数据分析08-金融领域数据分析

最新推荐文章于 2022-11-29 14:39:09 发布
最新推荐文章于 2022-11-29 14:39:09 发布
阅读量2k 收藏 14
点赞数 1
分类专栏： 数据分析 文章标签： 数据分析
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/yegeli/article/details/107058412
版权

数据分析-08

金融领域数据分析示例

1. 移动均线

移动均线(Moving Average，简称MA)是用统计分析的方法，将一定时期内的证券价格（指数）加以平均，并把不同时间的平均值连接起来，形成一根MA，用以观察证券价格变动趋势的一种技术指标。移动平均线是由著名的美国投资专家Joseph E.Granville（葛兰碧，又译为格兰威尔）于20世纪中期提出来的。均线理论是当今应用最普遍的技术指标之一，它帮助交易者确认现有趋势、判断将出现的趋势、发现过度延生即将反转的趋势。

移动均线常用线有5天、10天、30天、60天、120天和240天的指标。其中，5天和10天的短期移动平均线，是短线操作的参照指标，称做日均线指标；30天和60天的是中期均线指标，称做季均线指标；120天、240天的是长期均线指标，称做年均线指标。

收盘价5日均线：从第五天开始，每天计算最近五天的收盘价的平均值所构成的一条线。

移动均线算法：

一支股票价格序列： a b c d e f g h i j ...

(a+b+c+d+e)/5
(b+c+d+e+f)/5
(c+d+e+f+g)/5
...
(f+g+h+i+j)/5

在K线图中绘制5日均线图

# 移动均线示例
import numpy as np
import datetime as dt


#### 1.读取数据
# 日期格式转换函数: 将日月年转换为年月日格式
def dmy2ymd(dmy):
    dmy = str(dmy, encoding="utf-8")
    # 从指定字符串返回一个日期时间对象
    dat = dt.datetime.strptime(dmy, "%d-%m-%Y").date()  # 字符串转日期
    tm = dat.strftime("%Y-%m-%d")  # 日期转字符串
    return tm


dates, open_prices, highest_prices, lowest_prices, close_prices = \
    np.loadtxt("../da_data/aapl.csv",  # 文件路径
               delimiter=",",  # 指定分隔符
               usecols=(1, 3, 4, 5, 6),  # 读取的列(下标从0开始)
               unpack=True,  # 拆分数据
               dtype="M8[D], f8, f8, f8, f8",  # 指定每一列的类型
               converters={1: dmy2ymd})  #

#### 2.绘制图像
import matplotlib.pyplot as mp
import matplotlib.dates as md

# 绘制k线图，x轴为日期
mp.figure("APPL K-Line", facecolor="lightgray")
mp.title("APPL K-Line")
mp.xlabel("Day", fontsize=12)
mp.ylabel("Price", fontsize=12)

# 获取坐标轴
ax = mp.gca()
# 设置主刻度定位器为周定位器(每周一显示刻度文本)
ax.xaxis.set_major_locator(md.WeekdayLocator(byweekday=md.MO))
ax.xaxis.set_major_formatter(md.DateFormatter("%d %b %Y"))  # %b表示月份简写
# 设置次刻度定位器为天定位器
ax.xaxis.set_minor_locator(md.DayLocator())
mp.tick_params(labelsize=8)
dates = dates.astype(md.datetime.datetime)

mp.plot(dates, open_prices, color="dodgerblue", linestyle="--")
mp.gcf().autofmt_xdate()  # 旋转、共享日期显示

# 绘制5日均值线
ma_5 = np.zeros(close_prices.size - 4)  # 均值数组
for i in range(ma_5.size):
    ma_5[i] = close_prices[i: i + 5].mean()  # 切片，求均值，并存入均值数组

mp.plot(dates[4:],  # 从第五天开始绘制
        ma_5,  # 数据
        color="orangered",
        label="MA_5")

mp.legend()
mp.show()

执行结果：

在这里插入图片描述

3. 布林带

1）什么是布林带

在这里插入图片描述

布林带（Bollinger Band）是美国股市分析家约翰·布林根据统计学中的标准差原理设计出来的一种非常实用的技术指标，它由三条线组成：

中轨：移动平均线（图中白色线条）

上轨：中轨+2x5日收盘价标准差 （图中黄色线条，顶部的压力）

下轨：中轨-2x5日收盘价标准差 （图中紫色线条，底部的支撑力）

布林带收窄代表稳定的趋势，布林带张开代表有较大的波动空间的趋势。

2）布林带的业务指标与含义

利用股价与布林带上轨线、下轨线进行比较，以及结合变化趋势，判断股票买入、卖出的时机。

(1)股价由下向上穿越下轨线（Down）时，可视为买进信号。
(2)股价由下向上穿越中轨时，股价将加速上扬，是加仓买进的信号。
(3)股价在中轨与上轨(UPER）之间波动运行时为多头市场，可持股观望。
(4)股价长时间在中轨与上轨（UPER）间运行后，由上向下跌破中轨为卖出信号。
(5)股价在中轨与下轨（Down）之间向下波动运行时为空头市场，此时投资者应持币观望。
(6)布林中轨经长期大幅下跌后转平，出现向上的拐点，且股价在2～3日内均在中轨之上。此时，若股价回调，其回档低点往往是适量低吸的中短线切入点。
(7)对于在布林中轨与上轨之间运作的强势股，不妨以回抽中轨作为低吸买点，并以中轨作为其重要的止盈、止损线。
(8)飚升股往往股价会短期冲出布林线上轨运行，一旦冲出上轨过多，而成交量又无法持续放出，注意短线高抛了结，如果由上轨外回落跌破上轨，此时也是一个卖点。

3）绘制布林带

以下是一个绘制布林带的示例。

# 布林带示例
import numpy as np
import datetime as dt

#### 1.读取数据
# 日期格式转换函数: 将日月年转换为年月日格式
def dmy2ymd(dmy):
    dmy = str(dmy, encoding="utf-8")
    # 从指定字符串返回一个日期时间对象
    dat = dt.datetime.strptime(dmy, "%d-%m-%Y").date()  # 字符串转日期
    tm = dat.strftime("%Y-%m-%d")  # 日期转字符串
    return tm

dates, open_prices, highest_prices, lowest_prices, close_prices = \
    np.loadtxt("../da_data/aapl.csv",  # 文件路径
               delimiter=",",  # 指定分隔符
               usecols=(1, 3, 4, 5, 6),  # 读取的列(下标从0开始)
               unpack=True,  # 拆分数据
               dtype="M8[D], f8, f8, f8, f8",  # 指定每一列的类型
               converters={1: dmy2ymd})  #

#### 2.绘制图像
import matplotlib.pyplot as mp
import matplotlib.dates as md

# 绘制k线图，x轴为日期
mp.figure("APPL K-Line", facecolor="lightgray")
mp.title("APPL K-Line")
mp.xlabel("Day", fontsize=12)
mp.ylabel("Price", fontsize=12)

# 获取坐标轴
ax = mp.gca()
# 设置主刻度定位器为周定位器(每周一显示刻度文本)
ax.xaxis.set_major_locator(md.WeekdayLocator(byweekday=md.MO))
ax.xaxis.set_major_formatter(md.DateFormatter("%d %b %Y"))  # %b表示月份简写
# 设置次刻度定位器为天定位器
ax.xaxis.set_minor_locator(md.DayLocator())
mp.tick_params(labelsize=8)
dates = dates.astype(md.datetime.datetime)

mp.plot(dates, open_prices, color="dodgerblue", linestyle="--")
mp.gcf().autofmt_xdate()  # 旋转、共享日期显示

# 绘制5日均值线
ma_5 = np.zeros(close_prices.size - 4)  # 均值数组
for i in range(ma_5.size):
    ma_5[i] = close_prices[i: i + 5].mean()  # 切片，求均值，并存入均值数组

mp.plot(dates[4:],  # 从第五天开始绘制
        ma_5,  # 数据
        color="orangered",
        label="MA_5")

# 计算上轨、下轨线
stds = np.zeros(ma_5.size)
for i in range(stds.size):
    stds[i] = close_prices[i: i + 5].std()  # 计算标准差
upper = ma_5 + 2 * stds  # 计算上轨
lower = ma_5 - 2 * stds  # 计算下轨
# 绘制线
mp.plot(dates[4:], upper, color="green", label="UPPER")
mp.plot(dates[4:], lower, color="blue", label="LOWER")
# 填充布林带
mp.fill_between(dates[4:], upper, lower, lower < upper, color="orangered", alpha=0.05)

mp.grid(linestyle="--")
mp.legend()
mp.show()

执行结果：

在这里插入图片描述

基于函数矢量化的股票回测模型

def  model(data):
	# 基于均线、布林带等各种业务指标进行分析，从而得到结果。
	if xxx and  or xxx:
		return 1
 	elif xxxx:
 	    return -1
 	if  xx:
 		return 1
 	x = linalg.lstsq(xxx)
 	if xx  xxx:
 		return 0
 	.....
 	.....
 	.....
	return 1 ? -1 ? 0

函数的矢量化指通过一个只能处理标量数据的函数得到一个可以处理矢量数据的函数，从而可以对大量数据进行矢量化计算。

numpy提供了vectorize函数，可以把处理标量的函数矢量化，返回的函数可以直接处理ndarray数组。

# vectorize函数矢量化示例
import math
import numpy as np

def func(x, y):
    return math.sqrt(x ** 2 + y ** 2)

# 标量计算
x, y = 3, 4	
print(func(x, y))

# 矢量化计算
X = np.array([3, 6, 9])
Y = np.array([4, 8, 12])

vect_func = np.vectorize(func)  # 创建函数矢量化对象
print(vect_func(X, Y))

执行结果：

5.0
[ 5. 10. 15.]

案例：定义一种投资策略，传入某日期，基于均线理论返回是否应该按收盘价购买，并通过历史数据判断这种策略是否值得实施。

import numpy as np
import matplotlib.pyplot as mp
import datetime as dt
import matplotlib.dates as md

# 日期格式转换函数: 将日月年转换为年月日格式
def dmy2ymd(dmy):
    dmy = str(dmy, encoding="utf-8")
    # 从指定字符串返回一个日期时间对象
    dat = dt.datetime.strptime(dmy, "%Y/%m/%d").date()
    tm = dat.strftime("%Y-%m-%d")  # 格式化
    return tm

dates, opening_prices, highest_prices, lowest_prices, closing_prices, ma5, ma10= \
    np.loadtxt("../data/pfyh.csv", #文件路径
               delimiter=",", #指定分隔符
               usecols=(0,1,2,3,4,5,6), #读取的列(下标从0开始)
               unpack=True, #拆分数据
               dtype="M8[D], f8, f8, f8, f8, f8, f8") #
mp.plot(dates, closing_prices)
mp.show()
# 定义一种投资策略，传入日期，基于均线理论返回是否应该按收盘价购买 1:应买入  0:应持有现状  -1:应卖出
def profit(m8date):
    mma5 = ma5[dates < m8date]
    mma10 = ma10[dates < m8date]
    # 至少两天数据才可以进行预测
    if mma5.size < 2:
        return 0
    # 出现金叉，则建议买入
    if (mma5[-2] <= mma10[-2]) and (mma5[-1] >= mma10[-1]):
        return 1
    # 出现死叉，则建议卖出
    if (mma5[-2] >= mma10[-2]) and (mma5[-1] <= mma10[-1]):
        return -1
    return 0

# 矢量化投资函数
vec_func = np.vectorize(profit)
# 使用适量换函数计算收益
profits = vec_func(dates)
print(profits)

# 定义资产
assets = 1000000
stocks = 0
payment_price = 0
status = 0
for index, profit in enumerate(profits):
    current_price = closing_prices[index]
    # 如果是买入并且赔了的状态，若已经跌出5%，则强制卖出
    if status == 1:
        payment_assets = payment_price * stocks
        current_assets = current_price * stocks
        if (payment_assets > current_assets) and ((payment_assets-current_assets) > payment_assets *0.05):
            payment_price = current_price
            assets = assets + stocks * payment_price
            stocks = 0
            status = -1
            print('止损：dates:{}, curr price:{:.2f}, assets:{:.2f}, stocks:{:d}'.format(dates[index], current_price, assets, stocks))
    if (profit == 1) and (status != 1): # 买入
        payment_price = current_price
        stocks = int(assets / payment_price)
        assets = assets - stocks * payment_price
        status = 1
        print('买入：dates:{}, curr price:{:.2f}, assets:{:.2f}, stocks:{:d}'.format(dates[index], current_price, assets, stocks))
    if (profit == -1) and (status != -1): # 卖出
        payment_price = current_price
        assets = assets + stocks * payment_price
        stocks = 0
        status = -1
        print('卖出：dates:{}, curr price:{:.2f}, assets:{:.2f}, stocks:{:d}'.format(dates[index], current_price, assets, stocks))
    print('持有：dates:{}, curr price:{:.2f}, assets:{:.2f}, stocks:{:d}'.format(dates[index], current_price, assets, stocks))

代码总结

量化交易常用指标

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

移动平均线

data = pd.read_csv('../../data/aapl.csv', header=None, usecols=[1, 6])
data.columns = ['date', 'close']
# 把date字段，转成日期类型
def todate(item):
    datestr = '-'.join(item.split('-')[::-1])
    return pd.to_datetime(datestr)
data['date'] = data['date'].apply(todate)

data.plot(x='date', y='close')

<matplotlib.axes._subplots.AxesSubplot at 0x1ed49ca95b0>

在这里插入图片描述

data
dateclose
02011-01-28336.10
12011-01-31339.32
22011-02-01345.03
32011-02-02344.32
42011-02-03343.44
52011-02-04346.50
62011-02-07351.88
72011-02-08355.20
82011-02-09358.16
92011-02-10354.54
102011-02-11356.85
112011-02-14359.18
122011-02-15359.90
132011-02-16363.13
142011-02-17358.30
152011-02-18350.56
162011-02-22338.61
172011-02-23342.62
182011-02-24342.88
192011-02-25348.16
202011-02-28353.21
212011-03-01349.31
222011-03-02352.12
232011-03-03359.56
242011-03-04360.00
252011-03-07355.36
262011-03-08355.76
272011-03-09352.47
282011-03-10346.67
292011-03-11351.99
# 计算5日移动平均线
ma5 = np.zeros(len(data)-4) # 存储5日移动均线的值
for i in range(ma5.size):
    ma5[i] = np.mean(data['close'][i:i+5])
ma5

0.0

#把ma5追加到data['ma5']
ma5 = pd.Series(ma5,index=np.arange(4,len(data)))
data['ma5'] = ma5
data
dateclosema5
02011-01-28336.10NaN
12011-01-31339.32NaN
22011-02-01345.03NaN
32011-02-02344.32NaN
42011-02-03343.44341.642
52011-02-04346.50343.722
62011-02-07351.88346.234
72011-02-08355.20348.268
82011-02-09358.16351.036
92011-02-10354.54353.256
102011-02-11356.85355.326
112011-02-14359.18356.786
122011-02-15359.90357.726
132011-02-16363.13358.720
142011-02-17358.30359.472
152011-02-18350.56358.214
162011-02-22338.61354.100
172011-02-23342.62350.644
182011-02-24342.88346.594
192011-02-25348.16344.566
202011-02-28353.21345.096
212011-03-01349.31347.236
222011-03-02352.12349.136
232011-03-03359.56352.472
242011-03-04360.00354.840
252011-03-07355.36355.270
262011-03-08355.76356.560
272011-03-09352.47356.630
282011-03-10346.67354.052
292011-03-11351.99352.450
data.plot(x = 'date',y=['close','ma5'])

<matplotlib.axes._subplots.AxesSubplot at 0x1ed4bd75160>

在这里插入图片描述

# 计算10日移动平均线
ma10 = np.zeros(len(data) - 9)  # 存储10日移动均线的值
for i in range(ma10.size):
    ma10[i] = np.mean(data['close'][i:i+10])
# 把ma10追加到data['ma10']
ma10 = pd.Series(ma10, index=np.arange(9, len(data)))
data['ma10'] = ma10
data.plot(x='date', y=['close', 'ma5', 'ma10'])

<matplotlib.axes._subplots.AxesSubplot at 0x1ed4be50df0>

在这里插入图片描述

布林带

# 计算上轨与下轨
stds = np.zeros(len(data)-4)
for i in range(stds.size):
    stds[i] = np.std(data['close'][i:i+5])
stds = pd.Series(stds, index=np.arange(4, len(data)))
data['stds'] = stds
data['upper'] = data['ma5'] + 2*data['stds']
data['lower'] = data['ma5'] - 2*data['stds']
data.plot(x='date', y=['close' ,'ma5', 'upper', 'lower'])

<matplotlib.axes._subplots.AxesSubplot at 0x1ed4bebd640>

在这里插入图片描述

浦发银行量化回测模型

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

加载pfyh文件

data = pd.read_csv('../data/pfyh.csv', header=None, 
                  names=['date', 'open', 'high', 'low', 'close', 'ma5', 
                         'ma10', 'volume'])
data['date'] = pd.to_datetime(data['date'])
data.describe()
openhighlowclosema5ma10volume
count487.000000487.000000487.000000487.000000487.000000487.0000004.870000e+02
mean11.30223811.40624211.19876811.29671511.29771311.2994583.742897e+05
std0.9643520.9812890.9549580.9687870.9602440.9525603.517131e+05
min9.2600009.3500009.1700009.2400009.3120009.4020008.995716e+04
25%10.56500010.66000010.46500010.55500010.55500010.5495001.980381e+05
50%11.39000011.46000011.30000011.37000011.39600011.3820002.732542e+05
75%11.95000012.04000011.84000011.92000011.89900011.8810004.008432e+05
max13.65000014.00000013.36000013.66000013.45000013.3830003.796536e+06
data.plot(x='date', y='close')

<matplotlib.axes._subplots.AxesSubplot at 0x2725e966668>

在这里插入图片描述

设计投资策略

def profit(mdate):
    """ 传入日期作为参数，通过日期与近几天的股价，进行分析，得出结论：
        建议买入：1    建议卖出：-1   建议观望：0 """
    # 获取当天与昨天的ma5、ma10数据：
    mask = data['date']<=mdate
    # 必须要求，掩码可以获取两个及两个以上的日期数据
    if len(data[mask]) < 2: 
        return 0
    today_data = data[mask].iloc[-1]
    yest_data = data[mask].iloc[-2]
    tma5, tma10 = today_data['ma5'], today_data['ma10']
    yma5, yma10 = yest_data['ma5'], yest_data['ma10']
    if (yma5 <= yma10) and (tma5 >= tma10):
        # 出现金叉：返回 1
        return 1
    if (yma5 >= yma10) and (tma5 <= tma10):
        # 出现死叉：返回-1
        return -1
    return 0
    

# 测试
profit(pd.to_datetime('2018-11-12'))

-1

回测模型

# 把每一个日期都传入profit得到每一天的策略建议:
profits = data['date'].apply(profit)

# 模拟交易过程，实现回测模型
assets = 1000000  # 现金 100w
stocks = 0        # 股票 0
status = 0        # 保存当前交易状态   -1  1  0
for k, v in profits.items():
    # 获取当天的交易价格：收盘价
    payment_price = data.loc[k]['close']
    if v==1 and status!=1:
        # 模拟买入：现金换股票
        stocks = int(assets / payment_price) 
        assets = assets - stocks*payment_price
        status = 1
        print('买入操作{}----当前现金：{}, 当前股票数量：{}'.format(data.loc[k]['date'], assets, stocks))
    if v==-1 and status!=-1:
        assets = assets + stocks*payment_price
        stocks = 0
        status = -1
        print('卖出操作{}----当前现金：{}, 当前股票数量：{}'.format(data.loc[k]['date'], assets, stocks))
        

买入操作2018-01-04 00:00:00----当前现金：11.92000000004191, 当前股票数量：78988
卖出操作2018-02-02 00:00:00----当前现金：1037914.2400000001, 当前股票数量：0
买入操作2018-02-07 00:00:00----当前现金：4.640000000130385, 当前股票数量：77168
卖出操作2018-02-12 00:00:00----当前现金：964604.6400000001, 当前股票数量：0
买入操作2018-03-01 00:00:00----当前现金：1.2800000000279397, 当前股票数量：77416
卖出操作2018-03-02 00:00:00----当前现金：960733.8400000001, 当前股票数量：0
买入操作2018-03-12 00:00:00----当前现金：3.3700000001117587, 当前股票数量：76797
卖出操作2018-03-15 00:00:00----当前现金：950750.2300000002, 当前股票数量：0
买入操作2018-04-10 00:00:00----当前现金：1.270000000251457, 当前股票数量：80846
卖出操作2018-04-19 00:00:00----当前现金：952367.1500000003, 当前股票数量：0
买入操作2018-04-24 00:00:00----当前现金：1.270000000251457, 当前股票数量：80846
卖出操作2018-04-26 00:00:00----当前现金：933772.5700000003, 当前股票数量：0
买入操作2018-05-15 00:00:00----当前现金：4.570000000298023, 当前股票数量：84888
卖出操作2018-05-18 00:00:00----当前现金：924434.8900000004, 当前股票数量：0
买入操作2018-06-07 00:00:00----当前现金：6.810000000405125, 当前股票数量：87128
卖出操作2018-06-08 00:00:00----当前现金：907009.2900000004, 当前股票数量：0
买入操作2018-07-10 00:00:00----当前现金：2.9700000003213063, 当前股票数量：94776
卖出操作2018-07-19 00:00:00----当前现金：907009.2900000004, 当前股票数量：0
买入操作2018-07-20 00:00:00----当前现金：5.640000000479631, 当前股票数量：91895
卖出操作2018-08-03 00:00:00----当前现金：903333.4900000005, 当前股票数量：0
买入操作2018-08-09 00:00:00----当前现金：1.4500000004190952, 当前股票数量：89086
卖出操作2018-08-17 00:00:00----当前现金：888188.8700000005, 当前股票数量：0
买入操作2018-08-22 00:00:00----当前现金：6.530000000493601, 当前股票数量：88026
卖出操作2018-09-05 00:00:00----当前现金：890829.6500000004, 当前股票数量：0
买入操作2018-09-18 00:00:00----当前现金：5.150000000372529, 当前股票数量：86825
卖出操作2018-10-10 00:00:00----当前现金：883015.4000000004, 当前股票数量：0
买入操作2018-10-19 00:00:00----当前现金：9.56000000028871, 当前股票数量：85068
卖出操作2018-11-12 00:00:00----当前现金：918743.9600000003, 当前股票数量：0
买入操作2018-12-03 00:00:00----当前现金：6.560000000405125, 当前股票数量：83370
卖出操作2018-12-12 00:00:00----当前现金：894566.6600000005, 当前股票数量：0
买入操作2019-01-07 00:00:00----当前现金：9.360000000451691, 当前股票数量：89635
卖出操作2019-03-11 00:00:00----当前现金：1028122.8100000005, 当前股票数量：0
买入操作2019-03-21 00:00:00----当前现金：0.3700000004610047, 当前股票数量：89714
卖出操作2019-03-25 00:00:00----当前现金：989545.7900000004, 当前股票数量：0
买入操作2019-04-03 00:00:00----当前现金：5.290000000386499, 当前股票数量：86047
卖出操作2019-04-15 00:00:00----当前现金：986964.3800000005, 当前股票数量：0
买入操作2019-04-17 00:00:00----当前现金：6.500000000465661, 当前股票数量：82868
卖出操作2019-04-25 00:00:00----当前现金：956303.2200000004, 当前股票数量：0
买入操作2019-05-08 00:00:00----当前现金：6.380000000470318, 当前股票数量：83084
卖出操作2019-05-10 00:00:00----当前现金：940517.2600000005, 当前股票数量：0
买入操作2019-05-21 00:00:00----当前现金：6.380000000470318, 当前股票数量：83084
卖出操作2019-05-23 00:00:00----当前现金：922238.7800000005, 当前股票数量：0
买入操作2019-06-03 00:00:00----当前现金：8.540000000502914, 当前股票数量：81758
卖出操作2019-06-27 00:00:00----当前现金：951671.6600000005, 当前股票数量：0
买入操作2019-07-17 00:00:00----当前现金：2.6200000004610047, 当前股票数量：82898
卖出操作2019-08-05 00:00:00----当前现金：931776.1400000005, 当前股票数量：0
买入操作2019-08-14 00:00:00----当前现金：3.0200000004842877, 当前股票数量：82604
卖出操作2019-08-21 00:00:00----当前现金：942514.6600000005, 当前股票数量：0
买入操作2019-08-22 00:00:00----当前现金：8.290000000502914, 当前股票数量：82459
卖出操作2019-08-29 00:00:00----当前现金：926022.8600000006, 当前股票数量：0
买入操作2019-09-05 00:00:00----当前现金：1.8200000006472692, 当前股票数量：79692
卖出操作2019-09-23 00:00:00----当前现金：936382.8200000006, 当前股票数量：0
买入操作2019-10-08 00:00:00----当前现金：7.520000000600703, 当前股票数量：78687
卖出操作2019-10-24 00:00:00----当前现金：1030020.3500000006, 当前股票数量：0
买入操作2019-11-07 00:00:00----当前现金：7.630000000586733, 当前股票数量：80722
卖出操作2019-11-12 00:00:00----当前现金：988044.9100000006, 当前股票数量：0
买入操作2019-12-11 00:00:00----当前现金：6.3900000005960464, 当前股票数量：82474
卖出操作2019-12-26 00:00:00----当前现金：1013611.8500000006, 当前股票数量：0
YEGE学AI算法
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
大数据时代下金融数据分析变革
08-17
活动现场，文思海辉副总裁符海鹏做了 《大数据时代下的金融数据分析变革》主题演讲 ，并与大家分享了中国金融服务业所面临的挑战，“利率市场化加剧市场竞争”的内忧;“传统金融业务遭遇互联网金融冲击”的外患;金融大监管的演进;大数据等新技术的出现，支撑金融转型和新业务开创，提升核心竞争力。谈到技术，海鹏说：“Hadoop已经不只是Hadoop”符海鹏从实践中感悟给大家的一些建议：“第一、数据技术在供需两侧同时发挥效力，企业将在此领域产生巨量投入，无论是数据来源和采集，还是数据的分析与应用。第二、IT服务商应该考虑其客户的商业数据流，即与最终客户的数据链接，向一线业务前进。第三、数据人才和从IT技术人员到数据科学家体系的转变仍然是重中之重。”
金融行业数据分析应用
hualalalalali的博客
08-22 1859
金融，是关乎于每一个人的领域，金融行业的景气与否直接关乎着一个国家人民的生活水平。同样，金融行业的每一个数据，都有着潜在的价值，合理的运用金融数据，可以直接影响整个国家的经济命脉。今天，我将分享有关金融行业的数据应用，了解金融世界的魅力。 金融行业数据 金融行业数据是指在各项金融活动中产生的数据。最主要的数据来源便是银行数据，数据的数字便是代表着经济的多少，因此，金融行业的数据是计算整个...
Python数据分析实践：Python数据分析概述.ppt
06-14
1.1 Python数据分析概述 模块一 Python数据分析概述及环境搭建 Python数据分析实践 数据分析概念 数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。 数据分析流程 （一）需求分析 （二）数据获取 （三）数据预处理 （四）分析与建模 （五）模型评估与优化 （六）部署 数据分析步骤 数据分析应用场景 数据分析应用于各个行业，包括金融、汽车、餐饮、电信、能源、体能和娱乐等在内的社会各行各业都已经融入了数据分析的印迹： 制造业：利用工业大数据提升制造业水平，包括产品故障诊断与预测、分析工艺流程、改进生产工艺，优化生产过程能耗、工业供应链分析与优化、生产计划与排程。 金融行业：大数据在高频交易、社交情绪分析和信贷风险分析三大金融创新领域发挥重大作用。 生物医学：大数据可以帮助我们实现流行病预测、智慧医疗、健康管理，同时还可以帮助我们解读DNA,了解更多的生命奥秘。 互联网行业：借助于大数据技术，可以分析客户行为，进行
R语言数据分析案例实战文章整理
12-27
R语言是一种广泛使用的统计计算和图形化的编程语言，它可以处理各种类型和规模的数据，进行数据清洗、转换、可视化、建模、预测等操作，支持多种数据分析的技术和方法，如探索性数据分析、时间序列分析、回归分析、分类分析、聚类分析、文本分析、空间分析等。 R语言的优势在于它有丰富的扩展包和社区资源，可以满足不同领域和需求的数据分析，如医疗、金融、教育、商业、社会科学等。R语言也有一些缺点，如内存管理、速度、兼容性等方面，但这些问题可以通过一些技巧和工具来改善或解决。 R语言是一种广泛使用的统计计算和图形化的编程语言，它可以处理各种类型和规模的数据，进行数据清洗、转换、可视化、建模、预测等操作，支持多种数据分析的技术和方法，如探索性数据分析、时间序列分析、回归分析、分类分析、聚类分析、文本分析、空间分析等。 R语言的优势在于它有丰富的扩展包和社区资源，可以满足不同领域和需求的数据分析，如医疗、金融、教育、商业、社会科学等。R语言也有一些缺点，如内存管理、速度、兼容性等方面，但这些问题可以通过一些技巧和工具来改善或解决。 R语言是一种广泛使用的统计计算和图形化的编程语言，它可以处理各种类型和规模的
知识图谱在金融领域的分析与应用.pdf
04-08
知识图谱在金融领域的分析与应用.
金融大数据分析
03-11
主要是讲解关于金融领域的用python技术如何处理在金融领域的一系列的问题
金融大数据分析还不简单，有了Smartbi简单几步就能完成
思迈特Smartbi
01-20 382
近些年来，“大数据”可谓是随处可见，不管是在教育行业还是金融行业都有它的身影，那么大数据究竟是什么，我们到现在其实也没有一个准确的定义，但是企业可以根据五个方向来使用、测试数据。这五个方向就是数量、速度、类型、准确性、价值。然而，有很多企业只是停留在前三个方向，因为很多公司可能大量地投资于详细的分析，但是获得回来的价值却很少，因此启动后面几个觉得没有什么意义。 ​ 但是对于金融服务公司、金融行业来说，数字化是它们必须要实现的，这样才能够从大数据中获得有价值的见解，然而，国际金融服务提供商摩根士丹利的一项研究
数据分析之金融数据分析
weixin_48192346的博客
11-29 3356
金融业是一个持续发展的行业，金融业正在使用数据分析进行金融，以最大程度地减少管理各种金融活动所需的精力和时间。这些公司正在利用数据分析和机器学习原理的力量。这有助于他们发现金融行业各个领域所需的进步，以重塑其业务战略。他们正试图从市场数据中获得一些有意义的见解，以设计更好的财务解决方案。 金融资产数据分析正在发展为一个多学科领域，为金融行业带来了新的机遇。他们这样做是为了使他们能够将科学技术应用于大数据，以利用基础信息来提高组织中的情报。数据分析金融有类似领域中的许多用途的风险分析，客户数据 管理，等等。
金融数据分析与挖掘具体实现方法 -1
weixin_33785972的博客
08-29 1578
有人让我写一下关于数据挖掘在金融方面的应用，再加上现在金融对数据方面的要求不断提高，准备用两篇随笔来做个入门总结。 首先，在看这篇随笔以前稍微补充一点金融方面的知识，因为我不是金融专业的，以下补充知识来自互联网与个人整理，欢迎批评指正并补充说明。 1 先来了解一下什么是金融市场呢？ 通常狭义的金融市场特指有价证券（股票、债券）发行和流通的场所。 股票、...
金融行业的大数据分析
05-16 953
近年来，“大数据”一词似乎比其他IT术语更受欢迎。这不仅是术语的传播，而且是广泛的应用，许多公司似乎希望赶上创新列车。无论人们称之为“大数据”、“数据科学”、“工业4.0”或任何其他有吸引力的术语，人们谈论的都是相同的东...
金融数据的统计分析
01-31
金融数据的统计分析。金融资产价格和报酬的模型及其统计特性以及经验规则。
论文研究 - 金融科技的新趋势：金融领域人工智能模型可解释性研究
05-17
随着金融科技的发展，将人工智能（AI）技术应用于金融领域已成为大势所趋。 但是，存在一些不适当的条件，例如，AI模型始终被视为黑匣子，无法解释。 本文研究了将模型应用于金融领域时的AI模型的可解释性。 我们分析黑匣子问题的原因并探索有效的解决方案。 我们提出了一种新型的Regtech自动化工具LIMER，并提出了政策建议，从而不断推动Fintech的发展。
金融统计与数据分析（戴维.罗伯特）
04-20
I developed this textbook while teaching the course Statistics for Financial Engineering to master’s students in the financial engineering program at Cornell University. These students have already taken courses in portfolio management, fixed income securities, options, and stochastic calculus, so I concentrate on teaching statistics, data analysis, and the use of R, and I cover most sections of Chaps. 4–12 and 18–20. These chapters alone are more than enough to fill a one-semester course. I do not cover regression (Chaps. 9–11 and 21) or the more advanced time series topics in Chap. 13, since these topics are covered in other courses. In the past, I have not covered cointegration (Chap. 15), but I will in the future. The master’s students spend much of the third semester working on projects with investment banks or hedge funds. As a faculty adviser for several projects, I have seen the importance of cointegration.
金融统计与数据分析（戴维.罗伯特）所有代码数据
04-20
This book does not teach R programming, but each chapter has an “R lab” with data analysis and simulations. Students can learn R from these labs and by using R’s help or the manual An Introduction to R (available at the CRAN web site and R’s online help) to learn more about the functions used in the labs. Also, the text does indicate which R functions are used in the examples. Occasionally, R code is given to illustrate some process, for example, in Chap. 16 finding the tangency portfolio by quadratic programming. For readers wishing to use R, the bibliographical notes at the end of each chapter mention books that cover R programming and the book’s web site contains examples of the R and WinBUGS code used to produce this book. Students enter my course Statistics for Financial Engineering with quite disparate knowledge of R. Some are very accomplished R programmers, while others have no experience with R, although all have experience with some programming language. Students with no previous experience with R generally need assistance from the instructor to get started on the R labs. Readers using this book for self-study should learn R first before attempting the R labs.
京东金融大数据分析平台总体架构-v1.0.rar
最新发布
04-26
京东金融大数据分析平台总体架构-v1.0.rar，是一个针对数字化转型的精品资料。该资料提供了关于京东金融大数据平台的详细架构信息和解决方案。通过深入分析京东金融的业务需求和技术挑战，该资料提出了一种基于...
金融交易-外汇数据分析-EUR/USD历史价格-市场趋势预测资源
07-15
这是一份专为金融交易者和分析师准备的外汇数据分析资源，主要涵盖了...如果你在金融交易领域工作，或者对外汇市场有研究需求，那么这份"金融交易-外汇数据分析-EUR/USD历史价格-市场趋势预测资源"将是你的理想选择。
金融时间序列分析数据集.zip
03-19
金融时间序列分析数据集是金融领域中一类重要的数据资源，它记录了金融市场各类资产价格随时间变化的轨迹。 金融时间序列分析数据集具有多个显著特点。首先，它们通常具有高度的时序性，即数据按照特定的时间间隔...
数据分析06-五个pandas可视化项目
yegeli的博客
06-29 3266
数据分析-06）数据分析-06pandas可视化基本绘图Series数据可视化DataFrame数据可视化高级绘图项目：分析影响学生成绩的因素项目：泰坦尼克号生存人员数据分析与可视化项目：movielens电影数据分析与可视化项目：二手房源信息数据分析与可视化项目：电信流失用户数据分析与可视化扩展：数据清洗检测与处理重复值检测与处理缺失值检测与处理异常值 数据分析-06 pandas可视化 基本绘图 Series数据可视化 Series提供了plot方法以index作为x，以value作为y，完成数据可视化
数据分析07-数据清洗、矩阵、数学建模
yegeli的博客
06-30 2301
数据分析-07数据分析-07扩展：数据清洗检测与处理重复值检测与处理缺失值检测与处理异常值矩阵1. 矩阵对象的创建2. 矩阵的乘法运算3. 矩阵的逆矩阵4. ndarray提供的矩阵API5. 矩阵应用数学建模1. 线性模型线性拟合2. 多项式模型3. 基于函数矢量化的股票回测模型 数据分析-07 扩展：数据清洗 检测与处理重复值 pandas提供了一个名为drop_duplicates的去重方法。该方法只对DataFrame或者Series类型有效。这种方法不会改变数据原始排列，并且兼具代码简洁和运行稳定
duee-fin金融领域篇章级事件抽取数据集
11-09
duee-fin金融领域篇章级事件抽取数据集是一个为金融领域的篇章级事件抽取任务提供数据集的资源。这个数据集通常包含了大量的金融领域文本数据，用于训练和评估事件抽取模型的性能。 事件抽取是自然语言处理中的一个...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

YEGE学AI算法

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