Tushare是一个免费、开源的python财经数据接口包。 主要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，能够为金融分析人员提供快速、整洁、和多样的便于分析的数据，为他们在数据获取方面极大地减轻工作量，使他们更加专注于策略和模型的研究与实现上。考虑到Python pandas包在金融量化分析中体现出的优势，Tushare返回的绝大部分的数据格式都是pandas DataFrame类型，非常便于用pandas/NumPy/Matplotlib进行数据分析和可视化。当然，如果您习惯了用Excel或者关系型数据库做分析，您也可以通过Tushare的数据存储功能，将数据全部保存到本地后进行分析。应一些用户的请求，从0.2.5版本开始，Tushare同时兼容Python 2.x和Python 3.x，对部分代码进行了重构，并优化了一些算法，确保数据获取的高效和稳定。

需要强调的是， TuShare库里不仅仅有股票数据，而是一个综合的财经库 。只是因为股票数据数据量比较大，特别锻炼数据分析能力，所以才选择股票数据练手。其余的数据也是很有意思的，比如全国电影票房排名

安装Python

安装pandas

lxml也是必须的，正常情况下安装了Anaconda后无须单独安装，如果没有可执行：pip install lxml

建议安装Anaconda（ http://www.continuum.io/downloads ），一次安装包括了Python环境和全部依赖包，减少问题出现的几率。

方式1：pip install tushare

方式2：访问 https://pypi.python.org/pypi/Tushare/ 下载安装

2.均线： 均线一般分为5日(MA5)，10日(MA10)，20日(MA20)，30日(MA30)，60日(MA60)，120日(MA120)和250日平均线(MA250)， 它指的是在这些天里这个股票收盘的平均价格 ，通过K线与均线的对比可以看出股票的强弱，一般在5日均线以上属于较强势。

2、获取股票行情的函数

我们主要还是应该掌握如何用tushare获取股票行情数据， 使用的是ts.get_hist_data()函数或者ts.get_k_data（）函数

code：股票代码，即6位数字代码，或者指数代码（sh=上证指数 sz=深圳成指 hs300=沪深300指数 sz50=上证50 zxb=中小板 cyb=创业板）
start：开始日期，格式YYYY-MM-DD
end：结束日期，格式YYYY-MM-DD
ktype：数据类型，D=日k线 W=周 M=月 5=5分钟 15=15分钟 30=30分钟 60=60分钟，默认为D
retry_count：当网络异常后重试次数，默认为3
pause:重试时停顿秒数，默认为0

返回值说明：
date：日期
open：开盘价
high：最高价
close：收盘价
low：最低价
volume：成交量
price_change：价格变动
p_change：涨跌幅
ma5：5日均价
ma10：10日均价
ma20:20日均价
v_ma5:5日均量
v_ma10:10日均量
v_ma20:20日均量
turnover:换手率[注：指数无此项]

import pandas as pd
import numpy as np
from pandas import DataFrame,Series
import tushare as ts
# 获取k线数据，加载至DataFrame中
df = ts.get_k_data('600519',start='2000-01-01')  # 茅台
df.head()
# 将从Tushare中获取的数据存储至本地
df.to_csv('./maotai.csv')
# 将原数据中的时间作为行索引，并将字符串类型的时间序列化成时间对象类型
# index_col参数：把某一列col作为行索引index
# parse_dates:把字符串类型的时间序列化成时间对象类型
df = pd.read_csv('./maotai.csv',index_col='date',parse_dates=['date'])
df.drop(labels='Unnamed: 0',axis=1,inplace=True)
df.head()
# 分析1：输出该股票所有收盘比开盘上涨3%以上的日期
# 获取满足条件的行索引
df.loc[(df['close'] - df['open'])/df['open'] > 0.03].index
# 分析2：输出该股票所有开盘比前日收盘跌幅超过2%的日期
df.loc[(df['open'] - df['close'].shift(1)) / df['close'].shift(1) <= -0.02].index
# 分析3：假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何
price_last = df['open'][-1]
df = df['2010-01':'2019-01'] # 剔除首尾无用的数据
# Pandas提供了resample函数用便捷的方式对时间序列进行重采样，根据时间粒度的变大或者变小分为降采样和升采样：
df_monthly = df.resample("M").first()  # 获取每月第一个交易日对应的行数据
df_yearly = df.resample("Y").last()[:-1] # 获取每年第最后一个交易日对应的行数据并去除最后一年
cost_money = 0
hold = 0 # 每年持有的股票
for year in range(2010, 2020):
    cost_money -= df_monthly.loc[str(year)]['open'].sum()*100
    hold += len(df_monthly[str(year)]['open']) * 100
    if year != 2019:
        cost_money += df_yearly[str(year)]['open'][0] * hold
        hold = 0 # 每年持有的股票
cost_money += hold * price_last
print(cost_money)

4、双均线策略

金叉 ：就是指 短期的均线 向上穿越 中期或长期的均线 ，交点就为金叉， 应该买入 。

死叉 ：就是指 短期的均线 向下穿越 中期或长期的均线 ，交点就为死叉， 应该卖出 。

其它指标以此类推

# 将原数据中的时间作为行索引，并将字符串类型的时间序列化成时间对象类型 # index_col参数：把某一列col作为行索引index # parse_dates:把字符串类型的时间序列化成时间对象类型 df = pd.read_csv( ' ./maotai.csv ' ,index_col= ' date ' ,parse_dates=[ ' date ' ]) df.drop(labels = ' Unnamed: 0 ' ,axis=1,inplace= True) # 获取需要的数据 df = df[ ' 2010 ' : ' 2019 ' ] # 计算均线 ma5 = df[ ' close ' ].rolling(5).mean() # 5日均值 ma30 = df[ ' close ' ].rolling(30).mean() # 30日均值 # 计算出金叉和死叉 s1 = ma5 < ma30 s2 = ma5 > ma30

# 计算金叉死叉图解
gold = df.loc[~(s1 | s2.shift(1))].index # 金叉 dead = df.loc[s1&s2.shift(1)].index # 死叉 # 计算出结果 first_money = 100000 money = first_money hold = 0 # 持有多少股 sr1 = Series(1, index= gold) # 把所有金叉点组成一个行索引为金叉日期，值为1的Series数组 sr2 = Series(0, index= dead) # 把所有死叉点组成一个行索引为死叉日期，值为0的Series数组 # 合并金叉死叉，并根据时间排序 sr = sr1.append(sr2).sort_index() for i in range(0, len(sr)): p = df[ ' open ' ][sr.index[i]] # sr.index取到Series索引，sr.index[i],第i个索引 if sr.iloc[i] == 1 : buy = (money // (100 * p)) hold += buy*100 money -= buy*100* p else : money += hold * p hold = 0 p = df[ ' open ' ][-1 ] now_money = hold * p + money print (now_money - first_money)