一 金融专业人士以及对金融感兴趣的业余人士感兴趣的一类就是历史价格进行的技术分析。维基百科中定义如下,金融学中,技术分析是通过对过去市场数据(主要是价格和成交量)的研究预测价格方向的证券分析方法。 下面,我们着重对事后验证过去市场数据的研究,而不是过多低关注对未来股价变动的预测。我们选取的研究目标是标准普尔(S&P)500指数,这是美国股票市场有代表性的指标,包括了许多著名公司的股票,代表着高额的市场资本,而且,该指数也具有高流动性的期货和期权市场。 二 我们将从Web数据来源读取历史指数水平信息,并未一个
作者在自学机器学习的过程中,尝试开发了一个基于机器学习的A股选股工具。本文是在赤兔的“数据挖掘”小组分享的此次开发过程和心得体会的整理。 股票价格的可预测性——工具的意义 关于股票价格的可预测性,我想
在股市里,光是一支股票,其 K 线、形态、指标就已经含有丰富的信息,更何况股市里有大几千支股票,各种信息令人眼花缭乱。普通散户到底如何全盘分析,选出一支潜力股?
Python 的学习者中,有相当一部分是冲着爬虫去的。因为爬虫可以帮你解决很多工作和生活中的问题,节约你的生命。不过 Python 还有一个神秘而有趣的应用领域,那就是量化交易。 量化交易,就是以数学模型替代人的主观判断来制定交易策略。通常会借助计算机程序来进行策略的计算和验证,最终也常直接用程序根据策略设定的规则自动进行交易。 Python 由于开发方便,工具库丰富,尤其科学计算方面的支持很强大,所以目前在量化领域的使用很广泛。市面上也出现了很多支持 Python 语言的量化平台。通过这些平台,你可以很方
摘要:本篇文章是"Python股市数据分析"两部曲中的第一部分,主要介绍金融数据分析的背景以及移动均线等方面的内容。 本篇文章是"Python股市数据分析"两部曲中的第一部分,内容基于我在犹他州立大学MATH 3900 (Data Mining)课程上的一次讲座。在这些文章中,我将介绍一些关于金融数据分析的基础知识,例如,使用pandas获取雅虎财经上的数据,股票数据可视化,移动均线,开发一种均线交叉策略,回溯检验以及基准测试。第二篇文章会介绍一些实践中可能出现的问题,而本篇文章着重讨论移动平均线。 注意:
前言 Dynamic Time Warping(DTW),动态时间规整算法诞生有一定的历史了(日本学者Itakura提出),它出现的目的也比较单纯,是一种衡量两个长度不同的时间序列的相似度的方法。DTW应用也比较广,主要是在模板匹配中,比如说用在孤立词语音识别(识别两段语音是否表示同一个单词),手势识别,数据挖掘和信息检索等中。 一、DTW算法原理 在时间序列中,需要比较相似性的两段时间序列的长度可能并不相等,在语音识别领域表现为不同人的语速不同。而且同一个单词内的不同音素的发音速度也不同,比如有的人会
本篇文章是”Python股市数据分析”两部曲中的第一部分,内容基于我在犹他州立大学MATH 3900 (Data Mining)课程上的一次讲座。在这些文章中,我将介绍一些关于金融数据分析的基础知识,例如,使用pandas获取雅虎财经上的数据,股票数据可视化,移动均线,开发一种均线交叉策略,回溯检验以及基准测试。第二篇文章会介绍一些实践中可能出现的问题,而本篇文章着重讨论移动平均线。 注意:本篇文章所涉及的看法、意见等一般性信息仅为作者个人观点。本文的任何内容都不应被视为金融投资方面的建议。此外,在此提供的
Python 的学习者中,有相当一部分是冲着爬虫去的。因为爬虫可以帮你解决很多工作和生活中的问题,节约你的生命。不过 Python 还有一个神秘而有趣的应用领域,那就是量化交易。
可转债的强制赎回,又称为“有条件赎回”,简称“强赎”,指的是可转债的发行人在特定条件下,有权按照债券面值加当期应计利息强制赎回全部或部分未转股的可转债。可转债强赎的本质,是公司在股票价格较高时,迫使投资者把手中的可转债换成股票,相当于该公司增发了一次股票。
基于 LLaMA 系基模型经过中文金融知识指令精调/指令微调(Instruct-tuning) 的微调模型。通过中文金融公开问答数据+爬取的金融问答数据构建指令数据集,并在此基础上对 LLaMA 系模型进行了指令微调,提高了 LLaMA 在金融领域的问答效果。
Backtrader 是 2015 年开源的 Python 量化回测框架(支持实盘交易),功能丰富,操作方便灵活:
if 交易日 < 上日 上日余额 ±= 交易金额 if 交易日 > 上日 上日余额 = 当前余额
给你一个整数数组 prices ,其中 prices[i] 表示某支股票第 i 天的价格。
今天内容不多,也不复杂。首先,之前写的stock_util补充一个获取指定日期前某个交易日期的函数,毕竟后期写到买卖点指标的时候,难免要用到前后两个交易日指标值的计算。接着,data包中再新增一个从数据集中提取数据的模块。
现在只有250条交易日数据,只能取到交易日的下一个交易日,取不到非交易日的下一个交易日。
作者:邢不行 原文链接: http://bbs.pinggu.org/thread-3631776-1-1.html (本文已获作者授权转载,如需转载请与原作者联系) ---- 【量化小讲堂-pyth
修复 futures_rule 数据接口,增加通过日期查找历史数据的功能,可以通过该接口获取近期期货交易日历数据。
下表(stock)记录了某指数过去一段时间的收盘价,我们要从这张表中找出收盘价持续上涨的日期。
本人之前写过若干“给程序员加财商”的系列文,目的是通过股票案例讲述Python知识点,让大家在学习Python的同时还能掌握相关的股票知识,所谓一举两得。
1、在概率论和统计学中,两个分布是n个独立的[是/非]试验中成功次数的离散概率分布。
14亿、99.0865万亿、1万美元,这三个数字标志着我们向着联合国划定的高收入国家标准又迈进了一步!
时间序列是按时间顺序的一组真实的数字,比如股票的交易数据。通过分析时间序列,能挖掘出这组序列背后包含的规律,从而有效地预测未来的数据。在这部分里,将讲述基于时间序列的常用统计方法。
此次股票价格预测模型仅根据股票的历史数据来建立,不考虑消息面对个股的影响。曾有日本学者使用深度学习的方法来对当天的新闻内容进行分析,以判断其对股价正面性/负面性影响,并将其与股票的历史数据相结合,各自赋予一定的权重来对近日的股价进行预测[1]。该预测方法取得了一定的效果。
沪深300指数增强 github(https://github.com/AlphaSmartDog/DeepLearningNotes/tree/master/Note-6%20A3CNet/Note-6.4%20HS300%E6%8C%87%E6%95%B0%E5%A2%9E%E5%BC%BA) 注:由于HS300使用的1min数据进行学习,使用数据量较大,相关数据库没有上传到github。 上证50指数增强 github(https://github.com/AlphaSmartDog/DeepLear
vn.py框架更加适合做CTA类的策略,而不是高频策略。moonnejs在「维恩的派」论坛里分享了自己如何对vn.py回测引擎进行改进,使其适合于高频交易。感谢moonnejs的分享!
本文提供了一个用vn.py来编写R-breaker交易策略的示例。只提供一个参考模板,并不能直接进入市场进行交易。感谢‘爱谁谁’在维恩的派论坛里的分享!
吃瓜群众:10年翻400倍?!这怎么可能?!肯定是标题党?! 回答:绝对不是。后面会附上原始数据、代码、结果,用数字说话。 吃瓜群众:那这个策略是不是非常复杂? 回答:不复杂。这个策略非常简单,简单到一句话就能讲清楚。 邢不行是经管之家(原人大经济论坛)「量化投资」版块的版主,毕业于香港科技大学,热门教程《量化小讲堂》作者。 今天,邢老师给大家分享一个策略,一个在过去10年可以让你的本金翻400倍的选股策略。 选股条件 这个策略非常简单,简单到只用了一个选股条件。但是这个选股条件在众多其他条件中,却是最
但如果使用 matplotlib 从 0 开始绘制,一步一步添加日线、均线、MACD、成交量等指标时,则会显得十分麻烦,且代码很难复用。
今天李世石已连续输掉了第二局,粗看下来,后面几盘似乎已没啥悬念了。无疑,这是一个伟大的时刻,也是个伟大的开始,超级智能机器在未来将会在人类生活中扮演更多更重要的角色。 资本市场,越来越多的量化策略与量化交易,越来越多的机器在介入,以前散户面对的是同样赤手空拳的空头,但现在我们面对的是高度智能的机器以及加杠杆的赌徒,以前跌一年,现在一周搞定,信息传播越来越快,人心预期转化也特别迅速,于我们,更需要理性,纪律与底线。 Alpha Go的优势: 无比强大的数据分析能力。对于公司的财务、行业的数据,未来的趋势,依据
图片来源:Daniel Lloyd Blunk-Fernández on Unsplash
我们在使用pandas分析处理时间序列数据时,经常需要对原始时间粒度下的数据,按照不同的时间粒度进行分组聚合运算,譬如基于每个交易日的股票收盘价,计算每个月的最低和最高收盘价。
import pandas as pd import numpy as np import matplotlib.pyplot as plt
目标地址: http://www.sse.com.cn/market/stockdata/statistic/
数据是金融量化分析的重要基础,包括股票历史交易数据、上市公司基本面数据、宏观和行业数据等。随着信息流量的日益膨胀,学会获取、查询和加工数据信息变得越来越重要。对于鼓捣量化交易的人来说,怎么能说不会玩数据库呢?目前常用的开源(免费)数据库有MySQL、Postgresql 、Mongodb 和 SQLite (Python自带),在2018-2019年DB-Engines 排行榜上位居前十(见下图),可见其使用量和受欢迎程度较高。这几个数据库各有自己的特点和适用环境,关于该学习哪一个或如何学习网上有很多相关资料。本文主要为大家简单介绍如何使用 Python 操作 Postgresql 数据库(其他数据库类似),利用 psycopg2 和 sqlalchemy 实现 postgresql 与 pandas 的 dataframe 进行交互,一步步搭建自己的量化分析数据库。
A 股市场在春节期间的表现通常优于平日,存在较为显著的春节效应。大家可以通过阅读下文图表来感受一下 A 股市场的春节效应。
本次主要更新 A 股的所有股票的十大股东数据,通过该数据接口可以获取期末持股-数量、期末持股-数量变化、期末持股-数量变化比例、期末持股-持股变动、期末持股-流通市值等数据
目标地址: http://fund.eastmoney.com/fund.html#os_0;isall_0;ft_;pt_1
不用复制粘贴,也不用写python,今天教你一个零代码可以自动抓取股票交易数据的好办法。来看看我自动化的效果吧!
用一段 Power BI 以后,就会发现有个特点:用切片器可以筛选某个表列。但有时候,需要用度量值来控制筛选。
本人最近在尝试着发表“以股票案例入门Python编程语言”系列的文章,在这些文章里,将用Python工具绘制各种股票指标,在讲述各股票指标的含义以及计算方式的同时,验证基于各种指标的交易策略,本文是第一篇,通过K线和均线案例讲述Numpy,Maplotlib等相关库的用法,并且还用代码案例来验证买卖的交易策略。在本系列的后面文章中,将陆续通过python绘制成交量、KDJ、MACD、RSI和OBV等指标,而且还会用Python编写针对这些指标的交易策略,敬请关注。
信达证券分析师谷永涛和他的团队近日发表研报,为投资者总结A股的十个秘密规律,以下为研报精华摘要。 1 收盘前上涨概率较高 统计数据表明,2009年1月至2015年9月期间,对比指数每五分钟的涨跌幅发现,午盘收盘前和全天收盘前,市场呈现较高概率的上涨,上涨概率高达60.3%和79.1%。 尾盘上涨现象与市场交易机制有较大关系,例如尾盘机构集中建仓、以及大宗交易的影响。但综合而言,对该现象的产生,目前尚没有完美的解释。 2 周一上涨概率大 统计每周的交易时间发现,周一上涨的概率和幅度最大。分段统计后发现,牛市
在本文里,将给出若干精彩范例,包括用爬虫获取股市数据,用matplotlib可视化控件绘制K线和均线,以及用sklean库里的方法,通过机器学习预测股价的走势。
使用Python绘制一幅专业的K线图,是量化投资和金融数据分析的必备功课。下面我将从K线图简介、数据获取、K线图绘制及成交量绘制等方面,结合源代码,一步步实现专业K线图的绘制。
本次主要更新 A 股的所有股票的十大流通股东数据,通过该数据接口可以获取期末持股-数量、期末持股-数量变化、期末持股-数量变化比例、期末持股-持股变动、期末持股-流通市值等数据
写着写着,突然发现之前的标题“常用命令介绍”已经跟内容有点脱轨了,写的已经不只是命令了……
股票价格指数就是用以反映整个股票市场上各种股票市场价格的总体水平及其变动情况的指标。简称为股票指数或指数。
融资融券交易(securities margin trading)又称“证券信用交易”或保证金交易,是指投资者向具有融资融券业务资格的证券公司提供担保物,借入资金买入证券(融资交易)或借入证券并卖出(融券交易)的行为。包括券商对投资者的融资、融券和金融机构对券商的融资、融券。从世界范围来看,融资融券制度是一项基本的信用交易制度。2010年03月30日,上交所、深交所分别发布公告,表示将于2010年3月31日起正式开通融资融券交易系统,开始接受试点会员融资融券交易申报。融资融券业务正式启动。
目标地址: http://vip.stock.finance.sina.com.cn/q/go.php/vLHBData/kind/jgzz/index.phtml
经过几个月的价格下跌后,Wan本周经历了有希望的价格上涨。Wanchain在过去7个交易日内上涨了32%,因为加密货币目前正以0.82美元左右交易。此价格上涨是在Wanchain在过去30个交易日内价格暴跌61%之后。
是一个DataFrame结构的数据,index就是交易日期,也就是每个交易日 共有15列;说明如下:
领取专属 10元无门槛券
手把手带您无忧上云