利用python探索股票市场数据指南

虽然同花顺之类的金融理财应用的数据足够好了，但还是有自己定制的冲动, 数据自然不会不会比前者好很多，但是按照自己的想法来定制还是不错的。

目标

Python资源共享群：484031800

通过免费的数据接口获取数据，每日增量更新标的历史交易数据, 然后通过Kibana做可视化及数据分析.

其实自己通过echarts之类的可视化框架做可视化也是个不错的选择，不过前期成本太大。还有就是pandas+matplotlib已经足以应付大部分需求了，可是交互感太弱，所以借助一个可视化应用是很有必要的，这里选择的是kibana, 它的竞品有Grafana.

这个目标应该会一直下去

大家在学python的时候肯定会遇到很多难题，以及对于新技术的追求，这里推荐一下我们的Python学习扣qun：784758214，这里是python学习者聚集地！！同时，自己是一名高级python开发工程师，从基础的python脚本到web开发、爬虫、django、数据挖掘等，零基础到项目实战的资料都有整理。送给每一位python的小伙伴！每日分享一些学习的方法和需要注意的小细节

环境配置

Python3(推荐Anaconda安装)

安装相关依赖：

pip install -r requirement.txt

配置eleasticsearch, kibana环境(推荐使用docker)

Elasticsearch, Logstash, Kibana 7.2.0

数据源

获取数据的方式有很多种，收费或者免费，作为业余爱好者自然选择免费的，这里选择 , 但其实tushare会有一点限制, 如获取数据的频率有一定的限制，并且接口也有限制, 需要很多积分。

其他的免费的数据获取方式的，大家可以自己尝试

1. pytdx
2. fooltrader
3. QUANTAXIS

获取数据

配置自己的token

import tushare as tsts.set_token('<your_token>')pro = ts.pro_api('<your_token>')

关于Token的获取可以参考一下链接

https:///document/1?doc_id=39

尝试手动获取数据

通过日期取历史某一天的全部历史df = pro.daily(trade_date='20190725')df.head()ts_code trade_date open high low close pre_close change pct_chg vol amount value0 000032.SZ 20190725 9.49 9.60 9.47 9.56 9.49 0.07 0.7376 12658.35 12075.625 8906.9810001 000060.SZ 20190725 4.39 4.40 4.35 4.36 4.39 -0.03 -0.6834 129331.65 56462.292 -38586.3303532 000078.SZ 20190725 3.37 3.38 3.35 3.38 3.37 0.01 0.2967 76681.00 25795.633 7653.5643113 000090.SZ 20190725 5.66 5.66 5.56 5.61 5.64 -0.03 -0.5319 105582.72 59215.389 -31496.6654094 000166.SZ 20190725 4.97 4.98 4.93 4.96 4.97 -0.01 -0.2012 268122.48 132793.120 -26717.975744获取某一只股票的日线行情数据data = ts.pro_bar(ts_code='601668.SH', adj='qfq', start_date='20120101')data.head()ts_code trade_date open high low close pre_close change pct_chg vol amount0 601668.SH 20190726 6.01 6.06 5.98 6.03 6.04 -0.01 -0.17 696833.16 419634.5471 601668.SH 20190725 6.05 6.07 6.02 6.04 6.04 0.00 0.00 543074.55 327829.3802 601668.SH 20190724 6.09 6.11 6.02 6.04 6.05 -0.01 -0.17 788228.12 477542.6093 601668.SH 20190723 5.93 6.07 5.92 6.05 5.94 0.11 1.85 1077243.46 650250.0214 601668.SH 20190722 6.02 6.03 5.92 5.94 6.00 -0.06 -1.00 811369.73 485732.343

数据的获取自然是需要自动化的，但是由于接口的限制，所以需要考虑以下问题。

1. 股票列表
2. 判断是否超出接口限制，如果是，则暂停一段时间

关键代码部分

def save_data(code, start_date, fp): print('下载股票(%s)日线数据到 %s' % (code, fp)) try: data = ts.pro_bar(ts_code=code, adj='qfq', start_date=start_date) # 当超过调用次数限制返回None if data is None: time.sleep(10) return pass_set.add(code) except Exception: time.sleep(10) print('股票: %s 下载失败' % code) return if len(data) == 0: pass_set.add(code) return try: data.trade_date = pd.to_datetime(data.trade_date) data = data.sort_values('trade_date') if path.exists(fp): data.to_csv(fp, mode='a', header=False, index=False) else: data.to_csv(fp, index=False) except Exception: print('股票:%s 保存失败' % code)

大家可以参考我GitHub仓库的save_data.py, 通过以下命令就可以自动下载数据了

python save_data.py

代码里面配置的起始时间是2012-01-01,有需要的课自行更改，值得注意的是需要在同级目录配置一个config.json, 内容如下

{ 'token': '<your_token>'}

配上自己的token

配置elasticsearch, kibana

这里使用的是docker进行配置。

# 拉取镜像docker pull sebp/elk:720# 启动docker环境docker run -p 5601:5601 -p 9200:9200 -p 5044:5044 -v /home/elasticsearch/:/var/lib/elasticsearch -itd sebp/elk:720

转存数据

将数据上传到elasticsearch里面以便数据分析

配置settings.py

# 将ip:port改成自己elasticsearch地址，如192.168.56.102:9200config['es_host'] = ['ip:port']

运行代码

# 上传股票数据python cmd.py dump# 上传上证指数数据python cmd.py dump_indexPython资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

可视化

配置kibana是需要一定的时间的，好在kibana现在是大多数配置都支持导入导出，所以大家可以通过我仓库的export.ndjson文件直接导入

效果展示

由于现在接口受限，获取的股票因子有限，所以等我的积分更多了，我会加入更多的dashboard, 以及visualization.