python股票技術分析

1. python用什麼方法或者庫可以拿到全部股票代碼

首先你需要知道哪個網站上有所有股票代碼，然後分析這個網站股票代碼的存放方式，再利用python寫一個爬蟲去爬取所有的股票代碼

2. 學Python數據分析看誰的書比較好

一、Python編程

你想過可以通過一本書就學會Python嗎？《Head First Python(中文版)》超越枯燥的語法和甩法手冊，通過一種獨特的方法教你學習這種語言。你會迅速掌握Python的基礎知識，然後轉向持久存儲、異常處理、Web開發、SQLite、數據加工和lGoogle App Engine。你還將學習如何為Android編寫移動應用，這都要歸功於Python為你賦予的強大能力。本書會提供充分並且完備的學習體驗，幫助你成為一名真正的Python程序員。 作者巴里覺得你的時間相當寶貴，不應當過多地花費在與新概念的糾纏之中。通過應用認知科學和學習理論的最新研究成果，《Head First Python(中文版)》可以讓你投入一個需要多感官參與的學習體驗，這本書採用豐富直觀的形式使你的大腦真正開動起來，而不是長篇累牘地說教，讓你昏昏欲睡。

3. 數據分析員用python做數據分析是怎麼回事，需要用到python中的那些內容，具體是怎麼操作的

最近，Analysis with Programming加入了Planet Python。我這里來分享一下如何通過Python來開始數據分析。具體內容如下：

數據導入

導入本地的或者web端的CSV文件；

數據變換；

數據統計描述；

假設檢驗

單樣本t檢驗；

可視化；

創建自定義函數。

數據導入

• 1

  這是很關鍵的一步，為了後續的分析我們首先需要導入數據。通常來說，數據是CSV格式，就算不是，至少也可以轉換成CSV格式。在Python中，我們的操作如下：

  import pandas as pd

  # Reading data locally

  df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')

  # Reading data from web

  data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"

  df = pd.read_csv(data_url)

  為了讀取本地CSV文件，我們需要pandas這個數據分析庫中的相應模塊。其中的read_csv函數能夠讀取本地和web數據。

數據變換

• 1

  既然在工作空間有了數據，接下來就是數據變換。統計學家和科學家們通常會在這一步移除分析中的非必要數據。我們先看看數據（下圖）

  對R語言程序員來說，上述操作等價於通過print(head(df))來列印數據的前6行，以及通過print(tail(df))來列印數據的後6行。當然Python中，默認列印是5行，而R則是6行。因此R的代碼head(df, n = 10)，在Python中就是df.head(n = 10)，列印數據尾部也是同樣道理

  

• 9

  plt.show(sns.lmplot("Benguet", "Ifugao", df))

創建自定義函數

• 在Python中，我們使用def函數來實現一個自定義函數。例如，如果我們要定義一個兩數相加的函數，如下即可：

  def add_2int(x, y):

  return x + y

  print add_2int(2, 2)

  # OUTPUT

  4

• 順便說一下，Python中的縮進是很重要的。通過縮進來定義函數作用域，就像在R語言中使用大括弧{…}一樣。這有一個我們之前博文的例子：

  產生10個正態分布樣本，其中和

  基於95%的置信度，計算和;

  重復100次; 然後

  計算出置信區間包含真實均值的百分比

  Python中，程序如下：

  import numpy as np

  import scipy.stats as ss

  def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

  m = np.zeros((rep, 4))

  for i in range(rep):

  norm = np.random.normal(loc = mu, scale = sigma, size = n)

  xbar = np.mean(norm)

  low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

  up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

  if (mu > low) & (mu < up):

  rem = 1

  else:

  rem = 0

  m[i, :] = [xbar, low, up, rem]

  inside = np.sum(m[:, 3])

  per = inside / rep

  desc = "There are " + str(inside) + " confidence intervals that contain "

  "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

  return {"Matrix": m, "Decision": desc}

• 上述代碼讀起來很簡單，但是循環的時候就很慢了。下面針對上述代碼進行了改進，這多虧了Python專家

  import numpy as np

  import scipy.stats as ss

  def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

  scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

  norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))

  xbar = norm.mean(1)

  low = xbar - scaled_crit

  up = xbar + scaled_crit

  rem = (mu > low) & (mu < up)

  m = np.c_[xbar, low, up, rem]

  inside = np.sum(m[:, 3])

  per = inside / rep

  desc = "There are " + str(inside) + " confidence intervals that contain "

  "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

  return {"Matrix": m, "Decision": desc}

4. 怎樣用 Python 寫一個股票自動交易的程序

你就是想找個軟體或者券商的介面去上傳交易指令，你前期的數據抓取和分析可能專python都寫好了，屬所以差這交易指令介面最後一步。對於股票的散戶，正規的法子是華寶，國信，興業這樣願意給介面的券商，但貌似開戶費很高才給這權利，而且只有lts，ctp這樣的c++介面，沒python版就需要你自己封裝。還有的辦法是wind這樣的軟體也有直接的介面，支持部分券商，但也貴，幾萬一年是要的，第三種就是走野路子，滑鼠鍵盤模擬法，很復雜的，就是模擬鍵盤滑鼠去操作一些軟體，比如券商版交易軟體和大智慧之類的。還有一種更野的方法，就是找到這些軟體的關於交易指令的底層代碼並更改，我網路看到的，不知道是不是真的可行。。散戶就這樣，沒資金就得靠技術，不過我覺得T+1的規則下，預測准確率的重要性高於交易的及時性，花功夫做數據分析就好，交易就人工完成吧

5. 選股策略回測用 Matlab 好還是用 Python 好

都是工來具，也都可以開發選源股策略的回測，推薦Python.理由：Python免費且開源Python編程語言簡潔優美Python有眾多的量化包，包括獲取數據、處理數據、回測、風險分析。目前國外、國內很多平台和項目都是使用PythonPython開發策略，簡潔高效，這里舉幾個例子：1.[量化學堂-策略開發]金叉死叉策略2.[量化學堂-策略開發]海龜策略3.[量化學堂-策略開發]淺談小市值策略4.[量化學堂-策略開發]多頭排列回踩買入策略5.[量化學堂-策略開發]藉助talib使用技術分析指標來炒股6.[量化學堂-策略開發]大師系列之價值投資法7.[量化學堂-策略開發]事件驅動策略（基於業績快報）8.[量化學堂-策略開發]基於協整的配對交易9.[量化學堂-策略開發]使用cvxopt包實現馬科維茨投資組合優化:以一個股票策略為例這些策略涵蓋了股票量化主要的策略類型，但是使用Python語言，每個策略代碼都不多。

6. python數據分析師需要掌握什麼技能

首先是基礎篇
1、首先是Excel，貌似這個很簡單，其實未必。Excel不僅能夠做簡單二維表、復雜嵌套表，能畫折線圖/Column chart/Bar chart/Area chart/餅圖/雷達圖/Combo char/散點圖/Win Loss圖等，而且能實現更高級的功能，包括透視表（類似於BI的多維分析模型Cube），以及Vlookup等復雜函數，處理100萬條以內的數據沒有大問題。最後，很多更高級的工具都有Excel插件，例如一些AI Machine Learning的開發工具。
2. SQL（資料庫）

我們都知道數據分析師每天都會處理海量的數據，這些數據來源於資料庫，那麼怎麼從資料庫取數據？如何建立兩表、三表之間的關系？怎麼取到自己想要的特定的數據？等等這些數據選擇問題就是你首要考慮的問題，而這些問題都是通過SQL解決的，所以SQL是數據分析的最基礎的技能。
3. 統計學基礎
數據分析的前提要對數據有感知，數據如何收集？數據整體分布是怎樣的？如果有時間維度的話隨著時間的變化是怎樣的？數據的平均值是什麼？數據的最大值最小值指什麼？數據相關與回歸、時間序列分析和預測等等。
4、掌握可視化工具，比如BI，如Cognos/Tableau/FineBI等，具體看企業用什麼工具，像我之前用的是FineBI。這些工具做可視化非常方便，特別是分析報告能含這些圖，一定會吸引高層領導的眼球，一目瞭然了解，洞察業務的本質。另外，作為專業的分析師，用多維分析模型Cube能夠方便地自定義報表，效率大大提升。
進階階段需要掌握的：

1、系統的學好統計學
純粹的機器學習講究演算法預測能力和實現，但是統計一直就強調「可解釋性」。比如說，針對今天微博股票發行就上升20%，你把你的兩個預測股票上漲還是下跌的model套在新浪的例子上，然後給你的上司看。統計學就是這樣的作用。
數據挖掘相關的統計方法（多元Logistic回歸分析、非線性回歸分析、判別分析等）
定量方法（時間軸分析、概率模型、優化）
決策分析（多目的決策分析、決策樹、影響圖、敏感性分析）
樹立競爭優勢的分析（通過項目和成功案例學習基本的分析理念）
資料庫入門（數據模型、資料庫設計）
預測分析（時間軸分析、主成分分析、非參數回歸、統計流程式控制制）
數據管理（ETL（Extract、Transform、Load）、數據治理、管理責任、元數據）
優化與啟發（整數計劃法、非線性計劃法、局部探索法、超啟發（模擬退火、遺傳演算法））
大數據分析（非結構化數據概念的學習、MapRece技術、大數據分析方法）
數據挖掘（聚類（k-means法、分割法）、關聯性規則、因子分析、存活時間分析）
其他，以下任選兩門（社交網路、文本分析、Web分析、財務分析、服務業中的分析、能源、健康醫療、供應鏈管理、綜合營銷溝通中的概率模型）
風險分析與運營分析的計算機模擬
軟體層面的分析學（組織層面的分析課題、IT與業務用戶、變革管理、數據課題、結果的展現與傳達方法）
2、掌握AI Machine Learning演算法，會用工具（比如Python/R）進行建模。
傳統的BI分析能回答過去發生了什麼？現在正在發生什麼？但對於未來會發生什麼？必須靠演算法。雖然像Tableau、FineBI等自助式BI已經內置了一部分分析模型，但是分析師想要更全面更深度的探索，需要像Python/R的數據挖掘工具。另外大數據之間隱藏的關系，靠傳統工具人工分析是不可能做到的，這時候交由演算法去實現，無疑會有更多的驚喜。
其中，面向統計分析的開源編程語言及其運行環境「R」備受矚目。R的強項不僅在於其包含了豐富的統計分析庫，而且具備將結果進行可視化的高品質圖表生成功能，並可以通過簡單的命令來運行。此外，它還具備稱為CRAN（The Comprehensive R Archive Network）的包擴展機制，通過導入擴展包就可以使用標准狀態下所不支持的函數和數據集。R語言雖然功能強大，但是學習曲線較為陡峭，個人建議從python入手，擁有豐富的statistical libraries，NumPy ，SciPy.org ，Python Data Analysis Library，matplotlib: python plotting。
以上我的回答希望對你有所幫助

7. 使用Python做數據分析的優點是什麼

最近幾年，大數據的發展程度越來越明顯，很多企業由於使用了大數據分析使得企業朝著更好的方向發展，這就導致的數據分析行業的人才開始稀缺起來，對於數據分析這個工作中，是需要學會一些編程語言的，比如MATLAB，Python，Java等語言。對於初學者來說，Python是一個不錯的語言，Python語言簡單易懂，同時對於大數據分析有很明顯的幫助。那麼使用Python做數據分析的優點是什麼呢？一般來說就是簡單易學、語言通用、存在科學計算活躍區域等等。

首先說說Python的第一個優點，那就是簡單易學。很多學過Java的朋友都知道，Python語法簡單的多，代碼十分容易被讀寫，最適合剛剛入門的朋友去學習。我們在處理數據的時候，一般都希望數據能夠轉化成可運算的數字形式，這樣，不管是沒學過編程的人還是學過編程的人都能夠看懂這個數據。

Python在數據分析和交互、探索性計算以及數據可視化等方面都顯得比較活躍，這就是Python作為數據分析的原因之一，python擁有numpy、matplotlib、scikit-learn、pandas、ipython等工具在科學計算方面十分有優勢，尤其是pandas，在處理中型數據方面可以說有著無與倫比的優勢，已經成為數據分析中流砥柱的分析工具。

Python也具有強大的編程能力，這種編程語言不同於R或者matlab，python有些非常強大的數據分析能力，並且還可以利用Python進行爬蟲，寫游戲，以及自動化運維，在這些領域中有著很廣泛的應用，這些優點就使得一種技術去解決所有的業務服務問題，這就充分的體現的Python有利於各個業務之間的融合。如果使用Python，能夠大大的提高數據分析的效率。

python是人工智慧時代的通用語言

Python對於如今火熱的人工智慧也有一定的幫助，這是因為人工智慧需要的是即時性，而Python是一種非常簡潔的語言，同時有著豐富的資料庫以及活躍的社區，這樣就能夠輕松的提取數據，從而為人工智慧做出優質的服務。
通過上面的描述，想必大家已經知道了使用Python做數據分析的優點是什麼了吧，Python語言得益於它的簡單方便使得在大數據、數據分析以及人工智慧方面都有十分明顯的存在感，對於數據分析從業者以及想要進入數據分析從業者的人來說，簡單易學容易上手的優勢也是一個優勢，所以，要做好數據分析，一定要學會Python語言。

8. 入門Python數據分析，請問看什麼書籍

如果你已經決定學習Python數據分析，但是之前沒有編程經驗，那麼，這6本書將會是你的正確選擇。

《Python科學計算》

從發行版的安裝開始，這本書將科學計算及可視化的常見函數庫，如numpy、scipy、sympy、matplotlib、traits、tvtk、mayavi、opencv等等，都進行了較為詳細地介紹。由於涉及面太廣，可能對於單個函數庫來說還不夠深入，但是這本書能夠讓人快速上手，全面了解科學計算所用到的常用函數庫。進而在此基礎上選擇自己需要的函數庫進行深入學習，相對來說要容易得多。

《NumPyBeginner's Guide 2nd》/《Python數據分析基礎教程：NumPy學習指南（第2版）》

面向新手的一本Numpy入門指南。整本書可謂是短小精幹，條理清晰，將Numpy的基礎內容講得清清楚楚明明白白。此書的作者還寫過一本《NumPyCookbook》/《NumPy攻略：Python科學計算與數據分析》，但這本書相比於前者，就顯得結構有些雜亂，內容上也有些不上不下，如果要看的話，建議看完第一本再來看這本。在這里還想順便吐槽一下這兩本書的中文書名翻譯。為了能夠多賣幾本，出版社也是蠻拼的，想方設法都要跟數據分析幾個字掛上鉤，就好像現在某些書總要扯上雲和大數據一樣。此外，還有一本《LearningSciPy for Numerical and Scientific Computing》的書，可以作為SciPy的入門教程來學習（似乎還沒出中文版）。

《Pythonfor Data Analysis》/《利用Python進行數據分析》

這本書也是從numpy講起，側重於數據分析的各個流程，包括數據的存取、規整、可視化等等。此外，本書還涉及了pandas這個庫，有興趣的可以看看。

《MachineLearning in Action》/《機器學習實戰》

Python機器學習的白盒入門教程，著重於講解機器學習的各類常用演算法，以及如何用Python來實現它們。這是一本教你如何造輪子的書，但是造出來的輪子似乎也不怎麼好用就是了。不過，對於立志要造汽車的人們來說，了解一下輪子的結構和原理，還是十分必要的。此外，打算閱讀此書之前，如果各位的高數線代概率論都忘得差不多了的話，還是先補一補比較好。

《BuildingMachine Learning Systems with Python》/《機器學習系統設計》

Python機器學習的黑盒入門教程。如果說上一本書是教你如何組裝輪子的話，這本書就是直接告訴你怎麼把輪子轉起來以及如何才能轉得更好。至於輪子為什麼能轉起來，請參閱上一本書。另外，可以配合《Learning scikit-learn:Machine Learning in Python》這本書來閱讀（暫無中文版）。這本書是針對Python的機器學習庫scikit-learn進行專門講解的一本書，100頁左右，可以作為官方文檔的拓展讀物。

《Pythonfor Finance》

教你用Python處理金融數據的一本書，應該是中國人寫的，Packt出版，不過似乎現在還沒有中文版。比起前面幾本書，這本書專業性要強一些，側重於金融數據分析。這本書我還沒怎麼看，也寫不出什麼更詳細的介紹。之所以把它列出來，是因為在查資料的時候發現，O'Reilly年底似乎也准備出一本《Python for Finance》。看來Python真的是越來越火了。

9. python數據分析怎麼使用，都需要學習什麼技術

Python是一種面向對象、直譯式計算機程序設計語言，由Guido van Rossum於年底發明。由於他簡單、易學、免費開源、可移植性、可擴展性等特點，Python又被稱之為膠水語言。下圖為主要程序語言近年來的流行趨勢，Python受歡迎程度扶搖直上。

Python數據分析，主要需要學習以下內容：

1、Python語法基礎

2、Python數據分析擴展包：Numpy、Pandas、Matplotlib等

3、Python爬蟲基礎（非必須，但可以提升興趣）

4、Python數據探索及預處理

5、Python機器學習

python的下載和安裝環境：難點主要是在環境的安裝上，很多小白往往一腔熱血但是面對環境安裝的時候就泄了氣，因為我會用Anaconda為例進行環境的安裝，同時我建議初學者不要下載具有IDE功能的集成開發環境，比如Eclipse插件等。

數據類型：python的數據類型比較簡單，基本上就可以分為兩大類——數值和字元串。

• 數值：數值是python最基礎的數據類型，也是我們賦值給變數時最常用的形式，主要包括整型、布爾型等。

• 字元串：也就是文本數據，在python中一般用引號來定義，可以通過python進行拼接和重疊，實現文本數據的處理；

• 索引和切片：索引是有序列每個子元素在序列的位置，切片就是對序列的部分截取。

數據結構：python的數據結構可以分為四種，列表、元組、字典、集合。

• 列表：用中括弧表示，可以容納任何對象元素，包括字元串，而且每個元素都可以變化；

• 元組：其實就是一個固定的列表，初始化元素的值是絕對不能變化的；

• 字典：可以理解為現實的字典，通過查找拼音（鍵）就能找到這個讀音的所有字（數值）；中

• 集合：數學上的概念，每個集合中的元素是無序的，不可重復的對象；

數據分析的目的是從數據里找規律，因此想要掌握python必須要學習一些基礎的數理理論，這是成為一個數據分析師必備的能力。對於python來說，其涉及的數理統計學基礎主要由演算法、統計學、概率論等

sql是python的基礎，如果你已經掌握了SQL，那麼這一章你就可以直接跳過，那麼你就要好好學習這部分的內容，因為sql是入門python的關鍵基礎，同時它也是每個數據分析師必備的技能，主要目的是用sql來進行增刪改查等操作，對數據進行篩選。

以上的回答希望對你有所幫助