Python数据分析告诉你，A股有没有跌到位

rcylbx 2018-12-25

展开全文

今天我们的目的并不是完全掌握Python量化分析，仅仅是作为入门引领，开启一扇新的大门。在之后的日子里，我会不定时地分享更多关于时间序列分析、量化分析的内容，欢迎关注、收藏、转发！

最近股票行情不太好啊……

可能很多朋友都想用Python分析一下股票数据，来看看自己的股票是否值得持有，或者判断某支股票是否值得建仓。那么问题来了，数据在哪里呢？

我曾经写了一个脚本，用于抓取每日的行情数据并存储到数据库中，并且用crontab设置了让它每天收盘后执行。但是现在，我发现了一个更加方便的手段，可以快速获取股票的行情数据！

这种方法就是使用Tushare提供的免费数据接口。Tushare API提供了对Python、R、HTTP、Matlab的支持，这对于我们个人开发者来说再好不过了！

在Tushare的官方网站上有详细的安装和调用教程，感兴趣的可以先安装下。https:///document/1。

假如你已经安装完成，那么接下来，就要开始我们的魔法了！

一、获取上证指数历史行情数据

import tushare as ts import pandas as pd # 设置token，只需要在第一次调用或者token失效时设置 # 设置完成后，之后就不再需要这一个命令了 # ts.set_token('*******') pro = ts.pro_api() df_daily = pro.index_daily(ts_code='000001.SH') df_daily.head()

可以看到，简单的几行命令，我们就成功获得了上证指数每日的行情数据，而且还是超级方便的pandas DataFrame格式呢！从数据中，我们看到Tushare提供了收盘价、开盘价、最高价、最低价、昨日收盘价、涨幅、百分比涨幅、成交量和成交额这些字段。

二、处理日期

我们注意到日期的格式不太符合我们的要求，还好pandas对于时间序列处理提供了良好的支持。我们可以先把日期对象转换为datetime对象，以方便后续的使用。同时我们将时间设置为index。

df_daily.index = pd.to_datetime(df_daily['trade_date']) df_daily.index[:5]

输出为：

DatetimeIndex(['2018-12-25', '2018-12-24', '2018-12-21', '2018-12-20', '2018-12-19'], dtype='datetime64[ns]', name='trade_date', freq=None)

可以看到，我们已经成功完成了格式转换。

三、绘制历史收盘价曲线

import seaborn as sns # 设置为seaborn的样式，更美观 sns.set() # 绘制收盘价曲线 df.plot(y='close');

四、绘制均线

我们知道，股票行情受各种因素影响，波动较大，因此我们经常会用均线来作为一个稳定趋势的参考。今天我们就以60日均线为例看下如何使用Python绘制均线。

import matplotlib.pyplot as plt df_daily = df_daily.sort_index(ascending=True) plt.figure(figsize=(12, 6)) df_daily.close['20150101':].plot() df_daily.close.rolling(60).mean()['20150101':].plot();

考虑到展示效果的问题，我们仅截取了2015年以来的数据，看到这幅图，不禁开始心疼A股韭菜。曾经以为的慢牛，没想到只是一个反弹……

同时我们也注意到了今年以来60日线对于上证指数的强大压制力，不过观察历史趋势我们还可以发现一点，那就是一旦实现对60日线的有效突破，那就至少会有一段行情（虽然有时可能仅有一个小波段……）

五、查看估值水平

Tushare还提供了接口用于获取每天的各项指标，其中就包含了我们接下来要查看的PE水平。

df_basic = pro.index_dailybasic(ts_code='000001.SH') df_basic.head()

可以看到，这里有总市值、流通市值、总股本、流通股本、换手率、基于流通股本的换手率、PE（市盈率）、动态PE、PB（市净率）这些字段。

那我们就来用动态市盈率数据来看下当前A股上证的估值水平。

plt.figure(figsize=(12, 6)) sns.distplot(df_basic.pe_ttm, bins=100) plt.axvline(x=df_basic.pe_ttm[0], color='red');

看起来，虽然当前的动态市盈率处于绝对的低位，但是仍有很多天的动态市盈率在当前的水平之下。那我们再看一下比当前估值水平更低的情况都出现在哪些时期。

df_basic.index = pd.to_datetime(df_basic['trade_date']) plt.figure(figsize=(12, 6)) plt.plot(df_basic.pe_ttm) plt.axhline(y=df_basic.pe_ttm[0], color='red');