标签：otl 情况下 info 输出 tushare plot 完整 一个 处理
假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？
代码实现：
1.使用tushare包获取某股票的历史行情数据
import tushare as ts
import pandas as pd
from pandas import Series,DataFrame
# 使用tushare包获取某股票的历史行情数据
df = ts.get_k_data('600519',start='1988-01-01')
# 将获取的数据写入到本地进行持久化存储
df.to_csv('./maotai.csv')
# 将本地文本文件中的数据读取加载到DataFrame中
df = pd.read_csv('./maotai.csv')
df.head(10)
# 将Unnamed: 0为无用的列删除
df.drop(labels='Unnamed: 0',axis=1,inplace=True)
df.head(5) # 显示前五条，不写5默认也是显示的前5条，inplace是判断是否用新表替换原表
# 将date列转成时间序列类型
df['date'] = pd.to_datetime(df['date'])
# 将date列作为元数据的行索引
df.set_index(df['date'],inplace=True)
# 删除原date列
df.drop(labels='date',axis=1,inplace=True)
df.head()2.输出该股票所有收盘比开盘上涨3%以上的日期。
# 伪代码：（收盘-开盘）/开盘 > 0.03
(df['close'] - df['open'])/df['open'] > 0.03
# boolean可以作为df的行索引
df.loc[[True,False,True]]
df.loc[(df['close'] - df['open'])/df['open'] > 0.03]
df.loc[(df['close'] - df['open'])/df['open'] > 0.03].index3.输出该股票所有开盘比前日收盘跌幅超过2%的日期
#伪代码：(开盘-前日收盘)/前日收盘 < -0.02
# 将收盘/close列下移一位，这样可以将open和close作用到一行，方便比较
(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02
# boolean作为df的行索引
df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02]
df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02].index
# shift(1):可以让一个Series中的数据整体下移一位4.假如从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，收益如何？
分析：
买入:一个完整的年需要买12次股票，一次买入一手（100支），一个完整的年需要买入1200支股票
卖出：一个完整的年卖一次，一次卖出1200只股票
代码实现：
# 将2010-1-1 - 今天对应的交易数据取出
data = df['2010':'2019']
data.head()
# 数据的重新取样，将每个月第一个交易日的数据拿到
data_monthly = data.resample('M').first()
# 一共花了多少钱
cost_money = (data_monthly['open']*100).sum()
# 卖出股票入手多少钱，将每年的最后一个交易日的数据拿到
data_yeasly = data.resample('A').last()[:-1]
recv_money = (data_yeasly['open']*1200).sum()
# 19年手里剩余股票的价值也要计算到收益中
last_money = 1200*data['close'][-1]
# 最后总收益如下：
last_monry + recv_money - cost_monry1.使用tushare包获取某股票的历史行情数据
import tushare as ts
import pandas as pd
df = ts.get_k_data('601318',start='1990-01-01')
# 数据的预处理
df['date'] = pd.to_datetime(df['date'])
df.set_index(df['date'],inplace=True)
df.drop(labels='date',axis=1,inplace=True)
# df = df['2007-04-12':]2.计算该股票历史数据的5日均线和30日均线
什么是均线
对于每一个交易日，都可以计算出前N天的移动平均值，然后把这些移动平均值连起来，成为一条线，就叫做N日移动平均线。移动平均线常用线有5天、10天、30天、60天、120天和240天的指标。
5天和10天的是短线操作的参照指标，称做日均线指标；
30天和60天的是中期均线指标，称做季均线指标；
120天和240天的是长期均线指标，称做年均线指标。
均线计算方法：MA=（C1+C2+C3+...+Cn)/N C:某日收盘价 N:移动平均周期（天数）# rolling是第几个5天的值，mean（）取均值
df['ma5'] = df['close'].rolling(5).mean()
df['ma30'] = df['close'].rolling(30).mean()3.可视化历史数据两条均线
# 可视化历史数据两条均线,c代表颜色
import matplotlib.pyplot as plt
df_p = df[:300]
plt.plot(df_p.index,df_p['ma5'],c='red')
plt.plot(df_p.index,df_p['ma30'],c='blue')
4.分析输出所有金叉日期和死叉日期
股票分析技术中的金叉和死叉，可以简单解释为：
分析指标中的两根线，一根为短时间内的指标线，另一根为较长时间的指标线。
如果短时间的指标线方向拐头向上，并且穿过了较长时间的指标线，这种状态叫“金叉”；
如果短时间的指标线方向拐头向下，并且穿过了较长时间的指标线，这种状态叫“死叉”；
一般情况下，出现金叉后，操作趋向买入；死叉则趋向卖出。当然，金叉和死叉只是分析指标之一，要和其他很多指标配合使用，才能增加操作的准确性。# True：短期均线 低于 长期均线
# False：短期均线 高于 长期均线
# True ---> False 的过渡，对应的点是金叉
# False ---> True 的过渡，对应的点是死叉
sr1 = df['ma5'] < df['ma30']
sr2 = df['ma5'] >= df['ma30']
# 捕获死叉所有的日期 按位与：&
death_date = df.loc[sr1 & sr2.shift(1)].index
# 捕获所有的金叉日期 按位或：| 取反：~
golden_date = df.loc[~(sr1 | sr2.shift(1))].index5.如果假如从开始，初始资金为100000元，金叉尽量买入，死叉全部卖出，则到今天为止，炒股收益率如何？
first_money = 100000 # 不变
money = first_money #可变的
hold = 0 # 目前所持有股票的数量（单位:支）
from pandas import Series
s1 = Series(1,index=golden_date) # 存储的是为金叉日期，用1表示
s2 = Series(0,index=death_date) # 死叉日期，0表示
s = s1.append(s2)
s = s.sort_index()
# 使用开盘价进行股票的买卖
for i in range(0,len(s)): # 2010-07-07
# 买入或卖出股票的单价:p
p = df['open'][s.index[i]]
if s[i] == 1: # 金叉日期：买入股票
buy = money // (p*100) # 买了多少手
hold = buy * 100
money -= buy*100*p
else: # 卖出
money += hold * p
hold = 0
money += hold * df['open'][-1]
result = money - first_money
print(result)标签：otl 情况下 info 输出 tushare plot 完整 一个 处理
原文地址：https://www.cnblogs.com/liubing8/p/12037238.html
