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。
#小策略，策略逻辑是在金叉时候买进，死叉时候卖出，所谓金叉死叉是两条均线的交叉，当短期均线上穿长期均线为金叉，反之为死叉
前不久收到清华大学出版社赠送的《深入浅出Python量化交易实战》一书，也答应了出版社要写一些读书笔记，今天就来交作业了。
我去年出了一本Python书，基于股票大数据分析的Python入门实战，在这本书里，我是用股票范例讲述Pythorn的爬虫，数据分析和机器学习知识点，如下是京东的连接。
摘要： 本篇文章是”Python股市数据分析”两部曲中的第二部分。在本篇文章中，我们讨论了均线交叉策略的设计、回溯检验、基准测试以及实践中可能出现的若干问题，并结合Python代码实现了一个基于均线交叉的交易策略系统。 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，在此给出的所有代码均无法提供任何保证。选择使用这些代码的个人需自行承担风险。 交易策略 我们把在未来条件满足时将被终止的交易称为未平仓交易。多头仓位是指在交易过程中通过金融商品增
在我写的这本书，《基于股票大数据分析的Python入门实战（视频教学版）》里，用能吸引人的股票案例，带领大家入门Python的语法，数据分析和机器学习。
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：
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
前不久，收到清华大学出版社赠送的 《深入浅出Python量化交易实战》 一书，也答应了出版社要写一些读书笔记，今天就来交作业了。
量化程序是用计算机程序来执行投资策略的程序，通常会涉及到数据获取、数据分析、模型构建、交易执行等一系列流程。下面是一个简单的示例程序，可以使用Python获取股票数据，并计算股票的均线，然后根据均线的交叉情况来决定是否买入或卖出股票。
闲着没事瞎倒腾，前几天网上看到一个描述股票趋势姿势，名字叫做“神仙趋势”，听着名字好像很厉害呀。到底说明的是一种什么样的趋势呐，带着激动的心情，作者今天就用python实践了一波。发现也就那样吧，有严重的时间延迟特征。这里小记一下。
python版本：3.4 最近在学习基于python的股票数据分析，其中主要用到了tushare和seaborn。tushare是一款财经类数据接口包，国内的股票数据还是比较全的，官网地址：http://tushare.waditu.com/index.html#id5 。seaborn则是一款绘图库，通过seaborn可以轻松地画出简洁漂亮的图表，而且库本身具有一定的统计功能。 导入的模块: import matplotlib.pyplot as plt import seaborn as sns i
最近在学习基于python的股票数据分析，其中主要用到了tushare和seaborn。 python版本：3.4 tushare是一款财经类数据接口包，国内的股票数据还是比较全的，官网地址：http://tushare.waditu.com/index.html#id5 。 seaborn则是一款绘图库，通过seaborn可以轻松地画出简洁漂亮的图表，而且库本身具有一定的统计功能。 导入的模块: import matplotlib.pyplot as plt import seaborn as sns
在上次的文档中，我说自己要用python实践一下网络上流传的筹码分布算法，后边我做了，但是感觉计算量比较大，我假设一个周期是120天，也就是120天的话，基本所有持仓的人都会卖出自己手中的筹码。然后我选择要展示的是最近的120，因此在计算的时间窗口上，我采用240天，也就是前边的120天是仅仅是为保证最近的120的数据不会有大的出入。除此之外还实现了论文2中的算法，相对来说比较简单。对于基于行为金融学中的算法，我选择了放弃，因为每次都要从股票上市的哪天进行计算，计算量比较大。通过对后边两种算法的实现，发现网上流传的筹码分布算法和各种软件上筹码分布图非常类似，差别很小。这里贴出我的实践结果。
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。
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线均线图形的方式，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，给出并验证一些交易策略。
在这个教程中，我们将学习如何利用交叉指标预测加密货币市场的买入/卖出信号，并在教程结尾提供了完整的Python代码，在市场历史数据上利用此算法可以实现三倍的比特币收益回报率。
作为投资者，我们常听到的一句话是“不要把鸡蛋放入同一个篮子中”，可见分散投资可以降低风险，但如何选择不同的篮子、每个篮子放多少鸡蛋，便是见仁见智的事情了，量化投资就是解决这些问题的一种工具。
我最近出了一本书，《基于股票大数据分析的Python入门实战 视频教学版》，京东链接：https://item.jd.com/69241653952.html，在其中给出了MACD，KDJ等指标图的绘制方法。此外，还可以用价格通道来分析。根据指定股票通道指标的算法，能用过去一定时间段的交易数据绘制出上下两条通道线，即价格通道里的上下轨道。一般来说，当股价向上突破上轨时，即预测后市将涨，反之当股价向下突破下轨时，即预测后市将跌。
本文将使用Python来可视化股票数据，比如绘制K线图，并且探究各项指标的含义和关系，最后使用移动平均线方法初探投资策略。 数据导入 这里将股票数据存储在stockData.txt文本文件中，我们使用pandas.read_table()函数将文件数据读入成DataFrame格式。 其中参数usecols=range(15)限制只读取前15列数据，parse_dates=[0]表示将第一列数据解析成时间格式，index_col=0则将第一列数据指定为索引。 import pandas as pd i
从数学角度来分析，MACD指标是根据均线的构造原理，对股票收盘价进行平滑处理，计算出算术平均值以后再进行二次计算，它是属于趋向类指标。
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。
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。
程序员，或许内心深处都怀揣着一个量化投资的梦想，渴望凭借自己的编程和人工智能技能，再补点基础的金融知识，我们便可以构建一个量化交易系统，轻松实现财富自由。这样的理想确实诱人，似乎让我们看到了轻松实现个人价值的可能性，也让我们看到了用代码改变世界的力量。
Echarts 是一个由百度开源的数据可视化工具，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可，而 Python 就不用多说了。
PLS，即偏最小二乘（Partial Least Squares），是一种广泛使用的回归技术，用于帮助客户分析近红外光谱数据。如果您对近红外光谱学有所了解，您肯定知道近红外光谱是一种次级方法，需要将近红外数据校准到所要测量的参数的主要参考数据上。这个校准只需在第一次进行。一旦校准完成且稳健，就可以继续使用近红外数据预测感兴趣参数的值。
上一篇《用Python绘制专业的K线图》，讲解了数据获取、K线图绘制及成交量绘制等内容。本篇将在上一篇的基础上，继续讲解移动均线的绘制。
今天给大家分享一位好朋友的六年量化程序开发历程，最后他的策略实现了很高的收益，身边有很多朋友也都是主业码农，副业量化，这种搭配是现在非常流行的，量化代码给大家放在了文章末尾，看完后希望对你有所启发与帮助~
假如你想深入机器学习和它背后的数学，你将会很快意识到一切都可归结为一个优化问题。就连训练神经网络都是一个参数优化的问题。因此要想理解机器学习算法，你需要首先理解数学优化的基本概念，以及它为什么这么有用。
python100天还在继续，到第三周的时候就显得有点难啃了，笔记中很难进行很好的转述，因此就对原有的python3笔记进行补充。今天的推送主要解决不同方式下的柱形图可视化，当然主要要使用python。R真香。
通过参数设置获取日k线、周k线、月k线，以及5分钟、15分钟、30分钟和60分钟k线数据。本接口只能获取近3年的日线数据，适合搭配均线数据进行选股和分析。
看多了前面的铺垫，接下来写一写可以实操的。本篇给出写择时策略回测的详细步骤，并用代码展示全过程，代码用python写，数据和代码后台回复“择时”获取，可以自己测试。
最近，这个格局已经被悄然打破，正是被来自曾经的小弟，新晋网红Python给硬生生拽下神坛。对此，Java曾表示强烈质疑，最近一份数据榜单悄悄来了！
这是 Python 进阶课的第十五节 - 量化交易之向量化回测 ，进阶课的目录如下：
前两天看到一篇论文《基于EMV指标的量化交易策略在我国A股市场的研究》，想想看我们学习talib中居然没有这个指标，至少目前还没碰见。作者通过EMV指标实现了年化20%的收益。对于一个本着学习目的的我来说，学一学EMV指标确实挺好。想想看要是自己也能开发这样一套系统的话，想想都觉得美滋滋。但毕竟咋不是专业的，野路子就要咋不断的动手了，希望黄天不负有心人吧！
不知道公众号有多少读者买基金或者炒股，分享一下如何用python获取证券信息 1、网易财经 import requests from lxml import etree headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36' } def parse_url(url):
PLAXIS 2D/3D程序是由荷兰PLAXIS B.V.公司推出的一系列功能强大的通用岩土有限元计算软件，已广泛应用于各种复杂岩土工程项目的有限元分析中，如：大型基坑与周边环境相互影响、盾构隧道施工与周边既有建筑物相互作用、大型桩筏基础（桥桩基础）与邻近基坑的相互影响、板桩码头应力变形分析、库水位骤升骤降对坝体稳定性的影响、软土地基固结排水分析、基坑降水渗流分析及完全流固耦合分析、建筑物自由振动及地震荷载作用下的动力分析、边坡开挖及加固后稳定性分析等等。
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
大数据文摘作品，转载要求见文末 编译 | 徐宇文，蒋晔、范玥灿 卞峥，yawei xia 技术早已成为金融业的一项资产：金融交易的高速、高频与超大数据体量结合，促使金融机构在一年一年不断地加深对技术的关注，在今天，技术已经切实成为了金融界的一项主导能力。 在金融界最受欢迎的编程语言中，你会看到R和Python，与C++，C#和Java这些语言并列。在本教程中，你将开始学习如何在金融场景下运用Python。本教程涵盖以下这些方面： 基础知识：对于金融入门阶段的读者，你将会首先学到股票和交易策略，什么是时间序列
均线策略应该是我们刚进入股市时就听过的一个策略，而双均线策略，顾名思义，就是两根均线：短期均线和长期均线。当短线均线上穿长期均线（金叉）时买入，当短期均线下穿长期均线（死叉）时卖出，这就是双均线策略的核心思想。
之前在一篇文章中提到Matplotlib可视化，甚至可以用来画股票K线图，许多同学也在问代码，这次来发个文回应下。
以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
“到底什么职业最挣钱？” “从业时间3年以上的互联网岗位中，平均薪资最高的是产品经理。” “除了北上广深，互联网人就业城市有什么其他好选择吗？” “全国有70%的互联网人都在北上广，但杭州、佛山等新一线城市互联网人才净流入增量最大。” 上述对互联网市场就业情况的“犀利”洞察均出自近期腾讯课堂与猎聘联合发布的《互联网求职高薪宝典》，引发不少网友关注。 随着互联网经济蓬勃发展，行业对适配人才需求日益增大，但就业市场信息不对称、用人标准不明晰的问题也随之凸显。作为国内最大的在线职业教育平台，腾讯课堂发起就业训练
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。
机器学习模型的表现不佳通常是由于过度拟合或欠拟合引起的，我们将重点关注客户经常遇到的过拟合情况。过度拟合是指学习的假设在训练数据上拟合得非常好，以至于对未见数据的模型性能造成负面影响。该模型对于训练数据中没有的新实例的泛化能力较差。
布林线指标，利用统计学原理，求出股价的标准差和信赖区间，从而去定股价波动的范围和未来走势，利用波段显示股价的安全高低价位。因而被称为布林带。
均线：k线在所有均线上方运行批注：从图上小伙伴们可以看出来，高点之后的一轮上涨至57720处开始回调，多比君认为54290这个位置的支撑，可偏偏不下来，说明比特币的走势现在是相当的强悍！比特币继续持有，不担心！今天判断走势：盘整震荡，调整，时间换空间，横盘震荡之后，继续走高！上方的压力位59720。请关注！
本文是对ESL中第七章一个小案例的复现，主要是对机器学习算法误差的分解，全文包括理论推导和模拟两部分。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
