python识别股票K线形态，准确率回测（一）

python识别股票K线形态，准确率回测（一）

对于一些做股票技术分析的投资者来说，对常见的k线形态应该都不陌生，比如十字星，红三兵，头肩顶(底)，岛型反转，吊颈线，两只乌鸦，三只乌鸦，四只乌鸦（哈）





做价投的投资者可能会对这些划线的嗤之以鼻，而短线操盘者却有可能把它奉为圭臬，以之作为买卖标准。

海乃百川，兼听则明，笔者认为多吸收不同的观点与技术，可以更加全面的加深投资认知。你画的圆圈越大，圆圈外的未知空间也越大。

本文介绍使用python对A股市场的股票(转债也可以)的K线进行识别，然后回测某个形态出现后接下来的涨跌幅，还可以通过设定的形态进行选股。

举个例子，我们可以统计所有个股出现了“早晨之星“这一形态后，一周后甚至一个月后，个股是涨了还是跌了，从大量结果中统计出一些有意义的结果。

为了便于验证查看结果图形，我们先介绍如何使用python来画股票K线图。

有数据之后，剩下画图是很简单的，很多第三方的库已经封装好了各种蜡烛图绘制函数。我们要做只是传入每天开，收盘价，以及最高最低价。

获取股票的数据

市面有不少第三方的库可以获取股票和可转债的日线数据，比如tushare和akshare。本文以股票数据为例。

以akshare为例，代码如下所示：
 

# pip install akshare 

import akshare as ak

def get_k_line(code="sz002241"): # 

    df = ak.stock_zh_a_daily(symbol=code, start_date="20220101", end_date="20220515",

                                                          adjust="qfq")

    # 这个函数只适合取股票数据，转债会报错，转债的日线数据可以使用其他函数，这里选择股价前复权

    df.to_excel("同和药业k.xlsx")

如上面代码所示，我们使用stock_zh_a_daily方法获取一段时间的数据，这里的日期可以根据你的需求进行调整，比如设置start_date=“20200101”，end_date=“20220515”，就可以获取一年时间段的股票数据。

而股票的代码有sh与sz之分，sz代表深市的股票，所有深市的股票前面都必须带上sz，比如这里的同和药业，就是sz002241。

同样的，sh是上证交易所的股票，所有上证的股票前面必须带上sh。

这里，我们来看看获取的同和药业股票数据格式，如下图所示：

date：交易日期

open：代表开盘价

high：当天最高价

low：当天最低价

close：当天收盘价

volume：当天成交量（元）

outstanding_share：流动股本(股)

turnover：换手率

既然已经拿到了数据，下面我们来绘制K线图。

绘制K线图

在python中，绘制K线图需要用到mpl_finance库，而这个库提供了4种方式绘制K线图，这里我们介绍其中的一种，代码如下所示：
 

import mpl_finance as mpf

import matplotlib.pyplot as plt

import pandas as pd



#创建绘图的基本参数

fig=plt.figure(figsize=(12, 8))

ax=fig.add_subplot(111)



#获取刚才的股票数据

df = pd.read_excel("同和药业k.xlsx")

mpf.candlestick2_ochl(ax, df["open"], df["close"], df["high"], df["low"], width=0.6, colorup='r',colordown='green',alpha=1.0)

#显示出来

plt.show()

运行此段代码后，会显示如下效果图：






和东财上的同和药业的k线图基本一致的。

不过，这个K线图有一个问题，就是X坐标轴并不是显示的时间，而是数字，这是因为我们绘制K线图的方法，并没有提供X轴的参数，那怎么让下面的数字替换为时间呢？
 
我们先来看一段代码：

import matplotlib.ticker as ticker

#将股票时间转换为标准时间，不带时分秒的数据

def date_to_num(dates):

    num_time = []

    for date in dates:

        date_time = datetime.strptime(date, '%Y-%m-%d')

        num_date = date2num(date_time)

        num_time.append(num_date)

    return num_time



#创建绘图的基本参数

fig=plt.figure(figsize=(12, 8))

ax=fig.add_subplot(111)



#获取刚才的股票数据

df = pd.read_excel("同和药业k.xlsx")

mpf.candlestick2_ochl(ax, df["open"], df["close"], df["high"], df["low"], width=0.6, colorup='r',colordown='green',alpha=1.0)

df['date'] = pd.to_datetime(df['date'])

df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))

def format_date(x, pos=None):

    if x < 0 or x > len(df['date']) - 1:

        return ''

    return df['date'][int(x)]

ax.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))

plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')

#显示出来

plt.show()

 
这里，我们定义了2个方法：第1个方法date_to_num主要的作用就是将获取的时间数据转换为标准的日期数据；第2个方法，就是根据X的数值替换时间值。

其中，set_major_formatter方法是将数值替换为时间值的操作库，而plt.setup的功能就是设置X轴的标签倾斜45度以及右对齐。运行之后，我们的K线图就显示的非常完美了，如下图所示：



均线图

虽然我们实现了K线图，但是有没有发现，其实大多数的股票交易软件K线图上面其实还标记有均线，比如常用的有5日均线，10日均线，30均线。
所以，我们需要将均线一起添加到我们的K线图之上。
计算均线的方式如下：

df["SMA5"] = df["close"].rolling(5).mean()

df["SMA10"] = df["close"].rolling(10).mean()

df["SMA30"] = df["close"].rolling(30).mean()

 
3行代码就可以获取到股票的均线值。
接着，我们可以使用上面的ax进行绘制均线了，
添加的代码如下所示：
 

ax.plot(np.arange(0, len(df)), df['SMA5'])  # 绘制5日均线

ax.plot(np.arange(0, len(df)), df['SMA10'])  # 绘制10日均线

ax.plot(np.arange(0, len(df)), df['SMA30'])  # 绘制30日均线

这里，同样将X轴设置为数字，将这两段代码添加到上面的K线图代码中，自然也会将X轴替换为时间。运行之后，显示效果如下图所示：


 
这里5日均线为蓝色，10日均线为橙色，30日均线为绿色，如果需要自己设置颜色，可以在每条均线的的绘制方法中加入color参数。


细心的读者肯定发现30日均线只有最后一小段，这是因为前29日不够30日是算不出均线的，同样的5，10日均线也是如此。

成交量

最后，我们还需要绘制成交量。在多数的股票交易软件中，上面是K线图，一般下面对应的就是成交量，这样对比起来看，往往能直观的看到数据的变化。

但是，因为上面有个K线图，那么同一个画布中就有了2个图片，且它们共用一个X轴，那么我们需要更改一下基本的参数，
 
代码如下所示：

import mpl_finance as mpf

import matplotlib.pyplot as plt

import pandas as pd

import matplotlib.ticker as ticker

import numpy as np

#创建绘图的基本参数

fig, axes = plt.subplots(2, 1, sharex=True, figsize=(15, 10))

ax1, ax2 = axes.flatten()



#获取刚才的股票数据

df = pd.read_excel("同和药业k.xlsx")

mpf.candlestick2_ochl(ax1, df["open"], df["close"], df["high"], df["low"], width=0.6, colorup='r',colordown='green',alpha=1.0)

df['date'] = pd.to_datetime(df['date'])

df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))

def format_date(x, pos=None):

    if x < 0 or x > len(df['date']) - 1:

        return ''

    return df['date'][int(x)]

df["SMA5"] = df["close"].rolling(5).mean()

df["SMA10"] = df["close"].rolling(10).mean()

df["SMA30"] = df["close"].rolling(30).mean()

ax1.plot(np.arange(0, len(df)), df['SMA5'])  # 绘制5日均线

ax1.plot(np.arange(0, len(df)), df['SMA10'])  # 绘制10日均线

ax1.plot(np.arange(0, len(df)), df['SMA30'])  # 绘制30日均线

ax1.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))

plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')

#显示出来

plt.show()

 
这里，我们将绘图的画布设置为2行1列。同时，将上面绘制的所有数据都更改为ax1，这样均线与K线图会绘制到第一个子图中。

接着，我们需要绘制成交量，但是我们知道，一般股票交易软件都将上涨的那天成交量设置为红色，而将下跌的成交量绘制成绿色。所以，首先我们要做的是将获取的股票数据根据当天的涨跌情况进行分类。
 
具体代码如下：
 

red_pred = np.where(df["close"] > df["open"], df["volume"], 0)

blue_pred = np.where(df["close"] < df["open"], df["volume"], 0)

 
如上面代码所示，我们通过np.where(condition, x, y)筛选数据。这里满足条件condition，输出X，不满足条件输出Y，这样我们就将涨跌的成交量数据进行了分类。

最后，我们直接通过柱状图方法绘制成交量，
具体代码如下所示：

ax2.bar(np.arange(0, len(df)), red_pred, facecolor="red")

ax2.bar(np.arange(0, len(df)), blue_pred, facecolor="blue")

 
将这4行代码，全部加入到plt.show()代码的前面即可。

运行之后，输出的效果图如下：


根据定义编写形态

接下来，我们根据定义来构造一个简单的形态函数，比如长上影线。

上影线


根据网络上的定义：

⑤上影阳线：开盘后价格冲高回落，涨势受阻，虽然收盘价仍高于开盘价，但上方有阻力，可视为弱势。

⑥上影阴线：开盘后价格冲高受阻，涨势受阻，收盘价低于开盘价，上方有阻力，可视为弱势。





那么简单定义为：(high - close)/close > 7%，(high - open)/open > 7% ，可能不是太精确，这里只是为了演示，忽略一些具体细节。

简单理解就是，当天最高价比收盘价，开盘价高得多。

长上影匹配函数，简单，只有一行就搞定。
 

def long_up_shadow(o,c,h,l):

    return True if (h-c)/c >=0.07 and (h-o)/o>=0.07 else False

 
 
然后把这个长上影函数应用到上面的同和药业。
 
得到的效果：

df = pd.read_excel("同和药业k.xlsx")

count_num = []

for row,item in df.iterrows():

    if long_up_shadow(item['open'],item['close'],item['high'],item['low']):

        count_num.append(row)



plot_image(df,count_num)

 
图里面的4个箭头长上影是python自动标上去的，然后对着数据到同花顺核对一下，都是满足长度大于7%的。

可以看到在3月18日和28日的两根长上影之后，同和药业的股价走了一波趋势下跌。【PS：选这个股票并没有刻意去挑选，在集思录默认排名，找了一个跌幅第一个转债的正股就把代码拷贝过来测试】

那么，有这么多的形态，难道每一个都要自己写代码筛选形态吗？ 不用哈，因为已经有人写了第三方的库，你只需要调用就可以了。


截取的部分函数名与说明


比如，像两只乌鸦，描述起来都感觉有点复杂，自己手撸代码都会搞出一堆bug。而用taLib这个库，你只需要一行调用代码，就可以完成这些复杂的形态筛选工作。

示例代码：

df['tow_crows'] = talib.CDL2CROWS(df['open'].values, df['high'].values, df['low'].values, df['close'].values)



pattern = df[(df['tow_crows'] == 100) | (df['tow_crows'] == -100)]

 
 
上面得到的pattern就是满足要求的形态，如CDL2CROWS 两只乌鸦。测试的个股是歌尔股份2020的日K线。

虽然我不知道两只乌鸦是什么玩意，但是可以通过遍历某个长周期（5-10年）下的全部A股数据，通过数据证伪，统计这个形态过后的一周或一个月（个人随意设定）涨跌幅，来证伪这个形态的有效性。

如果得到的是一个50%概率涨跌概况，那说明这个指标形态只是个游走在随机概率的指标，并不能作为一个有效指标参考。

(未完待续）