人们很容易被丰富的数据和各种免费开源工具所吸引。在研究了quandl financial library和prophet modeling library之后,我打算试着探究简单的股票数据。我花了几天的时间,前后写了1000多行Python代码,最终得出了一个完整的股票分析预测工具。虽然我没有自信用这个来投资某些个股,但在整个过程中我学到了很多Python的知识。秉承开源的精神,在这里我打算分享这些代码,让更多的人受益。
本文将展示如何使用Stocker,这是基于Python的股票分析预测工具。我看过一些对象导向的Python编程书籍,但就像大多数编程书籍一样,当我阅读这些书时,我并没有真正理解当中的内容。只有当我在深入一个项目,且遇到从未解决问题时,我才会终于理解那些概念,这也再次证明了实践比理论更重要。除了探索Stocker之外,我们还会涉及一些重要的内容,包括Python的基础知识和加性模型(additive model)。如果你想使用Stocker,可以在GitHub上找到完整的代码以及使用文档。Stocker很简单易用,即使是Python初学者也能学会,我建议每个人都试试。下面让我们一起看看Stocker的分析能力!
Stocker入门
在安装完需要的库之后,我们首先要将Stocker类导入到Python会话中。这里可以使用交互式Python会话或者在脚本目录中启动Jupyter Notebook。
from stocker import Stocker
现在,我们的Python会话中有了Stocker类,接着可以用它来创建类的实例。在Python中,类的实例称为对象,创建对象有时称为实例化或构造。为了创建一个Stocker对象,我们需要传递一个有效的股票代码。
microsoft = Stocker('MSFT')
MSFT Stocker Initialized. Data covers 1986-03-13 to 2018-01-16.
现在,我们有了具有Stocker类属性的microsoft
对象。Stocker建立在quandl WIKI数据库上,因此我们可以访问3000多只美国股票,并且可以查看多年的每日价格数据。这里我建议使用微软的数据。尽管微软被认为是开源的对立面,但他们最近做了一些改变,因此我认为他们正在接受开源社区(包括Python)。
Python中的类由两个主要部分组成:属性和方法。没有太多的细节,属性是与类相关的值或数据,或者是类的特定实例(对象)。方法是类中可用于数据的函数。Stocker对象的一个属性是特定公司的股票数据,当我们进行构造时,属性与该对象相关联。我们可以访问该属性,并将其分配给另一变量进行检查:
# Stock is an attribute of the microsoft object
stock_history = microsoft.stock
stock_history.head()
微软股票数据
Python类的好处是方法(函数)和所操作的数据与同一个对象相关联。我们可以使用Stocker对象的方法来绘制股票的历史股价。
# A method (function) requires parentheses
microsoft.plot_stock()
Maximum Adj. Close = 89.58 on 2018-01-12.
Minimum Adj. Close = 0.06 on 1986-03-24.
Current Adj. Close = 88.35.
默认值是调整后的收盘价格,这解释了股票拆分的原因(当一只股票被拆分成多只股票,比如2,每个新股票的价值是原始价格的1/2)。
这个图可以在谷歌搜索中轻松找到,但是这里我们可以用Python代码完成。plot_stock
函数有许多可选的参数。默认情况下,这种方法会绘制整个日期范围的调整收盘价格,但我们还可以选择范围、统计数据和绘图类型。例如,如果我们想比较每日价格变化与交易量(股票数量),我们可以在函数指定那些变量。
microsoft.plot_stock(start_date = '2000-01-03', end_date = '2018-01-16', stats = ['Daily Change', 'Adj. Volume'], plot_type='pct')
Maximum Daily Change = 2.08 on 2008-10-13.
Minimum Daily Change = -3.34 on 2017-12-04.
Current Daily Change = -1.75.
Maximum Adj. Volume = 591052200.00 on 2006-04-28.
Minimum Adj. Volume = 7425503.00 on 2017-11-24.
Current Adj. Volume = 35945428.00.
注意,y轴的百分比变化对应统计的平均值。这个规模是有必要的,因为股票的日常交易量数以亿计,而每日价格变化通常是几美元!通过转换为百分比的变化,我们可以用类似的规模查看这两个数据集。该图表显示,交易的股票数量和每日价格变化之间没有相关性,这很令人惊讶。我们通常认为,在股价变动大的时候股票交易更多。然而,真正的情况是交易量随着时间而下降。2017年12月4日,价格大幅度下降,我们可以联系相关微软新闻。12月3日的新闻如下:
不确定这些新闻来源是否可靠
当然,没有任何迹象表明微软股票将在第二天出现十年来最大的下跌。
使用plot_stock
,我们可以查看任何日期的数据,并查找与现实事件(如果有的话)的相关性。接下来,我们看到Stocker当中很有意思的部分。
假设我们很有远见的在公司首次公开募股(IPO)中投资了100股微软股票。那如今我们肯定赚翻了!
microsoft.buy_and_hold(start_date='1986-03-13',
end_date='2018-01-16', nshares=100)
MSFT Total buy and hold profit from 1986-03-13 to 2018-01-16 for 100 shares = $8829.11
除了让我们感觉更好,使用这些结果能让我们对之后进行规划,实现利润最大化。
microsoft.buy_and_hold(start_date='1999-01-05',
end_date='2002-01-03', nshares=100)
MSFT Total buy and hold profit from 1999-01-05 to 2002-01-03 for 100 shares = $-56.92
加性模型
加性模型是分析和预测时间序列的强大工具,而且是最常见的数据类型之一。这个概念很简单:将时间序列表示为不同时间范围和整体趋势的组合。众所周知,微软股票的长期趋势是稳步增长的,但也可能会有每年、每天的增长模式,比如每个星期二增长一次。由Facebook开发的Prophet是通过日常观察,从而分析时间序列的库。Stocker用Prophet完成了所有建模的工作,因此我们可以用简单的方法创建、检查模型。
model, model_data = microsoft.create_prophet_model()
加性模型可以消除数据中的噪音,这就是为什么建模线与观测结果不完全一致的原因。Prophet模型能够计算不确定性,这是建模的一个重要部分。我们也可以用Prophet模式来预测未来,但现在我们更关注过去的数据。注意,这个方法调用返回了两个对象,模型和一些数据,我们将它们分配给变量。现在我们用用这些变量绘制时间序列组件。
# model and model_data are from previous method call
model.plot_components(model_data)
plt.show()
总体趋势是过去三年来的明显增长。此外,还有一个值得注意的年度模式(下图),股价在9月份和10月份触底,11月份和1月份达到峰值。随着时间范围的缩短,数据中变化幅度越来越大。如果我们认为可能存在周模式,那么可以更改Stocker对象的weekly_seasonality
属性,并将其添加到prophet 模型中:
print(microsoft.weekly_seasonality)
microsoft.weekly_seasonality = True
print(microsoft.weekly_seasonality)
False
True
weekly_seasonality
的默认值是False,但我们改变该值,从而让模型包含周模式。然后,我们再次调用create_prophet_model
并绘制结果组件。以下是新模式的每周模式。
我们可以忽略周末,因为价格只会在一周内发生变化。在继续建模之前,我们将关闭每周的季节性。股票的走势基本是随机的,只能从每年的大范围才能看到趋势。
变点 (Change points)
当时间序列从递增到递减或相反情况时,会出现变点(严格地说,变点位于时间序列变化率最大的地方)。这是非常重要的,因为知道什么时候股票将上涨或达到顶峰会带来显著的经济效益。识别变点能够让我们预测股票价格的未来波动。Stocker对象能够自动为我们找到10个最大的变点。
microsoft.changepoint_date_analysis()
Changepoints sorted by slope rate of change (2nd derivative):
Date Adj. Close delta
48 2015-03-30 38.238066 2.580296
337 2016-05-20 48.886934 2.231580
409 2016-09-01 55.966886 -2.053965
72 2015-05-04 45.034285 -2.040387
313 2016-04-18 54.141111 -1.936257
变点往往与股价的高峰和低谷一致。Prophet只能在前80%的数据中找到变点,但是这些结果是有用的,因为我们可以尝试将其与真实事件相关联。我们可以重复之前的做法,比如在这些日期手动搜索相关新闻资讯,但是如果能让Stocker完成就更好了。你也许知道搜索趋势工具,该工具可让你随时查看谷歌搜索中的关键字的流行度。Stocker可以自动检索任何搜索内容,并将结果绘制在原始数据上。为了查找和绘制搜索词的频率,我们修改了之前的方法调用。
# same method but with a search term
microsoft.changepoint_date_analysis(search = 'Microsoft profit')
Top Related Queries:
query value
0 microsoft non profit 100
1 microsoft office 55
2 apple 30
3 microsoft 365 30
4 microsoft office 365 20
Rising Related Queries:
query value
0 microsoft 365 120
1 microsoft office 365 90
2 microsoft profit 2014 70
除了绘制相关的搜索频率外,Stocker还会显示图表日期范围内的热门搜索词。通过将值除以最大值将y轴的值控制在0和1之间,从而让我们比较两个不同比例的变量。从图中可以看出,搜索“微软利润”和微软股价之间没有任何联系。
即使找到了相关性,还是存在因果关系的问题。我们不知道新闻是否导致价格变化,或价格变化导致搜索。可能有会找到一些有用信息,但也可能是偶然的。你可以试试不同的词,看看能否找到相关趋势。
microsoft.changepoint_date_analysis(search = 'Microsoft Office')
预测
到目前为止,我们只探索了Stocker一半的作用,另一半可以用来预测未来股价。虽然这可不会带来收益,但在这个过程中能够学到很多东西。
# specify number of days in future to make a prediction
model, future = microsoft.create_prophet_model(days=180)
Predicted Price on 2018-07-15 = $97.67
尽管Stocker的所有功能已经公开可用,但是创建这个工具的过程很有趣。重要的是相比大学课程,这能让我学到更多的数据科学、Python和股票市场的知识。如今在大数据的时代,每个人都能学习编程、机器学习。如果你有项目创意,但不确定自己有能力去完成,不要让它阻止你。你可能会得出更好的解决方案,即使没有成功你也在过程中学到很多知识。
-END-
学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
包括:Python激活码+安装包、Python web开发,Python爬虫,Python数据分析,人工智能、机器学习、自动化测试带你从零基础系统性的学好Python!
👉[CSDN大礼包:《python安装工具&全套学习资料》免费分享](安全链接,放心点击)
👉Python学习大礼包👈
👉Python学习路线汇总👈
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。(全套教程文末领取哈)
👉Python必备开发工具👈
温馨提示:篇幅有限,已打包文件夹,获取方式在:文末
👉Python实战案例👈
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉Python书籍和视频合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉Python面试刷题👈
👉Python副业兼职路线👈
这份完整版的Python全套学习资料已经上传CSDN,朋友们如果需要可以点击链接免费领取或者保存图片到wx扫描二v码免费领取 【保证100%免费
】文章来源:https://www.toymoban.com/news/detail-728818.html
👉[CSDN大礼包:《python安装工具&全套学习资料》免费分享](安全链接,放心点击)
文章来源地址https://www.toymoban.com/news/detail-728818.html
到了这里,关于干货丨 用 Python 进行股票分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!