最近一直在研究股票的形态,一些量化的东西,虽然量化听起来很高大上,通寻找到一个策略,通过程序的手段去找到这样一批股票,避免了人为的因素在其中。这样有个问题就是，程序选出来的股票太机械了，某个参数或条件设置的太紧或者太松，就会产生一定问题。又比如选出一个股票来，我想知道前期的走势是怎么样的，有哪些形态，是否处于底部盘整，光机械的设置条件肯定是不够的，这时候就需要我们去结合K线图以及MACD，成交量等指标作为辅助判断，而选出的股票数量如果较多的话，要一个个输入股票代码去查看，非常费时费力，因此，考虑自己写一个python的脚本，批量的画出K线图，这样在选股时候只需要一张张的翻阅就好，省去了很多琐碎的工作。

准备工作安装python环境(这个不必多说，能看到这篇文章的基本大家都有安装)

安装相应第三方依赖库matplotlib python重要的绘图库。

numpy 支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

Talib称“Technical Analysis Library”, 即技术分析库，是Python金融量化的高级库，涵盖了150多种股票、期货交易软件中常用的技术分析指标，如MACD、RSI、KDJ、动量指标、布林带等等。

pandas 基于numpy的一种工具，是为了解决数据分析任务而创建的，纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

mpl_finance python中可以用来画出蜡烛图、线图的分析工具，目前已经从matplotlib中独立出来，非常适合用来画K线

psycopg2(选用) python中用以和postgres数据库交互的第三方库，作者个人的数据都存储在postgres数据库中，因此使用这个模块。

数据准备数据来源于Tushare，一个免费好用的财经数据包，自己每日更新处理并加载到阿里云的服务器上(这里会为大家准备好数据进行使用)

import talib

import numpy as np

import psycopg2 as pg

import pandas as pd

import matplotlib.pyplot as plt

import matplotlib.gridspec as gridspec#分割子图

import mpl_finance as mpf

np.seterr(divide='ignore',invalid='ignore') # 忽略warning

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

fig = plt.figure(figsize=(20,12), dpi=100,facecolor="white") #创建fig对象

以上导入相关依赖包，并设置了一些参数变量

加载数据(文末提供数据)

# 加载数据

def query(sql):

conn = pg.connect(dbname="stocks", user="postgres", password="******", host="******", port="5432")

data = pd.read_sql(sql,conn)

conn.close()

return data

ts_code = '000001.SZ' #股票代码

name = '平安银行'

df_stockload = query("select trade_date,open,high,low,close,vol from pro_bar

where ts_code = '{}' and trade_date>='20190801'".format(ts_code))

df_stockload['trade_date'] = pd.to_datetime(df_stockload['trade_date'])

df_stockload=df_stockload.set_index('trade_date')

以上代码定义了一个query函数，使用pandas的readsql来加载数据库中数据，并将tarde_date设置为datetime格式，并设置为索引。

具体字段有trade_date：交易日期

open：开盘价格

high：当日最高价

low：当日最低价

close：当日收盘价

vol：成交量

数据的结构形式

绘图

设置四个绘图区域 包括 K线(均线)，成交量，MACD,KDJ

gs = gridspec.GridSpec(4, 1, left=0.08, bottom=0.15, right=0.99, top=0.96, wspace=None, hspace=0, height_ratios=[3.5,1,1,1])

graph_KAV = fig.add_subplot(gs[0,:])

graph_VOL = fig.add_subplot(gs[1,:])

graph_MACD = fig.add_subplot(gs[2,:])

graph_KDJ = fig.add_subplot(gs[3,:])

绘制K线图(以及均线)

#绘制K线图

mpf.candlestick2_ochl(graph_KAV, df_stockload.open, df_stockload.close, df_stockload.high, df_stockload.low, width=0.5,

colorup='r', colordown='g') # 绘制K线走势

#绘制移动平均线图

df_stockload['Ma5'] = df_stockload.close.rolling(window=5).mean()#pd.rolling_mean(df_stockload.close,window=20)

df_stockload['Ma10'] = df_stockload.close.rolling(window=10).mean()#pd.rolling_mean(df_stockload.close,window=30)

df_stockload['Ma20'] = df_stockload.close.rolling(window=20).mean()#pd.rolling_mean(df_stockload.close,window=60)

df_stockload['Ma30'] = df_stockload.close.rolling(window=30).mean()#pd.rolling_mean(df_stockload.close,window=60)

df_stockload['Ma60'] = df_stockload.close.rolling(window=60).mean()#pd.rolling_mean(df_stockload.close,window=60)

graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload['Ma5'],'black', label='M5',lw=1.0)

graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload['Ma10'],'green',label='M10', lw=1.0)

graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload['Ma20'],'blue',label='M20', lw=1.0)

graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload['Ma30'],'pink', label='M30',lw=1.0)

graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload['Ma60'],'yellow',label='M60', lw=1.0)

# 添加网格

graph_KAV.grid()

graph_KAV.legend(loc='best')

graph_KAV.set_title(ts_code + ' ' + name)

graph_KAV.set_ylabel(u"价格")

graph_KAV.set_xlim(0, len(df_stockload.index)) # 设置一下x轴的范围绘制成交量图

#绘制成交量图

graph_VOL.bar(np.arange(0, len(df_stockload.index)), df_stockload.vol,color=['g' if df_stockload.open[x] > df_stockload.close[x] else 'r' for x in range(0,len(df_stockload.index))])

graph_VOL.set_ylabel(u"成交量")

graph_VOL.set_xlim(0,len(df_stockload.index)) #设置一下x轴的范围

graph_VOL.set_xticks(range(0,len(df_stockload.index),15))#X轴刻度设定 每15天标一个日期绘制MACD

#绘制MACD

macd_dif, macd_dea, macd_bar = talib.MACD(df_stockload['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)

graph_MACD.plot(np.arange(0, len(df_stockload.index)), macd_dif, 'red', label='macd dif') # dif

graph_MACD.plot(np.arange(0, len(df_stockload.index)), macd_dea, 'blue', label='macd dea') # dea

bar_red = np.where(macd_bar > 0, 2 * macd_bar, 0)# 绘制BAR>0 柱状图

bar_green = np.where(macd_bar < 0, 2 * macd_bar, 0)# 绘制BAR<0 柱状图

graph_MACD.bar(np.arange(0, len(df_stockload.index)), bar_red, facecolor='red')

graph_MACD.bar(np.arange(0, len(df_stockload.index)), bar_green, facecolor='green')

graph_MACD.legend(loc='best',shadow=True, fontsize ='10')

graph_MACD.set_ylabel(u"MACD")

graph_MACD.set_xlim(0,len(df_stockload.index)) #设置一下x轴的范围

graph_MACD.set_xticks(range(0,len(df_stockload.index),15))#X轴刻度设定 每15天标一个日期

这里要注意 talib中计算得到的macd并没有×2，需要在计算后的macd×2绘制KDJ

#绘制KDJ

df_stockload['K'], df_stockload['D'] = talib.STOCH(df_stockload.high.values, df_stockload.low.values, df_stockload.close.values,\

fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)

df_stockload['J'] = 3 * df_stockload['K'] - 2 * df_stockload['D']

graph_KDJ.plot(np.arange(0, len(df_stockload.index)), df_stockload['K'], 'blue', label='K') # K

graph_KDJ.plot(np.arange(0, len(df_stockload.index)), df_stockload['D'], 'g--', label='D') # D

graph_KDJ.plot(np.arange(0, len(df_stockload.index)), df_stockload['J'], 'r-', label='J') # J

graph_KDJ.legend(loc='best', shadow=True, fontsize='10')

graph_KDJ.set_ylabel(u"KDJ")

graph_KDJ.set_xlabel("日期")

graph_KDJ.set_xlim(0, len(df_stockload.index)) # 设置一下x轴的范围

graph_KDJ.set_xticks(range(0, len(df_stockload.index), 15)) # X轴刻度设定 每15天标一个日期

graph_KDJ.set_xticklabels(

[df_stockload.index.strftime('%Y-%m-%d')[index] for index in graph_KDJ.get_xticks()]) # 标签设置为日期修饰图片

# X-轴每个ticker标签都向右倾斜45度

for label in graph_KAV.xaxis.get_ticklabels():

label.set_visible(False)

for label in graph_VOL.xaxis.get_ticklabels():

label.set_visible(False)

for label in graph_MACD.xaxis.get_ticklabels():

label.set_visible(False)

for label in graph_KDJ.xaxis.get_ticklabels():

label.set_rotation(45)

label.set_fontsize(10) # 设置标签字体保存图片

plt.savefig('Kline.jpg')

最终的成果图

数据

提取码：wmvf

提示：这是一个excel文件：直接用pandas中的pd.read_excel()就可完整加载