股票价格分析（如何使用Python介绍财务和技术指标（）） _Python股票价格分析

Python介绍财务和技术指标 - 学习如何在 Python 中处理股票价格，了解蜡烛价格格式 (OHLC)，使用烛台图表绘制它们，以及学习使用 Python 中的 stockstats 库使用许多技术指标。
很多人已经说过，数据是21世纪的新石油，从数据科学、数据挖掘、数据工程和大数据等诸多领域中涌现并创造了许多领域。
无论是在物理学、医学、生物学还是社交媒体领域，所有这些都在不断地生成数据，这些数据被存储、预处理和分析，目的是为准确的决策提取有价值的结论。
Python如何分析股票价格？金融市场以其供求规律和其他经济因素的动态势头而闻名，也是产生大量数据的地方。分析股票价格，无论你是交易差价合约（差价合约）、期货还是商品，无论你使用的是何种经纪商，都强烈建议你在进行交易时最大化你的收益，甚至是最基本的。
本教程将让你掌握使用 Python 处理股票价格的一般概念，了解蜡烛价格格式 ( OHLC )，并使用烛台图表绘制它们。你还将学习使用stockstats库来使用许多技术指标。
对于本教程，你需要安装：

pip install pandas-datareader yfinance mpl-finance stockstats

从 Yahoo Finance API 导入数据Python股票价格分析：要导入股票价格数据，我们需要指定市场指数或股票的代码，在本例中，我们将从

S&
P 500

和导入数据AAPL。
注意：S& P500是一个市场指数，它是一个指标，用于跟踪包含在该指数中的一组公司的表现。例如，包括美国500强股票的标准普尔，与顶级IT公司相关的纳斯达克，德国30强股票的GER30等。
以下代码负责导入以下股票价格AAPL：

# import AAPL stock price df_aapl = pdr.get_data_yahoo("AAPL", start="2019-01-01", end="2019-09-30")

导入 SPY（SPDR S& P 500 Trust ETF）：

# import SPY stock price df_spy = pdr.get_data_yahoo("SPY", start="2019-01-01", end="2019-09-30")

这是它的外观：

df_spy.head()

输出：

文章图片
在金融市场上的蜡烛代表“格式OHLC下呈现?笔^ h igh-大号ow- ?输”：

开盘价：是时间分辨率开始时的股票价格（1m、30m、每小时、每天等）
高：是从蜡烛的开始到结束达到的最高价格。
低：是从蜡烛的开始到结束达到的最低价格。
收盘价：是时间决议结束时股票的价格。

在金融股票市场交易时，我们区分两种类型的交易操作：做多（买入）和做空（卖出）。
绘制股票价格Python介绍财务和技术指标：在本节中，我们将使用matplotlib和mpl_finance库来绘制AAPL. 首先，我们将分别绘制开盘-高-低-收盘价：

df_aapl[ [ "Open", "High", "Low", "Close"]].plot() plt.show()

输出：

文章图片

文章图片
左图是执行上述代码的结果，右图是右图的放大区域。
Python如何分析股票价格？我们可以在放大的区域中清楚地看到，高价（橙色图）是上限，而低价（绿色图）是下限，这说明了本教程上一节中提到的 OHLC 格式的定义。
但正如你可能已经注意到的那样，由于被充电，该图在某种程度上难以阅读，我们将改为以烛台的形式表示 OHLC：

fig = plt.figure(figsize=(10, 10)) ax = plt.subplot()plot_data = https://www.lsbin.com/[ ] for i in range(150, len(df_aapl)): row = [ i, df_aapl.Open.iloc[ i], df_aapl.High.iloc[ i], df_aapl.Low.iloc[ i], df_aapl.Close.iloc[ i], ] plot_data.append(row) candlestick_ohlc(ax, plot_data) plt.show()

输出：

文章图片
以下是烛台的结构：

文章图片
金融技术指标Python介绍财务和技术指标：在金融方面，由于我们正在处理数字数据，因此除了检测趋势之外，依靠各种指标还可以更好地了解股票价格的走势，这对于我们打算对特定股票进行长期交易/投资非常重要.
从stockstats库，我们将导入StockDataFrame，这是接收作为一个属性的熊猫一类DataFrame排序按时间和包括顺序列开-关-高-低：

from stockstats import StockDataFramestocks = StockDataFrame.retype(df_aapl[ [ "Open", "Close", "High", "Low", "Volume"]])

简单移动平均线 (SMA)
简单移动平均线是一个指标，它通过计算一段时间内的价格均值来平滑股票价格图。这将使我们更好地可视化趋势方向(上升或下降)。
SMA的公式如下图所示：

文章图片

绘制SMA：

plt.plot(stocks[ "close_10_sma"], color="b", label="SMA") plt.plot(df_aapl.Close, color="g", label="Close prices") plt.legend(loc="lower right") plt.show()

输出：

文章图片
为了计算 SMA，我们按照以下格式指定属性：
【股票价格分析（如何使用Python介绍财务和技术指标（））】Column_Period_Indicator
在我们的例子中，我们关注 10 周期内的收盘价，指标是 SMA，所以结果是 close_10_sma.
指数移动平均线 (EMA)
Python股票价格分析：不同的是SMA，这给相等的权重，以所有的价格无论是新的或旧的，在美国，指数移动平均线通过赋予最近(最近)的价格更大的权重来强调它们，这使得均线成为一个比均线更快检测趋势的指标。
EMA的公式如下：

文章图片
绘制 EMA：

plt.plot(stocks[ "close_10_sma"], color="b", label="SMA") # plotting SMA plt.plot(stocks[ "close_10_ema"], color="k", label="EMA") plt.plot(df_aapl.Close, color="g", label="Close prices") # plotting close prices plt.legend(loc="lower right") plt.show()

输出：

文章图片

文章图片
左图是绘制收盘价、SMA 和 EMA 的结果，而右图是原始图的一部分的放大图。
在放大图中，我们可以清楚地观察到 EMA 确实对趋势的变化反应更快，并且越来越接近它们。
移动平均收敛/发散 (MACD)
Python如何分析股票价格？移动平均收敛/发散是趋势跟踪动量指标。该指标可以显示价格变动速度的变化，交易者可以使用它来确定趋势的方向。
MACD 的计算方法是从 12 周期 EMA 中减去 26 周期指数移动平均线 (EMA)。MACD 的 9 天 EMA 称为“信号线”，然后与 MACD 一起绘制。
当 MACD 低于信号线时，它是开始做空（卖出）操作的指标。当它越过它时，它是开始做多（买入）操作的指标：

plt.plot(stocks[ "macd"], color="b", label="MACD") plt.plot(stocks[ "macds"], color="g", label="Signal Line") plt.legend(loc="lower right") plt.show()

输出：