Python – 对股票数据执行操作

本文演示了可以使用Python分析和构建股票数据的算法交易策略的基本操作。我们运行了一些可以使用Python对股票数据执行的简单操作，我们首先从 CSV 文件中读取股票数据。 Python已成为增长最快的编程语言，这源于多种因素，例如易于学习、可读性、简洁性、大量开发人员、跨领域的应用程序等Python在交易中也得到了广泛采用，这导致了基于 Python 的分析工具、 Python API 和使用Python的交易策略的发展。
这篇文章旨在说明学习和应用Python来制定和分析交易策略是多么容易。如果您不熟悉此博客的编程，您可能只是在帮助克服您的编程焦虑。 Python带有内置的 DateTime 模块来处理日期和时间。正如您可能猜到的那样，它具有不同的功能来控制日期和时间。我们可以使用此模块轻松解析任何日期时间字符串，并将其转换为 DateTime 对象。让我们运行一些简单的操作，这些操作可以在股票信息上使用Python完成。我们首先从股票的 CSV 文件中读取数据。 CSV 文件包含股票编号 Open-High-Low-Close (OHLC) 和 Volume。

代码：

import pandas as pd
  
# Load data from csv file
data = pd.read_csv('YourFileName.csv', index_col ="Date", parse_dates = True)
  
data.head()

解析允许我们通过仅提及日期或月份来访问数据

解析日期后的数据框

使用type() 函数确定对象是否是 pandas 的 DateTime 索引。

代码：

type(data.index)

Dataframe 是一个 DateTime 索引

如果您想知道给定数据集中的交易日数（行数），可以使用count()方法完成。

代码：

# Number of rows in the data set. You can use any column for that purpose.
# I have used 'Close'
data['Close'].count()

数据框中的行数。

在特定时期内达到的最高收盘价是多少？这可以通过使用max()方法来实现。

代码：

maximum_price = data['Close'].max()
print(maximum_price)

最高价格

是否也可以知道达到最高价格的日期？我们应用如下所示的索引属性来查找相应的日期。

代码：

data.Close[data.Close == maximum_price].index

股票的最高价格于 2020 年 4 月 30 日突破

让我们计算每天收盘价的百分比变化。我们正在向现有数据集添加一个新的“Daily_Change”列。我们使用pct_change()方法来计算每日收益。

代码：

# Compute the percentage change
data['Daily_Change'] = data['Close'].pct_change()*100
data.head()

股票的每日回报

最后，让我们添加一些指标。我们测量 15 天的简单移动平均线和 10 天的平均交易量。我们将在我们的数据框架中添加更多指标，然后评估股票的趋势，看它是看涨还是看跌。

代码：

# Computing mean for 15 days, also known as SMA (Short term moving average)
days = 15
data['SMA'] = data['Close'].rolling(window = days).mean()
  
# Computing average volume for period of 10 days
data['Avg_vol'] =(data['Volume']).rolling(window = 10).mean()
data.tail(10)

我们在这篇简短的文章中介绍了一些简单的方法来评估数据集并加深对股票数据的理解。您是否可以考虑使用特定的基本操作和简单的指标来构建交易策略？简单的交易策略可以是有效的，许多活跃的交易者可以保证这一点。

在评论中写代码？请使用 ide.geeksforgeeks.org，生成链接并在此处分享链接。