金融数据的分析与挖掘

K线图的绘制

• 股票的每日价格走势图

• 每日价格的形态

  

• 绘制K线图

  • matplotlib.finance.candlestic_ochl(axes, data, width=0.5, colorup="r", colordown=‘g’)
  • data必须是一个包含ochl和0-n索引值的数组

K线图的转换

• pandas重采样数据

  • DateFrame.resample(rule, how=None, axis=0, file_method=None, closed=None, kind=None)
  • 频率转换和时间序列重采样，对象必须具有类似日期时间的索引

  rule:表示重采样的频率，例如周‘W’,月‘M’，季度，‘Q’，5分钟‘5min’,12天'12D'
  
  how:用于产生聚合值的函数名或数值函数，例如“mean‘，’ohlc‘,np.max等，默认是'mean',其他常用的值，有：’first‘,'last','median','max','min'
  
  axis=0：默认是纵轴，横轴设置为axis=1
  
  closed='right':在重采样时，各时间段的哪一段是闭合的，’right‘或 ’left‘,默认是’right‘
  
  fill_method=None:重采样时，如何插入值,比如：’ffill‘,'bfill'
  
  kind=None:聚合到时期('period')或时间戳('timestamp'),默认聚合到时间序列的索引类型
  

时间序列

• 按照时间发生先后顺序进行排序的数据点序列

  • 通常一组时间序列的时间

• datetime模块

  import pandas as pd
  from datetime import datetime
  
  date = [datetime(2017,1,2)]
  
  a = pd.series(10.0, index=date)
  
  

• pandas时间类型

// 定义数据的时间类型
格式：pd.to_datetime(arg, unit=)
其中：arg:时间参数
     unit：转换的最小单位
如：
pd.to_datetime(date)

pd.DatetimeIndex(date)

• 定义pandas中的时间序列结构

date = [datetime(2018,1,1), datetime(2018,1,3),datetime(2018,1,4)]

series = pd.Series(3.0, index=date)

series

out：2018-01-01 3.0
     2018-01-03 3.0
     2018-01-04 3.0
     dtype:float64

• DatetimeIndex的属性

  • year,month, weekdat,day,hour…

  time = pd.DatetimeIndex(time_value)
  time.year
  ...

  • 频率和时间的偏移

  d = pd.to_datetime(["2018-01-01","2018-03-01"])
  d.shift(-1, freq='D') 

pandas的时间序列生成

• pandas.date_range(star=None, end=None, periods, freg='D', tz=None, normalize=False, name=None, closed=None, **kwargs)

股票时间序列分析

• 移动窗口

  • 用一个窗口将一段时间套住，计算这一段时间内的某个值，如，平均值

• 移动平均线

  • 某一段时间的收盘价之和除以该周期

• 加权移动平均线

  • 将过去的某特定时间内的价格取其平均值，它的比重以平均线的长度设定，越近期的收市价，对市况的影响越大

  1.末日加权移动平均线
  MA(N) = (C1+C2+...+Cn*2)/n+1
  
  2.线性加权移动平均线
  MA = (C1*1 + C2*2 + ...+ Cn*n)/(1+2+3...+n)
  
  

• 指数平滑移动平均线

  算法：若 Y = EMA(X,N),则 Y=[2*x + (N-1)*Y']/(N+1)
  其中：X是变量，每天的X都不同，从远到近的标记，它们分别记为X1,X2,X3...Xn
  
  如果 N=1,
  则 EMA(X,1) = [2*X1 + (1-1)*Y']/(1+1) = X1
  
  如果 N =2,
  则 EMA(X,2) = [2 *X2 + (2-1)*Y']/(2+1) = (2/3)*X2 +(1/3)*X1
  
  如果 N=3,
  则 EMA(X,3) = [2* X3 + (3-1)*Y']/(3+1) = [2*X3 + 2*((2/3)*X2+ 2*(1/3)*X1)]/4 = (1/2)*X3 + (1/3)*X2 +(1/6)*X1 
  

  • pd.ewma(com=None, one)

• 移动窗口的方差和标准差

  • 反应某一时期的序列的稳定性
  • pandas.rolling_std()