作為一個新手，你需要以下3個步驟：

1、用戶注冊 > 2、獲取token > 3、調(diào)取數(shù)據(jù)

數(shù)據(jù)內(nèi)容：

包含股票、基金、期貨、債券、外匯、行業(yè)大數(shù)據(jù)，

同時包括了數(shù)字貨幣行情等區(qū)塊鏈數(shù)據(jù)的全數(shù)據(jù)品類的金融大數(shù)據(jù)平臺，

為各類金融投資和研究人員提供適用的數(shù)據(jù)和工具。

1、數(shù)據(jù)采集

我們進行本地化計算，首先要做的，就是將所需的基礎(chǔ)數(shù)據(jù)采集到本地數(shù)據(jù)庫里

本篇的示例源碼采用的數(shù)據(jù)庫是MySQL5.5，數(shù)據(jù)源是xxx pro接口。

我們現(xiàn)在要取一批特定股票的日線行情

部分代碼如下：

# 設(shè)置xxxxx pro的token并獲取連接
# 公眾號：信息技術(shù)智庫
ts.set_token('xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx')
pro = ts.pro_api()
# 設(shè)定獲取日線行情的初始日期和終止日期，其中終止日期設(shè)定為昨天。
start_dt = '20100101'
time_temp = datetime.datetime.now() - datetime.timedelta(days=1)
end_dt = time_temp.strftime('%Y%m%d')
# 建立數(shù)據(jù)庫連接,剔除已入庫的部分
db = pymysql.connect(host='127.0.0.1', user='root', passwd='admin', db='stock', charset='utf8')
cursor = db.cursor()
# 設(shè)定需要獲取數(shù)據(jù)的股票池
stock_pool = ['603912.SH','300666.SZ','300618.SZ','002049.SZ','300672.SZ']
total = len(stock_pool)
# 循環(huán)獲取單個股票的日線行情
for i in range(len(stock_pool)):
 try:
  df = pro.daily(ts_code=stock_pool[i], start_date=start_dt, end_date=end_dt)
  # 打印進度
  print('Seq: ' + str(i+1) + ' of ' + str(total) + 'Code: ' + str(stock_pool[i]))

上述代碼的注釋部分已將每行代碼的功能解釋清楚了，實際上數(shù)據(jù)采集的程序主要設(shè)置三個參數(shù)：獲取行情的初始日期，終止日期，以及股票代碼池。

當我們獲取數(shù)據(jù)后，就要往本地數(shù)據(jù)庫進行寫入（存儲）操作了，

本篇代碼用的是SQL語言，需提前在數(shù)據(jù)庫內(nèi)建好相應(yīng)的表，表配置和表結(jié)構(gòu)如下：

庫名：stock 表名：stock_all

其中 state_dt 和 stock_code 是主鍵和索引。state_dt 的格式是 ‘yyyy-mm-dd'（例：'2018-06-11'）。

這樣的日期格式便于查詢，且在MySQL內(nèi)部能夠進行大小比較。

2、數(shù)據(jù)預(yù)處理

無論是量化策略還是單純的機器學習項目，數(shù)據(jù)預(yù)處理都是非常重要的一環(huán)。

以機器學習的視角來看，數(shù)據(jù)預(yù)處理主要包括

• 數(shù)據(jù)清洗
• 排序
• 缺失值或異常值處理
• 統(tǒng)計量分析
• 相關(guān)性分析
• 主成分分析（PCA）
• 歸一化等

本篇所要介紹的數(shù)據(jù)預(yù)處理比較簡單

只是將存在本地數(shù)據(jù)庫的日線行情數(shù)據(jù)整合成一份訓練集數(shù)據(jù)，

以用于后續(xù)的機器學習建模和訓練。

在介紹具體的示例代碼之前，我們需要先思考一個問題，

應(yīng)用有監(jiān)督學習的算法對個股進行建模

• 我們的輸入數(shù)據(jù)有哪些，
• 我們期望得到的輸出數(shù)據(jù)又是什么？

這個問題的答案因人而異，因策略而異。

這個問題本身是將市場問題轉(zhuǎn)化為數(shù)學問題的一個過程。

依賴的是量化寬客自己的知識體系和對市場的理解。

回到正題，本篇示例我們將以最簡單的數(shù)據(jù)進行分析，

我們輸入端的數(shù)據(jù)是個股每日基礎(chǔ)行情，輸出端數(shù)據(jù)是股價相較前一交易日的漲跌狀態(tài)。

簡單點說就是，我們向模型輸入今天的基礎(chǔ)行情，讓模型預(yù)測明天股價是漲還是跌。

在代碼實現(xiàn)方式上，

• 采用面向?qū)ο蟮乃枷耄?/li>
• 將整個數(shù)據(jù)預(yù)處理過程和結(jié)果，封裝成一個類，每次創(chuàng)建一個類實例，
• 就得到了特定條件下的一份訓練集。

示例代碼如下：

class data_collect(object):
  def __init__(self, in_code,start_dt,end_dt):
  ans = self.collectDATA(in_code,start_dt,end_dt) 
 def collectDATA(self,in_code,start_dt,end_dt):
  # 建立數(shù)據(jù)庫連接，獲取日線基礎(chǔ)行情(開盤價，收盤價，最高價，最低價，成交量，成交額)
  db = pymysql.connect(host='127.0.0.1', user='root', passwd='admin', db='stock', charset='utf8')
  cursor = db.cursor()
  sql_done_set = "SELECT * FROM stock_all a where stock_code = '%s' and state_dt >= '%s' and state_dt <= '%s' order by state_dt asc" % (in_code, start_dt, end_dt)
  cursor.execute(sql_done_set)
  done_set = cursor.fetchall()
  if len(done_set) == 0:
raise Exception
  self.date_seq = []
  self.open_list = []
  self.close_list = []
  self.high_list = []
  self.low_list = []
  self.vol_list = []
  self.amount_list = []
  for i in range(len(done_set)):
self.date_seq.append(done_set[i][0])
self.open_list.append(float(done_set[i][2]))
self.close_list.append(float(done_set[i][3]))
self.high_list.append(float(done_set[i][4]))
self.low_list.append(float(done_set[i][5]))
self.vol_list.append(float(done_set[i][6]))
self.amount_list.append(float(done_set[i][7]))
  cursor.close()
  db.close()
  # 將日線行情整合為訓練集(其中self.train是輸入集，self.target是輸出集，self.test_case是end_dt那天的單條測試輸入)
  self.data_train = []
  self.data_target = []

最終這個類實例化后是要整合出三個數(shù)據(jù)：

1. self.train ：訓練集中的輸入端數(shù)據(jù)，本例中是每日基礎(chǔ)行情。

2. self.target ：訓練集中的輸出數(shù)據(jù)，本例中相較于前一天股價的漲跌，漲為1，不漲為0。并且在排序上，每條 t 交易日的self.train里的數(shù)據(jù)對應(yīng)的是 t+1 天股價的漲跌狀態(tài)。

3. self.test_case ：在 t 末交易日的基礎(chǔ)行情數(shù)據(jù)，作為輸入端，用于模型訓練完成后，對第二天的漲跌進行預(yù)測。

3、SVM建模

機器學習中有諸多有監(jiān)督學習算法

SVM是比較常見的一種，本例采用SVM算法進行建模。

關(guān)于SVM的理論原理本篇不做詳述，以下僅從實踐角度進行建模介紹。

先貼一段建模、訓練并進行預(yù)測的代碼大家感受一下：）

model = svm.SVC()# 建模
model.fit(train, target)  # 訓練
ans2 = model.predict(test_case) # 預(yù)測

三行代碼，讓人想起了把大象裝冰箱分幾步的冷笑話……

不過這側(cè)面也說明Python在數(shù)據(jù)挖掘方面的強大之處：簡單，方便，好用。

本例用的機器學習框架是scikit-learn是個非常強大的算法庫。

熟悉算法原理的朋友可以查閱官方API文檔，可修改模型參數(shù)，進一步調(diào)優(yōu)模型；

亦可嘗試其他算法比如決策樹，邏輯回歸，樸素貝葉斯等。

以上就是利用python數(shù)據(jù)分析進行炒股實戰(zhàn)行情的詳細內(nèi)容，更多關(guān)于python數(shù)據(jù)分析的資料請關(guān)注本站其它相關(guān)文章！

香港服務(wù)器租用

版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。