tushare-pandas 添加自定义的MA移动平均线

get_hist_data接口

tushare的get_hist_data()个股历史数据中，默认支持以下返回值，包含的均线数据是ma5, ma10和ma20：

• date：日期
• open：开盘价
• high：最高价
• close：收盘价
• low：最低价
• volume：成交量
• price_change：价格变动
• p_change：涨跌幅
• ma5：5日均价
• ma10：10日均价
• ma20:20日均价
• v_ma5:5日均量
• v_ma10:10日均量
• v_ma20:20日均量
• turnover:换手率[注：指数无此项]

调用方式：

import tushare as ts

ts.get_hist_data('600848')

ts.get_k_data接口

而最新的接口get_k_data()，干脆只返回了基本数据：

• date 日期和时间。 低频数据时为：YYYY-MM-DD； 高频数为：YYYY-MM-DD HH:MM
• open 开盘价
• close 收盘价
• high 最高价
• low 最低价
• volume 成交量
• code 证券代码

自定义自己需要的MA值

在用软件定义自己的均线策略的时候，时常需要直到各个移动平均线的值。虽然tushare没有提供这样的功能，但自己做起来确实非常但简单。
下面的例子先用get_hist_data()举例，目的是为了对比值是否正确，在将来的操作中，作者也说了，最好是用get_k_data()的鹅厂数据。

取出数据

import tushare as ts

sqjt = ts.get_hist_data('600104')

sqjt.head()
Out[3]: 
             open   high  close    low     volume  price_change  p_change  \
date                                                                        
2017-10-16  32.17  32.35  32.01  31.46  215734.89          0.04      0.12   
2017-10-13  32.10  32.60  31.97  31.87  205029.53         -0.14     -0.44   
2017-10-12  31.90  32.28  32.11  31.54  256751.47          0.37      1.17   
2017-10-11  30.70  31.84  31.74  30.65  547914.75          1.25      4.10   
2017-10-10  31.30  31.45  30.49  29.94  566905.44         -0.78     -2.49   

               ma5    ma10    ma20      v_ma5     v_ma10     v_ma20  turnover  
date                                                                           
2017-10-16  31.664  31.109  30.348  358467.22  296958.31  274748.68      0.20  
2017-10-13  31.516  30.958  30.218  410394.98  306801.60  273160.20      0.19  
2017-10-12  31.160  30.792  30.080  400913.36  328966.87  269473.18      0.23  
2017-10-11  30.822  30.533  29.938  382196.72  319873.73  263040.20      0.50  
2017-10-10  30.560  30.282  29.813  315010.56  290065.85  246347.60      0.51 

使用pandas的rolling接口

Signature: sqjt.rolling(window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None)
Docstring:
Provides rolling window calculcations.
.. versionadded:: 0.18.0
parameters:
window : int, or offset
Size of the moving window. This is the number of observations used for
calculating the statistic. Each window will be a fixed size.

这里，关心window就够了，window就是移动窗口的大小。我们设置一个移动窗口，再在这个窗口里的数据用mean()方法取平均值。

sqjt['close'].rolling(5).mean()
Out[7]: 
date
2017-10-16       NaN
2017-10-13       NaN
2017-10-12       NaN
2017-10-11       NaN
2017-10-10    31.664
2017-10-09    31.516
2017-09-29    31.160
2017-09-28    30.822
2017-09-27    30.560
2017-09-26    30.554
2017-09-25    30.400

• 对收盘值做移动平均值：sqjt[‘close’]
• .rolling(5) 自定义的窗口个为5
• .mean() 做平均值

从结果可以看到，前4个值是NaN，是因为做窗口为5个平均值，至少得有5个数才能计算，所以前四个4数为NaN。对比以下，直接从tushare上得到的数据：

sqjt['ma5']
Out[8]: 
date
2017-10-16    31.664
2017-10-13    31.516
2017-10-12    31.160
2017-10-11    30.822
2017-10-10    30.560
2017-10-09    30.554
2017-09-29    30.400
2017-09-28    30.424

值是一样的，只是向下偏移了4个数据，因为用pandas的rolling从第一行开始计算（因此前4行没法算ma5），而tushare的数据是从新浪API来的，不存在缺失数据的问题。但移动平均线是移动窗口计算，我们只需要稍微向上移动以下数据即可。

sqjt['close'].rolling(5).mean().shift(-4)
Out[9]: 
date
2017-10-16    31.664
2017-10-13    31.516
2017-10-12    31.160
2017-10-11    30.822
2017-10-10    30.560
2017-10-09    30.554
2017-09-29    30.400
2017-09-28    30.424
2017-09-27    30.244
2017-09-26    30.004
2017-09-25    29.768
2017-09-22    29.588
2017-09-21    29.338
2017-09-20    29.244
2017-09-19    29.286
2017-09-18    29.404
2017-09-15    29.366
2017-09-14    29.398
2017-09-13    29.442
2017-09-12    29.402
2017-09-11    29.332
2017-09-08    29.370
2017-09-07    29.436
2017-09-06    29.528
2017-09-05    29.650
2017-09-04    29.786
2017-09-01    30.012
2017-08-31    30.196
2017-08-30    30.318
2017-08-29    30.344

2014-11-28    19.810
2014-11-27    19.712
2014-11-26    19.588
2014-11-25    19.336
2014-11-24    19.218
2014-11-21    19.190
2014-11-20    19.106
2014-11-19    19.008
2014-11-18    18.968
2014-11-17    18.628
2014-11-14    18.380
2014-11-13    18.078
2014-11-12    17.910
2014-11-11    17.728
2014-11-10    17.670
2014-11-07    17.576
2014-11-06    17.676
2014-11-05    17.684
2014-11-04    17.648
2014-11-03    17.578
2014-10-31    17.418
2014-10-30    17.280
2014-10-29    17.184
2014-10-28    17.184
2014-10-27    17.208
2014-10-24    17.340
2014-10-23       NaN
2014-10-22       NaN
2014-10-21       NaN
2014-10-20       NaN
Name: close, Length: 711, dtype: float64

可以看到，计算出来的数据已经和tushare一样了。这里要注意的是-4，如果是ma5，向上偏移4即可，如果是ma20，向上偏移19，这个道理你们应该是能懂的。

直观的比较一下。

sqjt.loc[:,['ma5','myma5']]
Out[11]: 
               ma5   myma5
date                      
2017-10-16  31.664  31.664
2017-10-13  31.516  31.516
2017-10-12  31.160  31.160
2017-10-11  30.822  30.822
2017-10-10  30.560  30.560
2017-10-09  30.554  30.554
2017-09-29  30.400  30.400
2017-09-28  30.424  30.424
2017-09-27  30.244  30.244
2017-09-26  30.004  30.004
2017-09-25  29.768  29.768
2017-09-22  29.588  29.588
2017-09-21  29.338  29.338
2017-09-20  29.244  29.244
2017-09-19  29.286  29.286
2017-09-18  29.404  29.404
2017-09-15  29.366  29.366
2017-09-14  29.398  29.398
2017-09-13  29.442  29.442
2017-09-12  29.402  29.402
2017-09-11  29.332  29.332
2017-09-08  29.370  29.370
2017-09-07  29.436  29.436
2017-09-06  29.528  29.528
2017-09-05  29.650  29.650
2017-09-04  29.786  29.786
2017-09-01  30.012  30.012
2017-08-31  30.196  30.196
2017-08-30  30.318  30.318
2017-08-29  30.344  30.344
           ...     ...
2014-11-28  19.810  19.810
2014-11-27  19.712  19.712
2014-11-26  19.588  19.588
2014-11-25  19.336  19.336
2014-11-24  19.218  19.218
2014-11-21  19.190  19.190
2014-11-20  19.106  19.106
2014-11-19  19.008  19.008
2014-11-18  18.968  18.968
2014-11-17  18.628  18.628
2014-11-14  18.380  18.380
2014-11-13  18.078  18.078
2014-11-12  17.910  17.910
2014-11-11  17.728  17.728
2014-11-10  17.670  17.670
2014-11-07  17.576  17.576
2014-11-06  17.676  17.676
2014-11-05  17.684  17.684
2014-11-04  17.648  17.648
2014-11-03  17.578  17.578
2014-10-31  17.418  17.418
2014-10-30  17.280  17.280
2014-10-29  17.184  17.184

再来比较一下20日线：

sqjt['myma20'] = sqjt['close'].rolling(20).mean().shift(-19)

sqjt.loc[:,['ma20','myma20']]
Out[13]: 
              ma20   myma20
date                       
2017-10-16  30.348  30.3475
2017-10-13  30.218  30.2175
2017-10-12  30.080  30.0800
2017-10-11  29.938  29.9380
2017-10-10  29.813  29.8130
2017-10-09  29.765  29.7645
2017-09-29  29.681  29.6810
2017-09-28  29.649  29.6490
2017-09-27  29.615  29.6145
2017-09-26  29.586  29.5855
2017-09-25  29.573  29.5725
2017-09-22  29.584  29.5840
2017-09-21  29.592  29.5920
2017-09-20  29.633  29.6330
2017-09-19  29.671  29.6705
2017-09-18  29.700  29.7000
2017-09-15  29.683  29.6825
2017-09-14  29.692  29.6920
2017-09-13  29.709  29.7090
2017-09-12  29.712  29.7120
2017-09-11  29.703  29.7025
2017-09-08  29.712  29.7115
2017-09-07  29.737  29.7365
2017-09-06  29.754  29.7535
2017-09-05  29.759  29.7585
2017-09-04  29.732  29.7320
2017-09-01  29.730  29.7300
2017-08-31  29.719  29.7185
2017-08-30  29.686  29.6860
2017-08-29  29.698  29.6975

可以看到我们的计算精度还要高一位。
按照以上方式，我们可以轻松定义各种窗口的均线值。

使用get_k_data接口计算移动平均线

sqjt = sqjt.sort_index(ascending=False)

sqjt['myma20'] = sqjt['close'].rolling(20).mean().shift(-19)

sqjt['myma20'] 
Out[24]: 
640    30.43600
639    30.34750
638    30.21750
637    30.08000
636    29.93800
635    29.81300
634    29.76450
633    29.68100
632    29.64900
631    29.61450
630    29.58550
629    29.57250
628    29.58400

可以看到算出来的值和之前是一样的（这里有点细微的变化是因为取值的时候包含了当天，10-17，而get_hist_data只取到了10-16的数据），另外要注意的是：

• 因为get_k_data()的排序方式是最新的数据底下，所以需要翻转一下
• 并且索引是自增的数字，而不是日期，有需要的话，需要自己做日期索引的转换