人们很容易被丰富的数据和各种免费开源工具所吸引。在研究了quandl financial library和prophet modeling library之后,我打算试着探究简单的股票数据。我花了几天的时间,前后写了1000多行Python代码,最终得出了一个完整的股票分析预测工具。虽然我没有自信用这个来投资某些个股,但在整个过程中我学到了很多Python的知识。秉承开源的精神,在这里我打算分享这些代码,让更多的人受益。

本文将展示如何使用Stocker,这是基于Python的股票分析预测工具。我看过一些对象导向的Python编程书籍,但就像大多数编程书籍一样,当我阅读这些书时,我并没有真正理解当中的内容。只有当我在深入一个项目,且遇到从未解决问题时,我才会终于理解那些概念,这也再次证明了实践比理论更重要。除了探索Stocker之外,我们还会涉及一些重要的内容,包括Python的基础知识和加性模型(additive model)。如果你想使用Stocker,可以在GitHub上找到完整的代码以及使用文档。Stocker很简单易用,即使是Python初学者也能学会,我建议每个人都试试。下面让我们一起看看Stocker的分析能力!

Stocker入门

在安装完需要的库之后,我们首先要将Stocker类导入到Python会话中。这里可以使用交互式Python会话或者在脚本目录中启动Jupyter Notebook。

from stocker import Stocker

现在,我们的Python会话中有了Stocker类,接着可以用它来创建类的实例。在Python中,类的实例称为对象,创建对象有时称为实例化或构造。为了创建一个Stocker对象,我们需要传递一个有效的股票代码。

microsoft = Stocker('MSFT')MSFT Stocker Initialized. Data covers 1986-03-13 to 2018-01-16.

现在,我们有了具有Stocker类属性的microsoft 对象。Stocker建立在quandl WIKI数据库上,因此我们可以访问3000多只美国股票,并且可以查看多年的每日价格数据。这里我建议使用微软的数据。尽管微软被认为是开源的对立面,但他们最近做了一些改变,因此我认为他们正在接受开源社区(包括Python)。

Python中的类由两个主要部分组成:属性和方法。没有太多的细节,属性是与类相关的值或数据,或者是类的特定实例(对象)。方法是类中可用于数据的函数。Stocker对象的一个属性是特定公司的股票数据,当我们进行构造时,属性与该对象相关联。我们可以访问该属性,并将其分配给另一变量进行检查:

# Stock is an attribute of the microsoft objectstock_history = microsoft.stockstock_history.head()

微软股票数据

Python类的好处是方法(函数)和所操作的数据与同一个对象相关联。我们可以使用Stocker对象的方法来绘制股票的历史股价。

# A method (function) requires parenthesesmicrosoft.plot_stock()Maximum Adj. Close = 89.58 on 2018-01-12.Minimum Adj. Close = 0.06 on 1986-03-24.Current Adj. Close = 88.35.

默认值是调整后的收盘价格,这解释了股票拆分的原因(当一只股票被拆分成多只股票,比如2,每个新股票的价值是原始价格的1/2)。

这个图可以在谷歌搜索中轻松找到,但是这里我们可以用Python代码完成。plot_stock函数有许多可选的参数。默认情况下,这种方法会绘制整个日期范围的调整收盘价格,但我们还可以选择范围、统计数据和绘图类型。例如,如果我们想比较每日价格变化与交易量(股票数量),我们可以在函数指定那些变量。

microsoft.plot_stock(start_date = '2000-01-03',end_date = '2018-01-16',stats = ['Daily Change', 'Adj. Volume'],plot_type='pct')Maximum Daily Change = 2.08 on 2008-10-13.Minimum Daily Change = -3.34 on 2017-12-04.Current Daily Change = -1.75.Maximum Adj. Volume = 591052200.00 on 2006-04-28.Minimum Adj. Volume = 7425503.00 on 2017-11-24.Current Adj. Volume = 35945428.00.

注意,y轴的百分比变化对应统计的平均值。这个规模是有必要的,因为股票的日常交易量数以亿计,而每日价格变化通常是几美元!通过转换为百分比的变化,我们可以用类似的规模查看这两个数据集。该图表显示,交易的股票数量和每日价格变化之间没有相关性,这很令人惊讶。我们通常认为,在股价变动大的时候股票交易更多。然而,真正的情况是交易量随着时间而下降。2017年12月4日,价格大幅度下降,我们可以联系相关微软新闻。12月3日的新闻如下:

不确定这些新闻来源是否可靠

当然,没有任何迹象表明微软股票将在第二天出现十年来最大的下跌。

使用plot_stock,我们可以查看任何日期的数据,并查找与现实事件(如果有的话)的相关性。接下来,我们看到Stocker当中很有意思的部分。

假设我们很有远见的在公司首次公开募股(IPO)中投资了100股微软股票。那如今我们肯定赚翻了!

microsoft.buy_and_hold(start_date='1986-03-13',end_date='2018-01-16', nshares=100)MSFT Total buy and hold profit from 1986-03-13 to 2018-01-16 for 100 shares = $8829.11

除了让我们感觉更好,使用这些结果能让我们对之后进行规划,实现利润最大化。

microsoft.buy_and_hold(start_date='1999-01-05', end_date='2002-01-03', nshares=100)MSFT Total buy and hold profit from 1999-01-05 to 2002-01-03 for 100 shares = $-56.92

加性模型

加性模型是分析和预测时间序列的强大工具,而且是最常见的数据类型之一。这个概念很简单:将时间序列表示为不同时间范围和整体趋势的组合。众所周知,微软股票的长期趋势是稳步增长的,但也可能会有每年、每天的增长模式,比如每个星期二增长一次。由Facebook开发的Prophet是通过日常观察,从而分析时间序列的库。Stocker用Prophet完成了所有建模的工作,因此我们可以用简单的方法创建、检查模型。

model, model_data = microsoft.create_prophet_model()

加性模型可以消除数据中的噪音,这就是为什么建模线与观测结果不完全一致的原因。Prophet模型能够计算不确定性,这是建模的一个重要部分。我们也可以用Prophet模式来预测未来,但现在我们更关注过去的数据。注意,这个方法调用返回了两个对象,模型和一些数据,我们将它们分配给变量。现在我们用用这些变量绘制时间序列组件。

# model and model_data are from previous method callmodel.plot_components(model_data)plt.show()

总体趋势是过去三年来的明显增长。此外,还有一个值得注意的年度模式(下图),股价在9月份和10月份触底,11月份和1月份达到峰值。随着时间范围的缩短,数据中变化幅度越来越大。如果我们认为可能存在周模式,那么可以更改Stocker对象的weekly_seasonality属性,并将其添加到prophet 模型中:

print(microsoft.weekly_seasonality)microsoft.weekly_seasonality = Trueprint(microsoft.weekly_seasonality)False True

weekly_seasonality的默认值是False,但我们改变该值,从而让模型包含周模式。然后,我们再次调用create_prophet_model并绘制结果组件。以下是新模式的每周模式。

我们可以忽略周末,因为价格只会在一周内发生变化。在继续建模之前,我们将关闭每周的季节性。股票的走势基本是随机的,只能从每年的大范围才能看到趋势。

变点 (Change points)

当时间序列从递增到递减或相反情况时,会出现变点(严格地说,变点位于时间序列变化率最大的地方)。这是非常重要的,因为知道什么时候股票将上涨或达到顶峰会带来显著的经济效益。识别变点能够让我们预测股票价格的未来波动。Stocker对象能够自动为我们找到10个最大的变点。

microsoft.changepoint_date_analysis()Changepoints sorted by slope rate of change (2nd derivative):DateAdj. Close delta482015-03-30 38.2380662.580296337 2016-05-20 48.8869342.231580409 2016-09-01 55.966886 -2.053965722015-05-04 45.034285 -2.040387313 2016-04-18 54.141111 -1.936257

变点往往与股价的高峰和低谷一致。Prophet只能在前80%的数据中找到变点,但是这些结果是有用的,因为我们可以尝试将其与真实事件相关联。我们可以重复之前的做法,比如在这些日期手动搜索相关新闻资讯,但是如果能让Stocker完成就更好了。你也许知道搜索趋势工具,该工具可让你随时查看谷歌搜索中的关键字的流行度。Stocker可以自动检索任何搜索内容,并将结果绘制在原始数据上。为了查找和绘制搜索词的频率,我们修改了之前的方法调用。

# same method but with a search termmicrosoft.changepoint_date_analysis(search = 'Microsoft profit')Top Related Queries: queryvalue0microsoft non profit1001microsoft office 552 apple 303 microsoft 365 304microsoft office 365 20 Rising Related Queries:queryvalue0microsoft 3651201 microsoft office 365 902microsoft profit 2014 70

除了绘制相关的搜索频率外,Stocker还会显示图表日期范围内的热门搜索词。通过将值除以最大值将y轴的值控制在0和1之间,从而让我们比较两个不同比例的变量。从图中可以看出,搜索“微软利润”和微软股价之间没有任何联系。

即使找到了相关性,还是存在因果关系的问题。我们不知道新闻是否导致价格变化,或价格变化导致搜索。可能有会找到一些有用信息,但也可能是偶然的。你可以试试不同的词,看看能否找到相关趋势。

microsoft.changepoint_date_analysis(search = 'Microsoft Office')

预测

到目前为止,我们只探索了Stocker一半的作用,另一半可以用来预测未来股价。虽然这可不会带来收益,但在这个过程中能够学到很多东西。

# specify number of days in future to make a predictionmodel, future = microsoft.create_prophet_model(days=180)Predicted Price on 2018-07-15 = $97.67

尽管Stocker的所有功能已经公开可用,但是创建这个工具的过程很有趣。重要的是相比大学课程,这能让我学到更多的数据科学、Python和股票市场的知识。如今在大数据的时代,每个人都能学习编程、机器学习。如果你有项目创意,但不确定自己有能力去完成,不要让它阻止你。你可能会得出更好的解决方案,即使没有成功你也在过程中学到很多知识。

读者福利:如果大家对Python感兴趣,这套python学习资料一定对你有用

对于0基础小白入门:

如果你是零基础小白,想快速入门Python是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

朋友们如果有需要全套Python入门+进阶学习资源包,可以点击免费领取(如遇扫码问题,可以在评论区留言领取哦)~

CSDN大礼包:《python入门&进阶学习资源包》免费分享

Python学习大礼包

Python入门到精通背记手册

Python安装包

Python爬虫秘籍

Python数据分析全套资源

Python实现办公自动化全套教程

Python面试集锦和简历模板


Python副业兼职路线

资料领取

上述这份完整版的Python全套学习资料已经上传CSDN官方,朋友们如果需要可以微信扫描下方CSDN官方认证二维码 即可领取↓↓↓

CSDN大礼包:《python入门&进阶学习资源包》免费分享