黃金交叉

“黃金交叉” (Golden Cross)，就是指上升中的短期移動平均線由下而上穿過上升的長期移動平均線的交叉，這個時候壓力線被向上突破，表示股價將繼續上漲，行情看好，均線黃金交叉指股價向上突破壓力，一般實線表示長期移動平均線，虛線表示短期移動平均線，短期移動平均線和長期移動平均線形成兩個交點，

時間序列重采樣

需求

1. 以星期為單位重構時間序列
2. 不同指定標簽的含義

resample 函式

Pandas 中的 resample (重新采樣) 是對原樣本重新處理的一個方法.是一個對常規時間序列資料重新采樣和頻率轉換的便捷的方法. 在DataFrame 的時間分布式有時候是不均勻的. 然而當我們在做金融時間序列分析時是需要時間均勻間隔的資料的.

格式：

DataFrame.resample(rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start',kind=None, loffset=None, limit=None, base=0)

代碼

# 頻率為1周, 取最后的值
data.resample("1w").last().head() 

輸出結果:

時間視窗

需求

1. 以 20 為長度制作視窗序列
2. 統計視窗各個常用指標結果

rolling 函式

格式:

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)

代碼

# 去除na
data_new = data.copy().dropna()

# 用第一只股票
stock =  stock_list[0]

# 視窗為20天
windows = 20

data_new['min'] = data_new[stock].rolling(window=windows).min()  # 最小值
data_new['max'] = data_new[stock].rolling(window=windows).max()  # 最大值
data_new['mean'] = data_new[stock].rolling(window=windows).mean()  # 平均值
data_new['std'] = data_new[stock].rolling(window=windows).std()  # 標準差

# 除錯輸出
print(data_new.tail())

輸出結果:

            601766.XSHG  601155.XSHG  600482.XSHG  002456.XSHE  600763.XSHG  \
date                                                                          
2020-12-25         5.37        33.94        17.55        13.83       269.08   
2020-12-28         5.32        33.81        17.48        13.05       269.13   
2020-12-29         5.32        34.31        17.28        13.10       274.20   
2020-12-30         5.27        33.80        17.43        12.83       275.16   
2020-12-31         5.31        34.83        17.92        13.18       276.52   

            002460.XSHE  601877.XSHG  601988.XSHG  601390.XSHG  300408.XSHE  \
date                                                                          
2020-12-25       108.88        38.53         3.18         5.30        35.99   
2020-12-28       107.01        37.50         3.17         5.21        36.10   
2020-12-29        96.31        36.97         3.17         5.22        35.88   
2020-12-30       101.00        36.92         3.17         5.22        37.05   
2020-12-31       101.20        39.16         3.18         5.27        37.25   

             min   max    mean       std  
date                                      
2020-12-25  5.29  5.78  5.4880  0.142075  
2020-12-28  5.21  5.78  5.4660  0.149540  
2020-12-29  5.21  5.78  5.4425  0.149416  
2020-12-30  5.21  5.71  5.4145  0.134574  
2020-12-31  5.21  5.65  5.3925  0.118760  

股票序列分析策略

需求

1. 短期平均計算
2. 長期平均計算
3. 黃金交叉與死亡交叉繪圖展示

代碼

# 這里我們以洋河股份和伊利股份為例
data = get_price(["600887.XSHG"], start_date=start_date, end_date=end_date,fields="close", expect_df=True)
print(data.head())

# 短期平均 (7天)
data["7_day_moving_average"] = data["close"].rolling(window=7).mean()

# 長期平均 (50天)
data["50_day_moving_average"] = data["close"].rolling(window=50).mean()

# 除錯輸出
print(data.tail().round(2))

# 畫圖
data[60:].plot(figsize=(16,12))

# 標記黃金交叉和死亡交叉位置
data["positions"] = np.where(data["7_day_moving_average"] > data["50_day_moving_average"], 1, -1)

# 畫圖
data[60:].plot(figsize=(16,12), secondary_y="positions")

輸出結果:

                            close
order_book_id date               
600887.XSHG   2019-01-02  21.3696
              2019-01-03  21.1985
              2019-01-04  21.4076
              2019-01-07  21.6453
              2019-01-08  21.4837
                          close  7_day_moving_average  50_day_moving_average
order_book_id date                                                          
600887.XSHG   2020-12-25  40.00                 40.94                  39.83
              2020-12-28  41.89                 41.02                  39.86
              2020-12-29  41.87                 41.19                  39.87
              2020-12-30  43.96                 41.54                  39.91
              2020-12-31  44.37                 42.02                  39.96

回歸分析

需求

1. 洋河和伊利之間的關系
2. 繪圖展示他們之間的變化情況
3. 回歸與相關系數計算
4. 隨著年份的變化，計算相關系數的變化情況，并展示

代碼

# 取出資料
data = get_price(["600887.XSHG","600597.XSHG"], start_date=start_date, end_date=end_date,fields="close")
print(data.head())


# 畫圖 (子圖)
data.plot(subplots=True)

# 畫圖 (合并)
data.plot(secondary_y="002304.XSHE")

# 獲得連續增長率
rets = np.log(data/data.shift(1))

# 除錯輸出
rets.head()

pd.plotting.scatter_matrix(rets,
                           alpha = 0.2,
                           diagonal='hist',
                           hist_kwds={'bins':50},
                           figsize=(10,6)
)

pd.plotting.scatter_matrix(rets,
                           alpha = 0.2,
                           diagonal='kde',
                           figsize=(10,6)
)

輸出結果:

構建回歸方程

需求

1. 去除空置
2. 構建回歸 (seaborn)

代碼

import seaborn as sns

# 去除空值
rets.dropna(inplace=True)

# 畫圖
sns.regplot(x= "600887.XSHG", y= "600597.XSHG", data=rets) 

輸出結果:

相關系數

需求

1. 分析區間 2019-01-01 到 2021-01-01
2. 計算伊利股份和蒙牛股份在分析區間內的相關性

代碼

# 30天平均值 
YILI = rets["600887.XSHG"].rolling(window=30)  # 伊利
MENGNIU = rets["600597.XSHG"].rolling(window=30)  # 蒙牛

# 畫出相關性圖
YILI.corr(MENGNIU).plot(figsize=(10,6))

輸出結果: