通知设置 新通知
目前支持量化接口的万一免五的券商有哪些？
李魔佛 发表了文章 • 0 个评论 • 3384 次浏览 • 2023-07-04 22:52
支持量化交易的券商如下：
其中能够股票免五的有国金证券，国盛证券，国信证券，安信证券。
其中，国金证券，国盛证券支持QMT、MiniQMT、Ptrade。
国信证券，安信证券支持QMT。
东莞证券支持Ptrade
可转债默认免五。
开户后可加入量化技术交流群，可获得编程技术指导。
【提问者需要把问题描述清楚即可,PS: 有些人动不动就说：“Ptrade不行呀”，“QMT垃圾呀”，结果让他贴代码上来瞅瞅，是他本身代码写的拉垮，目前贴出来的已知的问题，90%是个人代码问题。】
扫码添加微信咨询开户：
查看全部
其中能够股票免五的有国金证券，国盛证券，国信证券，安信证券。
其中，国金证券，国盛证券支持QMT、MiniQMT、Ptrade。
国信证券，安信证券支持QMT。
东莞证券支持Ptrade
可转债默认免五。
开户后可加入量化技术交流群，可获得编程技术指导。
【提问者需要把问题描述清楚即可,PS: 有些人动不动就说：“Ptrade不行呀”，“QMT垃圾呀”，结果让他贴代码上来瞅瞅，是他本身代码写的拉垮，目前贴出来的已知的问题，90%是个人代码问题。】
扫码添加微信咨询开户：
查看全部
支持量化交易的券商如下：
其中能够股票免五的有国金证券，国盛证券，国信证券，安信证券。
其中，国金证券，国盛证券支持QMT、MiniQMT、Ptrade。
国信证券，安信证券支持QMT。
东莞证券支持Ptrade
可转债默认免五。
开户后可加入量化技术交流群，可获得编程技术指导。
【提问者需要把问题描述清楚即可,PS: 有些人动不动就说：“Ptrade不行呀”，“QMT垃圾呀”，结果让他贴代码上来瞅瞅，是他本身代码写的拉垮，目前贴出来的已知的问题，90%是个人代码问题。】
扫码添加微信咨询开户：
其中能够股票免五的有国金证券，国盛证券，国信证券，安信证券。
其中，国金证券，国盛证券支持QMT、MiniQMT、Ptrade。
国信证券，安信证券支持QMT。
东莞证券支持Ptrade
可转债默认免五。
开户后可加入量化技术交流群，可获得编程技术指导。
【提问者需要把问题描述清楚即可,PS: 有些人动不动就说：“Ptrade不行呀”，“QMT垃圾呀”，结果让他贴代码上来瞅瞅，是他本身代码写的拉垮，目前贴出来的已知的问题，90%是个人代码问题。】
扫码添加微信咨询开户：
不同券商的ptrade的异同
李魔佛 发表了文章 • 0 个评论 • 3103 次浏览 • 2022-06-17 16:36
国盛vs湘财
1. 湘财无法访问外网，国盛的可以
2.
get_cb_list 获取可转债列表 的 国盛没有
get_history 获取历史数据函数
get_history(5, frequency='1d', field='close', security_list=['123084.SZ'], fq=None, include=False, fill='nan')国盛是没有fill参数的。
持续更新。。。待续
Ptrade开户联系：
查看全部
1. 湘财无法访问外网，国盛的可以
2.
get_cb_list 获取可转债列表 的 国盛没有
get_history 获取历史数据函数
get_history(5, frequency='1d', field='close', security_list=['123084.SZ'], fq=None, include=False, fill='nan')国盛是没有fill参数的。
持续更新。。。待续
Ptrade开户联系：
查看全部
国盛vs湘财
1. 湘财无法访问外网，国盛的可以
2.
get_cb_list 获取可转债列表 的 国盛没有
get_history 获取历史数据函数
持续更新。。。待续
Ptrade开户联系：
1. 湘财无法访问外网，国盛的可以
2.
get_cb_list 获取可转债列表 的 国盛没有
get_history 获取历史数据函数
get_history(5, frequency='1d', field='close', security_list=['123084.SZ'], fq=None, include=False, fill='nan')国盛是没有fill参数的。持续更新。。。待续
Ptrade开户联系：
python识别股票K线形态，准确率回测（一）
李魔佛 发表了文章 • 1 个评论 • 6405 次浏览 • 2022-05-22 01:13
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） 查看全部
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） 查看全部
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：
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：
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：
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：
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：
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：
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：
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：
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：
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。
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：
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：
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）
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）
python判断可转债是否强赎
李魔佛 发表了文章 • 0 个评论 • 2657 次浏览 • 2021-04-02 13:41
占坑，后期把代码整理下放上来。
更新：
制作好了一个接口，用户可以直接调用。
数据来源与集思录。
获取 排除满足强赎天数剩余N天的可转债，排除强赎可转债。
比如：DAY=4 ，那么假设强赎满足天数为15天，那么返回市场上强赎强赎倒数天数大于4天的可转债，即返回小于或者等于11天以下的转债。把满足条件还差4天的转债排除掉了，当然，已经公告强赎的也会被排除。
import requests
URL = 'http://11.11.11.11/api/redeem/'
# DAY 强赎倒数剩余天数小于 DAY （4）天， 已经公告强赎的也是被排除的
DAY = 4
SIGN = '私信星主获取' # sign和以前一致
data = {'day': DAY,
'sign': SIGN}
r = requests.post(URL, data=data)
print(r.json())
具体用户可以关注知识星球： 查看全部
更新：
制作好了一个接口，用户可以直接调用。
数据来源与集思录。
获取 排除满足强赎天数剩余N天的可转债，排除强赎可转债。
比如：DAY=4 ，那么假设强赎满足天数为15天，那么返回市场上强赎强赎倒数天数大于4天的可转债，即返回小于或者等于11天以下的转债。把满足条件还差4天的转债排除掉了，当然，已经公告强赎的也会被排除。
import requests
URL = 'http://11.11.11.11/api/redeem/'
# DAY 强赎倒数剩余天数小于 DAY （4）天， 已经公告强赎的也是被排除的
DAY = 4
SIGN = '私信星主获取' # sign和以前一致
data = {'day': DAY,
'sign': SIGN}
r = requests.post(URL, data=data)
print(r.json())
具体用户可以关注知识星球： 查看全部
占坑，后期把代码整理下放上来。
更新：
制作好了一个接口，用户可以直接调用。
数据来源与集思录。
具体用户可以关注知识星球：
更新：
制作好了一个接口，用户可以直接调用。
数据来源与集思录。
获取 排除满足强赎天数剩余N天的可转债，排除强赎可转债。
比如：DAY=4 ，那么假设强赎满足天数为15天，那么返回市场上强赎强赎倒数天数大于4天的可转债，即返回小于或者等于11天以下的转债。把满足条件还差4天的转债排除掉了，当然，已经公告强赎的也会被排除。
import requests
URL = 'http://11.11.11.11/api/redeem/'
# DAY 强赎倒数剩余天数小于 DAY （4）天， 已经公告强赎的也是被排除的
DAY = 4
SIGN = '私信星主获取' # sign和以前一致
data = {'day': DAY,
'sign': SIGN}
r = requests.post(URL, data=data)
print(r.json())
具体用户可以关注知识星球：
发现numpy一个很坑的问题，要一定级别的高手才能发现问题
李魔佛 发表了文章 • 0 个评论 • 4651 次浏览 • 2019-04-30 00:04
一个二元一次方程：
y=X0**2+X1**2 # **2 是平方def function_2(x):
return x[0]**2+x[1]**2
下面是计算y的偏导数，分布计算X0和X1的偏导def numerical_gradient(f,x):
grad = np.zeros_like(x)
h=1e-4
for idx in range(x.size):
temp_v = x[idx]
x[idx]=temp_v+h
f1=f(x)
print(x,f1)
x[idx]=temp_v-h
f2=f(x)
print(x,f2)
ret = (f1-f2)/(2*h)
print(ret)
x[idx]=temp_v
grad[idx]=ret
return grad
然后调用numerical_gradient(function_2,np.array([3,4]))
计算的是二元一次方程 y=X0**2+X1**2 在点（3,4）的偏导的值
得到的是什么结果？
为什么会得到这样的结果？
小白一般要花点时间才能找到原因。
查看全部
y=X0**2+X1**2 # **2 是平方def function_2(x):
return x[0]**2+x[1]**2
下面是计算y的偏导数，分布计算X0和X1的偏导def numerical_gradient(f,x):
grad = np.zeros_like(x)
h=1e-4
for idx in range(x.size):
temp_v = x[idx]
x[idx]=temp_v+h
f1=f(x)
print(x,f1)
x[idx]=temp_v-h
f2=f(x)
print(x,f2)
ret = (f1-f2)/(2*h)
print(ret)
x[idx]=temp_v
grad[idx]=ret
return grad
然后调用numerical_gradient(function_2,np.array([3,4]))
计算的是二元一次方程 y=X0**2+X1**2 在点（3,4）的偏导的值
得到的是什么结果？
为什么会得到这样的结果？
小白一般要花点时间才能找到原因。
查看全部
一个二元一次方程：
y=X0**2+X1**2 # **2 是平方
下面是计算y的偏导数，分布计算X0和X1的偏导
然后调用
计算的是二元一次方程 y=X0**2+X1**2 在点（3,4）的偏导的值
得到的是什么结果？
为什么会得到这样的结果？
小白一般要花点时间才能找到原因。
y=X0**2+X1**2 # **2 是平方
def function_2(x):
return x[0]**2+x[1]**2
下面是计算y的偏导数，分布计算X0和X1的偏导
def numerical_gradient(f,x):
grad = np.zeros_like(x)
h=1e-4
for idx in range(x.size):
temp_v = x[idx]
x[idx]=temp_v+h
f1=f(x)
print(x,f1)
x[idx]=temp_v-h
f2=f(x)
print(x,f2)
ret = (f1-f2)/(2*h)
print(ret)
x[idx]=temp_v
grad[idx]=ret
return grad
然后调用
numerical_gradient(function_2,np.array([3,4]))计算的是二元一次方程 y=X0**2+X1**2 在点（3,4）的偏导的值
得到的是什么结果？
为什么会得到这样的结果？
小白一般要花点时间才能找到原因。
numpy和dataframe轴的含义，axis为负数的含义
李魔佛 发表了文章 • 0 个评论 • 5569 次浏览 • 2019-04-28 14:22
比如有数组：
a=np.array([[[1,2],[3,4]],[[11,12],[13,14]]])
a
array([[[ 1, 2],
[ 3, 4]],
[[11, 12],
[13, 14]]])
a有3个中括号，那么就有3条轴，从0开始到2，分别是axis=0,1,2
那么我要对a进行求和,分别用axis=0,1,2进行运行。
a.sum(axis=0)得到：
array([[12, 14],
[16, 18]])意思是去掉一个中括号，然后运行。
同理：
a.sum(axis=1)对a去掉2个中括号，然后运行。
得到：
array([[ 4, 6],
[24, 26]])那么对a.sum(axis=2)的结果呢？读者可以自己上机去尝试吧。
而轴的负数，axis=-3和axis=0的意思是一样的，对于有3层轴的数组来说的话。
a.sum(axis=-3)
array([[12, 14],
[16, 18]])
查看全部
a=np.array([[[1,2],[3,4]],[[11,12],[13,14]]])
a
array([[[ 1, 2],
[ 3, 4]],
[[11, 12],
[13, 14]]])
a有3个中括号，那么就有3条轴，从0开始到2，分别是axis=0,1,2
那么我要对a进行求和,分别用axis=0,1,2进行运行。
a.sum(axis=0)得到：
array([[12, 14],
[16, 18]])意思是去掉一个中括号，然后运行。
同理：
a.sum(axis=1)对a去掉2个中括号，然后运行。
得到：
array([[ 4, 6],
[24, 26]])那么对a.sum(axis=2)的结果呢？读者可以自己上机去尝试吧。
而轴的负数，axis=-3和axis=0的意思是一样的，对于有3层轴的数组来说的话。
a.sum(axis=-3)
array([[12, 14],
[16, 18]])
查看全部
比如有数组：
a
a有3个中括号，那么就有3条轴，从0开始到2，分别是axis=0,1,2
那么我要对a进行求和,分别用axis=0,1,2进行运行。
同理：
得到：
而轴的负数，axis=-3和axis=0的意思是一样的，对于有3层轴的数组来说的话。
a=np.array([[[1,2],[3,4]],[[11,12],[13,14]]])
a
array([[[ 1, 2],
[ 3, 4]],
[[11, 12],
[13, 14]]])
a有3个中括号，那么就有3条轴，从0开始到2，分别是axis=0,1,2
那么我要对a进行求和,分别用axis=0,1,2进行运行。
a.sum(axis=0)得到：
array([[12, 14],意思是去掉一个中括号，然后运行。
[16, 18]])
同理：
a.sum(axis=1)对a去掉2个中括号，然后运行。
得到：
array([[ 4, 6],那么对a.sum(axis=2)的结果呢？读者可以自己上机去尝试吧。
[24, 26]])
而轴的负数，axis=-3和axis=0的意思是一样的，对于有3层轴的数组来说的话。
a.sum(axis=-3)
array([[12, 14],
[16, 18]])
【2019-03-16】市场热度预测 - 通过检测某个论坛（集思录）的热度衡量
李魔佛 发表了文章 • 4 个评论 • 4198 次浏览 • 2019-03-16 18:03
很早前就有这个想法，只是最终实践最近才完成，其实并不是很大难度，只是把这个事情早早抛诸脑后。
首先得有数据，有了数据就可以慢慢分析了。
首先是集思录，把数据进行重新采用，按照周采样，然后绘图：
看到这张图后，瞬间也是震惊了，我觉得应该要逃离了。当然不是马上撤离，但是应该时间不会太久，1-2周就应该空仓了。
感觉这个是不错逃顶抄底指标呀。
文章中的数据每周更新，敬请留意。
原创文章
转载请注明出处：
http://30daydo.com/article/428
查看全部
首先得有数据，有了数据就可以慢慢分析了。
首先是集思录，把数据进行重新采用，按照周采样，然后绘图：
看到这张图后，瞬间也是震惊了，我觉得应该要逃离了。当然不是马上撤离，但是应该时间不会太久，1-2周就应该空仓了。
感觉这个是不错逃顶抄底指标呀。
文章中的数据每周更新，敬请留意。
原创文章
转载请注明出处：
http://30daydo.com/article/428
查看全部
很早前就有这个想法，只是最终实践最近才完成，其实并不是很大难度，只是把这个事情早早抛诸脑后。
首先得有数据，有了数据就可以慢慢分析了。
首先是集思录，把数据进行重新采用，按照周采样，然后绘图：
看到这张图后，瞬间也是震惊了，我觉得应该要逃离了。当然不是马上撤离，但是应该时间不会太久，1-2周就应该空仓了。
感觉这个是不错逃顶抄底指标呀。
文章中的数据每周更新，敬请留意。
原创文章
转载请注明出处：
http://30daydo.com/article/428
首先得有数据，有了数据就可以慢慢分析了。
首先是集思录，把数据进行重新采用，按照周采样，然后绘图：
看到这张图后，瞬间也是震惊了，我觉得应该要逃离了。当然不是马上撤离，但是应该时间不会太久，1-2周就应该空仓了。
感觉这个是不错逃顶抄底指标呀。
文章中的数据每周更新，敬请留意。
原创文章
转载请注明出处：
http://30daydo.com/article/428
可转债价格分布堆叠图 绘制 可视化 python+pyecharts
李魔佛 发表了文章 • 0 个评论 • 7823 次浏览 • 2019-01-30 10:59
这一节课带大家学习如何利用可视化，更好的呈现数据。
即使你有很多数据，可是，你无法直观地看到数据的总体趋势。使用可视化的绘图，可以帮助我们看到数据背后看不到的数据。 比如我已经有每一个可转债的价格，评级。数据如下：
点击查看大图
如果我用下面的图形就可以看出规律：
点击查看大图
横坐标是价格，纵坐标是落在该价格的可转债数量，不同颜色代表不同评级的可转债。
可以看到大部分AA-评级（浅橙色）的可转债价格都在100元以下，而AA（浅蓝色）的可转债价格分布较为平均，从90到110都有。而AA+和AAA的一般都在100以上。
那么如何使用代码实现呢？from setting import get_mysql_conn,get_engine
import pandas as pd
import pymongo
from pyecharts import Geo,Style,Map
engine = get_engine('db_stock',local='local')
# 堆叠图
from pyecharts import Bar
df = pd.read_sql('tb_bond_jisilu',con=engine)
result ={}
for name,grades in df.groupby('评级'):
# print(name,grades[['可转债名称','可转债价格']])
for each in grades['可转债价格']:
result.setdefault(name,)
result[name].append(each)
# 确定价格的范围
value = [str(i) for i in range(85,140)]
ret = [0]*len(value)
ret1 = dict(zip(value,ret))
ret_A_add = ret1.copy()
for item in result['A+']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
ret_A_add[k]+=1
retAA_ = ret1.copy()
for item in result['']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAA_[k]+=1
retAA = ret1.copy()
for item in result['AA']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAA[k]+=1
retAA_add = ret1.copy()
for item in result['AA+']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAA_add[k]+=1
retAAA = ret1.copy()
for item in result['AAA']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAAA[k]+=1
bar = Bar('可转债价格分布')
bar.add('A+',value,list(ret_A_add.values()),is_stack=True,yaxis_max=11)
bar.add('',value,list(retAA_.values()),is_stack=True,yaxis_max=11)
bar.add('AA',value,list(retAA.values()),is_stack=True,yaxis_max=11)
bar.add('AA+',value,list(retAA_add.values()),is_stack=True,yaxis_max=11)
bar.add('AAA',value,list(retAAA.values()),is_stack=True,yaxis_max=11)
如果没有安装pyecharts，需要用pip安装即可。
原创文章
转载请注明出处：
http://30daydo.com/article/400
查看全部
即使你有很多数据，可是，你无法直观地看到数据的总体趋势。使用可视化的绘图，可以帮助我们看到数据背后看不到的数据。 比如我已经有每一个可转债的价格，评级。数据如下：
点击查看大图
如果我用下面的图形就可以看出规律：
点击查看大图
横坐标是价格，纵坐标是落在该价格的可转债数量，不同颜色代表不同评级的可转债。
可以看到大部分AA-评级（浅橙色）的可转债价格都在100元以下，而AA（浅蓝色）的可转债价格分布较为平均，从90到110都有。而AA+和AAA的一般都在100以上。
那么如何使用代码实现呢？from setting import get_mysql_conn,get_engine
import pandas as pd
import pymongo
from pyecharts import Geo,Style,Map
engine = get_engine('db_stock',local='local')
# 堆叠图
from pyecharts import Bar
df = pd.read_sql('tb_bond_jisilu',con=engine)
result ={}
for name,grades in df.groupby('评级'):
# print(name,grades[['可转债名称','可转债价格']])
for each in grades['可转债价格']:
result.setdefault(name,)
result[name].append(each)
# 确定价格的范围
value = [str(i) for i in range(85,140)]
ret = [0]*len(value)
ret1 = dict(zip(value,ret))
ret_A_add = ret1.copy()
for item in result['A+']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
ret_A_add[k]+=1
retAA_ = ret1.copy()
for item in result['']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAA_[k]+=1
retAA = ret1.copy()
for item in result['AA']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAA[k]+=1
retAA_add = ret1.copy()
for item in result['AA+']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAA_add[k]+=1
retAAA = ret1.copy()
for item in result['AAA']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAAA[k]+=1
bar = Bar('可转债价格分布')
bar.add('A+',value,list(ret_A_add.values()),is_stack=True,yaxis_max=11)
bar.add('',value,list(retAA_.values()),is_stack=True,yaxis_max=11)
bar.add('AA',value,list(retAA.values()),is_stack=True,yaxis_max=11)
bar.add('AA+',value,list(retAA_add.values()),is_stack=True,yaxis_max=11)
bar.add('AAA',value,list(retAAA.values()),is_stack=True,yaxis_max=11)
如果没有安装pyecharts，需要用pip安装即可。
原创文章
转载请注明出处：
http://30daydo.com/article/400
查看全部
这一节课带大家学习如何利用可视化，更好的呈现数据。
即使你有很多数据，可是，你无法直观地看到数据的总体趋势。使用可视化的绘图，可以帮助我们看到数据背后看不到的数据。 比如我已经有每一个可转债的价格，评级。数据如下：
点击查看大图
如果我用下面的图形就可以看出规律：
点击查看大图
横坐标是价格，纵坐标是落在该价格的可转债数量，不同颜色代表不同评级的可转债。
可以看到大部分AA-评级（浅橙色）的可转债价格都在100元以下，而AA（浅蓝色）的可转债价格分布较为平均，从90到110都有。而AA+和AAA的一般都在100以上。
那么如何使用代码实现呢？
如果没有安装pyecharts，需要用pip安装即可。
原创文章
转载请注明出处：
http://30daydo.com/article/400
即使你有很多数据，可是，你无法直观地看到数据的总体趋势。使用可视化的绘图，可以帮助我们看到数据背后看不到的数据。 比如我已经有每一个可转债的价格，评级。数据如下：
点击查看大图
如果我用下面的图形就可以看出规律：
点击查看大图
横坐标是价格，纵坐标是落在该价格的可转债数量，不同颜色代表不同评级的可转债。
可以看到大部分AA-评级（浅橙色）的可转债价格都在100元以下，而AA（浅蓝色）的可转债价格分布较为平均，从90到110都有。而AA+和AAA的一般都在100以上。
那么如何使用代码实现呢？
from setting import get_mysql_conn,get_engine
import pandas as pd
import pymongo
from pyecharts import Geo,Style,Map
engine = get_engine('db_stock',local='local')
# 堆叠图
from pyecharts import Bar
df = pd.read_sql('tb_bond_jisilu',con=engine)
result ={}
for name,grades in df.groupby('评级'):
# print(name,grades[['可转债名称','可转债价格']])
for each in grades['可转债价格']:
result.setdefault(name,)
result[name].append(each)
# 确定价格的范围
value = [str(i) for i in range(85,140)]
ret = [0]*len(value)
ret1 = dict(zip(value,ret))
ret_A_add = ret1.copy()
for item in result['A+']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
ret_A_add[k]+=1
retAA_ = ret1.copy()
for item in result['']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAA_[k]+=1
retAA = ret1.copy()
for item in result['AA']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAA[k]+=1
retAA_add = ret1.copy()
for item in result['AA+']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAA_add[k]+=1
retAAA = ret1.copy()
for item in result['AAA']:
for k in ret1:
if float(k)+0.5>item and float(k)-0.5<=item:
retAAA[k]+=1
bar = Bar('可转债价格分布')
bar.add('A+',value,list(ret_A_add.values()),is_stack=True,yaxis_max=11)
bar.add('',value,list(retAA_.values()),is_stack=True,yaxis_max=11)
bar.add('AA',value,list(retAA.values()),is_stack=True,yaxis_max=11)
bar.add('AA+',value,list(retAA_add.values()),is_stack=True,yaxis_max=11)
bar.add('AAA',value,list(retAAA.values()),is_stack=True,yaxis_max=11)
如果没有安装pyecharts，需要用pip安装即可。
原创文章
转载请注明出处：
http://30daydo.com/article/400
可转债套利【一】 python找出折价可转债个股
李魔佛 发表了文章 • 9 个评论 • 20442 次浏览 • 2018-03-16 17:17
关于可转债的定义，可以到https://xueqiu.com/6832369826/103042836 这里科普一下。
下面的内容默认你对可转债已经有一定的了解。
可转债的价值=正股价格/转股价格 + 利息，忽略可转债的利息，直接用公式 可转债的价值=正股价格/转股价格 计算可转债的价值。
如果当前可转债的交易价格（在交易软件上显示的价格）如：
所以万信转债的价格是121.5元，然后万信转债的价值呢？ 按照上面的公式，万信转债的正股是万达信息，今天万达信息 （2018-03-16）的股价是
以收盘价为例，17.25。
而万信转债的股转价格呢？ 这个可以到万信转债F10页面的公告中找到，为13.11元。 所以万信转债的价值是
17.25/13.11 = 1.315 , 可转债单位是100， 所以万信转债的内在价值是1.315*100=131.5， 而当前的交易价格为 121.5
也就是你用121.5元买到一个价值 131.5的商品， 所以相当于打折买到了一个超值的商品，所以当前的万信转债是折价状态。
所以本次任务就是要找出可交易的可转债中折价状态的可转债。
然后直接上干货。上python代码。#-*-coding=utf-8
'''
可转债监控
'''
import tushare as ts
from setting import get_engine
engine = get_engine('db_bond')
import pandas as pd
import datetime
class ConvertBond():
def __init__(self):
self.conn=ts.get_apis()
self.allBonds=ts.new_cbonds(pause=2)
self.onSellBond=self.allBonds.dropna(subset=['marketprice'])
self.today=datetime.datetime.now().strftime('%Y-%m-%d %H:%M')
def stockPrice(self,code):
stock_df = ts.get_realtime_quotes(code)
price = float(stock_df['price'].values[0])
return price
def dataframe(self):
price_list=
for code in self.onSellBond['scode']:
price_list.append(self.stockPrice(code))
self.onSellBond['stock_price']=price_list
self.onSellBond['ratio'] = (
self.onSellBond['marketprice']
/(self.onSellBond['stock_price'] / self.onSellBond['convprice'])-1)*100
self.onSellBond['Updated']=self.today
self.onSellBond.to_sql('tb_bond',engine,if_exists='replace')
def closed(self):
ts.close_apis(self.conn)
def main():
bond=ConvertBond()
bond.dataframe()
bond.closed()
if __name__=='__main__':
main()
上面的setting库，把下面的*** 替换成你自己的Mysql用户和密码即可。import os
import MySQLdb
MYSQL_USER = *********
MYSQL_PASSWORD = ********
MYSQL_HOST = *********
MYSQL_PORT = *****
def get_engine(db):
engine = create_engine('mysql+pymysql://{}:{}@{}:{}/{}?charset=utf8'.format(MYSQL_USER, MYSQL_PASSWORD, MYSQL_HOST, MYSQL_PORT, db))
return engine
上面的少于100行的代码就能够满足你的要求。
运行后会把结果保存在MySQL 数据库。如下图所示：
点击放大
2018-03-16 可转债表格
其中折价率是ratio列。按照ratio列进行排列，只有2个是正，也就是当前市场是只有2只可转债是处于折价状态的，其余的都是溢价状态（价格比内在价值要贵，忽略利息的前提下，如果把4~5%的利息也算进去的话，-3~4%的折价率其实也算小折价吧）
目前万信转债折价10个点，宝信转债折价5.8个点。 所以适合低风险投资者建仓。 因为可转债有兜底价格，所以出现亏损的概率很低（除非遇到黑天鹅，公司破产了，像遇到乐视这种PPT独角兽公司，欠债不还的。 但是A股上能够有资格发行可转债的，本身对公司的盈利，分红都有硬性要求）。
所以可以保存上面的代码，可以每天运行一次，可以很方便地找出折价的个股，当然也可以在盘中一直监测，因为可转债的价格是实时变化的，一旦遇到大跌，跌到折价状态，你也可以择时入手标的。
原文链接：
http://30daydo.com/article/286
转载请注明出处
可转债低费率，沪市百万分之二，深圳十万分之四，免五 开户
加微信开通
查看全部
下面的内容默认你对可转债已经有一定的了解。
可转债的价值=正股价格/转股价格 + 利息，忽略可转债的利息，直接用公式 可转债的价值=正股价格/转股价格 计算可转债的价值。
如果当前可转债的交易价格（在交易软件上显示的价格）如：
所以万信转债的价格是121.5元，然后万信转债的价值呢？ 按照上面的公式，万信转债的正股是万达信息，今天万达信息 （2018-03-16）的股价是
以收盘价为例，17.25。
而万信转债的股转价格呢？ 这个可以到万信转债F10页面的公告中找到，为13.11元。 所以万信转债的价值是
17.25/13.11 = 1.315 , 可转债单位是100， 所以万信转债的内在价值是1.315*100=131.5， 而当前的交易价格为 121.5
也就是你用121.5元买到一个价值 131.5的商品， 所以相当于打折买到了一个超值的商品，所以当前的万信转债是折价状态。
所以本次任务就是要找出可交易的可转债中折价状态的可转债。
然后直接上干货。上python代码。#-*-coding=utf-8
'''
可转债监控
'''
import tushare as ts
from setting import get_engine
engine = get_engine('db_bond')
import pandas as pd
import datetime
class ConvertBond():
def __init__(self):
self.conn=ts.get_apis()
self.allBonds=ts.new_cbonds(pause=2)
self.onSellBond=self.allBonds.dropna(subset=['marketprice'])
self.today=datetime.datetime.now().strftime('%Y-%m-%d %H:%M')
def stockPrice(self,code):
stock_df = ts.get_realtime_quotes(code)
price = float(stock_df['price'].values[0])
return price
def dataframe(self):
price_list=
for code in self.onSellBond['scode']:
price_list.append(self.stockPrice(code))
self.onSellBond['stock_price']=price_list
self.onSellBond['ratio'] = (
self.onSellBond['marketprice']
/(self.onSellBond['stock_price'] / self.onSellBond['convprice'])-1)*100
self.onSellBond['Updated']=self.today
self.onSellBond.to_sql('tb_bond',engine,if_exists='replace')
def closed(self):
ts.close_apis(self.conn)
def main():
bond=ConvertBond()
bond.dataframe()
bond.closed()
if __name__=='__main__':
main()
上面的setting库，把下面的*** 替换成你自己的Mysql用户和密码即可。import os
import MySQLdb
MYSQL_USER = *********
MYSQL_PASSWORD = ********
MYSQL_HOST = *********
MYSQL_PORT = *****
def get_engine(db):
engine = create_engine('mysql+pymysql://{}:{}@{}:{}/{}?charset=utf8'.format(MYSQL_USER, MYSQL_PASSWORD, MYSQL_HOST, MYSQL_PORT, db))
return engine
上面的少于100行的代码就能够满足你的要求。
运行后会把结果保存在MySQL 数据库。如下图所示：
点击放大
2018-03-16 可转债表格
其中折价率是ratio列。按照ratio列进行排列，只有2个是正，也就是当前市场是只有2只可转债是处于折价状态的，其余的都是溢价状态（价格比内在价值要贵，忽略利息的前提下，如果把4~5%的利息也算进去的话，-3~4%的折价率其实也算小折价吧）
目前万信转债折价10个点，宝信转债折价5.8个点。 所以适合低风险投资者建仓。 因为可转债有兜底价格，所以出现亏损的概率很低（除非遇到黑天鹅，公司破产了，像遇到乐视这种PPT独角兽公司，欠债不还的。 但是A股上能够有资格发行可转债的，本身对公司的盈利，分红都有硬性要求）。
所以可以保存上面的代码，可以每天运行一次，可以很方便地找出折价的个股，当然也可以在盘中一直监测，因为可转债的价格是实时变化的，一旦遇到大跌，跌到折价状态，你也可以择时入手标的。
原文链接：
http://30daydo.com/article/286
转载请注明出处
可转债低费率，沪市百万分之二，深圳十万分之四，免五 开户
加微信开通
查看全部
关于可转债的定义，可以到https://xueqiu.com/6832369826/103042836 这里科普一下。
下面的内容默认你对可转债已经有一定的了解。
可转债的价值=正股价格/转股价格 + 利息，忽略可转债的利息，直接用公式 可转债的价值=正股价格/转股价格 计算可转债的价值。
如果当前可转债的交易价格（在交易软件上显示的价格）如：
所以万信转债的价格是121.5元，然后万信转债的价值呢？ 按照上面的公式，万信转债的正股是万达信息，今天万达信息 （2018-03-16）的股价是
以收盘价为例，17.25。
而万信转债的股转价格呢？ 这个可以到万信转债F10页面的公告中找到，为13.11元。 所以万信转债的价值是
17.25/13.11 = 1.315 , 可转债单位是100， 所以万信转债的内在价值是1.315*100=131.5， 而当前的交易价格为 121.5
也就是你用121.5元买到一个价值 131.5的商品， 所以相当于打折买到了一个超值的商品，所以当前的万信转债是折价状态。
所以本次任务就是要找出可交易的可转债中折价状态的可转债。
然后直接上干货。上python代码。
上面的setting库，把下面的*** 替换成你自己的Mysql用户和密码即可。
上面的少于100行的代码就能够满足你的要求。
运行后会把结果保存在MySQL 数据库。如下图所示：
点击放大
2018-03-16 可转债表格
其中折价率是ratio列。按照ratio列进行排列，只有2个是正，也就是当前市场是只有2只可转债是处于折价状态的，其余的都是溢价状态（价格比内在价值要贵，忽略利息的前提下，如果把4~5%的利息也算进去的话，-3~4%的折价率其实也算小折价吧）
目前万信转债折价10个点，宝信转债折价5.8个点。 所以适合低风险投资者建仓。 因为可转债有兜底价格，所以出现亏损的概率很低（除非遇到黑天鹅，公司破产了，像遇到乐视这种PPT独角兽公司，欠债不还的。 但是A股上能够有资格发行可转债的，本身对公司的盈利，分红都有硬性要求）。
所以可以保存上面的代码，可以每天运行一次，可以很方便地找出折价的个股，当然也可以在盘中一直监测，因为可转债的价格是实时变化的，一旦遇到大跌，跌到折价状态，你也可以择时入手标的。
原文链接：
http://30daydo.com/article/286
转载请注明出处
可转债低费率，沪市百万分之二，深圳十万分之四，免五 开户
加微信开通
下面的内容默认你对可转债已经有一定的了解。
可转债的价值=正股价格/转股价格 + 利息，忽略可转债的利息，直接用公式 可转债的价值=正股价格/转股价格 计算可转债的价值。
如果当前可转债的交易价格（在交易软件上显示的价格）如：
所以万信转债的价格是121.5元，然后万信转债的价值呢？ 按照上面的公式，万信转债的正股是万达信息，今天万达信息 （2018-03-16）的股价是
以收盘价为例，17.25。
而万信转债的股转价格呢？ 这个可以到万信转债F10页面的公告中找到，为13.11元。 所以万信转债的价值是
17.25/13.11 = 1.315 , 可转债单位是100， 所以万信转债的内在价值是1.315*100=131.5， 而当前的交易价格为 121.5
也就是你用121.5元买到一个价值 131.5的商品， 所以相当于打折买到了一个超值的商品，所以当前的万信转债是折价状态。
所以本次任务就是要找出可交易的可转债中折价状态的可转债。
然后直接上干货。上python代码。
#-*-coding=utf-8
'''
可转债监控
'''
import tushare as ts
from setting import get_engine
engine = get_engine('db_bond')
import pandas as pd
import datetime
class ConvertBond():
def __init__(self):
self.conn=ts.get_apis()
self.allBonds=ts.new_cbonds(pause=2)
self.onSellBond=self.allBonds.dropna(subset=['marketprice'])
self.today=datetime.datetime.now().strftime('%Y-%m-%d %H:%M')
def stockPrice(self,code):
stock_df = ts.get_realtime_quotes(code)
price = float(stock_df['price'].values[0])
return price
def dataframe(self):
price_list=
for code in self.onSellBond['scode']:
price_list.append(self.stockPrice(code))
self.onSellBond['stock_price']=price_list
self.onSellBond['ratio'] = (
self.onSellBond['marketprice']
/(self.onSellBond['stock_price'] / self.onSellBond['convprice'])-1)*100
self.onSellBond['Updated']=self.today
self.onSellBond.to_sql('tb_bond',engine,if_exists='replace')
def closed(self):
ts.close_apis(self.conn)
def main():
bond=ConvertBond()
bond.dataframe()
bond.closed()
if __name__=='__main__':
main()
上面的setting库，把下面的*** 替换成你自己的Mysql用户和密码即可。
import os
import MySQLdb
MYSQL_USER = *********
MYSQL_PASSWORD = ********
MYSQL_HOST = *********
MYSQL_PORT = *****
def get_engine(db):
engine = create_engine('mysql+pymysql://{}:{}@{}:{}/{}?charset=utf8'.format(MYSQL_USER, MYSQL_PASSWORD, MYSQL_HOST, MYSQL_PORT, db))
return engine
上面的少于100行的代码就能够满足你的要求。
运行后会把结果保存在MySQL 数据库。如下图所示：
点击放大
2018-03-16 可转债表格
其中折价率是ratio列。按照ratio列进行排列，只有2个是正，也就是当前市场是只有2只可转债是处于折价状态的，其余的都是溢价状态（价格比内在价值要贵，忽略利息的前提下，如果把4~5%的利息也算进去的话，-3~4%的折价率其实也算小折价吧）
目前万信转债折价10个点，宝信转债折价5.8个点。 所以适合低风险投资者建仓。 因为可转债有兜底价格，所以出现亏损的概率很低（除非遇到黑天鹅，公司破产了，像遇到乐视这种PPT独角兽公司，欠债不还的。 但是A股上能够有资格发行可转债的，本身对公司的盈利，分红都有硬性要求）。
所以可以保存上面的代码，可以每天运行一次，可以很方便地找出折价的个股，当然也可以在盘中一直监测，因为可转债的价格是实时变化的，一旦遇到大跌，跌到折价状态，你也可以择时入手标的。
原文链接：
http://30daydo.com/article/286
转载请注明出处
可转债低费率，沪市百万分之二，深圳十万分之四，免五 开户
加微信开通
dataframe reindex和reset_index区别
李魔佛 发表了文章 • 0 个评论 • 84330 次浏览 • 2017-12-30 15:58
reset_index的作用是重新设置dataframe的index，范围为0~len（df）。 df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [10, 20, 30, 40, 50]})
df2 = pd.DataFrame({'A': [6], 'B': [60]})
print('df', df)
print('df2', df2)
df_x = [df, df2]
result = pd.concat(df_x)
print('first result ', result)
上面代码把df和df2合并为一个result，但是result的index是乱的。
那么执行result2= result.reset_index()
得到如下的result2： （默认只是返回一个copy，原来的result没有发生改变，所以需要副本赋值给result2）
可以看到，原来的一列index现在变成了columns之一，新的index为[0,1,2,3,4,5]
如果添加参数 reset_index(drop=True) 那么原index会被丢弃，不会显示为一个新列。result2 = result.reset_index(drop=True)
reindex的作用是按照原有的列进行重新生成一个新的df。
还是使用上面的代码
result目前是df和df2的合并序列。
如下：
可以看到index为[0,1,2,3,4,0]
执行 result3 = result.reindex(columns=['A','C'])
可以看到，原index并没有发生改变，而列变成了A和C，因为C是不存在的，所以使用了NaB填充，这个值的内容可以自己填充，可以改为默认填充0或者任意你想要的数据。reindex(columns=..)的作用类似于重新把列的顺序整理一遍， 而使用reindex(index=....) 则按照行重新整理一遍。
原文链接：http://30daydo.com/article/257
欢迎转载，注明出处
查看全部
df2 = pd.DataFrame({'A': [6], 'B': [60]})
print('df', df)
print('df2', df2)
df_x = [df, df2]
result = pd.concat(df_x)
print('first result ', result)
上面代码把df和df2合并为一个result，但是result的index是乱的。
那么执行result2= result.reset_index()
得到如下的result2： （默认只是返回一个copy，原来的result没有发生改变，所以需要副本赋值给result2）
可以看到，原来的一列index现在变成了columns之一，新的index为[0,1,2,3,4,5]
如果添加参数 reset_index(drop=True) 那么原index会被丢弃，不会显示为一个新列。result2 = result.reset_index(drop=True)
reindex的作用是按照原有的列进行重新生成一个新的df。
还是使用上面的代码
result目前是df和df2的合并序列。
如下：
可以看到index为[0,1,2,3,4,0]
执行 result3 = result.reindex(columns=['A','C'])
可以看到，原index并没有发生改变，而列变成了A和C，因为C是不存在的，所以使用了NaB填充，这个值的内容可以自己填充，可以改为默认填充0或者任意你想要的数据。reindex(columns=..)的作用类似于重新把列的顺序整理一遍， 而使用reindex(index=....) 则按照行重新整理一遍。
原文链接：http://30daydo.com/article/257
欢迎转载，注明出处
查看全部
reset_index的作用是重新设置dataframe的index，范围为0~len（df）。
上面代码把df和df2合并为一个result，但是result的index是乱的。
那么执行
得到如下的result2： （默认只是返回一个copy，原来的result没有发生改变，所以需要副本赋值给result2）
可以看到，原来的一列index现在变成了columns之一，新的index为[0,1,2,3,4,5]
如果添加参数 reset_index(drop=True) 那么原index会被丢弃，不会显示为一个新列。
reindex的作用是按照原有的列进行重新生成一个新的df。
还是使用上面的代码
result目前是df和df2的合并序列。
如下：
可以看到index为[0,1,2,3,4,0]
执行
可以看到，原index并没有发生改变，而列变成了A和C，因为C是不存在的，所以使用了NaB填充，这个值的内容可以自己填充，可以改为默认填充0或者任意你想要的数据。reindex(columns=..)的作用类似于重新把列的顺序整理一遍， 而使用reindex(index=....) 则按照行重新整理一遍。
原文链接：http://30daydo.com/article/257
欢迎转载，注明出处
df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [10, 20, 30, 40, 50]})
df2 = pd.DataFrame({'A': [6], 'B': [60]})
print('df', df)
print('df2', df2)
df_x = [df, df2]
result = pd.concat(df_x)
print('first result ', result) 上面代码把df和df2合并为一个result，但是result的index是乱的。
那么执行
result2= result.reset_index()
得到如下的result2： （默认只是返回一个copy，原来的result没有发生改变，所以需要副本赋值给result2）
可以看到，原来的一列index现在变成了columns之一，新的index为[0,1,2,3,4,5]
如果添加参数 reset_index(drop=True) 那么原index会被丢弃，不会显示为一个新列。
result2 = result.reset_index(drop=True)
reindex的作用是按照原有的列进行重新生成一个新的df。
还是使用上面的代码
result目前是df和df2的合并序列。
如下：
可以看到index为[0,1,2,3,4,0]
执行
result3 = result.reindex(columns=['A','C'])
可以看到，原index并没有发生改变，而列变成了A和C，因为C是不存在的，所以使用了NaB填充，这个值的内容可以自己填充，可以改为默认填充0或者任意你想要的数据。reindex(columns=..)的作用类似于重新把列的顺序整理一遍， 而使用reindex(index=....) 则按照行重新整理一遍。
原文链接：http://30daydo.com/article/257
欢迎转载，注明出处
