注册

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 • 123 次浏览 • 2019-01-30 10:59 • 来自相关话题

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。
 
上面代码运行后就可以得到上面最开始那张堆叠图了。
github：https://github.com/Rockyzsu/convertible_bond​ 
 
 
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：

可转债数据.JPG

 点击查看大图

如果我用下面的图形就可以看出规律：
可转债价格分布.JPG

 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。
 
上面代码运行后就可以得到上面最开始那张堆叠图了。
github：https://github.com/Rockyzsu/convertible_bond​ 
 
 
原创文章
转载请注明出处：
 http://30daydo.com/article/400 

 

python数据分析之 A股上市公司按地区分布与可视化 地图显示

李魔佛 发表了文章 • 0 个评论 • 320 次浏览 • 2018-12-19 14:07 • 来自相关话题

首先传统方法是使用数据库：SELECT area `地区`,count(*) as `数目` FROM `tb_basic_info` GROUP BY area order by 数目 desc;得到下面的结果： 接着我们使用pandas进行数据可视化。
 地区 数目
浙江 431
江苏 401
北京 316
广东 303
上海 285
深圳 283
山东 196
福建 132
四川 120
湖南 104
安徽 103
湖北 101
河南 79
辽宁 72
河北 56
新疆 54
天津 50
陕西 49
重庆 48
吉林 41
江西 41
山西 38
黑龙江 37
广西 37
云南 33
甘肃 33
海南 31
贵州 29
内蒙 25
西藏 18
宁夏 13
青海 12
看看我们的641主席的功劳，江浙一带的上市公司数量已经超过广东了。
 
接下来我们使用pandas进行数据可视化：
 
首先读入数据：# A股上市公司分布：
df = pd.read_sql('tb_basic_info',con=engine)engine为from sqlalchemy import create_engine 中的连接引擎。
 
然后直接统计：result = df['area'].value_counts()得到的result就是统计结果：





 
看是不是比mysql语句简单多了？
 
得到一样的数据。
 
接下来使用图像来显示我们的数据：





 
什么？ 一条命令就可以啦~ 实在太强大了！
从这个柱状图上，可以更加直观地看到A股上市公司的分布情况，东部长三角和珠三角的公司数目最多。而西部只有东部的零头。
 
接着把数据转化为百分比数据：total = result.sum()
ration = result/total*100




可以看到江浙地区占了22%的数量，体量还是很大的。
 
接下来，为了数据更加直观，把数据在地图上显示出来：





            点击查看大图

颜色越红，表明上市公司越多。现在数据够直观了吧。
 
实现代码：# 热力图
def create_heatmap(attr,value,name,maptype):
style = Style(title_color="#fff", title_pos="center",
width=1200, height=600, background_color="#696969")

# 可视化
geo = Geo(name,**style.init_style)
geo.add("", attr, value, visual_range=[min(value), max(value)], symbol_size=8,
visual_text_color="#000",
is_visualmap=True, type='effectScatter',effect_scale=7,is_random=True,is_roam=False,is_piecewise = True,visual_split_number= 10,
)

geo.render('{}.html'.format(name)) create_heatmap(attr,value,'公司分布','china')
 

更多的数据分析，请关注本网站。
不定期更新哦
 
原创文章
转载请注明出处：
http://30daydo.com/article/388
  查看全部
首先传统方法是使用数据库：
SELECT area `地区`,count(*) as `数目` FROM `tb_basic_info` GROUP BY area order by 数目 desc;
得到下面的结果： 接着我们使用pandas进行数据可视化。
 地区 数目
浙江 431
江苏 401
北京 316
广东 303
上海 285
深圳 283
山东 196
福建 132
四川 120
湖南 104
安徽 103
湖北 101
河南 79
辽宁 72
河北 56
新疆 54
天津 50
陕西 49
重庆 48
吉林 41
江西 41
山西 38
黑龙江 37
广西 37
云南 33
甘肃 33
海南 31
贵州 29
内蒙 25
西藏 18
宁夏 13
青海 12
看看我们的641主席的功劳，江浙一带的上市公司数量已经超过广东了。
 
接下来我们使用pandas进行数据可视化：
 
首先读入数据：
# A股上市公司分布：

df = pd.read_sql('tb_basic_info',con=engine)
engine为from sqlalchemy import create_engine 中的连接引擎。
 
然后直接统计：
result = df['area'].value_counts()
得到的result就是统计结果：

地区统计_副本.jpg

 
看是不是比mysql语句简单多了？
 
得到一样的数据。
 
接下来使用图像来显示我们的数据：

地区绘图.JPG

 
什么？ 一条命令就可以啦~ 实在太强大了！
从这个柱状图上，可以更加直观地看到A股上市公司的分布情况，东部长三角和珠三角的公司数目最多。而西部只有东部的零头。
 
接着把数据转化为百分比数据：
total = result.sum()

ration = result/total*100

a5.JPG

可以看到江浙地区占了22%的数量，体量还是很大的。
 
接下来，为了数据更加直观，把数据在地图上显示出来：

热力图.JPG

            点击查看大图

颜色越红，表明上市公司越多。现在数据够直观了吧。
 
实现代码：
# 热力图

def create_heatmap(attr,value,name,maptype):

    style = Style(title_color="#fff", title_pos="center",

              width=1200, height=600, background_color="#696969")



    # 可视化

    geo = Geo(name,**style.init_style)

    geo.add("", attr, value, visual_range=[min(value), max(value)], symbol_size=8,

            visual_text_color="#000",

            is_visualmap=True, type='effectScatter',effect_scale=7,is_random=True,is_roam=False,is_piecewise = True,visual_split_number= 10,

            )



    geo.render('{}.html'.format(name))
 
create_heatmap(attr,value,'公司分布','china')

 

更多的数据分析，请关注本网站。
不定期更新哦
 
原创文章
转载请注明出处：
http://30daydo.com/article/388
 

np.empty() 函数的用法 （有坑）

李魔佛 发表了文章 • 0 个评论 • 2153 次浏览 • 2018-11-20 11:36 • 来自相关话题

看名字np.empty()，以为创建一个空的多维数组，如 np.empty((4,4))
但是实际结果返回：
 array([[4.67296746e-307, 1.69121096e-306, 9.34601642e-307,
1.33511562e-306],
[8.34447260e-308, 6.23043768e-307, 2.22522597e-306,
1.33511969e-306],
[1.37962320e-306, 9.34604358e-307, 9.79101082e-307,
1.78020576e-306],
[1.69119873e-306, 2.22522868e-306, 1.24611809e-306,
8.06632139e-308]])
what ？
 
感觉里面的元素是随机生成的。
查了下官方文档，的确是。np.empty()返回一个随机元素的矩阵，大小按照参数定义。
所以使用的时候要小心。需要手工把每一个值重新定义，否则该值是一个随机数，调试起来会比较麻烦。 查看全部
看名字np.empty()，以为创建一个空的多维数组，如 np.empty((4,4))
但是实际结果返回：
 
array([[4.67296746e-307, 1.69121096e-306, 9.34601642e-307,

        1.33511562e-306],

       [8.34447260e-308, 6.23043768e-307, 2.22522597e-306,

        1.33511969e-306],

       [1.37962320e-306, 9.34604358e-307, 9.79101082e-307,

        1.78020576e-306],

       [1.69119873e-306, 2.22522868e-306, 1.24611809e-306,

        8.06632139e-308]])

what ？
 
感觉里面的元素是随机生成的。
查了下官方文档，的确是。np.empty()返回一个随机元素的矩阵，大小按照参数定义。
所以使用的时候要小心。需要手工把每一个值重新定义，否则该值是一个随机数，调试起来会比较麻烦。

numpy logspace的用法

李魔佛 发表了文章 • 0 个评论 • 380 次浏览 • 2018-10-28 17:54 • 来自相关话题

numpy.logspace

numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)[source]

Return numbers spaced evenly on a log scale.

In linear space, the sequence starts at base ** start (base to the power of start) and ends with base ** stop (see endpoint below).

Parameters:

start : float

base ** start is the starting value of the sequence.

stop : float

base ** stop is the final value of the sequence, unless endpoint is False. In that case, num + 1 values are spaced over the interval in log-space, of which all but the last (a sequence of length num) are returned.

num : integer, optional

Number of samples to generate. Default is 50.

endpoint : boolean, optional

If true, stop is the last sample. Otherwise, it is not included. Default is True.

base : float, optional

The base of the log space. The step size between the elements in ln(samples) / ln(base) (or log_base(samples)) is uniform. Default is 10.0.

dtype : dtype

The type of the output array. If dtype is not given, infer the data type from the other input arguments.

Returns:

samples : ndarray

num samples, equally spaced on a log scale


 

上面是官方的文档，英文说的很明白，但网上尤其是csdn的解释，（其实都是你抄我，我抄你），实在让人看的一头雾水
 
numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
 
比如 np.logspace(0,10,9)
那么会有结果是：
array([1.00000000e+00, 1.77827941e+01, 3.16227766e+02, 5.62341325e+03,
1.00000000e+05, 1.77827941e+06, 3.16227766e+07, 5.62341325e+08,
1.00000000e+10])
第一位是开始值0，第二位是结束值10，然后在这0-10之间产生9个值，这9个值是均匀分布的，默认包括最后一个结束点，就是0到10的9个等产数列，那么根据等差数列的公式，a1+（n-1）*d=an，算出，d=1.25，那么a1=0，接着a2=1.25，a3=2.5，。。。。。a9=10，然后再对这9个值做已10为底的指数运算，也就是10^0, 10^1.25 , 10^2.5 这样的结果 查看全部


numpy.logspace

numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)[source]

Return numbers spaced evenly on a log scale.

In linear space, the sequence starts at base ** start (base to the power of start) and ends with base ** stop (see endpoint below).

Parameters:

start : float

base ** start is the starting value of the sequence.

stop : float

base ** stop is the final value of the sequence, unless endpoint is False. In that case, num + 1 values are spaced over the interval in log-space, of which all but the last (a sequence of length num) are returned.

num : integer, optional

Number of samples to generate. Default is 50.

endpoint : boolean, optional

If true, stop is the last sample. Otherwise, it is not included. Default is True.

base : float, optional

The base of the log space. The step size between the elements in ln(samples) / ln(base) (or log_base(samples)) is uniform. Default is 10.0.

dtype : dtype

The type of the output array. If dtype is not given, infer the data type from the other input arguments.

Returns:

samples : ndarray

num samples, equally spaced on a log scale



 


上面是官方的文档，英文说的很明白，但网上尤其是csdn的解释，（其实都是你抄我，我抄你），实在让人看的一头雾水
 
numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
 
比如 np.logspace(0,10,9)
那么会有结果是：
array([1.00000000e+00, 1.77827941e+01, 3.16227766e+02, 5.62341325e+03,

       1.00000000e+05, 1.77827941e+06, 3.16227766e+07, 5.62341325e+08,

       1.00000000e+10])

第一位是开始值0，第二位是结束值10，然后在这0-10之间产生9个值，这9个值是均匀分布的，默认包括最后一个结束点，就是0到10的9个等产数列，那么根据等差数列的公式，a1+（n-1）*d=an，算出，d=1.25，那么a1=0，接着a2=1.25，a3=2.5，。。。。。a9=10，然后再对这9个值做已10为底的指数运算，也就是10^0, 10^1.25 , 10^2.5 这样的结果

python数据分析入门 --分析雪球元卫南每个月打赏收入

李魔佛 发表了文章 • 0 个评论 • 636 次浏览 • 2018-10-24 14:34 • 来自相关话题

在上一篇 雪球的元卫南靠打赏收割了多少钱 ？ python爬虫实例 中，统计出来元卫南所有打赏收入为 24128.13 ，这个数字出乎不少人的意料。因为不少人看到元卫南最近收到的打赏都很多，不少都是100,200的。 那么接下来我就顺便带大家学一下，如何用python做数据分析。
 
数据来源于上一篇文章中获取到的数据。
首先，从数据库mongodb中读取数据










（点击查看大图）

上面显示数据的前10条，确保数据被正常载入。
 
观察到列 created_at 是打赏的时间， 导入的数据是字符类型，那么对列 created_at 进行换算， 转化为dataframe中的datetime类型。重新定义一列 pub_date 为打赏时间，设为index，因为dataframe可以对时间index做很多丰富的操作。










 （点击查看大图） 

可以看到转换后的时间精确到小时，分，秒，而我们需要统计的是每个月（或者每周，每季度，每年都可以）的数据，那么我们就需要重新采样， pandas提供了很好的resample函数，可以对数据按照时间频次进行重新采样。 





 （点击查看大图）
 
现在可以看到获取到2018年9月的所有打赏金额的数据。
 
那么现在就对所有数据进行重采样，并打赏金额进行求和






 （点击查看大图）
 
现在可以看到，每个月得到的打赏金额的总和都可以看到了。从2016年7月到现在2018年10月，最多的月份是这个月，共1.4万，占了所有金额的60%多，所以才让大家造成一个错觉，元兄靠打赏赚了不少粉丝的打赏钱，其实只是最近才多起来的。
 
还可以绘制条形图。






 （点击查看大图）
 
不过因为月份金额差距过大，导致部分月份的条形显示很短。
 
不过对于赏金的分布也一目了然了吧。
 
原创文章
转载请注明出处：
http://30daydo.com/article/362 
  
个人公众号：

  查看全部
在上一篇 雪球的元卫南靠打赏收割了多少钱 ？ python爬虫实例 中，统计出来元卫南所有打赏收入为 24128.13 ，这个数字出乎不少人的意料。因为不少人看到元卫南最近收到的打赏都很多，不少都是100,200的。 那么接下来我就顺便带大家学一下，如何用python做数据分析。
 
数据来源于上一篇文章中获取到的数据。
首先，从数据库mongodb中读取数据

捕获a12.JPG


top10.JPG

（点击查看大图）

上面显示数据的前10条，确保数据被正常载入。
 
观察到列 created_at 是打赏的时间， 导入的数据是字符类型，那么对列 created_at 进行换算， 转化为dataframe中的datetime类型。重新定义一列 pub_date 为打赏时间，设为index，因为dataframe可以对时间index做很多丰富的操作。

捕获a22.JPG


resample1.JPG

 （点击查看大图） 

可以看到转换后的时间精确到小时，分，秒，而我们需要统计的是每个月（或者每周，每季度，每年都可以）的数据，那么我们就需要重新采样， pandas提供了很好的resample函数，可以对数据按照时间频次进行重新采样。 

捕获a24.JPG

 （点击查看大图）
 
现在可以看到获取到2018年9月的所有打赏金额的数据。
 
那么现在就对所有数据进行重采样，并打赏金额进行求和


捕获a25.JPG

 （点击查看大图）
 
现在可以看到，每个月得到的打赏金额的总和都可以看到了。从2016年7月到现在2018年10月，最多的月份是这个月，共1.4万，占了所有金额的60%多，所以才让大家造成一个错觉，元兄靠打赏赚了不少粉丝的打赏钱，其实只是最近才多起来的。
 
还可以绘制条形图。


捕获a26.JPG

 （点击查看大图）
 
不过因为月份金额差距过大，导致部分月份的条形显示很短。
 
不过对于赏金的分布也一目了然了吧。
 
原创文章
转载请注明出处：
http://30daydo.com/article/362 
  
个人公众号：

 

np.asfarray的用法

李魔佛 发表了文章 • 0 个评论 • 711 次浏览 • 2018-09-24 10:52 • 来自相关话题

以前很少用的一个函数，见到别人的代码里面有，所以查了下文档，看看该函数的用法。
numpy.asfarray(a, dtype=<class 'numpy.float64'>)

Return an array converted to a float type.

Parameters:
a : array_like
The input array.

dtype : str or dtype object, optional
Float type code to coerce input array a. If dtype is one of the ‘int’ dtypes, it is replaced with float64.

Returns:
out : ndarray
The input a as a float ndarray.
用法就是把一个普通的数组转为一个浮点类型的数组：
 
Examples

>>>
>>> np.asfarray([2, 3])
array([ 2., 3.])
>>> np.asfarray([2, 3], dtype='float')
array([ 2., 3.])
>>> np.asfarray([2, 3], dtype='int8')
array([ 2., 3.]) 查看全部
以前很少用的一个函数，见到别人的代码里面有，所以查了下文档，看看该函数的用法。
numpy.asfarray(a, dtype=<class 'numpy.float64'>)



Return an array converted to a float type.



Parameters:	

a : array_like

The input array.



dtype : str or dtype object, optional

Float type code to coerce input array a. If dtype is one of the ‘int’ dtypes, it is replaced with float64.



Returns:	

out : ndarray

The input a as a float ndarray.

用法就是把一个普通的数组转为一个浮点类型的数组：
 
Examples



>>>

>>> np.asfarray([2, 3])

array([ 2.,  3.])

>>> np.asfarray([2, 3], dtype='float')

array([ 2.,  3.])

>>> np.asfarray([2, 3], dtype='int8')

array([ 2.,  3.])

python量化分析: 股票涨停后该不该卖， 怕砸板还是怕卖飞 ？

李魔佛 发表了文章 • 1 个评论 • 1703 次浏览 • 2018-06-14 19:34 • 来自相关话题

相信大家都有过这样的经验，某个股票忽然直线拉升打到涨停板，然后就会纠结当天要不要卖掉，如果股票没封住，注定会回落，这样会失去部分的利润。 但是又怕卖了后，封死涨停板，然后当天再也买不回来，然后第二天呢，高开就不想去追，或者去追高使得持有该股的成本变高了。
 
那么触及涨停板的个股我们应该继续持有，还是卖掉，还是卖掉做T接回来呢？
接下来用数据说话。【数据使用通联实验室的数据源】
 
首先获取当前市场上所有股票all_stocks = DataAPI.SecTypeRegionRelGet(secID=u"",ticker=u"",typeID=u"",field=u"",pandas="1")
然后获取每一个股票的日k线数据，可以设定一个时间段，我抓取了2012年到今天（2018-06-14）的所有数据，如果是次新股，那么数据就是上市当天到今天的数据。
抓取到的数据包含以下的字段：




点击查看大图 

但是实际用到的字段只有几个， 开盘价，最高价，涨幅，昨天收盘价。
这里我排除了一字板开盘的个股，因为里面含有新股，会导致数据不精确，【后续我会统计，一字板开盘盘中被砸开的概率】，而且数据也排除了ST的个股，因为本人从来不买ST股，所以不会对ST进行统计。fbl =

for code in all_stocks['secID']:
df = DataAPI.MktEqudGet(secID=code,ticker=u"",tradeDate=u"",beginDate=u"20120101",endDate=u"",isOpen="",field=u"",pandas="1")
df['ztj']=map(lambda x:round(x,2),df['preClosePrice']*1.1)
df['chgPct']=df['chgPct']*100

# 非一字板
zt = df[(df['ztj']==df['highestPrice']) & (df['openPrice']!=df['highestPrice'])]
fz= df[(df['ztj']==df['highestPrice']) & (df['openPrice']!=df['highestPrice'])&(df['closePrice']==df['highestPrice'])]
try:
f = len(fz)*1.00/len(zt)*100
fbl.append((code,f))
except Exception,e:
print e
print code
fbl就是封板率的一个列表，包含了每只股票的触及涨停价后封板的概率。 然后对整体的数据取平均值：dx= dict(fbl)
x = np.array(dx.values())
print x.mean()
最后得到的结果是：
64.0866513726

所以保持住涨停的概率还是大一些。所以站在概率大的一边上，触及涨停的时候应该继续持有，会有62.5%会到收盘保持涨停价。
 
（待续）
 
原创文章，转载请注明出处： 
http://30daydo.com/article/331 
  查看全部
相信大家都有过这样的经验，某个股票忽然直线拉升打到涨停板，然后就会纠结当天要不要卖掉，如果股票没封住，注定会回落，这样会失去部分的利润。 但是又怕卖了后，封死涨停板，然后当天再也买不回来，然后第二天呢，高开就不想去追，或者去追高使得持有该股的成本变高了。
 
那么触及涨停板的个股我们应该继续持有，还是卖掉，还是卖掉做T接回来呢？
接下来用数据说话。【数据使用通联实验室的数据源】
 
首先获取当前市场上所有股票
all_stocks = DataAPI.SecTypeRegionRelGet(secID=u"",ticker=u"",typeID=u"",field=u"",pandas="1")

然后获取每一个股票的日k线数据，可以设定一个时间段，我抓取了2012年到今天（2018-06-14）的所有数据，如果是次新股，那么数据就是上市当天到今天的数据。
抓取到的数据包含以下的字段：
cd11.PNG

点击查看大图 

但是实际用到的字段只有几个， 开盘价，最高价，涨幅，昨天收盘价。
这里我排除了一字板开盘的个股，因为里面含有新股，会导致数据不精确，【后续我会统计，一字板开盘盘中被砸开的概率】，而且数据也排除了ST的个股，因为本人从来不买ST股，所以不会对ST进行统计。
fbl = 



for code in all_stocks['secID']:

    df = DataAPI.MktEqudGet(secID=code,ticker=u"",tradeDate=u"",beginDate=u"20120101",endDate=u"",isOpen="",field=u"",pandas="1")

    df['ztj']=map(lambda x:round(x,2),df['preClosePrice']*1.1)

    df['chgPct']=df['chgPct']*100

    

    # 非一字板

    zt = df[(df['ztj']==df['highestPrice']) & (df['openPrice']!=df['highestPrice'])]

    fz= df[(df['ztj']==df['highestPrice']) & (df['openPrice']!=df['highestPrice'])&(df['closePrice']==df['highestPrice'])]

    try:

        f = len(fz)*1.00/len(zt)*100

        fbl.append((code,f))

    except Exception,e:

        print e

        print code

fbl就是封板率的一个列表，包含了每只股票的触及涨停价后封板的概率。 然后对整体的数据取平均值：
dx= dict(fbl)

x = np.array(dx.values())

print x.mean()

最后得到的结果是：
64.0866513726

所以保持住涨停的概率还是大一些。所以站在概率大的一边上，触及涨停的时候应该继续持有，会有62.5%会到收盘保持涨停价。
 
（待续）
 
原创文章，转载请注明出处： 
http://30daydo.com/article/331 
 

python获取每天的涨停个股数据 和昨天涨停的今天表现

李魔佛 发表了文章 • 6 个评论 • 3335 次浏览 • 2018-06-02 10:47 • 来自相关话题

python获取每天的涨停个股数据 和昨天涨停的今天表现
 




今日的涨停信息





昨日涨停的今天信息
 
原创文章
转载请注明出处：http://30daydo.com/article/316
  查看全部
python获取每天的涨停个股数据 和昨天涨停的今天表现
 
ztb2_副本_副本_副本.jpg

今日的涨停信息

zrzt1_副本.jpg

昨日涨停的今天信息
 
原创文章
转载请注明出处：http://30daydo.com/article/316
 

正常退出tushare

李魔佛 发表了文章 • 1 个评论 • 1156 次浏览 • 2018-05-07 21:31 • 来自相关话题

tushare最新的api中，很多函数的调用像这样，ts.bar(code,conn=conn), 其中conn=ts.get_api()
查看源码知道ts.get_api() 里面使用了多线程，程序一直在循环等待。 如果按ctrl + c，是无法正常终止tushare在后台的调用，需要使用ts.close_api(conn), 才能终止掉后台的多线程，这个时候程序才能正常退出，释放系统资源。
原创文章
转载请注明出处：http://30daydo.com/article/308
  查看全部
tushare最新的api中，很多函数的调用像这样，ts.bar(code,conn=conn), 其中conn=ts.get_api()
查看源码知道ts.get_api() 里面使用了多线程，程序一直在循环等待。 如果按ctrl + c，是无法正常终止tushare在后台的调用，需要使用ts.close_api(conn), 才能终止掉后台的多线程，这个时候程序才能正常退出，释放系统资源。
原创文章
转载请注明出处：http://30daydo.com/article/308
 

使用优矿获取股市的基本数据 实例操作

李魔佛 发表了文章 • 1 个评论 • 837 次浏览 • 2018-05-06 22:44 • 来自相关话题

1. 每日行业个股换手率排名
DataAPI.MktRANKInstTrGet

 行业名称，如：传媒,电气设备等，可多值输入，以下为申万28个行业名称：休闲服务,房地产,商业贸易,综合,钢铁,农林牧渔,食品饮料,采掘,电子,国防军工,通信,公用事业,交通运输,轻工制造,计算机,电气设备,家用电器,医药生物,传媒,非银金融,汽车,有色金属,机械设备,建筑材料,化工,纺织服装,银行,建筑装饰,可以是列表,可空
 
实例
 
原创文章
转载请注明出处：http://30daydo.com/article/306
  查看全部
1. 每日行业个股换手率排名
DataAPI.MktRANKInstTrGet

 行业名称，如：传媒,电气设备等，可多值输入，以下为申万28个行业名称：休闲服务,房地产,商业贸易,综合,钢铁,农林牧渔,食品饮料,采掘,电子,国防军工,通信,公用事业,交通运输,轻工制造,计算机,电气设备,家用电器,医药生物,传媒,非银金融,汽车,有色金属,机械设备,建筑材料,化工,纺织服装,银行,建筑装饰,可以是列表,可空
 
实例
 
原创文章
转载请注明出处：http://30daydo.com/article/306
 

python获取涨停板历史数据

李魔佛 发表了文章 • 14 个评论 • 3941 次浏览 • 2018-04-23 20:33 • 来自相关话题

获取A股每天的涨停板数据，起始日期和截止日期都可以自定义。
这个数据可以用来后续的大数据分析，比如统计每天涨停板的数目和大盘指数的相关性，涨停打开次数与当日人气的强弱的关系。
 




点击查看大图

python代码（pyhton2版本，另外最下面有python3版本的代码实现）：# -*- coding=utf-8 -*-
import datetime

__author__ = 'Rocky'
'''
http://30daydo.com
Contact: weigesysu@qq.com
'''
# 每天的涨跌停
import urllib2, re, time, xlrd, xlwt, sys, os
import setting
import pandas as pd
import tushare as ts
from setting import LLogger
reload(sys)
sys.setdefaultencoding('gbk')

logger = LLogger('zdt.log')
class GetZDT:
def __init__(self,current):
self.user_agent = "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/64.0.3282.167 Chrome/64.0.3282.167 Safari/537.36"
# self.today = time.strftime("%Y%m%d")
self.today=current
self.path = os.path.join(os.path.dirname(__file__), 'data')
self.zdt_url = 'http://home.flashdata2.jrj.com.cn/limitStatistic/ztForce/' + self.today + ".js"
self.zrzt_url = 'http://hqdata.jrj.com.cn/zrztjrbx/limitup.js'

self.host = "home.flashdata2.jrj.com.cn"
self.reference = "http://stock.jrj.com.cn/tzzs/z ... ot%3B

self.header_zdt = {"User-Agent": self.user_agent,
"Host": self.host,
"Referer": self.reference}

self.zdt_indexx = [u'代码', u'名称', u'最新价格', u'涨跌幅', u'封成比', u'封流比', u'封单金额', u'最后一次涨停时间', u'第一次涨停时间', u'打开次数',
u'振幅',
u'涨停强度']

self.zrzt_indexx = [u'序号', u'代码', u'名称', u'昨日涨停时间', u'最新价格', u'今日涨幅', u'最大涨幅', u'最大跌幅', u'是否连板', u'连续涨停次数',
u'昨日涨停强度', u'今日涨停强度', u'是否停牌', u'昨天的日期', u'昨日涨停价', u'今日开盘价格', u'今日开盘涨幅']
self.header_zrzt = {"User-Agent": self.user_agent,
"Host": "hqdata.jrj.com.cn",
"Referer": "http://stock.jrj.com.cn/tzzs/zrztjrbx.shtml"
}

def getdata(self, url, headers, retry=5):
req = urllib2.Request(url=url, headers=headers)
for i in range(retry):
try:
resp = urllib2.urlopen(req,timeout=20)
content = resp.read()
md_check = re.findall('summary|lasttradedate',content)
if content and len(md_check)>0:
return content
else:
time.sleep(60)
logger.log('failed to get content, retry: {}'.format(i))
continue
except Exception, e:
logger.log(e)
time.sleep(60)
continue
return None

def convert_json(self, content):
p = re.compile(r'"Data":(.*)};', re.S)
if len(content)<=0:
logger.log('Content\'s length is 0')
exit(0)
result = p.findall(content)
if result:
try:
# print result
t1 = result[0]
t2 = list(eval(t1))
return t2
except Exception,e:
logger.log(e)
return None
else:
return None


def save_to_dataframe(self, data, indexx, choice, post_fix):
engine = setting.get_engine('db_zdt')
if not data:
exit()
data_len = len(data)
if choice == 1:
for i in range(data_len):
data[choice] = data[choice].decode('gbk')

df = pd.DataFrame(data, columns=indexx)

filename = os.path.join(self.path, self.today + "_" + post_fix + ".xls")
if choice == 1:
df[u'今天的日期']=self.today
df.to_excel(filename, encoding='gbk')
try:
df.to_sql(self.today + post_fix, engine, if_exists='fail')
except Exception,e:
logger.log(e)


def storedata(self):
zdt_content = self.getdata(self.zdt_url, headers=self.header_zdt)
logger.log('zdt Content'+zdt_content)
zdt_js = self.convert_json(zdt_content)
self.save_to_dataframe(zdt_js, self.zdt_indexx, 1, 'zdt')
time.sleep(5)

if __name__ == '__main__':
date_list = [datetime.datetime.strftime(i,'%Y%m%d') for i in list(pd.date_range('20170401','20171231'))]
for today in date_list:

if not ts.is_holiday(datetime.datetime.strptime(today,'%Y%m%d').strftime('%Y-%m-%d')):
print today
obj = GetZDT(today)
obj.storedata()
else:
logger.log('Holiday')


 
python3代码：
# -*- coding=utf-8 -*-
__author__ = 'Rocky'
'''
http://30daydo.com
Contact: weigesysu@qq.com
'''
# 每天的涨跌停
import re
import time
import xlrd
import xlwt
import sys
import os
import setting
from setting import is_holiday, DATA_PATH
import pandas as pd
import tushare as ts
from setting import llogger
import requests
from send_mail import sender_139
import datetime
# reload(sys)
# sys.setdefaultencoding('gbk')

logger = llogger(__file__)


class GetZDT:
def __init__(self):
self.user_agent = "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/64.0.3282.167 Chrome/64.0.3282.167 Safari/537.36"
self.today = time.strftime("%Y%m%d")
self.path = DATA_PATH
self.zdt_url = 'http://home.flashdata2.jrj.com.cn/limitStatistic/ztForce/' + \
self.today + ".js"
self.zrzt_url = 'http://hqdata.jrj.com.cn/zrztjrbx/limitup.js'

self.host = "home.flashdata2.jrj.com.cn"
self.reference = "http://stock.jrj.com.cn/tzzs/z ... ot%3B

self.header_zdt = {"User-Agent": self.user_agent,
"Host": self.host,
"Referer": self.reference}

self.zdt_indexx = [u'代码', u'名称', u'最新价格', u'涨跌幅', u'封成比', u'封流比', u'封单金额', u'最后一次涨停时间', u'第一次涨停时间', u'打开次数',
u'振幅',
u'涨停强度']

self.zrzt_indexx = [u'序号', u'代码', u'名称', u'昨日涨停时间', u'最新价格', u'今日涨幅', u'最大涨幅', u'最大跌幅', u'是否连板', u'连续涨停次数',
u'昨日涨停强度', u'今日涨停强度', u'是否停牌', u'昨天的日期', u'昨日涨停价', u'今日开盘价格', u'今日开盘涨幅']
self.header_zrzt = {"User-Agent": self.user_agent,
"Host": "hqdata.jrj.com.cn",
"Referer": "http://stock.jrj.com.cn/tzzs/zrztjrbx.shtml"
}

def getdata(self, url, headers, retry=5):
for i in range(retry):
try:
resp = requests.get(url=url, headers=headers)
content = resp.text
md_check = re.findall('summary|lasttradedate', content)
if content and len(md_check) > 0:
return content
else:
time.sleep(60)
logger.info('failed to get content, retry: {}'.format(i))
continue
except Exception as e:
logger.info(e)
time.sleep(60)
continue
return None

def convert_json(self, content):
p = re.compile(r'"Data":(.*)};', re.S)
if len(content) <= 0:
logger.info('Content\'s length is 0')
exit(0)
result = p.findall(content)
if result:
try:
# print(result)
t1 = result[0]
t2 = list(eval(t1))
return t2
except Exception as e:
logger.info(e)
return None
else:
return None

# 2016-12-27 to do this
def save_excel(self, date, data):
# data is list type
w = xlwt.Workbook(encoding='gbk')
ws = w.add_sheet(date)
excel_filename = date + ".xls"
# sheet=open_workbook(excel_filenme)
# table=wb.sheets()[0]
xf = 0
ctype = 1
rows = len(data)
point_x = 1
point_y = 0
ws.write(0, 0, u'代码')
ws.write(0, 1, u'名称')
ws.write(0, 2, u'最新价格')
ws.write(0, 3, u'涨跌幅')
ws.write(0, 4, u'封成比')
ws.write(0, 5, u'封流比')
ws.write(0, 6, u'封单金额')
ws.write(0, 7, u'第一次涨停时间')
ws.write(0, 8, u'最后一次涨停时间')
ws.write(0, 9, u'打开次数')
ws.write(0, 10, u'振幅')
ws.write(0, 11, u'涨停强度')
print("Rows:%d" % rows)
for row in data:
rows = len(data)
cols = len(row)
point_y = 0
for col in row:
# print(col)
# table.put_cell(row,col,)
# print(col)
ws.write(point_x, point_y, col)
# print("[%d,%d]" % (point_x, point_y))
point_y = point_y + 1

point_x = point_x + 1

w.save(excel_filename)

def save_to_dataframe(self, data, indexx, choice, post_fix):
engine = setting.get_engine('db_zdt')
if not data:
exit()
data_len = len(data)
if choice == 1:
for i in range(data_len):
data[i][choice] = data[i][choice]

df = pd.DataFrame(data, columns=indexx)

filename = os.path.join(
self.path, self.today + "_" + post_fix + ".xls")

# 今日涨停
if choice == 1:
df['今天的日期'] = self.today
df.to_excel(filename, encoding='gbk')
try:
df.to_sql(self.today + post_fix, engine, if_exists='fail')
except Exception as e:
logger.info(e)
# 昨日涨停
if choice == 2:
df = df.set_index(u'序号')
df[u'最大涨幅'] = df[u'最大涨幅'].map(lambda x: round(x * 100, 3))
df[u'最大跌幅'] = df[u'最大跌幅'].map(lambda x: round(x * 100, 3))
df[u'今日开盘涨幅'] = df[u'今日开盘涨幅'].map(lambda x: round(x * 100, 3))
df[u'昨日涨停强度'] = df[u'昨日涨停强度'].map(lambda x: round(x, 0))
df[u'今日涨停强度'] = df[u'今日涨停强度'].map(lambda x: round(x, 0))
try:
df.to_sql(self.today + post_fix, engine, if_exists='fail')
except Exception as e:
logger.info(e)

avg = round(df['今日涨幅'].mean(), 2)
current = datetime.datetime.now().strftime('%Y-%m-%d')
title = '昨天涨停个股今天{}\n的平均涨幅{}\n'.format(current, avg)
try:
sender_139(title, title)
except Exception as e:
print(e)

# 昨日涨停今日的状态，今日涨停

def storedata(self):
zdt_content = self.getdata(self.zdt_url, headers=self.header_zdt)
logger.info('zdt Content' + zdt_content)
zdt_js = self.convert_json(zdt_content)
self.save_to_dataframe(zdt_js, self.zdt_indexx, 1, 'zdt')
time.sleep(0.5)
zrzt_content = self.getdata(self.zrzt_url, headers=self.header_zrzt)
logger.info('zrzt Content' + zdt_content)

zrzt_js = self.convert_json(zrzt_content)
self.save_to_dataframe(zrzt_js, self.zrzt_indexx, 2, 'zrzt')


if __name__ == '__main__':
# today='2018-04-16'
# 填补以前的数据
# x=pd.date_range('20170101','20180312')
# date_list = [datetime.datetime.strftime(i,'%Y%m%d') for i in list(pd.date_range('20170401','20171231'))

if is_holiday():
logger.info('Holiday')
exit()
logger.info("start")
obj = GetZDT()
obj.storedata()

 
原创。
转载请注明出处。
http://30daydo.com/article/295
  查看全部
获取A股每天的涨停板数据，起始日期和截止日期都可以自定义。
这个数据可以用来后续的大数据分析，比如统计每天涨停板的数目和大盘指数的相关性，涨停打开次数与当日人气的强弱的关系。
 

Screenshot_from_2018-04-23_20-31-13.png
点击查看大图

python代码（pyhton2版本，另外最下面有python3版本的代码实现）：
# -*- coding=utf-8 -*-

import datetime



__author__ = 'Rocky'

'''

http://30daydo.com

Contact: weigesysu@qq.com

'''

# 每天的涨跌停

import urllib2, re, time, xlrd, xlwt, sys, os

import setting

import pandas as pd

import tushare as ts

from setting import LLogger

reload(sys)

sys.setdefaultencoding('gbk')



logger = LLogger('zdt.log')

class GetZDT:

    def __init__(self,current):

        self.user_agent = "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/64.0.3282.167 Chrome/64.0.3282.167 Safari/537.36"

        # self.today = time.strftime("%Y%m%d")

        self.today=current

        self.path = os.path.join(os.path.dirname(__file__), 'data')

        self.zdt_url = 'http://home.flashdata2.jrj.com.cn/limitStatistic/ztForce/' + self.today + ".js"

        self.zrzt_url = 'http://hqdata.jrj.com.cn/zrztjrbx/limitup.js'



        self.host = "home.flashdata2.jrj.com.cn"

        self.reference = "http://stock.jrj.com.cn/tzzs/z ... ot%3B



        self.header_zdt = {"User-Agent": self.user_agent,

                           "Host": self.host,

                           "Referer": self.reference}



        self.zdt_indexx = [u'代码', u'名称', u'最新价格', u'涨跌幅', u'封成比', u'封流比', u'封单金额', u'最后一次涨停时间', u'第一次涨停时间', u'打开次数',

                           u'振幅',

                           u'涨停强度']



        self.zrzt_indexx = [u'序号', u'代码', u'名称', u'昨日涨停时间', u'最新价格', u'今日涨幅', u'最大涨幅', u'最大跌幅', u'是否连板', u'连续涨停次数',

                            u'昨日涨停强度', u'今日涨停强度', u'是否停牌', u'昨天的日期', u'昨日涨停价', u'今日开盘价格', u'今日开盘涨幅']

        self.header_zrzt = {"User-Agent": self.user_agent,

                            "Host": "hqdata.jrj.com.cn",

                            "Referer": "http://stock.jrj.com.cn/tzzs/zrztjrbx.shtml"

                            }



    def getdata(self, url, headers, retry=5):

        req = urllib2.Request(url=url, headers=headers)

        for i in range(retry):

            try:

                resp = urllib2.urlopen(req,timeout=20)

                content = resp.read()

                md_check = re.findall('summary|lasttradedate',content)

                if content and len(md_check)>0:

                    return content

                else:

                    time.sleep(60)

                    logger.log('failed to get content, retry: {}'.format(i))

                    continue

            except Exception, e:

                logger.log(e)

                time.sleep(60)

                continue

        return None



    def convert_json(self, content):

        p = re.compile(r'"Data":(.*)};', re.S)

        if len(content)<=0:

            logger.log('Content\'s length is 0')

            exit(0)

        result = p.findall(content)

        if result:

            try:

            # print result

                t1 = result[0]

                t2 = list(eval(t1))

                return t2

            except Exception,e:

                logger.log(e)

                return None

        else:

            return None





    def save_to_dataframe(self, data, indexx, choice, post_fix):

        engine = setting.get_engine('db_zdt')

        if not data:

            exit()

        data_len = len(data)

        if choice == 1:

            for i in range(data_len):

                data[choice] = data[choice].decode('gbk')



        df = pd.DataFrame(data, columns=indexx)



        filename = os.path.join(self.path, self.today + "_" + post_fix + ".xls")

        if choice == 1:

            df[u'今天的日期']=self.today

            df.to_excel(filename, encoding='gbk')

            try:

                df.to_sql(self.today + post_fix, engine, if_exists='fail')

            except Exception,e:

                logger.log(e)





    def storedata(self):

        zdt_content = self.getdata(self.zdt_url, headers=self.header_zdt)

        logger.log('zdt Content'+zdt_content)

        zdt_js = self.convert_json(zdt_content)

        self.save_to_dataframe(zdt_js, self.zdt_indexx, 1, 'zdt')

        time.sleep(5)



if __name__ == '__main__':

    date_list = [datetime.datetime.strftime(i,'%Y%m%d') for i in list(pd.date_range('20170401','20171231'))]

    for today in date_list:



        if not ts.is_holiday(datetime.datetime.strptime(today,'%Y%m%d').strftime('%Y-%m-%d')):

            print today

            obj = GetZDT(today)

            obj.storedata()

        else:

            logger.log('Holiday')

 
python3代码：
# -*- coding=utf-8 -*-

__author__ = 'Rocky'

'''

http://30daydo.com

Contact: weigesysu@qq.com

'''

# 每天的涨跌停

import re

import time

import xlrd

import xlwt

import sys

import os

import setting

from setting import is_holiday, DATA_PATH

import pandas as pd

import tushare as ts

from setting import llogger

import requests

from send_mail import sender_139

import datetime

# reload(sys)

# sys.setdefaultencoding('gbk')



logger = llogger(__file__)





class GetZDT:

    def __init__(self):

        self.user_agent = "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/64.0.3282.167 Chrome/64.0.3282.167 Safari/537.36"

        self.today = time.strftime("%Y%m%d")

        self.path = DATA_PATH

        self.zdt_url = 'http://home.flashdata2.jrj.com.cn/limitStatistic/ztForce/' + \

            self.today + ".js"

        self.zrzt_url = 'http://hqdata.jrj.com.cn/zrztjrbx/limitup.js'



        self.host = "home.flashdata2.jrj.com.cn"

        self.reference = "http://stock.jrj.com.cn/tzzs/z ... ot%3B



        self.header_zdt = {"User-Agent": self.user_agent,

                           "Host": self.host,

                           "Referer": self.reference}



        self.zdt_indexx = [u'代码', u'名称', u'最新价格', u'涨跌幅', u'封成比', u'封流比', u'封单金额', u'最后一次涨停时间', u'第一次涨停时间', u'打开次数',

                           u'振幅',

                           u'涨停强度']



        self.zrzt_indexx = [u'序号', u'代码', u'名称', u'昨日涨停时间', u'最新价格', u'今日涨幅', u'最大涨幅', u'最大跌幅', u'是否连板', u'连续涨停次数',

                            u'昨日涨停强度', u'今日涨停强度', u'是否停牌', u'昨天的日期', u'昨日涨停价', u'今日开盘价格', u'今日开盘涨幅']

        self.header_zrzt = {"User-Agent": self.user_agent,

                            "Host": "hqdata.jrj.com.cn",

                            "Referer": "http://stock.jrj.com.cn/tzzs/zrztjrbx.shtml"

                            }



    def getdata(self, url, headers, retry=5):

        for i in range(retry):

            try:

                resp = requests.get(url=url, headers=headers)

                content = resp.text

                md_check = re.findall('summary|lasttradedate', content)

                if content and len(md_check) > 0:

                    return content

                else:

                    time.sleep(60)

                    logger.info('failed to get content, retry: {}'.format(i))

                    continue

            except Exception as e:

                logger.info(e)

                time.sleep(60)

                continue

        return None



    def convert_json(self, content):

        p = re.compile(r'"Data":(.*)};', re.S)

        if len(content) <= 0:

            logger.info('Content\'s length is 0')

            exit(0)

        result = p.findall(content)

        if result:

            try:

                # print(result)

                t1 = result[0]

                t2 = list(eval(t1))

                return t2

            except Exception as e:

                logger.info(e)

                return None

        else:

            return None



    # 2016-12-27 to do this

    def save_excel(self, date, data):

        # data is list type

        w = xlwt.Workbook(encoding='gbk')

        ws = w.add_sheet(date)

        excel_filename = date + ".xls"

        # sheet=open_workbook(excel_filenme)

        # table=wb.sheets()[0]

        xf = 0

        ctype = 1

        rows = len(data)

        point_x = 1

        point_y = 0

        ws.write(0, 0, u'代码')

        ws.write(0, 1, u'名称')

        ws.write(0, 2, u'最新价格')

        ws.write(0, 3, u'涨跌幅')

        ws.write(0, 4, u'封成比')

        ws.write(0, 5, u'封流比')

        ws.write(0, 6, u'封单金额')

        ws.write(0, 7, u'第一次涨停时间')

        ws.write(0, 8, u'最后一次涨停时间')

        ws.write(0, 9, u'打开次数')

        ws.write(0, 10, u'振幅')

        ws.write(0, 11, u'涨停强度')

        print("Rows:%d" % rows)

        for row in data:

            rows = len(data)

            cols = len(row)

            point_y = 0

            for col in row:

                # print(col)

                # table.put_cell(row,col,)

                # print(col)

                ws.write(point_x, point_y, col)

                # print("[%d,%d]" % (point_x, point_y))

                point_y = point_y + 1



            point_x = point_x + 1



        w.save(excel_filename)



    def save_to_dataframe(self, data, indexx, choice, post_fix):

        engine = setting.get_engine('db_zdt')

        if not data:

            exit()

        data_len = len(data)

        if choice == 1:

            for i in range(data_len):

                data[i][choice] = data[i][choice]



        df = pd.DataFrame(data, columns=indexx)



        filename = os.path.join(

            self.path, self.today + "_" + post_fix + ".xls")



        # 今日涨停

        if choice == 1:

            df['今天的日期'] = self.today

            df.to_excel(filename, encoding='gbk')

            try:

                df.to_sql(self.today + post_fix, engine, if_exists='fail')

            except Exception as e:

                logger.info(e)

        # 昨日涨停

        if choice == 2:

            df = df.set_index(u'序号')

            df[u'最大涨幅'] = df[u'最大涨幅'].map(lambda x: round(x * 100, 3))

            df[u'最大跌幅'] = df[u'最大跌幅'].map(lambda x: round(x * 100, 3))

            df[u'今日开盘涨幅'] = df[u'今日开盘涨幅'].map(lambda x: round(x * 100, 3))

            df[u'昨日涨停强度'] = df[u'昨日涨停强度'].map(lambda x: round(x, 0))

            df[u'今日涨停强度'] = df[u'今日涨停强度'].map(lambda x: round(x, 0))

            try:

                df.to_sql(self.today + post_fix, engine, if_exists='fail')

            except Exception as e:

                logger.info(e)



            avg = round(df['今日涨幅'].mean(), 2)

            current = datetime.datetime.now().strftime('%Y-%m-%d')

            title = '昨天涨停个股今天{}\n的平均涨幅{}\n'.format(current, avg)

            try:

                sender_139(title, title)

            except Exception as e:

                print(e)



    # 昨日涨停今日的状态，今日涨停



    def storedata(self):

        zdt_content = self.getdata(self.zdt_url, headers=self.header_zdt)

        logger.info('zdt Content' + zdt_content)

        zdt_js = self.convert_json(zdt_content)

        self.save_to_dataframe(zdt_js, self.zdt_indexx, 1, 'zdt')

        time.sleep(0.5)

        zrzt_content = self.getdata(self.zrzt_url, headers=self.header_zrzt)

        logger.info('zrzt Content' + zdt_content)



        zrzt_js = self.convert_json(zrzt_content)

        self.save_to_dataframe(zrzt_js, self.zrzt_indexx, 2, 'zrzt')





if __name__ == '__main__':

    # today='2018-04-16'

    # 填补以前的数据

    # x=pd.date_range('20170101','20180312')

    # date_list = [datetime.datetime.strftime(i,'%Y%m%d') for i in list(pd.date_range('20170401','20171231'))



    if is_holiday():

        logger.info('Holiday')

        exit()

    logger.info("start")

    obj = GetZDT()

    obj.storedata()

 
原创。
转载请注明出处。
http://30daydo.com/article/295
 

pandas中resample的how参数“ohlc”

李魔佛 发表了文章 • 2 个评论 • 3702 次浏览 • 2018-03-25 23:42 • 来自相关话题

这个ohlc对应的是股市中的open，high，low，close这几个价格。专门用于股票市场的分析。
比如我获取得到了一个股票从14年到现在的开盘，收盘，最高，最低等价格，然后我想对数据中的收盘价重新采样，转换成月数据。可以使用resample函数，参数中的how配合 ohlc。
 
获取原始数据：





 
提取收盘价





 
 
重新采样：





 
重新采样后获得的新数据：





 
可以看到现在的index是每个月的结束，而多了几列，close，open，high，low，这4列就是根据每个月的close价格而提取出来的，比如统计一月份的时候，一月份的收盘价会有一个最低和最高，最开始open1月1号和结束close的1月31号的价格。
 
 
原创文章
转载请注明出处：http://30daydo.com/article/288
  查看全部
这个ohlc对应的是股市中的open，high，low，close这几个价格。专门用于股票市场的分析。
比如我获取得到了一个股票从14年到现在的开盘，收盘，最高，最低等价格，然后我想对数据中的收盘价重新采样，转换成月数据。可以使用resample函数，参数中的how配合 ohlc。
 
获取原始数据：

Screenshot_from_2018-03-25_23-28-30.png

 
提取收盘价

Screenshot_from_2018-03-25_23-34-21.png

 
 
重新采样：

Screenshot_from_2018-03-25_23-34-55.png

 
重新采样后获得的新数据：

Screenshot_from_2018-03-25_23-35-25.png

 
可以看到现在的index是每个月的结束，而多了几列，close，open，high，low，这4列就是根据每个月的close价格而提取出来的，比如统计一月份的时候，一月份的收盘价会有一个最低和最高，最开始open1月1号和结束close的1月31号的价格。
 
 
原创文章
转载请注明出处：http://30daydo.com/article/288
 

可转债套利【一】 python找出折价可转债个股

李魔佛 发表了文章 • 5 个评论 • 5728 次浏览 • 2018-03-16 17:17 • 来自相关话题

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 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：
wxzz.GIF

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

万达信息.GIF

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

wxzz.GIF

 
 
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：


Screenshot_from_2018-03-28_09-14-35.png


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

tushare 调用ts.get_apis() 后一直在运行无法退出

李魔佛 发表了文章 • 0 个评论 • 1190 次浏览 • 2018-03-16 00:47 • 来自相关话题

旧版本中运行ts.get_apis()后会一直在后台监听，但是在1.0.5的后续版本中，你可以手工中断这个后台监听，从而让你的程序可以正常退出。
 
conn=ts.get_apis()
......
 
在你的程序退出前，运行
ts.close_apis(conn)
 
这样你的程序就能够正常退出。 查看全部
旧版本中运行ts.get_apis()后会一直在后台监听，但是在1.0.5的后续版本中，你可以手工中断这个后台监听，从而让你的程序可以正常退出。
 
conn=ts.get_apis()
......
 
在你的程序退出前，运行
ts.close_apis(conn)
 
这样你的程序就能够正常退出。

【量化选股】A股上有哪些东北股（排雷）？

李魔佛 发表了文章 • 0 个评论 • 964 次浏览 • 2018-01-31 01:09 • 来自相关话题

上一篇文章中写道，东北企业由于本地特色，会存在一定的造假风险，所以需要在选股的时候排除东北的A股上市企业。
 
打开jupyter notebook。然后输入下面的代码：





 
上面可以获得A股上市公司所有区域的分布。果然刘士余上台后，浙江地区的企业一下子超越广东，成为A股最多公司的省份（当然，这里的广东是把深圳给单独分离出去了），浙江有418个上市公司。
 
然后根据条件筛选列area，选出辽宁，吉林，黑龙江的企业。





共有152家上市公司。截止2018-01-30日。
列表太长没有显示完整，贴在附件里面供大家参考（排雷）。
 
原文地址：http://30daydo.com/article/271
转载请注明出处 查看全部
上一篇文章中写道，东北企业由于本地特色，会存在一定的造假风险，所以需要在选股的时候排除东北的A股上市企业。
 
打开jupyter notebook。然后输入下面的代码：

area.GIF

 
上面可以获得A股上市公司所有区域的分布。果然刘士余上台后，浙江地区的企业一下子超越广东，成为A股最多公司的省份（当然，这里的广东是把深圳给单独分离出去了），浙江有418个上市公司。
 
然后根据条件筛选列area，选出辽宁，吉林，黑龙江的企业。

area1.GIF

共有152家上市公司。截止2018-01-30日。
列表太长没有显示完整，贴在附件里面供大家参考（排雷）。
 
原文地址：http://30daydo.com/article/271
转载请注明出处

python获取A股上市公司的盈利能力

李魔佛 发表了文章 • 0 个评论 • 1506 次浏览 • 2018-01-04 16:09 • 来自相关话题

利用tushare库，可以很方便的获取A股上市公司的基本面信息。
比如企业的盈利能力。
 import tushare as ts
#获取2017年第3季度的盈利能力数据
ts.get_profit_data(2017,3)返回的结果：
 
按年度、季度获取盈利能力数据，结果返回的数据属性说明如下：
code,代码 
name,名称 
roe,净资产收益率(%)
 net_profit_ratio,净利率(%) 
gross_profit_rate,毛利率(%) 
net_profits,净利润(百万元)  #这里的官网信息有误，单位应该是百万
esp,每股收益 
business_income,营业收入(百万元) 
bips,每股主营业务收入(元)
 
例如返回如下结果：
 
    code   name    roe  net_profit_ratio  gross_profit_rate  net_profits  \
  000717   韶钢松山  79.22              9.44            14.1042    1750.2624
  600793   宜宾纸业  65.40             13.31             7.9084     100.6484
  600306    商业城  63.19             18.55            17.8601     114.9175
  000526  *ST紫学  61.03              2.78            31.1212      63.6477
  600768   宁波富邦  57.83             14.95             2.7349      88.3171
 
原创，转载请注明：
http://30daydo.com/article/260
  查看全部
利用tushare库，可以很方便的获取A股上市公司的基本面信息。
比如企业的盈利能力。
 
import tushare as ts

#获取2017年第3季度的盈利能力数据

ts.get_profit_data(2017,3)
返回的结果：
 
按年度、季度获取盈利能力数据，结果返回的数据属性说明如下：
code,代码 
name,名称 
roe,净资产收益率(%)
 net_profit_ratio,净利率(%) 
gross_profit_rate,毛利率(%) 
net_profits,净利润(百万元)  #这里的官网信息有误，单位应该是百万
esp,每股收益 
business_income,营业收入(百万元) 
bips,每股主营业务收入(元)
 
例如返回如下结果：
 
    code   name    roe  net_profit_ratio  gross_profit_rate  net_profits  \
  000717   韶钢松山  79.22              9.44            14.1042    1750.2624
  600793   宜宾纸业  65.40             13.31             7.9084     100.6484
  600306    商业城  63.19             18.55            17.8601     114.9175
  000526  *ST紫学  61.03              2.78            31.1212      63.6477
  600768   宁波富邦  57.83             14.95             2.7349      88.3171
 
原创，转载请注明：
http://30daydo.com/article/260
 

python获取股票年涨跌幅排名

李魔佛 发表了文章 • 4 个评论 • 2240 次浏览 • 2017-12-30 23:11 • 来自相关话题

2017还剩一天就结束了，而A股在昨天已经收官了。 对于大部分投资者来说，这一年能跑赢指数已经很厉害的了，因为指数被权重股拉的失真了，上证指数的分时白线和黄线经常出现张开的大口，白线在上，黄线在下。
 
作为年终回顾，首先看看A股市场2017的总体涨跌幅排名。
 
下面函数是用来获取个股某个时间段的涨跌幅。code是股票代码，start为开始时间段，end为结束时间段。def profit(code,start,end):
try:
df=ts.get_k_data(code,start=start,end=end)
except Exception,e:
print e
return None
try:
p=(df['close'].iloc[-1]-df['close'].iloc[0])/df['close'].iloc[0]*100.00
except Exception,e:
print e
return None
return round(p,2)
如果要获取华大基因的2017年涨幅，可以使用profit('300678','2016-12-31','2017-12-31')
需要注意的是，需要添加一个except的异常处理，因为部分个股停牌时间超过一年，所以该股的收盘价都是空的，这种情况就返回一个None值，在dataframe里就是NaN。
 
剩下了的就是枚举所有A股的个股代码了，然后把遍历所有代码，调用profit函数即可。def price_change():
basic=ts.get_stock_basics()
pro=

for code in basic.index.values:
print code
p=profit(code,'2016-12-31','2017-12-31')
pro.append(p)
basic['price_change']=pro
basic.to_csv('2017_all_price_change.xls',encoding='gbk')
df=pd.read_csv('2017_all_price_change.xls',encoding='gbk')
df.to_excel('2017_all_price_change.xls',encoding='gbk')
结果保存到2017_all_price_change.xls中，里面有个股的基本信息，还追加了一列2017年的涨跌幅，price_change
 
最后我们把price_change按照从高到低进行排序。 看看哪些个股排名靠前。def analysis():
df=pd.read_excel('2017_all_price_change.xls',encoding='gbk')
df=df.sort_values(by='price_change',ascending=False)
df.to_excel('2017-year.xls',encoding='gbk')
最终保存的文件为2017-year.xls，当然你也可以保存到mysql的数据库当中。engine=get_engine('stock')
df.to_sql('2017years',engine)

其中get_engine() 函数如下定义：def get_engine(db):
engine = create_engine('mysql+pymysql://{}:{}@{}:{}/{}?charset=utf8'.format(MYSQL_USER, MYSQL_PASSWORD, MYSQL_HOST, MYSQL_PORT, db))
return engine
只需要把你的mysql数据库的用户名密码等变量加上去就可以了。
 
最终的结果如下:






点击查看大图 

附件是导出来的excel格式的数据，你们可以拿去参考。

下一篇我们来学习统计个股的信息，比如哪类股涨得好，哪类股具有相关性，哪类股和大盘走向类似等等。
 
原文链接：http://30daydo.com/article/258
转载请注明出处
 
附件

2017-year.zip


  查看全部
2017还剩一天就结束了，而A股在昨天已经收官了。 对于大部分投资者来说，这一年能跑赢指数已经很厉害的了，因为指数被权重股拉的失真了，上证指数的分时白线和黄线经常出现张开的大口，白线在上，黄线在下。
 
作为年终回顾，首先看看A股市场2017的总体涨跌幅排名。
 
下面函数是用来获取个股某个时间段的涨跌幅。code是股票代码，start为开始时间段，end为结束时间段。
def profit(code,start,end):

    try:

        df=ts.get_k_data(code,start=start,end=end)

    except Exception,e:

        print e

        return None

    try:

        p=(df['close'].iloc[-1]-df['close'].iloc[0])/df['close'].iloc[0]*100.00

    except Exception,e:

        print e

        return None 

    return round(p,2)

如果要获取华大基因的2017年涨幅，可以使用
profit('300678','2016-12-31','2017-12-31')

需要注意的是，需要添加一个except的异常处理，因为部分个股停牌时间超过一年，所以该股的收盘价都是空的，这种情况就返回一个None值，在dataframe里就是NaN。
 
剩下了的就是枚举所有A股的个股代码了，然后把遍历所有代码，调用profit函数即可。
def price_change():

    basic=ts.get_stock_basics()

    pro=



    for code in basic.index.values:

        print code

        p=profit(code,'2016-12-31','2017-12-31')

        pro.append(p)

    basic['price_change']=pro

    basic.to_csv('2017_all_price_change.xls',encoding='gbk')

    df=pd.read_csv('2017_all_price_change.xls',encoding='gbk')

    df.to_excel('2017_all_price_change.xls',encoding='gbk')

结果保存到2017_all_price_change.xls中，里面有个股的基本信息，还追加了一列2017年的涨跌幅，price_change
 
最后我们把price_change按照从高到低进行排序。 看看哪些个股排名靠前。
def analysis():

    df=pd.read_excel('2017_all_price_change.xls',encoding='gbk')

    df=df.sort_values(by='price_change',ascending=False)

    df.to_excel('2017-year.xls',encoding='gbk')

最终保存的文件为2017-year.xls，当然你也可以保存到mysql的数据库当中。
engine=get_engine('stock')

df.to_sql('2017years',engine)

其中get_engine() 函数如下定义：
def get_engine(db):

    engine = create_engine('mysql+pymysql://{}:{}@{}:{}/{}?charset=utf8'.format(MYSQL_USER, MYSQL_PASSWORD, MYSQL_HOST, MYSQL_PORT, db))

    return engine

只需要把你的mysql数据库的用户名密码等变量加上去就可以了。
 
最终的结果如下:


2017-stock_副本.png

点击查看大图 

附件是导出来的excel格式的数据，你们可以拿去参考。

下一篇我们来学习统计个股的信息，比如哪类股涨得好，哪类股具有相关性，哪类股和大盘走向类似等等。
 
原文链接：http://30daydo.com/article/258
转载请注明出处
 
附件

 

dataframe reindex和reset_index区别

李魔佛 发表了文章 • 0 个评论 • 9693 次浏览 • 2017-12-30 15:58 • 来自相关话题

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\n', df
print 'df2\n', df2

df_x = [df, df2]
result = pd.concat(df_x)
print 'first result\n', 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）。
    df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [10, 20, 30, 40, 50]})

    df2 = pd.DataFrame({'A': [6], 'B': [60]})

    print 'df\n', df

    print 'df2\n', df2



    df_x = [df, df2]

    result = pd.concat(df_x)

    print 'first result\n', result
 
上面代码把df和df2合并为一个result，但是result的index是乱的。

df4.PNG

 
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）

df5.PNG

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)
df6.PNG

 
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：
df7.PNG

 
可以看到index为[0,1,2,3,4,0]
执行 
result3 = result.reindex(columns=['A','C'])

df8.PNG

 
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
 

dataframe的index索引是否可以重复

李魔佛 发表了文章 • 0 个评论 • 2131 次浏览 • 2017-12-30 15:10 • 来自相关话题

答案是肯定的。
  df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [10, 20, 30, 40, 50]})
df2 = pd.DataFrame({'A': [6], 'B': [60]})
print 'df\n', df
print 'df2\n', df2输出如下：
df1





df2




 
然后进行合并： df_x = [df, df2]
result = pd.concat(df_x)
print 'first result\n', result
合并后的结果：





 
合并后的index是[0,1,2,3,4,0] 所以index集合是一个类似list的结构，而非set结构，允许重复数据的存在。
 
原文链接：http://30daydo.com/article/256 
转载请注明
 
  查看全部
答案是肯定的。
 
    df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [10, 20, 30, 40, 50]})

    df2 = pd.DataFrame({'A': [6], 'B': [60]})

    print 'df\n', df

    print 'df2\n', df2
输出如下：
df1
df.PNG


df2
df2.PNG

 
然后进行合并：
    df_x = [df, df2]

    result = pd.concat(df_x)

    print 'first result\n', result

合并后的结果：

dfx.PNG

 
合并后的index是[0,1,2,3,4,0] 所以index集合是一个类似list的结构，而非set结构，允许重复数据的存在。
 
原文链接：http://30daydo.com/article/256 
转载请注明
 
 

tushare使用get_stock_basic()保存为excel会因为乱码出错而无法保存

李魔佛 发表了文章 • 0 个评论 • 1412 次浏览 • 2017-12-30 13:11 • 来自相关话题

代码如下：
basic=ts.get_stock_basics()

print basic.info()
print basic.head(10)

basic.to_excel('basic2017.xls',encoding='gbk')
运行后会出错：

'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)
 
很明显的是编问题。 
 
然后尝试使用解决编码的步骤。
1. reload(sys) 设置default为utf-8： 失败
2. to_excel('stock.xls',encoding='gbk') : 失败，encoding参数换了几个都是失败，utf-8，gb2312，cp1252
 
最后解决的办法是，先把df保存为csv，然后再从csv从读取出来，然后再存储为excel。 整个过程的encoding参数都是用'gbk'.
basic.to_csv('2017_all_price_change.xls',encoding='gbk')
df=pd.read_csv('2017_all_price_change.xls',encoding='gbk')
df.to_excel('2017_all_price_change.xls',encoding='gbk')
  查看全部
代码如下：
    basic=ts.get_stock_basics()

    

    print basic.info()

    print basic.head(10)



    basic.to_excel('basic2017.xls',encoding='gbk')

运行后会出错：

'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)
 
很明显的是编问题。 
 
然后尝试使用解决编码的步骤。
1. reload(sys) 设置default为utf-8： 失败
2. to_excel('stock.xls',encoding='gbk') : 失败，encoding参数换了几个都是失败，utf-8，gb2312，cp1252
 
最后解决的办法是，先把df保存为csv，然后再从csv从读取出来，然后再存储为excel。 整个过程的encoding参数都是用'gbk'.
    basic.to_csv('2017_all_price_change.xls',encoding='gbk')

    df=pd.read_csv('2017_all_price_change.xls',encoding='gbk')

    df.to_excel('2017_all_price_change.xls',encoding='gbk')

 

pandas to_excel函数参数中的文件名需要为.xls

李魔佛 发表了文章 • 0 个评论 • 1314 次浏览 • 2017-12-29 18:10 • 来自相关话题

例如 df.to_excel('2017-analysis')
会报错。
ValueError: No engine for filetype: ''

需要把文件名也命名为'2017-analysis.xls' 才能过正常运行。
 
不同于其他本文格式，可以随意命名后缀，然后生成文件后再修改后缀。
  查看全部
例如 df.to_excel('2017-analysis')
会报错。
ValueError: No engine for filetype: ''

需要把文件名也命名为'2017-analysis.xls' 才能过正常运行。
 
不同于其他本文格式，可以随意命名后缀，然后生成文件后再修改后缀。
 

Dataframe中的plot函数绘图会把日期index自动补全

李魔佛 发表了文章 • 0 个评论 • 1169 次浏览 • 2017-12-26 14:49 • 来自相关话题

代码如下：
df=pd.read_excel('600050.xls',dtype={'datetime':np.datetime64})
df=df.set_index('datetime')
df['close'].plot(use_index=True,grid=True)
plt.show()
df为中国联通的日线数据，跨度为2016年到2017年底，中间有过一段时间的停牌。 用上面的代码绘制出来的曲线图，回发现，横坐标是日期，可是图中居然会把停牌的日子也插进去，这样导致了图形中间出现了一条长长的折线。
因为停牌后，股价是是不会变化的。 
  查看全部
代码如下：
	df=pd.read_excel('600050.xls',dtype={'datetime':np.datetime64})

	df=df.set_index('datetime')

	df['close'].plot(use_index=True,grid=True)

	plt.show()

df为中国联通的日线数据，跨度为2016年到2017年底，中间有过一段时间的停牌。 用上面的代码绘制出来的曲线图，回发现，横坐标是日期，可是图中居然会把停牌的日子也插进去，这样导致了图形中间出现了一条长长的折线。
因为停牌后，股价是是不会变化的。 
 

pandas dataframe read_excel读取的列设置为日期类型datetime

李魔佛 发表了文章 • 0 个评论 • 4173 次浏览 • 2017-12-25 17:53 • 来自相关话题

比如excel中有一列是日期：





 
如果使用函数 pd.read_excel('xxx.xls') 读入，那么日期列实际会被认为是一个non-null object 类型，虽然可以后期对这个格式进行转换，但其实可以加入一个参数dtype， 就可以在读excel的时候就指定某列的数据类型。
 
pd.read_excel('xxx.xls',dtype={'出生日期':np.datetime64}
 
注意np中的datetime类型是datetime64. 查看全部
比如excel中有一列是日期：

timg.jpg

 
如果使用函数 pd.read_excel('xxx.xls') 读入，那么日期列实际会被认为是一个non-null object 类型，虽然可以后期对这个格式进行转换，但其实可以加入一个参数dtype， 就可以在读excel的时候就指定某列的数据类型。
 
pd.read_excel('xxx.xls',dtype={'出生日期':np.datetime64}
 
注意np中的datetime类型是datetime64.

菜鸟侦探挑战数据分析R源代码

李魔佛 发表了文章 • 0 个评论 • 626 次浏览 • 2017-12-11 17:45 • 来自相关话题

菜鸟侦探挑战数据分析R源代码：
百度网盘下载链接：
https://pan.baidu.com/s/1miiScDM
 
菜鸟侦探挑战数据分析R源代码：
百度网盘下载链接：
https://pan.baidu.com/s/1miiScDM
 

数字货币量化揭秘-简单暴力但高效的高频交易机器人

littleDream 发表了文章 • 1 个评论 • 1632 次浏览 • 2017-12-05 16:23 • 来自相关话题

策略分享地址：https://www.botvs.com/strategy/1088

这个策略是我做虚拟货币以来的主要策略，后面经过不断完善和修改，复杂了很多，但主要思想并没有改变，分享的这个版本是无明显bug的 最初版本，最为简单清晰，没有仓位管理，每次交易都是满仓，没有卡死后重启等等，但也足够说明问题。

 策略从2014年8月运行，直到今年年初交易所收手续费。期间运行的还算很好，亏损的时间很少。资金从最初的200元跑到了80比特币。具体的过程可以看[小草的新浪博客](小草_新浪博客)里[虚拟货币自动化交易之路](虚拟货币自动化交易之路（五）_小草_新浪博客)系列文章。
 


下图是总资产折合币的曲线：



为什么分享这个策略

1.交易所收取手续费后，几乎杀死了所有的高频策略，我的也不例外。但策略改改也许还能用，大家可以研究一下。

2.好久没有分享东西了，这篇文章早就想写了。

3.和大家共同交流学习。




策略的原理

这个策略原理极为简单，可以理解为准高频的做市策略，各位看了之后可能想打人，这都能赚钱，当时几乎谁都能写出来。我开始也没预料到它能这么有效，可见心中有想法要赶紧付出实践，说不一定有意外之喜。在比特币机器人初兴的2014年，写出赚钱的策略太容易了。

和所有的高频策略一样，本策略也是基于orderbook,下图就是一个典型的比特币交易所的订单分布，



可以看到左侧是买单，显示了不同价格的挂单数量，右侧是卖单。可以想象如果一个人要买入比特币，如果不想挂单等待的话，只能选择吃单，如果他的单子比较多，会使得卖单挂单大量成交，对价格造成冲击，但是这种冲击一般不会一直持续，还有人想吃单卖出，价格在极短时间很可能还会恢复，反过来理解有人要卖币也类似。

以图中的挂单为例，如果要直接买入5个币，那么价格会达到10377，在这时如果有人要直接卖出5个币，价格会达到10348，这个空间就是利润空间.策略会在稍低于10377的价格挂单，如10376.99，同时会以稍高于10348的价格买入，如10348.01，这是如果刚才的情况发生了，显然就会赚到其中的差价。虽然不会每次都如此完美，但在概率的作用下，赚钱的几率实际高得惊人。

以现在策略的参数讲解一下具体操作，这个参数当然无法使用了，仅作一个说明。它会向上寻找累计卖挂单量为8个币的价格，这里是10377，那么此时的卖价就是这个价格减去0.01（减去多少可以是随机的），同理向下寻找累计买挂单为8个币，这里是10348，那么此时的卖价就是10348.01，此时买卖价的差价是10376.99-10348.01=28.98，大于策略预设的差价1.5，就以这两个价格挂单等待成交，如果价差小于1.5，也会找一个价格进行挂单，如盘口价格加减10，等待捡漏（更合适的应该是继续往下找跟多的深度）。




进一步的说明

1. 没有钱或币了怎么办？

这种情况在我的钱较少是十分普遍，大多数时候只挂一边的单子，但不是大问题。其实可以加入币钱平衡的逻辑，但在平衡的过程难免产生损失，毕竟每一次的成交都是概率的垂青，我选择保持单边等待成交，当然这样也浪费了另一边的成交机会。

2. 仓位是如何管理的？

刚开始都是满仓买入卖出，后来根据不同的参数分为不同的组，不会一次完全成交。

3. 没有止损吗？

策略有完整的买卖挂单的逻辑，我认为不需要止损（可以讨论），还有就是概率的垂青，成交就是机会，止损可惜了。

4. 如何调整为赚币的策略？

此时的参数是对称的，即向上8个币的累计卖单，向下8个币的累计买单，稍微不平衡一下，比如向上改为15个币的累计卖单，使得卖币机会更难得，有更大的几率会以更低的价格接回来，这样就会赚币，反过来就赚钱。实际上前期策略如此有效，币和钱都是增加的。




代码讲解

完整的代码可以见我在http://www.botvs.com得策略分享，这里只讲解核心逻辑函数。在没有改动的情况下，在botvs自带的模拟盘竟然运转完全正常，这是一个3年多前的策略，平台还支持到现在，太让人感动了。

首先是获取买卖价函数GetPrice()，需要获取订单深度信息，注意不同平台的订单深度信息长度不同，以及即使遍历了所有订单仍然没有所需要的量的情况（在后期许多0.01的网格挂单会导致这种情况），调用是GetPrice('Buy')就是获取买价。
 
function GetPrice(Type) {
//_C()是平台的容错函数
var depth=_C(exchange.GetDepth);
var amountBids=0;
var amountAsks=0;
//计算买价，获取累计深度达到预设的价格
if(Type=="Buy"){
for(var i=0;i<20;i++){
amountBids+=depth.Bids[i].Amount;
//参数floatamountbuy是预设的累计深度
if (amountBids>floatamountbuy){
//稍微加0.01，使得订单排在前面
return depth.Bids[i].Price+0.01;}
}
}
//同理计算卖价
if(Type=="Sell"){
for(var j=0; j<20; j++){
amountAsks+=depth.Asks[j].Amount;
if (amountAsks>floatamountsell){
return depth.Asks[j].Price-0.01;}
}
}
//遍历了全部深度仍未满足需求，就返回一个价格，以免出现bug
return depth.Asks[0].Price
}

// 每个循环的主函数onTick(),这里定的循环时间3.5s，每次循环都会把原来的单子撤销，重新挂单，越简单越不会遇到bug.

function onTick() {
var buyPrice = GetPrice("Buy");
var sellPrice= GetPrice("Sell");
//diffprice是预设差价，买卖价差如果小于预设差价，就会挂一个相对更深的价格
if ((sellPrice - buyPrice) <= diffprice){
buyPrice-=10;
sellPrice+=10;}
//把原有的单子全部撤销，实际上经常出现新的价格和已挂单价格相同的情况，此时不需要撤销
CancelPendingOrders()
//获取账户信息，确定目前账户存在多少钱和多少币
var account=_C(exchange.GetAccount);
//可买的比特币量，_N()是平台的精度函数
var amountBuy = _N((account.Balance / buyPrice-0.1),2);
//可卖的比特币量，注意到没有仓位的限制，有多少就买卖多少，因为我当时的钱很少
var amountSell = _N((account.Stocks),2);
if (amountSell > 0.02) {
exchange.Sell(sellPrice,amountSell);}
if (amountBuy > 0.02) {
exchange.Buy(buyPrice, amountBuy);}
//休眠，进入下一轮循环
Sleep(sleeptime);
}


尾巴

整个程序也就40多行，看上去十分简单，但当时也花了我一个多星期，这还是在botvs平台上情况下。最大的优势还是起步早，在2014年，市场上以搬砖为主，网格和抢盘口的高频也不多，使得策略如鱼得水，后来竞争不可避免越来越激烈，我的钱也越来越多，面临的挑战很多，每隔一段时间都要进行较大的改动来应对，但总体还算顺利。在交易平台不收取手续费的情况下，是程序化交易的天堂，散户因为不收手续费跟倾向于操作，为高频和套利提供了空间，这一切也基本随着动辄0.1-0.2%的双向手续费终结了，不仅是自己被收费的问题，而是整个市场活跃度下降。

但不需要高频的量化策略任然有很大的空间。

作者 小草 查看全部
策略分享地址：https://www.botvs.com/strategy/1088


这个策略是我做虚拟货币以来的主要策略，后面经过不断完善和修改，复杂了很多，但主要思想并没有改变，分享的这个版本是无明显bug的 最初版本，最为简单清晰，没有仓位管理，每次交易都是满仓，没有卡死后重启等等，但也足够说明问题。


 策略从2014年8月运行，直到今年年初交易所收手续费。期间运行的还算很好，亏损的时间很少。资金从最初的200元跑到了80比特币。具体的过程可以看[小草的新浪博客](小草_新浪博客)里[虚拟货币自动化交易之路](虚拟货币自动化交易之路（五）_小草_新浪博客)系列文章。
 


下图是总资产折合币的曲线：



为什么分享这个策略

1.交易所收取手续费后，几乎杀死了所有的高频策略，我的也不例外。但策略改改也许还能用，大家可以研究一下。

2.好久没有分享东西了，这篇文章早就想写了。

3.和大家共同交流学习。




策略的原理

这个策略原理极为简单，可以理解为准高频的做市策略，各位看了之后可能想打人，这都能赚钱，当时几乎谁都能写出来。我开始也没预料到它能这么有效，可见心中有想法要赶紧付出实践，说不一定有意外之喜。在比特币机器人初兴的2014年，写出赚钱的策略太容易了。

和所有的高频策略一样，本策略也是基于orderbook,下图就是一个典型的比特币交易所的订单分布，



可以看到左侧是买单，显示了不同价格的挂单数量，右侧是卖单。可以想象如果一个人要买入比特币，如果不想挂单等待的话，只能选择吃单，如果他的单子比较多，会使得卖单挂单大量成交，对价格造成冲击，但是这种冲击一般不会一直持续，还有人想吃单卖出，价格在极短时间很可能还会恢复，反过来理解有人要卖币也类似。

以图中的挂单为例，如果要直接买入5个币，那么价格会达到10377，在这时如果有人要直接卖出5个币，价格会达到10348，这个空间就是利润空间.策略会在稍低于10377的价格挂单，如10376.99，同时会以稍高于10348的价格买入，如10348.01，这是如果刚才的情况发生了，显然就会赚到其中的差价。虽然不会每次都如此完美，但在概率的作用下，赚钱的几率实际高得惊人。

以现在策略的参数讲解一下具体操作，这个参数当然无法使用了，仅作一个说明。它会向上寻找累计卖挂单量为8个币的价格，这里是10377，那么此时的卖价就是这个价格减去0.01（减去多少可以是随机的），同理向下寻找累计买挂单为8个币，这里是10348，那么此时的卖价就是10348.01，此时买卖价的差价是10376.99-10348.01=28.98，大于策略预设的差价1.5，就以这两个价格挂单等待成交，如果价差小于1.5，也会找一个价格进行挂单，如盘口价格加减10，等待捡漏（更合适的应该是继续往下找跟多的深度）。




进一步的说明

1. 没有钱或币了怎么办？

这种情况在我的钱较少是十分普遍，大多数时候只挂一边的单子，但不是大问题。其实可以加入币钱平衡的逻辑，但在平衡的过程难免产生损失，毕竟每一次的成交都是概率的垂青，我选择保持单边等待成交，当然这样也浪费了另一边的成交机会。

2. 仓位是如何管理的？

刚开始都是满仓买入卖出，后来根据不同的参数分为不同的组，不会一次完全成交。

3. 没有止损吗？

策略有完整的买卖挂单的逻辑，我认为不需要止损（可以讨论），还有就是概率的垂青，成交就是机会，止损可惜了。

4. 如何调整为赚币的策略？

此时的参数是对称的，即向上8个币的累计卖单，向下8个币的累计买单，稍微不平衡一下，比如向上改为15个币的累计卖单，使得卖币机会更难得，有更大的几率会以更低的价格接回来，这样就会赚币，反过来就赚钱。实际上前期策略如此有效，币和钱都是增加的。




代码讲解

完整的代码可以见我在http://www.botvs.com得策略分享，这里只讲解核心逻辑函数。在没有改动的情况下，在botvs自带的模拟盘竟然运转完全正常，这是一个3年多前的策略，平台还支持到现在，太让人感动了。

首先是获取买卖价函数GetPrice()，需要获取订单深度信息，注意不同平台的订单深度信息长度不同，以及即使遍历了所有订单仍然没有所需要的量的情况（在后期许多0.01的网格挂单会导致这种情况），调用是GetPrice('Buy')就是获取买价。
 
function GetPrice(Type) {

   //_C()是平台的容错函数

    var depth=_C(exchange.GetDepth);

    var amountBids=0;

    var amountAsks=0;

    //计算买价，获取累计深度达到预设的价格

    if(Type=="Buy"){

       for(var i=0;i<20;i++){

           amountBids+=depth.Bids[i].Amount;

           //参数floatamountbuy是预设的累计深度

           if (amountBids>floatamountbuy){

               //稍微加0.01，使得订单排在前面

              return depth.Bids[i].Price+0.01;}

        }

    }

    //同理计算卖价

    if(Type=="Sell"){

       for(var j=0; j<20; j++){

    	   amountAsks+=depth.Asks[j].Amount;

            if (amountAsks>floatamountsell){

            return depth.Asks[j].Price-0.01;}

        }

    }

    //遍历了全部深度仍未满足需求，就返回一个价格，以免出现bug

    return depth.Asks[0].Price

}



// 每个循环的主函数onTick(),这里定的循环时间3.5s，每次循环都会把原来的单子撤销，重新挂单，越简单越不会遇到bug.



function onTick() {

    var buyPrice = GetPrice("Buy");

    var sellPrice= GetPrice("Sell");

    //diffprice是预设差价，买卖价差如果小于预设差价，就会挂一个相对更深的价格

    if ((sellPrice - buyPrice) <= diffprice){

            buyPrice-=10;

            sellPrice+=10;}

    //把原有的单子全部撤销，实际上经常出现新的价格和已挂单价格相同的情况，此时不需要撤销

    CancelPendingOrders() 

    //获取账户信息，确定目前账户存在多少钱和多少币

    var account=_C(exchange.GetAccount);

    //可买的比特币量，_N()是平台的精度函数

    var amountBuy = _N((account.Balance / buyPrice-0.1),2); 

    //可卖的比特币量，注意到没有仓位的限制，有多少就买卖多少，因为我当时的钱很少

    var amountSell = _N((account.Stocks),2); 

    if (amountSell > 0.02) {

        exchange.Sell(sellPrice,amountSell);}

    if (amountBuy > 0.02) {

        exchange.Buy(buyPrice, amountBuy);}

    //休眠，进入下一轮循环

    Sleep(sleeptime);

}



尾巴

整个程序也就40多行，看上去十分简单，但当时也花了我一个多星期，这还是在botvs平台上情况下。最大的优势还是起步早，在2014年，市场上以搬砖为主，网格和抢盘口的高频也不多，使得策略如鱼得水，后来竞争不可避免越来越激烈，我的钱也越来越多，面临的挑战很多，每隔一段时间都要进行较大的改动来应对，但总体还算顺利。在交易平台不收取手续费的情况下，是程序化交易的天堂，散户因为不收手续费跟倾向于操作，为高频和套利提供了空间，这一切也基本随着动辄0.1-0.2%的双向手续费终结了，不仅是自己被收费的问题，而是整个市场活跃度下降。

但不需要高频的量化策略任然有很大的空间。

作者 小草
Copyright © 2019