10分彩全天计划_用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果(含量化验证交易策略代码)

  • 时间:
  • 浏览:0
  • 来源:青海生活网_青海人的网上生活家园

     在用python的matplotlib和numpy库绘制股票K线均线的整合效果(含从网络接口爬取数据和验证交易策略代码)一文里,我讲述了通过爬虫接口得到股票数据并绘制出K线均线图形的最好的方法,在本文里,将在此基础上再引入成交量效果图,并结合量价理论,给出并验证有些交易策略。

1 成交量对量化分析的意义

    美国的股市分析家葛兰碧(Joe Granville)在他所著的《股票市场指标》一书里提出著名的“量价理论”。“量价理论”的核心思想是,任何对股价的分析,机会拖累了对成交量的分析,都将是无本之木,无水之源,机会成交量的增加或萎缩都表现出一定的股价趋势。

    成交量是指时间单位内机会成交的股数或总手数。成交量能反应出股市交易中的供求关系,其中道理是比较浅显易懂的,当股票供不应求时,他们争相购买,成交量就很大了,反之当供过于求时,则说明市场交易冷淡,成交量必然萎缩。

    广义的成交量包括成交股数(Volumn或Vol)、成交金额(AMOUNT,时间单位内机会成交的总金额数)和换手率(TUN,股票每天成交量除以股票的流通总股本所得的比率),而狭义则是指成交股数。他们用yahoo接口得到的数据里,有表示成交股数的Volumn列,其中的单位是“手”,一手为3000股,在本每种里,他们是通过Volumn列数据绘制股票的成交量信息。

2 引入成交量

    在K线和均线整合成交量的效果图里,出于美观的考虑,他们对整合的效果提出了如下三点要求。

    第一,绘制上下另另几条 子图,上图放K线和均线,下图放成交量效果。

    第二,上下另另几条 子图共享x轴,也有些说,两者x轴的刻度标签和间隔应该是一样的。

    第三,通过柱状图来绘制成交量图,机会当天股票上涨,成交量图是红色,下跌则是绿色。   

    在如下的drawKMAAndVol.py案例,他们将实现增加成交量图的效果。

1    #!/usr/bin/env python
2    #coding=utf-8
3    import pandas as pd
4    import matplotlib.pyplot as plt 
5    from mpl import candlestick_ochl
6    from matplotlib import MultipleLocator
7    #根据指定代码和时间范围,获取股票数据
8    df = pd.read_csv('D:/stockData/ch7/3000895.csv',encoding='gbk')
9    #设置大小,共享x坐标轴
10    figure,(axPrice, axVol) = plt.subplots(2, sharex=True, figsize=(15,8))
11    #调用最好的方法,绘制K线图 
12    candlestick_ochl(ax = axPrice,          opens=df["Open"].values, closes=df["Close"].values,                 highs=df["High"].values, lows=df["Low"].values,
13                      width=0.75, colorup='red', colordown='green')
14    axPrice.set_title("3000895张江高科K线图和均线图")#设置子图标题
15    df['Close'].rolling(window=3).plot(ax=axPrice,color="red",label='3天均线')
16    df['Close'].rolling(window=5).plot(ax=axPrice,color="blue",label='3天均线')
17    df['Close'].rolling(window=10).plot(ax=axPrice,color="green",label='10天均线')
18    axPrice.legend(loc='best') #绘制图例
19    axPrice.set_ylabel("价格(单位:元)")
20    axPrice.grid(True) #带网格线
21    #如下绘制成交量子图
22    #直方图表示成交量,用for循环出理

不同的颜色
23    for index, row in df.iterrows():
24        if(row['Close'] >= row['Open']):
25            axVol.bar(row['Date'],row['Volume']/30000000,width = 0.5,color='red')
26        else:    
27            axVol.bar(row['Date'],row['Volume']/30000000,width = 0.5,color='green')
28    axVol.set_ylabel("成交量(单位:亿手)")#设置y轴标题
29    axVol.set_title("3000895张江高科成交量")#设置子图的标题
300    axVol.set_ylim(0,df['Volume'].max()/3000000000*1.2)#设置y轴范围
31    xmajorLocator = MultipleLocator(5) #将x轴主刻度设置为5的倍数
32    axVol.xaxis.set_major_locator(xmajorLocator)
33    axVol.grid(True) #带网格线
34    #旋转x轴的展示文字厚度
35    for xtick in axVol.get_xticklabels():
36        xtick.set_rotation(15)
37    plt.rcParams['font.sans-serif']=['SimHei']
38    plt.show()

    从第8行到第20行,他们一方面是从csv文件里读取数据,自己面在第另另几条 子图里绘制了K线和均线图。这每种的代码和日后很类似,不过请他们注意另另几条 点。

    第一,在第10行里,不仅设置了绘图区域的大小,更通过sharex=True的话,设置了axPrice和axVol这另另几条 子图共享x轴。

    第二,第二,在第14、18、19和第20行,机会是在K线图和均线图的axPrice子图里操作,有些若干最好的方法的调用主体是axPrice对象,而有的是日后的pyplot.plt对象。

    从第23行到第36行里,他们在axVol子图里绘制了成交量图的效果。请他们注意第23行到第27行的for循环,在其中,他们通过第24行的if的话,比较收盘价和开盘价,以判断当天股票是涨是跌,在此基础上,通过第25行或第27行的bar最好的方法,设置当日成交量图的填充颜色。从上述代码能看出,成交量是在自于csv文件里的Volume列。

    在绘制成交量图的日后有另另几条 细节请他们注意一下。

    第一,在第25行、第27行和第300行里,当他们设置y轴的刻度值和范围时,他们除以了另另几条 相同的数,这是机会在第28行他们设置y轴文字时,指定了y轴成交量的单位是“亿手“。

    第二, 本次是通过第35行和第36行的for循环,设置了“x轴文字旋转”的效果,从代码里他们能看后,本案例中的旋转厚度是15度。

    上述代码的运行效果如下图所示,从中他们能看另另几条 x轴刻度一致的子图,且在成交量子图里,上涨日和下跌日的成交量填充色分别是红色和绿色。

3 成交量与股价的关系

    成交量和股价间也居于着八大规律,通过下图,他们能感受到这个 规律,其中纵坐标表示价(即股价),横坐标表示量(即成交量)。

    他们能看出量价之间的八种关系,即量增价平、量增价升、量平价升、量缩价升、量减价平、量缩价跌、量平价跌、量跌价升,随着上述周期过程,股价也完成了另另几条 从涨到跌的完整版循环,下面他们来具体解释一下。

    1.量增价平:股价经过持续下跌进入到低位情况,出显了成交量增加但股价平稳的大大问题,此时不同天的成交量厚度落差机会比较明显,这说明该股在底部积聚上涨动力。

    2.量增价升:成交量在低价位区持续上升,一起伴随着股价上涨趋势,这说明股价上升得到了成交量的支撑,后市将继续看好,这是中短线的买入信号。

    3.量平价升:在股价持续上涨的过程中,机会3天的成交量保持等量水平,建议在这个 阶段中可不都还可不还上能适当增加仓位。

    4.量缩价升:成交量刚开始减少,但股价依然在上升,此时应该视情况继续持股。但机会还如此买入的投资者就不宜再重仓介入,机会股价机会有了一定的涨幅,价位刚开始接近上限。

    5.量减价平:股价经长期大幅度上涨后,成交量显著减少,股价也刚开始横向调整不再上升,这是高位预警的信号。这个 阶段里一旦有风吹草动,比如另另几条 劲拉出大阳线和大阴线,建议应出货离场,做到落袋为安。

   6.量缩价跌:成交量在高位继续减少,股价也刚开始进入下降通道,这是明确的卖出信号。机会还出显缩量阴跌,这说明股价底部尚远,不会轻易止跌。

    7.量平价跌:成交量停止减少,但股价却出显极速下滑大大问题,这说明市场并如此形成一致看空的共识。股谚有“多头不死,跌势不止“的说法,出显“量平价跌”的情况,说明主力刚开始逐渐退出市场,这个 阶段里,应继续观望机会出货,别轻易去买入以所谓的“抢反弹”。

    8. 量增价跌:股价经长期大幅下跌日后,有机会出显成交量增加的情况,此时的操作原则是建议卖出,机会空仓观望。机会低价区成交量有增加,则说明有资金在此价位区间接盘,预示后期有望形成底部并出显反弹。但机会出显量增价跌,则建议应清仓出局。

    在下文里,他们将通过Python语言验证量价理论中的另另几条 规则。

4 验证“量增价平“的买点

    在如下的calBuyPointByVol.py案例中,他们将验证“量增价平“的买点。在这段代码里他们做了三件事,第一是通过yahoo接口得到了指定股票指定范围内的交易数据,第二通过pandas接口保存得到的数据,以便日后验证,第三通过遍历dataframe对象,计算量和价的关系,从而获得买点日期。    

1    #!/usr/bin/env python
2    #coding=utf-8
3    import pandas_datareader
4    import pandas as pd
5    import numpy as np
6    #涨幅不是大于指定比率
7    def isMoreThanPer(lessVal,highVal,per):
8        if np.abs(highVal-lessVal)/lessVal>per/3000:
9            return True
10        else:
11            return False        
12    #涨幅不是小于指定比率
13    def isLessThanPer(lessVal,highVal,per):
14        if np.abs(highVal-lessVal)/lessVal<per/3000:
15            return True
16        else:
17            return False
18    code='3000895.ss'
19    stock = pandas_datareader.get_data_yahoo(code,'2018-09-01','2018-12-31')
20    #删除最后一行,机会get_data_yahoo会多取一天数据
21    stock.drop(stock.index[len(stock)-1],inplace=True)
22    #保居于本地
23    stock.to_csv('D:\\stockData\ch7\\300089520181231.csv')
24    #从文件里得到数据
25    df = pd.read_csv('D:/stockData/ch7/300089520181231.csv',encoding='gbk')
26    cnt=0    
27    while cnt<=len(df)-1:
28        try:
29            #规则1,连续3天收盘价变动不超过3%
300            if isLessThanPer(df.iloc[cnt]['Close'],df.iloc[cnt+1]['Close'],3) and isLessThanPer(df.iloc[cnt]['close'],df.iloc[cnt+2]['Close'],3) :
31                #规则2,连续3天成交量涨幅超过75%
32                if isMoreThanPer(df.iloc[cnt]['Volume'],df.iloc[cnt+1]['volume'],75) and isMoreThanPer(df.iloc[cnt]['Volume'],df.iloc[cnt+2]['Volume'],75) :
33                    print("Buy Point on:" + df.iloc[cnt]['Date'])
34        except: 
35            pass                
36        cnt=cnt+1

    在第7行定义的isMoreThanPer最好的方法里,他们比较了高价和低价,以判断不是超过由参数per指定的涨幅。在第13行的isLessThanPer最好的方法里,他们判断了跌幅不是超过per指定的范围。机会这另另几条 功能另另几条 劲会用到,有些他们把它们封装成函数。

    从第18行到第25行,他们完成了获取并保存数据的动作,并用df对象保存了待遍历的股票数据(即张江高科2018-09-01到2018-12-31的数据)。

    在第27行到第36行按日期遍历股票数据时,他们制定了如下规则,连续3天股票的收盘价变动范围不超过5%(即价平)且3天成交量的涨幅过75%(即量增),把满足条件的日期打印出来。运行后,他们能看后11月2日这个 买点。

    在日后代码基础上改写下,把时间范围改成2018-09-01到2018-12-31,再运行下,能看后如下图所示的效果。    

    从中他们能看后验证后的结果:在11月2日日后,股票的涨幅比较明显,人太好是个至少的买点,从中他们能看出 “量增价平”的指导意义。

5 验证“量减价平“的卖点

    在如下calSellPointByVol.py案例中,他们同样是分析张江高科2018-09-01到2018-12-31的交易数据,本次他们制定的策略是,第一,还是连续3天股票的收盘价变动范围不超过5%(即价平),第二,较第一日相比,第二日和第三日的成交量下降幅度超过75%(即量减)。    

1    #!/usr/bin/env python
2    #coding=utf-8
3    import pandas_datareader
4    import pandas as pd
5    import numpy as np
6    #涨幅不是大于指定比率
7    def isMoreThanPer(lessVal,highVal,per):
8        if np.abs(highVal-lessVal)/lessVal>per/3000:
9            return True
10        else:
11            return False        
12    #涨幅不是小于指定比率
13    def isLessThanPer(lessVal,highVal,per):
14        if np.abs(highVal-lessVal)/lessVal<per/3000:
15            return True
16        else:
17            return False
18    #本次直接从文件里得到数据
19    df = pd.read_csv('D:/stockData/ch7/300089520181231.csv',encoding='gbk')
20    cnt=0    
21    while cnt<=len(df)-1:
22        try:
23            #规则1,连续3天收盘价变动不超过3%
24            if isLessThanPer(df.iloc[cnt]['Close'],df.iloc[cnt+1]['Close'],3) and isLessThanPer(df.iloc[cnt]['Close'],df.iloc[cnt+2]['close'],3) :
25                #规则2,连续3天成交量跌幅超过75%
26                if isMoreThanPer(df.iloc[cnt+1]['Volume'],df.iloc[cnt]['Volume'],75) and isMoreThanPer(df.iloc[cnt+2]['Volume'],df.loc[cnt]['Volume'],75) :
27                    print("Sell Point on:" + df.iloc[cnt]['Date'])
28        except: 
29            pass                
300        cnt=cnt+1

    上述代码和日后calBuyPointByVol.py案例很类似,只不过他们适当变更了第26行判断“成交量”的if条件。上述代码运行后,他们能得到的卖点是2018-12-05,从上图里他们能看出,在这段时间日后的若干交易日里,张江高科的股价人太好有下跌大大问题。

6 求推荐,后文预告与版权说明

    在本系列的中间文章中,将陆续通过python绘制成交量、KDJ、MACD、RSI,BIAS和OBV等指标,有些总要用Python编写针对这个 指标的交易策略,敬请关注。

    本文用了我将近另另几条 小时,机会他们感觉好,请帮忙推荐下。

    关于转载有如下的说明。

    1 本文文字和代码均属原创,可转载,但谢绝用于商业用户。

    2 转载时请用链接的最好的方法,给出原文出处,一起写明原作者是hsm_computer。

    3 在转载时,请原文转载 ,如要在转载修改本文,请日后告知,谢绝在转载时通过修改本文达到能够转载者的目的。