• <center id="socqy"></center>
  • 股票時間序列分析下載 股市358周期理論

    配資助手 配資平臺 2021-12-08 09:42 4

    摘要:1、什么是時間序列分析時間序列分析(timeseriesanalysis)方法,強調的是通過對一個區域進行一定時間段內的連續觀察計算股票時間序列分析下載,...

    1、什么是時間序列分析

    時間序列分析( time series analysis)方法,強調的是通過對一個區域進行一定時間段內的連續觀察計算股票時間序列分析下載,提取相關特征股票時間序列分析下載,并分析其變化過程。

    時間序列分析主要有確定性變化分析和隨機性變化分析

    股票時間序列分析下載 股市358周期理論

    確定性變化分析:移動平均法, 移動方差和標準差、移動相關系數隨機性變化分析:AR、ARMA模型2、移動平均法2.1 移動窗口

    主要用在時間序列的數組變換, 不同作用的函數將它們統稱為移動窗口函數

    2.2 移動平均線

    那么會有各種觀察窗口的方法,其中最常用的就是移動平均法

    移動平均線(Moving Average)簡稱均線, 將某一段時間的收盤價之和除以該周期

    2.2.1移動平均線的分類移動平均線依計算周期分為短期(5天)、中期(20天)和長期(60天、120天),移動平均線沒有固定的界限移動平均線依據算法分為算數、加權法和指數移動平均線

    注:不同的移動平均線方法不一樣

    2.3 簡單移動平均線

    簡單移動平均線(SMA),又稱“算數移動平均線”,是指特定期間的收盤價進行平均化比如說,5日的均線SMA=(C1+ C2 + C3 + C4 + C5) / 5

    例子:

    股票時間序列分析下載 股市358周期理論

    案例:對股票數據進行移動平均計算

    1、拿到股票數據,畫出K線圖# 拿到股票K線數據stock_day = pd.read_csv("./data/stock_day/stock_day.csv")stock_day = stock_day.sort_index()stock_day["index"] = [i for i in range(stock_day.shape[0])]arr = stock_day[['index', 'open', 'close', 'high', 'low']]values = arr.values[:200]# 畫出K線圖fig, axes = plt.subplots(nrows=1, ncols=1, figsize=(20, 8), dpi=80)candlestick_ochl(axes, values, width=0.2, colorup='r', colordown='g')2、計算移動平均線pandas.rolling_mean(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs) Moving mean. Parameters:arg : Series, DataFramewindow : 計算周期

    # 直接對每天的收盤價進行求平均值, 簡單移動平局線(SMA) # 分別加上短期、中期、長期局均線 pd.rolling_mean(stock_day["close"][:200], window=5).plot() pd.rolling_mean(stock_day["close"][:200], window=10).plot() pd.rolling_mean(stock_day["close"][:200], window=20).plot() pd.rolling_mean(stock_day["close"][:200], window=30).plot() pd.rolling_mean(stock_day["close"][:200], window=60).plot() pd.rolling_mean(stock_day["close"][:200], window=120).plot()

    2.3 加權移動平均線 (WMA)

    加權移動平均線 (WMA)將過去某特定時間內的價格取其平均值,它的比重以平均線的長度設定,愈近期的收市價,對市況影響愈重要。

    正因加權移動平均線強調將愈近期的價格比重提升,故此當市況倒退時,加權移動平均線比起其它平均線更容易預測價格波動。但是我們還是不會輕易使用加權,應為他的比重過大?。。?!

    2.4 指數平滑移動平均線(EWMA)

    是因應移動平均線被視為落后指標的缺失而發展出來的,為解決一旦價格已脫離均線差值擴大,而平均線未能立即反應,EWMA可以減少類似缺點。

    總結:

    pd.ewma(com=None, span=one)指數平均線span:時間間隔# 畫出指數平滑移動平均線pd.ewma(stock_day['close'][:200], span=10).plot()pd.ewma(stock_day['close'][:200], span=30).plot()pd.ewma(stock_day['close'][:200], span=60).plot()3、移動方差和標準差 和 移動相關系數方差和標準差:反應某一時期的序列的穩定性

    # 求出指定窗口大小的收盤價標準差和方差pd.rolling_var(stock_day['close'][:200], window=10).plot()pd.rolling_std(stock_day['close'][:200], window=10).plot()移動相關系數:有些統計運算(如相關系數)需要在兩個時間序列上執行.

    # 顯示兩個序列之間的關系(相關系數)pd.rolling_corr(stock_day["close"][:200], stock_day["volume"][:200], window=10).plot()

    但是這種查看兩個序列關系不太好,或者查看多個交易指標的關系顯示?接下來我們來看看各指標之間的關系

    4、各項指標數據兩兩關聯散點圖pd.scatter_matrix(frame, figsize=None)frame:DataFrame

    frame = data[['open','volume', 'ma20', 'p_change', 'turnover']]pd.scatter_matrix(frame, figsize=(20, 8))

    從中我們可以簡單看到成交量(volume)和換手率(turnover)有非常明顯的線性關系,因為換手率的定義就是:成交量除以發行總股數。

    通過一些圖或者相關性分析可以找到強相關的一些指標,在機器學習、量化中會詳細介紹 相關系數:后面會介紹,目前我們只需知道他是反應兩個序列之間的關系即可

    5、案例:移動平均線數據本地保存ma_list = [5, 20 ,60]for ma in ma_list: data['MA' + str(ma)] = pd.rolling_mean(data.close, ma)for ma in ma_list: data['EMA' + str(ma)] = pd.ewma(data.close, span=ma)data.to_csv("EWMA.csv")6、 移動平均線的作用

    移動平均線經常會作為技術分析的基礎理論,從中衍生出各種技術指標策略。后面將會介紹簡單的基于均線的策略。

    相關推薦
    關閉

    用微信“掃一掃”

    亚洲欧美熟妇另类久久久久久
  • <center id="socqy"></center>