道酬勤
04-18 683
Python崛金系列--4.python量化股票123参考 1 2 3 参考 1、【Python量化】手把手教你用python做股票分析入门 2、一文教你如何用Python预测股票价格 3、
基于Tushare量化分析示例
热门推荐
szj1638866的专栏
02-11 1万+
1. 量化神器Tushare介绍 大家都知道量化分析离不开数据支撑，那下面就简单说一下一个简单好用的量化神器——Tushare。 Tushare 提供免费的数据接口，包含沪深股票数据、财务报表数据、指数、基金、期权、期货、港股、美股、宏观经济等数据，甚至新闻快讯、上市公司公告、全球新冠疫情数据也包含在内。Tushare 提供http, Python, MATLAB, R 的数据接口，方便获取实时数据。 知道了Tushare可以提供强大的数据支撑，那下面我们就具体实看一下是如何实现数据量化分析。 2.
量化双均线策略：（一）通过tushare获取股票数据
mashijia986的博客
01-26 6460
之前几篇通过爬虫与mysql数据库获取到所有股票数据，存在一个比较难处理的问题，就是数据为未复权，无法策略回测。为了获取到已复权数据，也是找了很多接口，最终发现tushare是一个不错的选择，不用存储在本地，程序运行时候保证联网，直接获取数据，最重要的是可以选择前复权或者后复权。 以下引用自官方网站http://tushare.org/index.html  Tushare是一个免费、开源的p
基于tushare数据，写一个关于中证1000指数与上证50指数比值的配对交易，可以用机器学习的方法，然后做出回溯检验，最后以日期为横坐标画出收益和最大回撤图形
05-05
好的，这是一个比较复杂的任务，需要进行以下几个步骤： 1. 数据获取和处理：使用Tushare API获取中证1000指数和上证50指数的历史数据，对数据进行清洗和处理，得到每日收盘价，并计算两个指数的比值。 2. 特征工程：根据比值数据，构建一些特征，如过去一段时间的平均值、标准差、斜率等。 3. 模型训练：选择一个适当的机器学习模型，如线性回归、决策树、随机森林等，进行模型训练。 4. 参数调优：使用交叉验证等方法，调整模型的参数，提高模型的预测能力。 5. 回测检验：使用历史数据进行回测，计算交易收益和最大回撤等指标，评估模型的性能。 6. 结果可视化：将收益和最大回撤等指标以日期为横坐标，绘制成图表，便于观察和分析。 下面是Python代码示例，仅供参考： ```python import tushare as ts import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error import matplotlib.pyplot as plt # 获取中证1000指数和上证50指数的历史数据 hs300 = ts.get_k_data('hs300') zz1000 = ts.get_k_data('zz1000') # 整理数据 hs300.index = pd.to_datetime(hs300['date']) hs300 = hs300[['close']] zz1000.index = pd.to_datetime(zz1000['date']) zz1000 = zz1000[['close']] data = pd.concat([hs300, zz1000], axis=1, join='inner') data.columns = ['hs300', 'zz1000'] data['ratio'] = data['hs300'] / data['zz1000'] # 构建特征 data['ma5'] = data['ratio'].rolling(window=5).mean() data['ma10'] = data['ratio'].rolling(window=10).mean() data['ma20'] = data['ratio'].rolling(window=20).mean() data['std5'] = data['ratio'].rolling(window=5).std() data['std10'] = data['ratio'].rolling(window=10).std() data['std20'] = data['ratio'].rolling(window=20).std() data['diff'] = data['ratio'].diff() data['diff_ma5'] = data['diff'].rolling(window=5).mean() data['diff_std5'] = data['diff'].rolling(window=5).std() # 特征选择 features = ['ma5', 'ma10', 'ma20', 'std5', 'std10', 'std20', 'diff_ma5', 'diff_std5'] X = data[features] y = data['ratio'] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 模型训练 model = LinearRegression() model.fit(X_train, y_train) # 模型预测 y_pred = model.predict(X_test) # 评估模型 mse = mean_squared_error(y_test, y_pred) print('Mean squared error: %.2f' % mse) # 回测检验 data['signal'] = np.where(model.predict(X[features]) > 1.1, -1, 1) data['pnl'] = data['signal'] * data['diff'] data['cum_pnl'] = data['pnl'].cumsum() data['max_drawdown'] = data['cum_pnl'].cummax() - data['cum_pnl'] data.plot(y=['cum_pnl', 'max_drawdown']) plt.show() ``` 这段代码使用了线性回归模型，选择了一些比值的特征进行训练。回测检验使用了简单的交易策略，当比值预测值超过1.1时，认为中证1000指数相对于上证50指数过高，应该卖出；当比值预测值低于0.9时，认为中证1000指数相对于上证50指数过低，应该买入。最后，将收益和最大回撤等指标以日期为横坐标绘制成图表，方便观察和分析。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

朝不闻道，夕不可死

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

实付元
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