不用深厚的数学功底也不用深厚的金融知识, 本文中也不会引用各种高深的投资模型或数学模型。这不用，那不用的，到底怎么用python炒股？往下看

交易系统

在交易之前，我们应该首先有一个交易系统用于指导我们自己交易，不一定有什么规范，但是可以作为一个交易的依据，至于这个依据可不可行，科不科学那就见仁见智了。

当然了,这里的交易系统不一定是程序，只是指你自己的交易原则或者遵守的一些技巧或者方法，你可以手动执行也可以借助编程语言，编程语言不就是一套用来使用的工具么.

这里参考海龟交易法则里面的交易体系(这里只是参考大方向).
建立一个完善的交易体系，我们至少应该思考一下六个方面。

1、市场----买卖什么
2、头寸规模----买卖多少
3、入市----何时买入
4、止损----何时退出亏损的头寸
5、止盈----何时退出盈利的头寸
6、离市----何时离市

简单的示例

买卖A股
全仓
当日涨幅超过3%买入。
当持有头寸亏损超过3%，平仓
当日跌幅大于3%或者三个连续阴线

分析: 这个交易策略其实只有在行情以波浪形状向上的行情时候才能获利，如果是盘整的情况下，怕是会亏的很惨。这里之所以写的这么简单粗暴是为了后面策略测试撸代码简单。

数据获取及处理

因为这里说的是用python炒股，所以应该采用程序的方式去获取数据，如果人工炒股，下载任何股票行情软件都是可以的，但是人工的执行是需要花费比较多的精力的。

而python语言中用于获取股票行情数据的库，最有名莫过于tushare了。

这里以上证乐视的股票为例吧。

python环境安装

获取行情数据

import pandas as pd
import tushare as ts

通过股票代码获取股票数据,这里没有指定开始及结束日期

df = ts.get_k_data("300104")

查看前十条数据

df.head()

查看后十条数据

df.tail()

将数据的index转换成date字段对应的日期

df.index = pd.to_datetime(df.date)

将多余的date字段删除

df.drop("date", inplace=True, axis=1)

计算常用指标


# 计算5,15,50日的移动平均线, MA5, MA15, MA50
days = [5, 15, 50]
for ma in days:column_name = "MA{}".format(ma)df[column_name] = pd.rolling_mean(df.close, ma)# 计算浮动比例
df["pchange"] = df.close.pct_change()
# 计算浮动点数
df["change"] = df.close.diff()

最终处理完成后的结果如下:

df.head()
Out[13]: open  close   high    low    volume    code     MA5  MA15  MA50  \
date
2013-11-29  9.396  9.741  9.870  9.389  146587.0  300104     NaN   NaN   NaN
2013-12-02  9.298  8.768  9.344  8.768  177127.0  300104     NaN   NaN   NaN
2013-12-03  8.142  8.414  8.546  7.890  176305.0  300104     NaN   NaN   NaN
2013-12-04  8.391  8.072  8.607  8.053  120115.0  300104     NaN   NaN   NaN
2013-12-05  7.983  7.366  8.108  7.280  253764.0  300104  8.4722   NaN   NaN   pchange  change
date
2013-11-29       NaN     NaN
2013-12-02 -0.099887  -0.973
2013-12-03 -0.040374  -0.354
2013-12-04 -0.040647  -0.342

可视化

走势图

所谓一图胜前言，将数据可视化可以非常直观的感受到股票的走势。
个人觉得，如果用程序炒股还是应该一切都量化的，不应该有过多的主观观点，如果过于依赖直觉或者当时心情，那么实在没必要用程序分析了。

df[["close", "MA5", "MA15", "MA50"]].plot(figsiz=(10,18))

效果如下:

k线图

import matplotplib.pyplot as plt
from matplotlib.daet import DateFormatter
from matplotlib.finance import date2num, candlestick_ohlcdef candlePlot(data, title=""):data["date"] = [date2num(pd.to_datetime(x)) for x in data.index]dataList = [tuple(x) for x in data[["date", "open", "high", "low", "close"]].values]ax = plt.subplot()ax.set_title(title)ax.xaxis.set_major_formatter(DateFormatter("%y-%m-%d"))candlestick_ohlc(ax, dataList, width=0.7, colorup="r", colordown="g")plt.setp(plt.gca().get_xticklabels(), rotation=50,horizontalalignment="center")fig = plt.gcf()fig.set_size_inches(20, 15)plt.grid(True)candlePlot(df)

效果如下:

策略测试

手动撸代码京东方A(000725)。


在学习过程中有什么不懂得可以加我的
python学习交流扣扣qun，784758214
群里有不错的学习视频教程、开发工具与电子书籍。
与你分享python企业当下人才需求及怎么从零基础学习好python，和学习什么内容
# 导入相关模块
import tushare as ts
import pandas as pd# 获取数据
df = ts.get_k_data("000725")# 处理数据
df.index = pd.to_datetime(df.date)
df.drop("date", axis=1, inplace=True)# 计算浮动比例
df["pchange"] = df.close.pct_change()
# 计算浮动点数
df["change"] = df.close.diff()# 查看当前数据数据前五行open  close   high    low      volume    code   pchange  change
date
2015-07-20  4.264  4.234  4.342  4.165  13036186.0  000725       NaN     NaN
2015-07-21  4.136  4.195  4.274  4.096   8776773.0  000725 -0.009211  -0.039
2015-07-22  4.175  4.146  4.214  4.067   9083703.0  000725 -0.011681  -0.049
2015-07-23  4.136  4.254  4.283  4.096  12792734.0  000725  0.026049   0.108
2015-07-24  4.224  4.136  4.254  4.106  13009620.0  000725 -0.027739  -0.118# 设定回撤值
withdraw = 0.03
# 设定突破值
breakthrough = 0.03
# 设定账户资金
account = 10000
# 持有仓位手数
position = 0def buy(bar):global account, positionprint("{}: buy {}".format(bar.date, bar.close))# 一手价格one = bar.close * 100position = account // oneaccount = account - (position * one)def sell(bar):global account, position# 一手价格print("{}: sell {}".format(bar.date, bar.close))one = bar.close * 100account += position * oneposition = 0print("开始时间投资时间: ", df.iloc[0].date)
for date in df.index:bar = df.loc[date]if bar.pchange and bar.pchange > breakthrough and position == 0:buy(bar)elif bar.pchange and bar.pchange < withdraw and position > 0:sell(bar)print("最终可有现金: ", account)
print("最终持有市值: ", position * df.iloc[-1].close * 100)

输出如下:

开始时间投资时间: 2015-07-20
2015-07-29: buy 3.83
2015-07-30: sell 3.653
2015-08-04: buy 3.752
…
2018-02-27: sell 5.71
2018-03-06: buy 5.79
最终可有现金: 333.3
最终持有市值: 7527.0

结论: 通过上面的测试发现资亏了两千多…

借助测试框架
借助测试框架才是正确的回撤姿势,因为框架包含了更多的功能。这里使用pyalgotrade。

简单使用

from pyalgotrade import strategy
from pyalgotrade import technical
from pyalgotrade.barfeed import yahoofeed# 自定义事件窗口类
class DiffEventWindow(technical.EventWindow):def __init__(self, period):assert(period > 0)super(DiffEventWindow, self).__init__(period)self.__value = Nonedef onNewValue(self, dateTime, value):super(DiffEventWindow, self).onNewValue(dateTime, value)if self.windowFull():lastValue = self.getValues()[0]nowValue = self.getValues()[1]self.__value = (nowValue - lastValue) / lastValuedef getValue(self):return self.__value# 自定义指标
``
class Diff(technical.EventBasedFilter):def __init__(self, dataSeries, period, maxLen=None):super(Diff, self).__init__(dataSeries, DiffEventWindow(period), maxLen)# 定义自己的策略class MyStrategy(strategy.BacktestingStrategy):def __init__(self, feed, instrument, diffPeriod=2):# 传入feed及初始账户资金super(MyStrategy, self).__init__(feed, 10000)self.__instrument = instrumentself.__position = Noneself.setUseAdjustedValues(True)self.__prices = feed[instrument].getPriceDataSeries()self.__diff = Diff(self.__prices, diffPeriod)self.__break = 0.03self.__withdown = -0.03def getDiff(self):return self.__diffdef onEnterCanceled(self, position):self.__position = Nonedef onEnterOk(self, position):execInfo = position.getEntryOrder().getExecutionInfo()self.info("BUY at $%.2f" % (execInfo.getPrice()))def onExitOk(self, position):execInfo = position.getExitOrder().getExecutionInfo()self.info("SELL at $%.2f" % (execInfo.getPrice()))self.__position = Nonedef onExitCanceled(self, position):# If the exit was canceled, re-submit it.self.__position.exitMarket()def onBars(self, bars):account = self.getBroker().getCash()bar = bars[self.__instrument]if self.__position is None:one = bar.getPrice() * 100oneUnit = account // oneif oneUnit > 0 and self.__diff[-1] > self.__break:self.__position = self.enterLong(self.__instrument, oneUnit * 100, True)elif self.__diff[-1] < self.__withdown and not self.__position.exitActive():self.__position.exitMarket()def runStrategy():# 下载数据jdf = ts.get_k_data("000725")# 新建Adj Close字段jdf["Adj Close"] =jdf.close# 将tushare下的数据的字段保存为pyalgotrade所要求的数据格式jdf.columns = ["Date", "Open", "Close", "High", "Low", "Volume", "code", "Adj Close"]# 将数据保存成本地csv文件jdf.to_csv("jdf.csv", index=False)feed = yahoofeed.Feed()feed.addBarsFromCSV("jdf", "jdf.csv")myStrategy = MyStrategy(feed, "jdf")myStrategy.run()print("Final portfolio value: $%.2f" % myStrategy.getResult())runStrategy()

输出如下

2015-07-30 00:00:00 strategy [INFO] BUY at $3.78
2015-07-31 00:00:00 strategy [INFO] SELL at $3.57
2015-08-05 00:00:00 strategy [INFO] BUY at $3.73
2015-08-06 00:00:00 strategy [INFO] SELL at $3.56
…
2018-02-13 00:00:00 strategy [INFO] BUY at $5.45
Final portfolio value: $7877.30
猛地一看会发现，用框架似乎写了更多的代码,但是框架内置了更多分析工具。
下面简单介绍。

策略可视化

from pyalgotrade import strategy
from pyalgotrade import technical
from pyalgotrade.barfeed import yahoofeed
from pyalgotrade import plotter
from pyalgotrade.stratanalyzer import returnsclass DiffEventWindow(technical.EventWindow):def __init__(self, period):assert(period > 0)super(DiffEventWindow, self).__init__(period)self.__value = Nonedef onNewValue(self, dateTime, value):super(DiffEventWindow, self).onNewValue(dateTime, value)if self.windowFull():lastValue = self.getValues()[0]nowValue = self.getValues()[1]self.__value = (nowValue - lastValue) / lastValuedef getValue(self):return self.__valueclass Diff(technical.EventBasedFilter):def __init__(self, dataSeries, period, maxLen=None):super(Diff, self).__init__(dataSeries, DiffEventWindow(period), maxLen)class MyStrategy(strategy.BacktestingStrategy):def __init__(self, feed, instrument, diffPeriod=2):super(MyStrategy, self).__init__(feed, 10000)self.__instrument = instrumentself.__position = Noneself.setUseAdjustedValues(True)self.__prices = feed[instrument].getPriceDataSeries()self.__diff = Diff(self.__prices, diffPeriod)self.__break = 0.03self.__withdown = -0.03def getDiff(self):return self.__diffdef onEnterCanceled(self, position):self.__position = Nonedef onEnterOk(self, position):execInfo = position.getEntryOrder().getExecutionInfo()self.info("BUY at $%.2f" % (execInfo.getPrice()))def onExitOk(self, position):execInfo = position.getExitOrder().getExecutionInfo()self.info("SELL at $%.2f" % (execInfo.getPrice()))self.__position = Nonedef onExitCanceled(self, position):# If the exit was canceled, re-submit it.self.__position.exitMarket()def onBars(self, bars):account = self.getBroker().getCash()bar = bars[self.__instrument]if self.__position is None:one = bar.getPrice() * 100oneUnit = account // oneif oneUnit > 0 and self.__diff[-1] > self.__break:self.__position = self.enterLong(self.__instrument, oneUnit * 100, True)elif self.__diff[-1] < self.__withdown and not self.__position.exitActive():self.__position.exitMarket()def runStrategy():# 下载数据jdf = ts.get_k_data("000725")# 新建Adj Close字段jdf["Adj Close"] =jdf.close# 将tushare下的数据的字段保存为pyalgotrade所要求的数据格式jdf.columns = ["Date", "Open", "Close", "High", "Low", "Volume", "code", "Adj Close"]# 将数据保存成本地csv文件jdf.to_csv("jdf.csv", index=False)feed = yahoofeed.Feed()feed.addBarsFromCSV("jdf", "jdf.csv")myStrategy = MyStrategy(feed, "jdf")returnsAnalyzer = returns.Returns()myStrategy.attachAnalyzer(returnsAnalyzer)plt = plotter.StrategyPlotter(myStrategy)plt.getInstrumentSubplot("jdf")plt.getOrCreateSubplot("returns").addDataSeries("Simple returns", returnsAnalyzer.getReturns())myStrategy.run()print("Final portfolio value: $%.2f" % myStrategy.getResult())plt.plot()runStrategy()

图片输出如下

股价监控

根据这个需求写了一个股价监控的半成品，通过邮箱监控。
项目参考: https://github.com/youerning/UserPyScript/tree/master/monitor

技巧:在微信的辅助功能里面启用QQ邮箱提醒的功能，那么股价变动的通知就会很及时了,因为微信几乎等同于短信了。

这里简单说一下各个配置项及使用方法。

default段落

breakthrough代表突破的比例，需要传入两个值,项目里面的突破比例依次是3%，5%.

withdraw代表回撤，也需要两个值，示例为3%，5%.

attention代表关注的股票列表，填入关注的股票代码，用空格隔开
注:这里暂时没有考虑关注股票的情况，所以很多的关注股票也许有性能上的问题。

mail段落

依次输入用户名及密码以及收件人的邮箱

position段落

当前持仓的股票以及其持仓成本。
如持有京东方A(000725)以5.76的股价。
000725 = 5.76
如果多个持仓就多个如上的相应的键值对。

使用方法参考该脚本的readme
https://github.com/youerning/UserPyScript/blob/master/monitor/README.md

PS:很难过的是英文水平不好还用因为注释，以及用英文词汇做变量名,如果词不达意请见谅。

如果你依然在编程的世界里迷茫，可以加入我们的Python学习扣qun：784758214，看看前辈们是如何学习的。交流经验。从基础的python脚本到web开发、爬虫、django、数据挖掘等，零基础到项目实战的资料都有整理。送给每一位python的小伙伴！分享一些学习的方法和需要注意的小细节，点击加入我们的 python学习者聚集地

下单

这一部分本人暂时没有让程序自动执行，因为暂时还没有打磨出来一套适合自己并相信的体系，所以依靠股价监控的通知，根据不断修正的体系在手动执行交易。

不用深厚的数学功底也不用深厚的金融知识，用python也能炒股？相关推荐

weblogic下开发web项目时修改java文件不用重启的绿色方法，不用修改weblogic的配置文件、不用jar...
2019独角兽企业重金招聘Python工程师标准>>> weblogic下开发web项目时修改java文件不用重启的绿色方法,不用修改weblogic的配置文件.不用jar ...
硬件工程师需要数学功底吗_您不需要数学就可以成为软件工程师
硬件工程师需要数学功底吗 When people start looking into software engineering as a career path, a typical first q ...
MySQL索引为什么不用跳表，Redis为什么不用B+树
MySQL索引为什么不用跳表,Redis为什么不用B+树知识引入在讲述问题之前,我相信来到这里的朋友一定都是事先了解过 B+ 树.跳表这两种数据结构了的. 所以下面介绍这两种数据结构的时候,只是整 ...
数学建模——智能优化之模拟退火模型详解Python代码
数学建模--智能优化之模拟退火模型详解Python代码 #本功能实现最小值的求解#from matplotlib import pyplot as plt import numpy as np imp ...
数学建模_随机森林分类模型详解Python代码
数学建模_随机森林分类模型详解Python代码随机森林需要调整的参数有: (1) 决策树的个数 (2) 特征属性的个数 (3) 递归次数(即决策树的深度)''' from numpy import ...
python数学知识_【数学知识】高一的集合知识的Python编程实现
[数学知识]高一的集合知识的Python编程实现Python3 集合概念集合与元素的关系集合与集合的关系集合与集合的运算本博客适合高中学生入门编程知识学习,从高中的数学概念转换到其python实现, ...
金融数学和计算机科学哪个专业好,金融数学专业属于什么类型学科
金融数学专业属于经济学类.全国本科专业基本专业分为12大类:哲学.经济学.法学.教育学.文学.历史学.理学.工学.农学.医学.管理学.艺术学. 金融数学专业属于什么类专业学历层次门类科目金融数学本科 ...
【数学知识】高一的集合知识的Python编程实现
[数学知识]高一的集合知识的Python编程实现 Python3 集合概念集合与元素的关系集合与集合的关系集合与集合的运算本博客适合高中学生入门编程知识学习,从高中的数学概念转换到其pytho ...
数学奥赛用不用计算机,报考自招必看！五大学科竞赛利弊详解，到底哪科最适合你？...
原标题:报考自招必看!五大学科竞赛利弊详解,到底哪科最适合你? 关注学科竞赛的奖项越来越成为进入清北华五等名校最直接的敲门砖,同时参加学科竞赛对平时学习也有着很大的帮助,建议平时成绩中上游的学生都要 ...
CLI or GUI --- 要高效还是要易用？（该文作者的功底真的很深厚啊）
目录(?) [+] 这篇文章很棒转载过来欣赏地址httpwwwcnitblogcomaddonearchive2008010838581html 要高效还是要易用谈CLI与GUI 前言定义 ...

不用深厚的数学功底也不用深厚的金融知识，用python也能炒股？