python股票技术分析

1. python用什么方法或者库可以拿到全部股票代码

首先你需要知道哪个网站上有所有股票代码，然后分析这个网站股票代码的存放方式，再利用python写一个爬虫去爬取所有的股票代码

2. 学Python数据分析看谁的书比较好

一、Python编程

你想过可以通过一本书就学会Python吗？《Head First Python(中文版)》超越枯燥的语法和甩法手册，通过一种独特的方法教你学习这种语言。你会迅速掌握Python的基础知识，然后转向持久存储、异常处理、Web开发、SQLite、数据加工和lGoogle App Engine。你还将学习如何为Android编写移动应用，这都要归功于Python为你赋予的强大能力。本书会提供充分并且完备的学习体验，帮助你成为一名真正的Python程序员。 作者巴里觉得你的时间相当宝贵，不应当过多地花费在与新概念的纠缠之中。通过应用认知科学和学习理论的最新研究成果，《Head First Python(中文版)》可以让你投入一个需要多感官参与的学习体验，这本书采用丰富直观的形式使你的大脑真正开动起来，而不是长篇累牍地说教，让你昏昏欲睡。

3. 数据分析员用python做数据分析是怎么回事，需要用到python中的那些内容，具体是怎么操作的

最近，Analysis with Programming加入了Planet Python。我这里来分享一下如何通过Python来开始数据分析。具体内容如下：

数据导入

导入本地的或者web端的CSV文件；

数据变换；

数据统计描述；

假设检验

单样本t检验；

可视化；

创建自定义函数。

数据导入

• 1

  这是很关键的一步，为了后续的分析我们首先需要导入数据。通常来说，数据是CSV格式，就算不是，至少也可以转换成CSV格式。在Python中，我们的操作如下：

  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)

  为了读取本地CSV文件，我们需要pandas这个数据分析库中的相应模块。其中的read_csv函数能够读取本地和web数据。

数据变换

• 1

  既然在工作空间有了数据，接下来就是数据变换。统计学家和科学家们通常会在这一步移除分析中的非必要数据。我们先看看数据（下图）

  对R语言程序员来说，上述操作等价于通过print(head(df))来打印数据的前6行，以及通过print(tail(df))来打印数据的后6行。当然Python中，默认打印是5行，而R则是6行。因此R的代码head(df, n = 10)，在Python中就是df.head(n = 10)，打印数据尾部也是同样道理

  

• 9

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

创建自定义函数

• 在Python中，我们使用def函数来实现一个自定义函数。例如，如果我们要定义一个两数相加的函数，如下即可：

  def add_2int(x, y):

  return x + y

  print add_2int(2, 2)

  # OUTPUT

  4

• 顺便说一下，Python中的缩进是很重要的。通过缩进来定义函数作用域，就像在R语言中使用大括号{…}一样。这有一个我们之前博文的例子：

  产生10个正态分布样本，其中和

  基于95%的置信度，计算和;

  重复100次; 然后

  计算出置信区间包含真实均值的百分比

  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}

• 上述代码读起来很简单，但是循环的时候就很慢了。下面针对上述代码进行了改进，这多亏了Python专家

  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. 怎样用 Python 写一个股票自动交易的程序

你就是想找个软件或者券商的接口去上传交易指令，你前期的数据抓取和分析可能专python都写好了，属所以差这交易指令接口最后一步。对于股票的散户，正规的法子是华宝，国信，兴业这样愿意给接口的券商，但貌似开户费很高才给这权利，而且只有lts，ctp这样的c++接口，没python版就需要你自己封装。还有的办法是wind这样的软件也有直接的接口，支持部分券商，但也贵，几万一年是要的，第三种就是走野路子，鼠标键盘模拟法，很复杂的，就是模拟键盘鼠标去操作一些软件，比如券商版交易软件和大智慧之类的。还有一种更野的方法，就是找到这些软件的关于交易指令的底层代码并更改，我网络看到的，不知道是不是真的可行。。散户就这样，没资金就得靠技术，不过我觉得T+1的规则下，预测准确率的重要性高于交易的及时性，花功夫做数据分析就好，交易就人工完成吧

5. 选股策略回测用 Matlab 好还是用 Python 好

都是工来具，也都可以开发选源股策略的回测，推荐Python.理由：Python免费且开源Python编程语言简洁优美Python有众多的量化包，包括获取数据、处理数据、回测、风险分析。目前国外、国内很多平台和项目都是使用PythonPython开发策略，简洁高效，这里举几个例子：1.[量化学堂-策略开发]金叉死叉策略2.[量化学堂-策略开发]海龟策略3.[量化学堂-策略开发]浅谈小市值策略4.[量化学堂-策略开发]多头排列回踩买入策略5.[量化学堂-策略开发]借助talib使用技术分析指标来炒股6.[量化学堂-策略开发]大师系列之价值投资法7.[量化学堂-策略开发]事件驱动策略（基于业绩快报）8.[量化学堂-策略开发]基于协整的配对交易9.[量化学堂-策略开发]使用cvxopt包实现马科维茨投资组合优化:以一个股票策略为例这些策略涵盖了股票量化主要的策略类型，但是使用Python语言，每个策略代码都不多。

6. python数据分析师需要掌握什么技能

首先是基础篇
1、首先是Excel，貌似这个很简单，其实未必。Excel不仅能够做简单二维表、复杂嵌套表，能画折线图/Column chart/Bar chart/Area chart/饼图/雷达图/Combo char/散点图/Win Loss图等，而且能实现更高级的功能，包括透视表（类似于BI的多维分析模型Cube），以及Vlookup等复杂函数，处理100万条以内的数据没有大问题。最后，很多更高级的工具都有Excel插件，例如一些AI Machine Learning的开发工具。
2. SQL（数据库）

我们都知道数据分析师每天都会处理海量的数据，这些数据来源于数据库，那么怎么从数据库取数据？如何建立两表、三表之间的关系？怎么取到自己想要的特定的数据？等等这些数据选择问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能。
3. 统计学基础
数据分析的前提要对数据有感知，数据如何收集？数据整体分布是怎样的？如果有时间维度的话随着时间的变化是怎样的？数据的平均值是什么？数据的最大值最小值指什么？数据相关与回归、时间序列分析和预测等等。
4、掌握可视化工具，比如BI，如Cognos/Tableau/FineBI等，具体看企业用什么工具，像我之前用的是FineBI。这些工具做可视化非常方便，特别是分析报告能含这些图，一定会吸引高层领导的眼球，一目了然了解，洞察业务的本质。另外，作为专业的分析师，用多维分析模型Cube能够方便地自定义报表，效率大大提升。
进阶阶段需要掌握的：

1、系统的学好统计学
纯粹的机器学习讲究算法预测能力和实现，但是统计一直就强调“可解释性”。比如说，针对今天微博股票发行就上升20%，你把你的两个预测股票上涨还是下跌的model套在新浪的例子上，然后给你的上司看。统计学就是这样的作用。
数据挖掘相关的统计方法（多元Logistic回归分析、非线性回归分析、判别分析等）
定量方法（时间轴分析、概率模型、优化）
决策分析（多目的决策分析、决策树、影响图、敏感性分析）
树立竞争优势的分析（通过项目和成功案例学习基本的分析理念）
数据库入门（数据模型、数据库设计）
预测分析（时间轴分析、主成分分析、非参数回归、统计流程控制）
数据管理（ETL（Extract、Transform、Load）、数据治理、管理责任、元数据）
优化与启发（整数计划法、非线性计划法、局部探索法、超启发（模拟退火、遗传算法））
大数据分析（非结构化数据概念的学习、MapRece技术、大数据分析方法）
数据挖掘（聚类（k-means法、分割法）、关联性规则、因子分析、存活时间分析）
其他，以下任选两门（社交网络、文本分析、Web分析、财务分析、服务业中的分析、能源、健康医疗、供应链管理、综合营销沟通中的概率模型）
风险分析与运营分析的计算机模拟
软件层面的分析学（组织层面的分析课题、IT与业务用户、变革管理、数据课题、结果的展现与传达方法）
2、掌握AI Machine Learning算法，会用工具（比如Python/R）进行建模。
传统的BI分析能回答过去发生了什么？现在正在发生什么？但对于未来会发生什么？必须靠算法。虽然像Tableau、FineBI等自助式BI已经内置了一部分分析模型，但是分析师想要更全面更深度的探索，需要像Python/R的数据挖掘工具。另外大数据之间隐藏的关系，靠传统工具人工分析是不可能做到的，这时候交由算法去实现，无疑会有更多的惊喜。
其中，面向统计分析的开源编程语言及其运行环境“R”备受瞩目。R的强项不仅在于其包含了丰富的统计分析库，而且具备将结果进行可视化的高品质图表生成功能，并可以通过简单的命令来运行。此外，它还具备称为CRAN（The Comprehensive R Archive Network）的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。R语言虽然功能强大，但是学习曲线较为陡峭，个人建议从python入手，拥有丰富的statistical libraries，NumPy ，SciPy.org ，Python Data Analysis Library，matplotlib: python plotting。
以上我的回答希望对你有所帮助

7. 使用Python做数据分析的优点是什么

最近几年，大数据的发展程度越来越明显，很多企业由于使用了大数据分析使得企业朝着更好的方向发展，这就导致的数据分析行业的人才开始稀缺起来，对于数据分析这个工作中，是需要学会一些编程语言的，比如MATLAB，Python，Java等语言。对于初学者来说，Python是一个不错的语言，Python语言简单易懂，同时对于大数据分析有很明显的帮助。那么使用Python做数据分析的优点是什么呢？一般来说就是简单易学、语言通用、存在科学计算活跃区域等等。

首先说说Python的第一个优点，那就是简单易学。很多学过Java的朋友都知道，Python语法简单的多，代码十分容易被读写，最适合刚刚入门的朋友去学习。我们在处理数据的时候，一般都希望数据能够转化成可运算的数字形式，这样，不管是没学过编程的人还是学过编程的人都能够看懂这个数据。

Python在数据分析和交互、探索性计算以及数据可视化等方面都显得比较活跃，这就是Python作为数据分析的原因之一，python拥有numpy、matplotlib、scikit-learn、pandas、ipython等工具在科学计算方面十分有优势，尤其是pandas，在处理中型数据方面可以说有着无与伦比的优势，已经成为数据分析中流砥柱的分析工具。

Python也具有强大的编程能力，这种编程语言不同于R或者matlab，python有些非常强大的数据分析能力，并且还可以利用Python进行爬虫，写游戏，以及自动化运维，在这些领域中有着很广泛的应用，这些优点就使得一种技术去解决所有的业务服务问题，这就充分的体现的Python有利于各个业务之间的融合。如果使用Python，能够大大的提高数据分析的效率。

python是人工智能时代的通用语言

Python对于如今火热的人工智能也有一定的帮助，这是因为人工智能需要的是即时性，而Python是一种非常简洁的语言，同时有着丰富的数据库以及活跃的社区，这样就能够轻松的提取数据，从而为人工智能做出优质的服务。
通过上面的描述，想必大家已经知道了使用Python做数据分析的优点是什么了吧，Python语言得益于它的简单方便使得在大数据、数据分析以及人工智能方面都有十分明显的存在感，对于数据分析从业者以及想要进入数据分析从业者的人来说，简单易学容易上手的优势也是一个优势，所以，要做好数据分析，一定要学会Python语言。

8. 入门Python数据分析，请问看什么书籍

如果你已经决定学习Python数据分析，但是之前没有编程经验，那么，这6本书将会是你的正确选择。

《Python科学计算》

从发行版的安装开始，这本书将科学计算及可视化的常见函数库，如numpy、scipy、sympy、matplotlib、traits、tvtk、mayavi、opencv等等，都进行了较为详细地介绍。由于涉及面太广，可能对于单个函数库来说还不够深入，但是这本书能够让人快速上手，全面了解科学计算所用到的常用函数库。进而在此基础上选择自己需要的函数库进行深入学习，相对来说要容易得多。

《NumPyBeginner's Guide 2nd》/《Python数据分析基础教程：NumPy学习指南（第2版）》

面向新手的一本Numpy入门指南。整本书可谓是短小精干，条理清晰，将Numpy的基础内容讲得清清楚楚明明白白。此书的作者还写过一本《NumPyCookbook》/《NumPy攻略：Python科学计算与数据分析》，但这本书相比于前者，就显得结构有些杂乱，内容上也有些不上不下，如果要看的话，建议看完第一本再来看这本。在这里还想顺便吐槽一下这两本书的中文书名翻译。为了能够多卖几本，出版社也是蛮拼的，想方设法都要跟数据分析几个字挂上钩，就好像现在某些书总要扯上云和大数据一样。此外，还有一本《LearningSciPy for Numerical and Scientific Computing》的书，可以作为SciPy的入门教程来学习（似乎还没出中文版）。

《Pythonfor Data Analysis》/《利用Python进行数据分析》

这本书也是从numpy讲起，侧重于数据分析的各个流程，包括数据的存取、规整、可视化等等。此外，本书还涉及了pandas这个库，有兴趣的可以看看。

《MachineLearning in Action》/《机器学习实战》

Python机器学习的白盒入门教程，着重于讲解机器学习的各类常用算法，以及如何用Python来实现它们。这是一本教你如何造轮子的书，但是造出来的轮子似乎也不怎么好用就是了。不过，对于立志要造汽车的人们来说，了解一下轮子的结构和原理，还是十分必要的。此外，打算阅读此书之前，如果各位的高数线代概率论都忘得差不多了的话，还是先补一补比较好。

《BuildingMachine Learning Systems with Python》/《机器学习系统设计》

Python机器学习的黑盒入门教程。如果说上一本书是教你如何组装轮子的话，这本书就是直接告诉你怎么把轮子转起来以及如何才能转得更好。至于轮子为什么能转起来，请参阅上一本书。另外，可以配合《Learning scikit-learn:Machine Learning in Python》这本书来阅读（暂无中文版）。这本书是针对Python的机器学习库scikit-learn进行专门讲解的一本书，100页左右，可以作为官方文档的拓展读物。

《Pythonfor Finance》

教你用Python处理金融数据的一本书，应该是中国人写的，Packt出版，不过似乎现在还没有中文版。比起前面几本书，这本书专业性要强一些，侧重于金融数据分析。这本书我还没怎么看，也写不出什么更详细的介绍。之所以把它列出来，是因为在查资料的时候发现，O'Reilly年底似乎也准备出一本《Python for Finance》。看来Python真的是越来越火了。

9. python数据分析怎么使用，都需要学习什么技术

Python是一种面向对象、直译式计算机程序设计语言，由Guido van Rossum于年底发明。由于他简单、易学、免费开源、可移植性、可扩展性等特点，Python又被称之为胶水语言。下图为主要程序语言近年来的流行趋势，Python受欢迎程度扶摇直上。

Python数据分析，主要需要学习以下内容：

1、Python语法基础

2、Python数据分析扩展包：Numpy、Pandas、Matplotlib等

3、Python爬虫基础（非必须，但可以提升兴趣）

4、Python数据探索及预处理

5、Python机器学习

python的下载和安装环境：难点主要是在环境的安装上，很多小白往往一腔热血但是面对环境安装的时候就泄了气，因为我会用Anaconda为例进行环境的安装，同时我建议初学者不要下载具有IDE功能的集成开发环境，比如Eclipse插件等。

数据类型：python的数据类型比较简单，基本上就可以分为两大类——数值和字符串。

• 数值：数值是python最基础的数据类型，也是我们赋值给变量时最常用的形式，主要包括整型、布尔型等。

• 字符串：也就是文本数据，在python中一般用引号来定义，可以通过python进行拼接和重叠，实现文本数据的处理；

• 索引和切片：索引是有序列每个子元素在序列的位置，切片就是对序列的部分截取。

数据结构：python的数据结构可以分为四种，列表、元组、字典、集合。

• 列表：用中括号表示，可以容纳任何对象元素，包括字符串，而且每个元素都可以变化；

• 元组：其实就是一个固定的列表，初始化元素的值是绝对不能变化的；

• 字典：可以理解为现实的字典，通过查找拼音（键）就能找到这个读音的所有字（数值）；中

• 集合：数学上的概念，每个集合中的元素是无序的，不可重复的对象；

数据分析的目的是从数据里找规律，因此想要掌握python必须要学习一些基础的数理理论，这是成为一个数据分析师必备的能力。对于python来说，其涉及的数理统计学基础主要由算法、统计学、概率论等

sql是python的基础，如果你已经掌握了SQL，那么这一章你就可以直接跳过，那么你就要好好学习这部分的内容，因为sql是入门python的关键基础，同时它也是每个数据分析师必备的技能，主要目的是用sql来进行增删改查等操作，对数据进行筛选。

以上的回答希望对你有所帮助