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)