stock_return.plot(grid = True).axhline(y = 1, color = "black", lw = 2)  

这个图就有效多了。如今我们可以看到大年夜我们所关怀的日期算起，每支股票的收益有多高。并且我们可以看到这些股票之间的相干性很高。它们根本上朝同一个偏向移动，在其他类型的图表中很难不雅察到这一现象。

我们还可以用天天的股值变更作图。一个可行的办法是我们应用后一天$t + 1$和当天$t$的股值变更占当天股价的比例：

是天然对数,我们的定义不完全取决于应用

我们也可以比较当天跟前一天的价格：

以上的公式并不雷同，可能会让我们获得不合的结论，然则我们可以应用对数差别来表示股票价格变更：

(这里的

照样

.) 应用对数差别的好处是该差别值可以被解释为股票的百分比差别，然则不受分母的影响。

下面的代码演示了若何计算和可视化股票的对数差别：

# Let's use NumPy's log function, though math's log function would work just as well 
 
import numpy as np 
 
stock_change = stocks.apply(lambda x: np.log(x) - np.log(x.shift(1))) # shift moves dates back by 1. 
 
stock_change.head() 

stock_change.plot(grid = True).axhline(y = 0, color = "black", lw = 2)  

你更偏向于哪种转换办法呢?大年夜相对时光段开端日的收益差距可以明显看出不合证券的总体走势。不合交易日之间的差距被用于更多猜测股市行情的办法中，它们是不容被忽视的。

移动平均值

图表异常有效。在实际生活中，有些交易人在做决定计划的时刻几乎完全基于图表(这些人是“技恋人员”，大年夜图表中找到规律并制订交易策略被称作技巧分析，它是交易的根本教义之一。)下面让我们来看看若何找到股票价格的变更趋势。

一个q天的移动平均值(用

来表示)定义为：对于某一个时光点t，它之前q天的平均值。

移动平均值可以让一个系列的数据变得更腻滑，有助于我们找到趋势。q值袈浣大年夜，移动平均对短期的波动越不敏感。移动平均的根本目标就是大年夜噪音中辨认趋势。快速的移动平均有偏小的q，它们更接近股票价格;而慢速的移动平均有较大年夜的q值，这使得它们对波动不敏感大年夜而加倍稳定。

pandas供给了计算移动平均的函数。下面我将演示应用这个函数来寂?婊不雅公司股票价格的20天(一个月)移动平均值，并将它跟股票价格画在一路。

留意到平均值的肇端点时光是很迟的。我们必须比及20天之后才能开端计算该值。这个问题对于更长时光段的移动平均来说是个加倍严重的问题。因为我欲望我可以计算200天的移动平均，我将扩大我们所获得的苹不雅公司股票的数据，但我们重要照样只存眷2016。

start = datetime.datetime(2010,1,1) 
 
apple = web.DataReader(	
			
 8/9   首页 上一页 6 7 8 9 下一页 尾页
	
			

　　推荐阅读
　　WOT讲师杨钊：人工智能将在不同应用场景逐步落地
            
            
                
                    
                
                【51CTO.com原创稿件】由51CTO主办的WOTA2017全球立异技巧峰会将于2017年7月21日拉开帷幕。本次峰会，将环绕机>>>详细阅读


本文标题：用Python做股市数据分析（一）
地址：http://www.17bianji.com/lsqh/36070.html
 1/2    1