怎样用 Python 写一个股票自动交易的程序？
2024-05-16 01:51
1. 怎样用 Python 写一个股票自动交易的程序？
2. 怎样用 Python 写一个股票自动交易的程序
股票自动交易助手提供了一个 Python 自动下单接口，参考代码
#股票自动交易助手 Python 自动下单使用 例子#把此脚本和 StockOrderApi.py Order.dll 放到你自己编写的脚本同一目录from StockOrderApi import *#买入测试#Buy(u"600000" , 100, 0, 1, 0)#卖出测试,是持仓股才会有动作#Sell(u"000100" , 100, 0, 1, 0)#账户信息print("股票自动交易接口测试")print("账户信息")print("--------------------------------")arrAccountInfo = ["总资产", "可用资金", "持仓总市值", "总盈利金额", "持仓数量"];for i in range(0, len(arrAccountInfo)): value = GetAccountInfo( u"" , i, 0) print ("%s %f "%(arrAccountInfo[i], value))print("--------------------------------")print(" ")print("股票持仓")print("--------------------------------")#取出所有的持仓股票代码,结果以 ','隔开的allStockCode = GetAllPositionCode(0)allStockCodeArray = allStockCode.split(',')for i in range(0, len(allStockCodeArray)): vol = GetPosInfo( allStockCodeArray[i] , 0 , 0) changeP = GetPosInfo( allStockCodeArray[i] , 4 , 0) print ("%s %d %.2f%%"%(allStockCodeArray[i], vol, changeP))print("--------------------------------")
3. 怎样用 Python 写一个股票自动买卖的程序
方法一 前期的数据抓取和分析可能python都写好了，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。 方法二 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。 方法三 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。 方法四 就是找到这些软件的关于交易指令的底层代码并更改，不过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
4. 怎样用python处理股票
用Python处理股票需要获取股票数据，以国内股票数据为例，可以安装Python的第三方库：tushare；一个国内股票数据获取包。可以在百度中搜索“Python tushare”来查询相关资料，或者在tushare的官网上查询说明文档。
5. 如何用Python和机器学习炒股赚钱
相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。
我终于跑赢了标准普尔 500 指数 10 个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。更激进的做法还能得到更高的回报。
这一切都始于我阅读了 Gur Huberman 的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。该研究描述了一件发生在 1998 年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：
「星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed 的股价从周五收盘时的 12.063 飙升至 85，在周一收盘时接近 52。在接下来的三周，它的收盘价都在 30 以上。这股投资热情也让其它生物科技股得到了溢价。但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature 期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。」
在研究者给出的许多有见地的观察中，其中有一个总结很突出：
「（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。」
我就想，能不能基于通常所用的指标之外的其它指标来划分股票。我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的「已知和隐藏关系」的强度。
我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。
选择出的涉及细胞可塑性、生长和分化的信号通路的基因的表达模式
和基因一样，股票也会受到一个巨型网络的影响，其中各个因素之间都有或强或弱的隐藏关系。其中一些影响和关系是可以预测的。
我的一个目标是创建长的和短的股票聚类，我称之为「篮子聚类（basket clusters）」，我可以将其用于对冲或单纯地从中获利。这需要使用一个无监督机器学习方法来创建股票的聚类，从而使这些聚类之间有或强或弱的关系。这些聚类将会翻倍作为我的公司可以交易的股票的「篮子（basket）」。
首先我下载了一个数据集：Public Company Hidden Relationship Discovery，这个数据集基于元素周期表中的元素和上市公司之间的关系。
然后我使用了 Python 和一些常用的机器学习工具——scikit-learn、numpy、pandas、matplotlib 和 seaborn，我开始了解我正在处理的数据集的分布形状。为此我参考了一个题为《Principal Component Analysis with KMeans visuals》的 Kaggle Kernel：Principal Component Analysis with KMeans visuals
import numpy as npimport pandas as pdfrom sklearn.decomposition import PCAfrom sklearn.cluster import KMeansimport matplotlib.pyplot as pltimport seaborn as sbnp.seterr(divide='ignore', invalid='ignore')# Quick way to test just a few column features# stocks = pd.read_csv('supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv', usecols=range(1,16))stocks = pd.read_csv('supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv')print(stocks.head())str_list = []for colname, colvalue in stocks.iteritems(): if type(colvalue[1]) == str:str_list.append(colname)# Get to the numeric columns by inversionnum_list = stocks.columns.difference(str_list)stocks_num = stocks[num_list]print(stocks_num.head())
输出：简单看看前面 5 行：
zack@twosigma-Dell-Precision-M3800:/home/zack/hedge_pool/baskets/hcluster$ ./hidden_relationships.pySymbol_update-2017-04-01 Hydrogen Helium Lithium Beryllium Boron \0 A 0.0 0.00000 0.0 0.0 0.0 1 AA 0.0 0.00000 0.0 0.0 0.0 2 AAAP 0.0 0.00461 0.0 0.0 0.0 3 AAC 0.0 0.00081 0.0 0.0 0.0 4 AACAY 0.0 0.00000 0.0 0.0 0.0 Carbon Nitrogen Oxygen Fluorine ... Fermium Mendelevium \0 0.006632 0.0 0.007576 0.0 ... 0.000000 0.079188 1 0.000000 0.0 0.000000 0.0 ... 0.000000 0.000000 2 0.000000 0.0 0.000000 0.0 ... 0.135962 0.098090 3 0.000000 0.0 0.018409 0.0 ... 0.000000 0.000000 4 0.000000 0.0 0.000000 0.0 ... 0.000000 0.000000 Nobelium Lawrencium Rutherfordium Dubnium Seaborgium Bohrium Hassium \0 0.197030 0.1990 0.1990 0.0 0.0 0.0 0.0 1 0.000000 0.0000 0.0000 0.0 0.0 0.0 0.0 2 0.244059 0.2465 0.2465 0.0 0.0 0.0 0.0 3 0.000000 0.0000 0.0000 0.0 0.0 0.0 0.0 4 0.000000 0.0000 0.0000 0.0 0.0 0.0 0.0 Meitnerium 0 0.0 1 0.0 2 0.0 3 0.0 4 0.0 [5 rows x 110 columns]Actinium Aluminum Americium Antimony Argon Arsenic Astatine \0 0.000000 0.0 0.0 0.002379 0.047402 0.018913 0.0 1 0.000000 0.0 0.0 0.000000 0.000000 0.000000 0.0 2 0.004242 0.0 0.0 0.001299 0.000000 0.000000 0.0 3 0.000986 0.0 0.0 0.003378 0.000000 0.000000 0.0 4 0.000000 0.0 0.0 0.000000 0.000000 0.000000 0.0 Barium Berkelium Beryllium ... Tin Titanium Tungsten Uranium \0 0.0 0.000000 0.0 ... 0.0 0.002676 0.0 0.000000 1 0.0 0.000000 0.0 ... 0.0 0.000000 0.0 0.000000 2 0.0 0.141018 0.0 ... 0.0 0.000000 0.0 0.004226 3 0.0 0.000000 0.0 ... 0.0 0.000000 0.0 0.004086 4 0.0 0.000000 0.0 ... 0.0 0.000000 0.0 0.000000 Vanadium Xenon Ytterbium Yttrium Zinc Zirconium 0 0.000000 0.0 0.0 0.000000 0.000000 0.0 1 0.000000 0.0 0.0 0.000000 0.000000 0.0 2 0.002448 0.0 0.0 0.018806 0.008758 0.0 3 0.001019 0.0 0.0 0.000000 0.007933 0.0 4 0.000000 0.0 0.0 0.000000 0.000000 0.0 [5 rows x 109 columns]zack@twosigma-Dell-Precision-M3800:/home/zack/hedge_pool/baskets/hcluster$
概念特征的皮尔逊相关性（Pearson Correlation）。在这里案例中，是指来自元素周期表的矿物和元素：
stocks_num = stocks_num.fillna(value=0, axis=1)X = stocks_num.valuesfrom sklearn.preprocessing import StandardScalerX_std = StandardScaler().fit_transform(X)f, ax = plt.subplots(figsize=(12, 10))plt.title('Pearson Correlation of Concept Features (Elements & Minerals)')# Draw the heatmap using seabornsb.heatmap(stocks_num.astype(float).corr(),linewidths=0.25,vmax=1.0, square=True, cmap="YlGnBu", linecolor='black', annot=True)sb.plt.show()
输出：（这个可视化例子是在前 16 个样本上运行得到的）。看到元素周期表中的元素和上市公司关联起来真的很有意思。在某种程度时，我想使用这些数据基于公司与相关元素或材料的相关性来预测其可能做出的突破。
测量「已解释方差（Explained Variance）」和主成分分析（PCA）
已解释方差=总方差-残差方差（explained variance = total variance - residual variance)。应该值得关注的 PCA 投射组件的数量可以通过已解释方差度量（Explained Variance Measure）来引导。Sebastian Raschka 的关于 PCA 的文章对此进行了很好的描述，参阅：Principal Component Analysis
# Calculating Eigenvectors and eigenvalues of Cov matirxmean_vec = np.mean(X_std, axis=0)cov_mat = np.cov(X_std.T)eig_vals, eig_vecs = np.linalg.eig(cov_mat)# Create a list of (eigenvalue, eigenvector) tupleseig_pairs = [ (np.abs(eig_vals[i]),eig_vecs[:,i]) for i in range(len(eig_vals))]# Sort from high to loweig_pairs.sort(key = lambda x: x[0], reverse= True)# Calculation of Explained Variance from the eigenvaluestot = sum(eig_vals)var_exp = [(i/tot)*100 for i in sorted(eig_vals, reverse=True)] cum_var_exp = np.cumsum(var_exp) # Cumulative explained variance# Variances plotmax_cols = len(stocks.columns) - 1plt.figure(figsize=(10, 5))plt.bar(range(max_cols), var_exp, alpha=0.3333, align='center', label='individual explained variance', color = 'g')plt.step(range(max_cols), cum_var_exp, where='mid',label='cumulative explained variance')plt.ylabel('Explained variance ratio')plt.xlabel('Principal components')plt.legend(loc='best')plt.show()
输出：
从这个图表中我们可以看到大量方差都来自于预测主成分的前 85%。这是个很高的数字，所以让我们从低端的开始，先只建模少数几个主成分。更多有关分析主成分合理数量的信息可参阅：Principal Component Analysis explained visually
使用 scikit-learn 的 PCA 模块，让我们设 n_components = 9。代码的第二行调用了 fit_transform 方法，其可以使用标准化的电影数据 X_std 来拟合 PCA 模型并在该数据集上应用降维（dimensionality reduction）。
pca = PCA(n_components=9)x_9d = pca.fit_transform(X_std)plt.figure(figsize = (9,7))plt.scatter(x_9d[:,0],x_9d[:,1], c='goldenrod',alpha=0.5)plt.ylim(-10,30)plt.show()
输出：
这里我们甚至没有真正观察到聚类的些微轮廓，所以我们很可能应该继续调节 n_component 的值直到我们得到我们想要的结果。这就是数据科学与艺术（data science and art）中的「艺术」部分。
现在，我们来试试 K-均值，看看我们能不能在下一章节可视化任何明显的聚类。
K-均值聚类（K-Means Clustering）
我们将使用 PCA 投射数据来实现一个简单的 K-均值。
使用 scikit-learn 的 KMeans() 调用和 fit_predict 方法，我们可以计算聚类中心并为第一和第三个 PCA 投射预测聚类索引（以便了解我们是否可以观察到任何合适的聚类）。然后我们可以定义我们自己的配色方案并绘制散点图，代码如下所示：
# Set a 3 KMeans clusteringkmeans = KMeans(n_clusters=3)# Compute cluster centers and predict cluster indicesX_clustered = kmeans.fit_predict(x_9d)# Define our own color mapLABEL_COLOR_MAP = {0 : 'r',1 : 'g',2 : 'b'}label_color = [LABEL_COLOR_MAP[l] for l in X_clustered]# Plot the scatter digramplt.figure(figsize = (7,7))plt.scatter(x_9d[:,0],x_9d[:,2], c= label_color, alpha=0.5)plt.show()
输出：
这个 K-均值散点图看起来更有希望，好像我们简单的聚类模型假设就是正确的一样。我们可以通过这种颜色可视化方案观察到 3 个可区分开的聚类。
使用 seaborn 方便的 pairplot 函数，我可以以成对的方式在数据框中自动绘制所有的特征。我们可以一个对一个地 pairplot 前面 3 个投射并可视化：
# Create a temp dataframe from our PCA projection data "x_9d"df = pd.DataFrame(x_9d)df = df[[0,1,2]]df['X_cluster'] = X_clustered# Call Seaborn's pairplot to visualize our KMeans clustering on the PCA projected datasb.pairplot(df, hue='X_cluster', palette='Dark2', diag_kind='kde', size=1.85)sb.plt.show()
输出：
构建篮子聚类（Basket Clusters）
你应该自己决定如何微调你的聚类。这方面没有什么万灵药，具体的方法取决于你操作的环境。在这个案例中是由隐藏关系所定义的股票和金融市场。
一旦你的聚类使你满意了，你就可以设置分数阈值来控制特定的股票是否有资格进入一个聚类，然后你可以为一个给定的聚类提取股票，将它们作为篮子进行交易或使用这些篮子作为信号。你可以使用这种方法做的事情很大程度就看你自己的创造力以及你在使用深度学习变体来进行优化的水平，从而基于聚类或数据点的概念优化每个聚类的回报，比如 short interest 或 short float（公开市场中的可用股份）。
你可以注意到了这些聚类被用作篮子交易的方式一些有趣特征。有时候标准普尔和一般市场会存在差异。这可以提供本质上基于「信息套利（information arbitrage）」的套利机会。一些聚类则和谷歌搜索趋势相关。
看到聚类和材料及它们的供应链相关确实很有意思，正如这篇文章说的一样：Zooming in on 10 materials and their supply chains - Fairphone
我仅仅使用该数据集操作了 Cobalt（钴）、Copper（铜）、Gallium（镓）和 Graphene（石墨烯）这几个列标签，只是为了看我是否可能发现从事这一领域或受到这一领域的风险的上市公司之间是否有任何隐藏的联系。这些篮子和标准普尔的回报进行了比较。
通过使用历史价格数据（可直接在 Quantopian、Numerai、Quandl 或 Yahoo Finance 使用），然后你可以汇总价格数据来生成预计收益，其可使用 HighCharts 进行可视化：
我从该聚类中获得的回报超过了标准普尔相当一部分，这意味着你每年的收益可以比标准普尔还多 10%（标准普尔近一年来的涨幅为 16%）。我还见过更加激进的方法可以净挣超过 70%。现在我必须承认我还做了一些其它的事情，但因为我工作的本质，我必须将那些事情保持黑箱。但从我目前观察到的情况来看，至少围绕这种方法探索和包装新的量化模型可以证明是非常值得的，而其唯一的缺点是它是一种不同类型的信号，你可以将其输入其它系统的流程中。
生成卖空篮子聚类（short basket clusters）可能比生成买空篮子聚类（long basket clusters）更有利可图。这种方法值得再写一篇文章，最好是在下一个黑天鹅事件之前。
如果你使用机器学习，就可能在具有已知和隐藏关系的上市公司的寄生、共生和共情关系之上抢占先机，这是很有趣而且可以盈利的。最后，一个人的盈利能力似乎完全关乎他在生成这些类别的数据时想出特征标签（即概念（concept））的强大组合的能力。
我在这类模型上的下一次迭代应该会包含一个用于自动生成特征组合或独特列表的单独算法。也许会基于近乎实时的事件，这可能会影响那些具有只有配备了无监督学习算法的人类才能预测的隐藏关系的股票组。
6. 怎么开始python 在股票中的一些使用技巧
（1）设置环境变量:我的电脑-右键-属性-高级-环境变量 在Path中加入
;c:\python26 （注意前面的分号和路径）
（2）此时，还是只能通过"python *.py"运行python脚本，若希望直接运行*.py，只需再修改另一个环境变量PATHEXT:
;.PY;.PYM
3，测试是否安装成功
cmd进入命令行 输入python –v 若是输出版本信息，则表示安装完毕
4，建一个hello.py
print ("hello world")
5,cmd 进入命令行 找到文件路径 hello.py
会输出"hello world"
6,接受用户输入
x= input("x:")
y= input("y:")
print (x * y)
7. 股票怎么下单啊？
如果您是年满18周岁且持有有效期内的二代居民身份证的个人投资者，可以开立证券账户。 个人投资者可以通过营业部现场临柜办理或则自助开户。您需要准备好您本人的二代身份证以及同名银行储蓄卡（部分银行支持存折）。 如需临柜办理，需要在交易日9-16点直接到营业网点办理。 如您需自助开户，可以通过券商官网或者手机应用商城下载开户APP，比如广发证券的为“广发证券开户”或“广发易淘金”，自助完成开户手续。 一般流程包括上传身份证照片、风险测评、密码设置、银行卡绑定、视频认证（双向/单向，广发证券为单向视频，无需排队）、协议签署等。 广发证券支持7*24小时、3分钟快速开户，单向视频不排队，沪深A股/基金账户一步到位。更有专业持牌投顾7*24小时在线指导，“秒”速相应您的投资疑问。
8. 我要怎么买股票?
买股票流程： 1：先开户，在交易时间内(非节假日的9:00--15:00之间)，本人带上有效身份证件，挑选一家证券公司营业部，办理上海和深圳的股东帐户卡，一共90元（目前很多营业部免收）。一般自己直接到营业部柜台开户，开户费是不免的，佣金也会收得高，当然最高是千分之三。和券商客户经理或者经纪人预约谈好佣金后再到营业部开户，这样一般开户费90元能免掉，而且佣金也可以给你优惠的，能优惠多少看你资金了。 2：签定第三方存管协议，即指定一家银行，以后资金转进转出都是通过那家银行的银行卡。 3：下载交易软件(从证券公司网站上)。 4：软件分两种，一种是看行情的，如大智慧，一种是做交易的，就是网上委托程序。证券公司网站有下载的，你做交易就登陆这个程序。输入资金帐户和交易密码，登录交易系统后，就可以买卖股票了。当然还可以通过手机、电话或去营业厅委托买卖的。 5：买卖股票最低单位为1手，也就是100股。也就是购买入某只股票100股即可炒股啦，当然还要加上交易费用。 6：交易费用：印花税：单边收取，卖出成交金额的千分之一（0.1%）。过户费：仅限于沪市，每1000股收取1元，低于1000股也收取1元。佣金：买卖双向收取，成交金额的0.05%－0.3%，起点5元。可浮动，和证券公司面谈，根据资金量和成交量可以适当降低。 7：股市交易时间及休市交易时间是每周一至周五上午9：30—11：30，下午13：00—15：00。集合竞价时间是上午9：15—9：25，竞价出来后9：25—9：30这段时间是不可撤单的。星期六、星期天和其它节假日股市都休市，不开盘交易的。 8：国内股市是T+1制度，即当天买入的股票要下个交易日才能卖出，当天卖出股票后的钱，马上就可以再买入股票，但要下个交易日才能转到银行卡上。股票新手不要急于入市，先多学点东西，可以网上模拟炒股，先了解下基本东西，对入门学习、锻炼实战技巧很有帮助。
最新文章
热门文章
推荐阅读