本文将使用最简单的KNN算法,基于真实的股票数据集来制定交易策略,并计算它所带来的收益。
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
使用原生canvasAPI绘制K线图。(截图以及数据来自于百度Echarts官方示例库【查看示例链接】)。
作者 张丹(Conan) 来源 http://blog.fens.me Rquant前言最近有读者要求公众号推送几篇关于R语言量化投资的内容。今天推送第一篇。后续我们会推出公众号编辑部更好的原创作品,关于R语言量化投资。 久经股市的老股民,通常都会使用一种常见的交易策略,追涨杀跌交易法。追涨杀跌法,是股市操作的一个重要技巧,就是在股市上涨时买入股票,股市下跌时卖出股票。如果操作得当是很好的赢利手段,在中国股市2015年上半年的牛市中,追涨杀跌交易法就是交易神器法门。 1. 什么是追涨杀跌? 追涨杀跌是金
本文提供了一个用vn.py来编写R-breaker交易策略的示例。只提供一个参考模板,并不能直接进入市场进行交易。感谢‘爱谁谁’在维恩的派论坛里的分享!
量能也成为成交量,代表多空双方交战的过程,一定程度上决定了价格和走势。量能和价格走势进行结合,成为量价结合的分析方法。
作者:张丹(Conan), 程序员Java,R,Javascript 原文:http://blog.fens.me/finance-chase-sell/#comment-4627 久经股市的老股民,通常都会使用一种常见的交易策略,追涨杀跌交易法。追涨杀跌法,是股市操作的一个重要技巧,就是在股市上涨时买入股票,股市下跌时卖出股票。如果操作得当是很好的赢利手段,在中国股市2015年上半年的牛市中,追涨杀跌交易法就是交易神器法门。 目录 什么是追涨杀跌? 追涨杀跌的建型和实现 模型优化 1. 什么是追涨杀跌?
最近在看这本书,感觉很不错,理论,算法,实践兼顾,我只放出我感兴趣的部分章节的笔记,本章分会分步更新,关于数据导入和数据预处理就不写了,直接开始目标描述和定义预测任务。本书中英文版的都有,我共享到文章结尾处,有需要的同学可以去下载。
R-Breaker是个经典的具有长生命周期的日内模型 类型:日内趋势追踪+反转策略 周期:1分钟、5分钟 根据前一个交易日的收盘价、最高价和最低价数据通过一定方式计算出六个价位, 从大到小依次为: 突
大数据文摘作品 编译:大山、笪洁琼、Yawei Xia 对于K线图,相信做交易的朋友都不陌生。本文作者用简单明了的语言解释了三日K线的交易原则,也分享了如何用python绘制K线图的方法和代码。 关于日本K线交易 据说日本人在十七世纪就已经运用技术分析的方法进行大米交易,一位名叫本间宗久的坂田大米贸易商发明了“蜡烛图”这一技术来分析每日市场上大米现货价格。现代K线图之父史蒂夫尼森认为,通过“蜡烛图”进行正式交易是自19世纪50年代开始的。 在本文,我们要重点解决以下两个问题: 1、使用Python绘制K线图
# 来源:NumPy Biginner's Guide 2e ch9 绘制多项式函数 import numpy as np import matplotlib.pyplot as plt # 创建函数 func = x ** 3 + 2 * x ** 2 + 3 * x + 4 # poly1d 根据系数数组创建函数,高项系数在前 func = np.poly1d(np.array([1, 2, 3, 4]).astype(float)) # x 值是 -10 ~ 10 取 30 个点 x = n
可转债的强制赎回,又称为“有条件赎回”,简称“强赎”,指的是可转债的发行人在特定条件下,有权按照债券面值加当期应计利息强制赎回全部或部分未转股的可转债。可转债强赎的本质,是公司在股票价格较高时,迫使投资者把手中的可转债换成股票,相当于该公司增发了一次股票。
output = smoothts(input, ‘b’, wsize) % 盒子法
其中,n、n1、n2都是周期参数,默认情况下n周期数是10,n1是短期周期数为2,n2是长期周期数为30。这也是KAMA作者Perry Kaufman认同的一组参数,n用于方向和波动率计算效率,n1和n2是快速均线和慢速均线的周期数,理论上n1的参数越大,KAMA就越平滑。
以试运行(dry-run)或实时模式(使用 freqtrade trade )启动 freqtrade 将启动机器人并启动机器人迭代循环。这也将运行 bot_start() 回调。默认情况下,bot 循环每隔几秒运行一次 ( internals.process_throttle_secs ) 并执行以下操作(这个循环将一次又一次地重复,直到机器人停止):
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
在股市里,光是一支股票,其 K 线、形态、指标就已经含有丰富的信息,更何况股市里有大几千支股票,各种信息令人眼花缭乱。普通散户到底如何全盘分析,选出一支潜力股?
我们将使用Tensorflow创建和开发一个简单的模型框架,以及提出一些对初步结果改进的意见。
Matplotlib是Python中最流行的绘图库,它模仿MATLAB中的绘图风格,提供了一整套与MATLAB相似的绘图API,通过API,我们可以轻松地绘制出高质量的图形。 中国银行股票数据下载: 链接:http://pan.baidu.com/s/1gfxRFbH 密码:d3id 1、开场例子 我们以中国银行股票收盘价曲线作为例子来作为开场。 首先我们通过pandas导入数据,并提取出收盘价一列: ChinaBank = pd.read_csv('data/ChinaBank.csv',index_co
在上贴〖Quantopian 系列一〗我们初探了的流水线(pipeline),本帖我们就把它揉碎了讲。
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。
就可转换债券而言,其有效期限与一般债券相同,指债券从发行之日起至偿清本息之日止的存续期间。
所谓的因子也就是某个衡量标准,选择不同的因子作为选股的参考,往往会得到不同的结果,本文简单介绍了一些因子以及它所表示的意义。
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:
本章介绍常用的 NumPy 函数。 这些是您每天将要使用的函数。 显然,用法可能与您不同。 NumPy 函数太多,以至于几乎不可能全部了解,但是本章中的函数是我们应该熟悉的最低要求。
本文旨在利用神经网络模型来帮助客户预测上证指数的收盘价,通过分析不同历史数据作为输入,建立模型并进行预测。
本文为Pandas进阶修炼120题系列第三期,前两期戳第一期、第二期。今天的内容主要为Pandas处理金融(股票)数据相关操作,包含异常值处理、数据可视化、指标计算等,我们开始吧!
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
talib是python的量化指标库,其中包含了很多150多种量化指标,所以talib是非常值得我们学习和使用的。talib的安装和以往的python库安装稍有不同,采用pip install talib是安装不了的。需要到tablib的网站上下载和你的操作系统匹配的tablib版本(whl文件),然后再使用pip install **.whl即可。这里稍微提一下安装,避免踩坑。对于学习talib来说,了解其各种指标的使用才是重中之重,所以我们分批次编写系列文章,希望能够达到输出带动输入的效果。
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。
李杉 编译整理 量子位 报道 | 公众号 QbitAI 想要投资无人驾驶和电动汽车趋势的人恐怕不在少数,实际上,投资机会之多可能超乎你的想象。 摩根士丹利就分享了与这项新兴技术有关的30只股票,不仅包括直接与汽车相关的供应商,还包括可以因此节省时间和精力的消费和零售企业。 一组摩根士丹利分析师周四新发布了一份Shared Autonomous 30名单。分析师Adam Jonas表示:“我们美国研究团队确定了30只美国股票,这些股票的评级都是‘增持’或‘持股观望’,横跨14个行业。分析师认为,这些股票都
大家好,我是架构君,一个会写代码吟诗的架构师。今天说一说python调用通达信公式_通达信公式-主力雷达Python化[通俗易懂],希望能够帮助大家进步!!!
在数据分析统计的场景里,常用的方法除了描述性统计方法外,还有推断统计方法,如果再从工作性质上来划分,推断统计包含了参数估计和假设验证这两方面的内容。而推断统计用到了很多概率统计方法,所以本小节在介绍推断统计的内容前,还将讲述一些常用的概率统计方法。
时间序列是按时间顺序的一组真实的数字,比如股票的交易数据。通过分析时间序列,能挖掘出这组序列背后包含的规律,从而有效地预测未来的数据。在这部分里,将讲述基于时间序列的常用统计方法。
由于文件标题是中文,直接读取会报错,所以加了encoding编码申明。一般encoding设置成GBK、utf-8、GB2312即可满足读取需求。
公众号与点宽DigQuant量化社区开展了本期研究合作。 大家应该前段时间就知道 Alpha 101 了吧,很多人有去做,但是做的大多数都是简单的进行了一个复现,没有过多的区深究每个因子的涵义。本期推文我们和点宽合作,推出一个系列。来很系统的介绍 Alpha 101 。 社区俱乐部成员把 WorldQuant Alpha 101 的每个因子都了做一次最详细的解释和回测研究,一层一层的去拆分因子,把每个公式都说清楚。我们不讨论这些因子是否都是有效的,我们更多的是希望通过我们分析因子背后的金融意义,帮助大家
我们已经对XGBoost进行了验证,但在本文中,我们将更详细地研究XGBoost在股票价格预测问题中的性能。这篇文章和上篇文章的主要区别如下:
平常我们看到的物体一般是三维空间中的立体图形,今天跟大家一起来学习用Python绘制立体图形。
不管是否是经济达人,数据科学都是一种帮你了解一支股票的高效方式。本文作者把数据科学和机器学习技术应用到金融领域中,向你展示如何通过数据分析的方式驰骋股市,搭建自己的金融模型!
近几年,深度学习算法在计算机视觉领域有着出色表现。我们也经常好奇,在量化投资领域,我们是否能够使用图像识别技术预测股价。要解决这个问题,首先要回答以下两个问题:
本文为你介绍Pandas基础、Pandas数据处理、金融数据处理等方面的一些习题。
『Pandas进阶修炼120题』系列现已完结,我们对Pandas中常用的操作以习题的形式发布。从读取数据到高级操作全部包含,希望可以通过刷题的方式来完整学习pandas中数据处理的各种方法,当然如果你是高手,也欢迎尝试给出与答案不同的解法。
条形图(bar chart)也称为柱状图,是一种以长方形的长度为变量的统计图表,长方形的长度与它所对应的数值呈一定比例。
离散卷积其实就是系数数组的多项式乘法。例如计算[1, 2, 0, 3]和[1, -2, 5]的卷积:
本文精心挑选在数据处理中常见的120种操作并整理成习题发布。并且每一题同时给出Pandas与R语言解法,同时针对部分习题给出了多种方法与注解。本系列一共涵盖了数据处理、计算、可视化等常用操作,动手敲一遍代码一定会让你有所收获!
前 言 截至 11 月 22 日,比特币的价格再创历史新高(约 1 比特币兑 8120 美元),在惊讶于虚拟货币「不可战胜」的同时,我们或许能可以从这一波热潮中学到些什么。本文中,博士毕业于伦敦大学学院(UCL)的 David Sheehan 为我们介绍了使用 Keras 基于 LSTM 预测比特币价格走势的详细方法。在测试中,这个机器学习预测法似乎有着不错的准确度。 如果要列出 2017 年最为荒谬的三样事物,则一定是指尖陀螺、人工智能,当然,还有加密虚拟货币(cryptocurrency)。以上是玩笑
Combiner函数是一个可选的中间函数,发生在Map阶段,Mapper执行完成后立即执行。使用Combiner有如下两个优势:
Pandas进阶修炼120题系列一共涵盖了数据处理、计算、可视化等常用操作,希望通过120道精心挑选的习题吃透pandas。并且针对部分习题给出了多种解法与注解,动手敲一遍代码一定会让你有所收获!
# 来源:NumPy Beginner's Guide 2e ch4 交易相关偶对 import numpy as np from matplotlib.pyplot import plot from matplotlib.pyplot import show # 读入 BHP 的收盘价 bhp = np.loadtxt('BHP.csv', delimiter=',', usecols=(6,), unpack=True) # 计算 BHP 的简单收益 bhp_returns = np.dif
领取专属 10元无门槛券
手把手带您无忧上云