python股票预测准确率

怎样用 Python 写一个股票自动交易的程序

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...

有没有会用Python编写一个简单的建模股票价格的小程序？能够对股票...

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python都写好了，所以差这交易指令接口最后一步。

还有的法是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，我百度看到的，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

怎么用python计算股票

1:读取数据并建立函数；t[i]*100)print splot(s)plt.show()f(t)第二种：利用pandas里面的方法：import pandas as pda=pd.read_csv(\'d:///。

第一种。

因此在平时的使用中应当学会寻找更好的方法，提高运算速度：import numpy as npimport matplotlib;close；)#文件位置t=a[\'close\']def f(t):s=[]for i in range(1;close\'，里面有很多方法可以快速解决计算的需要，如上面提到的pandas中的pct_change();,\'.shift(1)-1print rets总结：python是一种非常好的编程语言，一般而言，len(t)).csv\':continueelse:s.append((t[i]-t[i-1])/，在学习中遇到很多问题，要善于运用各种方法。

今天.interpolate import splinefrom pylab import *import pandas as pdfrom pandas import Seriesa=pd.read_csv(\'d：///，我们可以运用构建相关函数来实现自己的思想，但是，众所周知，python中里面的有很多科学计算包；1.csv\'，在学习中，碰到了如何通过收盘价计算股票的涨跌幅：if i==1;]rets=close/)rets = a[\'close\'].pct_change() * 100print rets第三种：close=a[\'作为一个python新手；，sep=\'.pyplot as pltfrom scipy

如何利用python,更好得炒股

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。

用Python 进行股票分析 有什么好的入门书籍或者课程吗

直接图形化输出买卖点，回测即可。

过拟合，真实交易一下才有体会，然后继续调试即可、金字塔及其他软件。

多产品组合投资，用SAS收集价格数据，然后就怎么实践、滑点之类的问题，重要的是想法，之后就是边编边查工具书或论坛。

通达信最新版可以开发dll了，不过接口不太爽，可以改用飞狐，而关于股票的书没经验就看是空对空。

关键是你自己怎么想的，不过入门要花1个月（指业余时间学习）。

并不推荐先看书籍，不当程序员的话按部就班学是浪费时间，关于程序的书应该作为工具书、财务数据等设计策略并回测。

sas比python强大很多单产品趋势交易系统，用c语言二次开发来搞

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 visualsimport 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...

新人发帖求助,python使用tushare股票分析包方法报错

我是一名大学生，刚刚上手python，成功安装了tushare包，但是调用的官方文档的示例方法（get_hist_data）的时报错：AttributeError: \'module\' object has no attribute \'get_hist_data\'代码是[import tushare as tsts.get_hist_data(\'600848\')][/code]因为是示例，所以包应该下面有这个方法，我用print dir(ts) 看到下面只有[\'__builtins__\', \'__doc__\', \'__file__\', \'__name__\', \'__package__\', \'ts\' ] 这几个方法（显然不是全部的方法）希望各位能够帮助下新人解答一下。

刚刚实际运行了一下，没有报错，你检查一下是否安装正确，tushare包的安装直接用 pip install tushare 安装即可，没必要访问官网，当然，你需要先安装pip ,

如何用Python在10分钟内建立一个预测模型

预测模型的分解过程 我总是集中于投入有质量的时间在建模的初始阶段，比如，假设生成、头脑风暴、讨论或理解可能的结果范围。

所有这些活动都有助于我解决问题，并最终让我设计出更强大的商业解决方案。

为什么你要在前面花费这段时间，这有充分的理由： 你有足够的时间投入并且你是无经验的（这是有影响的） 你不带有其它数据观点或想法的偏见（我总是建议，在深入研究数据之前做假设生成） 在后面的阶段，你会急于完成该项目而没有能力投入有质量的时间了。

这个阶段需要投入高质量时间，因此我没有提及时间表，不过我建议你把它作为标准的做法。

这有助于你建立建立更好地预测模型，在后面的阶段的只需较少的迭代工作。

让我们来看看建立第一个模型的剩余阶段的时间表： 数据描述性分析——50%的时间 数据预处理（缺失值和异常值修复）——40%的时间 数据建模——4%的时间 性能预测——6%的时间 让我们一步一步完成每个过程（每一步投入预测的时间）： 阶段1：描述性分析/数据探索 在我刚开始成为数据科学家的时候，数据探索占据了我大量的时间。

不过，随着时间的推移，我已经把大量的数据操作自动化了。

由于数据准备占据建立第一个模型工作量的50%，自动化的好处是显而易见的。

这是我们的第一个基准模型，我们去掉任何特征设计。

因此，描述分析所需的时间仅限于了解缺失值和直接可见的大的特征。

在我的方法体系中，你将需要2分钟来完成这一步（假设，100000个观测数据集）。

我的第一个模型执行的操作： 确定ID，输入特征和目标特征 确定分类和数值特征 识别缺失值所在列 阶段2：数据预处理（缺失值处理） 有许多方法可以解决这个问题。

对于我们的第一个模型，我们将专注于智能和快速技术来建立第一个有效模型。

为缺失值创建假标志：有用，有时缺失值本身就携带了大量的信息。

用均值、中位数或其它简单方法填补缺失值：均值和中位数填补都表现良好，大多数人喜欢用均值填补但是在有偏分布的情况下我建议使用中位数。

其它智能的方法与均值和中位数填补类似，使用其它相关特征填补或建立模型。

比如，在Titanic生存挑战中，你可以使用乘客名字的称呼，比如：“Mr.”, “Miss.”,”Mrs.”,”Master”，来填补年龄的缺失值，这对模型性能有很好的影响。

填补缺失的分类变量：创建一个新的等级来填补分类变量，让所有的缺失值编码为一个单一值比如，“New_Cat”，或者，你可以看看频率组合，使用高频率的分类变量来填补缺失值。

由于数据处理方法如此简单，你可以只需要3到4分钟来处理数据。

阶段3：数据建模 根据不同的业务问题，我推荐使用GBM或RandomForest技术的任意一种。

这两个技术可以极其有效地创建基准解决方案。

我已经看到数据科学家通常把这两个方法作为他们的第一个模型同时也作为最后一个模型。

这最多用去4到5分钟。

阶段4：性能预测 有各种各样的方法可以验证你的模型性能，我建议你将训练数据集划分为训练集和验证集（理想的比例是70:30）并且在70%的训练数据集上建模。

现在，使用30%的验证数据集进行交叉验证并使用评价指标进行性能评估。

最后需要1到2分钟执行和记录结果。

本文的目的不是赢得比赛，而是建立我们自己的基准。

让我们用python代码来执行上面的步骤，建立你的第一个有较高影响的模型。

让我们开始付诸行动 首先我假设你已经做了所有的假设生成并且你擅长使用python的基本数据科学操作。

我用一个数据科学挑战的例子来说明。

让我们看一下结构： 步骤1：导入所需的库，读取测试和训练数据集。

#导入pandas、numpy包，导入LabelEncoder、random、RandomForestClassifier、GradientBoostingClassifier函数 import pandas as pd import numpy as np fromsklearn.preprocessing import LabelEncoder import random fromsklearn.ensemble import RandomForestClassifier from sklearn.ensembleimport GradientBoostingClassifier #读取训练、测试数据集 train=pd.read_csv(\'C:/Users/AnalyticsVidhya/Desktop/challenge/Train.csv\') test=pd.read_csv(\'C:/Users/AnalyticsVidhya/Desktop/challenge/Test.csv\') #创建训练、测试数据集标志 train=\'Train\' test=\'Test\' fullData =pd.concat(,axis=0) #联合训练、测试数据集 步骤2：该框架的第二步并不需要用到python，继续下一步。

步骤3：查看数据集的列名或概要 fullData.columns # 显示所有的列名称 fullData.head(10) #显示数据框的前10条记录 fullData.describe（) #你可以使用describe（)函数查看数值域的概要 步骤4：确定a)ID变量 b）目标变量 c）分类变量 d）数值变量 e）其他变量。

ID_col = target_col = cat_cols = num_cols= list(set(list(fullData.columns))-set(cat_cols)-set(ID_col)-set(target_col)-set(data_col)) other_col= #为训练、测试数据集设置标识符 步骤5：识别缺失值变量并创建标志 fullData.isnull().any（)#返回True或False,True意味着有缺失值而False相反 num_cat_cols = num_cols+cat_cols # 组合数值变量和分类变量 #为有缺失值的变量创建一个新的变量 # 对缺失值标志为1，否则为0 for var in num_cat_...