【量化小讲堂-Python、pandas技巧系列】量化投资中关于复权的处理 作者:邢不行 原文链接: http://bbs.pinggu.org/thread-3924170-1-1.html (本【量化小讲堂】系列已获作者授权转载,如需转载请与原作者联系) ---- 最近惊讶的发现很多同学对如何在量化投资的实战中如何处理复权、除权等问题,其实不是非常了解,耽误很多事情,所以本文专门来详细的讲一下这个问题。 【复权计算方法】 股票会时不时的发生现金分红、送股等一系列股本变动,这会造成股价的非正常变化,导
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。
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。
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。
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:
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
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。
在本文里,将给出若干精彩范例,包括用爬虫获取股市数据,用matplotlib可视化控件绘制K线和均线,以及用sklean库里的方法,通过机器学习预测股价的走势。
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
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。
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。
股票价格指数就是用以反映整个股票市场上各种股票市场价格的总体水平及其变动情况的指标。简称为股票指数或指数。
要预测股票趋势,通常需要历史的各类交易价格数据来进行模型的搭建。“历史惊人的相似”是股票趋势判断问题的重要假设。通常我们的思维是,股票某一天的交易价格受到该交易日前面的许多交易日的影响,而股价的确定则是由买卖市场双方共同决定的。当我们收盘股票数据集时,应该将多个开盘日归入参考范畴。本文将前 N 个交易日作为一个时间窗口,并设为训练集,将第 N+1 个交易日作为测试集,预测测第 N+2 个交易日的股票趋势情况。通过滑动窗口的方法,设每次滑动窗口移动的距离为 1(即 1 天),则在初始 T 个交易日上能够构造多个训练集和测试集,且训练样本的数据始终等于 N。
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。
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。
在金融市场中,优化投资组合对于实现风险与回报之间的预期平衡至关重要。蒙特卡罗模拟提供了一个强大的工具来评估不同的资产配置策略及其在不确定市场条件下的潜在结果。
描述性统计是数学统计分析里的一种方法,通过这种统计方法,能分析出数据整体状况以及数据间的关联。在这部分里,将用股票数据为样本,以matplotlib类为可视化工具,讲述描述性统计里常用指标的计算方法和含义。
一个月内成交了2000万股,而该股票的流通股为1亿股,则该股票在这个月的换手率为20%。
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。
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
目标:通过日交易数据,从多只蓝筹股中选出连续上涨5天的股票。 思路:导入数据;过滤出上个月的数据;按照股票代码分组;将数据按日期排序;计算出每天比上一天的收盘价的增长额;计算出连续正增长的天数
机器学习小项目:从NIFTY指数的当日股价预测股票收盘价格,对比各种模型在时序数据预测的效果
作为投资者,我们常听到的一句话是“不要把鸡蛋放入同一个篮子中”,可见分散投资可以降低风险,但如何选择不同的篮子、每个篮子放多少鸡蛋,便是见仁见智的事情了,量化投资就是解决这些问题的一种工具。
在本人的新书里,将通过股票案例讲述Python知识点,让大家在学习Python的同时还能掌握相关的股票知识,所谓一举两得。这里给出以线性回归算法预测股票的案例,以此讲述通过Python的sklearn库实现线性回归预测的技巧。
欢迎来到Python for Finance教程系列的第7讲。 在之前的教程中,我们为标准普尔500强公司抓取了雅虎财经数据。 在本教程中,我们将把这些数据放在一个DataFrame中。
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。
SVM是Support Vector Machine的缩写,中文叫支持向量机,通过它可以对样本数据进行分类。以股票为例,SVM能根据若干特征样本数据,把待预测的目标结果划分成“涨”和”跌”两种,从而实现预测股票涨跌的效果。
本人之前写过若干“给程序员加财商”的系列文,目的是通过股票案例讲述Python知识点,让大家在学习Python的同时还能掌握相关的股票知识,所谓一举两得。
最近在做股票分析系统,数据获取源头成了一大问题,经过仔细的研究发现了很多获取办法,这里整理一下,方便后来者使用。 获取股票数据的源头主要有:数据超市、雅虎、新浪、Google、和讯、搜狐、ChinaStockWebService、东方财富客户端、证券之星、网易财经。 根据最近频繁出现的数据超市,可以无限制获取相关数据,而不再需要使用爬虫等方式获取,这样不仅节省了极大资源,也有利于遍历数据。 列出来相关网站清单,开发者可自行到这些网站查询调用方法。 聚合数据 https://www.juhe.cn/ 百度A
软件简介:通达信全部函数及其用法(2011年最新版)(一)行情函数1)HIGH(H) 最高价 返回该周期最高价.2)LOW(L) 最低价 返回该周期最低价.3)CLOSE(C) 收盘价 返回该周期收盘价.4)VOL(V) 成交量(手) 返回该周期成交量.5)OPEN(O) 开盘价 返回该周期开盘价.6)ADVANCE 上涨家数 返回该周期上涨家数. (本函数仅对大盘有效)7)DECLINE 下跌家数 返回该周期下跌家数. (本函数仅对大盘有效)8)AMOUNT 成交额(元) 返回该周期成交额.9)VOLINSTK 持仓量 返回期货该周期持仓量.10)QHJSJ期货结算价返回期货该周期结算价.11)BUYVOL 外盘(手) 返回外盘,即时行情数据12)SELVOL 外盘(手) 返回外盘13)ISBUYORDER 主动性买单 返回当前成交是否为主动性买单.用法: ISBUYORDER,当本笔成交为主动性买盘时,返回1,否则为014)DHIGH 不定周期最高价 返回该不定周期最高价.15)DOPEN 不定周期开盘价 返回该不定周期开盘价.16)DLOW 不定周期最低价 返回该不定周期最低价.17)DCLOSE 不定周期收盘价 返回该不定周期收盘价.18)DVOL 不定周期成交量价 返回该不定周期成交量价.19)NAMELIKE模糊股票名称返回股票名称是否以参数开头.用法: if(NAMELIKE(‘ST’),x,y);20)
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。
标题中的英文首字母大写比较规范,但在python实际使用中均为小写。 2018年7月27日笔记 学习内容: 1.从文件中读取数据 2.将数据写入文件 3.利用数学和统计分析函数完成实际统计分析应用 4.掌握数组相关的常用函数
本文将以股票交易预测作为示例项目。我们用 AI 模型预测股票第二天是涨还是跌。在此背景下,比较了分类算法 XGBoost、随机森林和逻辑分类器。文章的另外一个重点是数据准备,我们必须如何转换数据以便模型可以处理它。
通过参数设置获取日k线、周k线、月k线,以及5分钟、15分钟、30分钟和60分钟k线数据。本接口只能获取近3年的日线数据,适合搭配均线数据进行选股和分析。
获取股票数据的源头主要有:数据超市、雅虎、新浪、Google、和讯、搜狐、ChinaStockWebService、东方财富客户端、证券之星、网易财经。
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。
尽管预测股价确实是一个老问题,至今仍然没有被解决。事实十分简单:股票的价格由多种因素决定,而股票的历史价格仅仅是众多原因中的一小部分。因此,预测股价走势是一个非常困难的问题。
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!
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
K线图是金融领域常用的技术分析工具,可以洞察地展示股票的开盘价、收盘价、最高价和最低价等信息。在投资决策中,对多个股票的走势进行对比分析是非常重要的。随着金融市场的发展,投资者对于多种股票的对比分析需求越来越高。传统的方式是通过查看多种股票的历史数据并手动对比图表,但这种方式效率低下很容易出错。
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。
我们在使用pandas分析处理时间序列数据时,经常需要对原始时间粒度下的数据,按照不同的时间粒度进行分组聚合运算,譬如基于每个交易日的股票收盘价,计算每个月的最低和最高收盘价。
来源:DeepHub IMBA本文约1900字,建议阅读5分钟在本文中,我们将遵循 CRISP-DM 流程模型,以便我们采用结构化方法来解决业务案例。CRISP-DM 特别适用于潜在分析,通常在行业中用于构建数据科学项目。 本文将以股票交易作为示例。我们用 AI 模型预测股票第二天是涨还是跌。在此背景下,比较了分类算法 XGBoost、随机森林和逻辑分类器。文章的另外一个重点是数据准备。我们必须如何转换数据以便模型可以处理它。 在本文中,我们将遵循 CRISP-DM 流程模型,以便我们采用结构化方法来解决业
美国食品与药品管理局(FDA)批准新药、法律裁决、企业合并、股票回购和CEO偶然在播客上露脸,这些都是影响股价的事件的例子。现实生活中发生的重大事件虽然不能被像技术指标一样被量化,但是无疑会对股价产生影响。
K线图,大家应该不陌生,至少在影视剧里,在平常的财经新闻报道中应该都见过。如果是超过股的朋友那就更不会陌生了,K线图几乎就是在炒股过程中必不可少的工具,我们用它来看价格的变化形式。
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:
这是市场的波动率和股市的关系。和FRM中提到的一样,在市场低迷,或者说,金融危机的时候,市场的波动率急剧增加。于是,就有了恐慌指数这个东西,也就是Vix,其实就是市场的波动率指数。
机器学习现在越来越受欢迎,越来越多的世界人口认为它是一个神奇的水晶球:预测未来何时以及将会发生什么。该实验使用人工神经网络揭示股市趋势,并展示时间序列预测根据过去的历史数据预测未来股票价格的能力。
领取专属 10元无门槛券
手把手带您无忧上云