阿里巴巴股票行情分析

友情提示：投资有风险，入股需谨慎

阿里巴巴股票数据集 提取码: spyv

简单分析

上代码

import numpy as np
from dateutil.parser import parse
# 指定打开的文件名
# 不需要的行需要skip掉
# 默认没有分隔符，所以需要指定delimiter
# 不加载全部的情况下需要指定加载哪些列usecols
# 希望把每一列加载到单独的数组中需要设置unpack=True，并指定对应的变量名
stock_info = np.loadtxt('./BABA_stock.csv', skiprows=1, unpack=True, usecols=(1, 2, 3, 4, 5), delimiter=',')
stock_info = stock_info[:, ::-1]
print(stock_info.shape)
print(stock_info)


close_info = stock_info[0]
open_info = stock_info[2]

# 上涨天数
rise_count = close_info[(close_info-open_info) > 0].size
print('上涨的天数: {}'.format(rise_count))

# 下跌的天数
fail_count = len(close_info[(close_info-open_info) < 0])
print('下跌的天数: {}'.format(fail_count))

# 上涨的概率
rise_percent = (close_info[(close_info-open_info) > 0]).size / stock_info.shape[1]
print('上涨的概率是: {:.2%}'.format(rise_percent))

# 下跌的概率
fail_percent = len(close_info[(close_info-open_info) < 0]) / stock_info.shape[1]
print('下跌的概率是: {:.2%}'.format(fail_percent))

(5, 755)
[[7.897000e+01 7.901000e+01 7.946000e+01 ... 1.849800e+02 1.889100e+02
  1.830700e+02]
 [1.169603e+07 7.761672e+06 1.472746e+07 ... 8.848863e+06 1.256109e+07
  1.461019e+07]
 [7.945000e+01 7.852000e+01 7.920000e+01 ... 1.851500e+02 1.877100e+02
  1.880600e+02]
 [7.975000e+01 7.912000e+01 8.048000e+01 ... 1.860600e+02 1.897900e+02
  1.881700e+02]
 [7.846000e+01 7.771000e+01 7.847000e+01 ... 1.837500e+02 1.871400e+02
  1.825600e+02]]
上涨的天数: 358
下跌的天数: 395
上涨的概率是: 47.42%
下跌的概率是: 52.32%

从上面代码运行的结果可以看出

2016年4月15日到2019年4月15日这三年一共有755个交易日
上涨的天数是358天
下跌的天数是395天
上涨的概率是47.42%
下跌的概率是52.32%

把日线转换成周线

继续上代码

# 日线转换成周线
# 什么是周线
high_info = stock_info[3]
low_info = stock_info[4]

# loadtxt方法有一个参数converters参数，可以利用自定义的函数把string做转换
from dateutil.parser import parse
def convert_date(d):
    return parse(d).weekday()
stock_info = np.loadtxt('./BABA_stock.csv', delimiter=',', usecols=(0, 1, 3, 4, 5), skiprows=1, dtype='S', converters={0: convert_date})
# print(stock_info)
print(stock_info.shape)

# 倒序排列
stock_info = stock_info[::-1, :].astype('f8')
# 需要按照周分组
# 先找到星期一的数据的索引
week_split = np.where(stock_info[:, 0] == 0)[0]
# week_split
# 按照周一去分组，split返回给定索引的分组
# 可以指定任意间隔的索引，所以split以一个list的形式返回
week_infos_temp = np.split(stock_info, week_split)
# print(type(week_infos_temp))
# week_infos_temp

# 为了简单起见，我们这里只使用一周数据有五天的
week_info = [x for x in week_infos_temp if len(x) == 5]
# week_info
# 每个星期的数据都是一样的了， 我们把它转成ndarray 
w = np.array(week_info)
print(w.shape)
print(w[:3])
week_close = w[:, -1, 1]
week_open = w[:, 0, 2]
week_high = w[:, :, 3].max(axis=1)
week_low = w[:, :, 4].min(axis=1)

w_info = np.array([week_close, week_open, week_high, week_low])

# 一周的数据放一行，可以直接用转置矩阵
print(w_info.T[:5])

# 把数据保存到文件
np.savetxt('./week_info_baba.csv', w_info.T, header='close, open, high, low', delimiter=',', fmt='%.2f')

(755, 5)
(114, 5, 5)
[[[ 0.     79.01   78.52   79.12   77.71  ]
  [ 1.     79.46   79.2    80.48   78.47  ]
  [ 2.     81.21   79.     81.735  78.99  ]
  [ 3.     80.78   81.08   81.78   80.2   ]
  [ 4.     79.89   80.12   85.89   79.155 ]]

 [[ 0.     78.84   79.8    79.84   78.68  ]
  [ 1.     78.61   78.85   79.56   77.8001]
  [ 2.     77.65   78.3    78.62   76.57  ]
  [ 3.     76.4    77.65   77.9    76.09  ]
  [ 4.     76.94   76.81   77.28   75.66  ]]

 [[ 0.     76.61   76.89   77.     75.94  ]
  [ 1.     75.91   75.96   76.27   75.425 ]
  [ 2.     75.82   75.64   75.91   75.01  ]
  [ 3.     78.83   79.52   79.94   78.1   ]
  [ 4.     79.2    78.35   79.72   78.25  ]]]
[[79.89  78.52  85.89  77.71 ]
 [76.94  79.8   79.84  75.66 ]
 [79.2   76.89  79.94  75.01 ]
 [77.16  78.94  80.485 76.97 ]
 [78.79  77.86  80.2   77.59 ]]

股票买卖策略评估

策略：股价超出十日均线买入，跌破十日均线卖出

# 加载数据，把date这一列设置为索引，简单起见，只用收盘价进行分析
import numpy as np
import pandas as pd

df = pd.read_csv('./BABA_stock.csv', index_col='date', usecols=[0, 1])
# 先查看下数据
print(df.head())

# 将索引转换成datetime形式
df.index = pd.DatetimeIndex(df.index.str.strip("'"))
print(df.index)

# 数据中最近的日期排在前面，按照日期重新排序
df.sort_index(inplace=True)
print(df.head())
print(df.describe())

              close
date                
'2019/04/15'  183.07
'2019/04/12'  188.91
'2019/04/11'  184.98
'2019/04/10'  186.19
'2019/04/09'  187.19
DatetimeIndex(['2019-04-15', '2019-04-12', '2019-04-11', '2019-04-10',
               '2019-04-09', '2019-04-08', '2019-04-05', '2019-04-04',
               '2019-04-03', '2019-04-02',
               ...
               '2016-04-28', '2016-04-27', '2016-04-26', '2016-04-25',
               '2016-04-22', '2016-04-21', '2016-04-20', '2016-04-19',
               '2016-04-18', '2016-04-15'],
              dtype='datetime64[ns]', name='date', length=755, freq=None)
            close
date             
2016-04-15  78.97
2016-04-18  79.01
2016-04-19  79.46
2016-04-20  81.21
2016-04-21  80.78
            close
count  755.000000
mean   143.366954
std     40.345464
min     74.230000
25%    102.925000
50%    152.110000
75%    179.155000
max    210.860000

从上面代码运行的结果可以看出

2016年4月15日到2019年4月15日这三年一共有755个交易日
收盘价最高210.86
收盘价最低是74.23
平均收盘股价是143.366954

# 策略一：股价超出10日均线买入，跌破十日均线卖出
# 先计算十日均线数据
ma10 = df.rolling(10).mean().dropna()
# ma10

# 买点
ma10_model = df['close'] - ma10['close'] > 0
# print(ma10_model)

# 第一个值是False，第二个值是True，在True的时候买入，需要自定义一个移动窗口处理函数
# 因为卖的时候还需要定义类似的函数，所以把折两个函数放在一起
# 可以在自定义函数中print一些信息，例如w值，以方便调试---这也是调试的一种方式
def get_deal_date(w, is_buy=True):
    if is_buy == True:
        return True if w[0] == False and w[1] == True else False
    else:
        return True if w[0] == True and w[1] == False else False

# raw=False没有的话会有警告信息
# 如果删除na值，会有缺失，所以这里用0填充，转换为bool值方便后面取值
se_buy = ma10_model.rolling(2).apply(get_deal_date, raw=False).fillna(0).astype('bool')
# print(se_buy)

# apply的args接收数组或者字典给自定义参数传参
se_sale = ma10_model.rolling(2).apply(get_deal_date, raw=False, args=[False]).fillna(0).astype('bool')
# print(se_sale)

# 具体的买卖点
buy_info = df[se_buy.values]
sale_info = df[se_sale.values]
# print(buy_info)
# print(sale_info)

# 买和卖的索引值不一样，不过数据都有63条，所以删除时间索引信息
no_index_buy_info = buy_info.reset_index(drop=True)
no_index_sale_info = sale_info.reset_index(drop=True)

# print(no_index_buy_info.head())
# print(no_index_sale_info.head())

# 每次交易盈利情况
profit = no_index_sale_info - no_index_buy_info
# print(profit)
print(profit.sum())
print(profit.describe())

close    36.07
dtype: float64
           close
count  63.000000
mean    0.572540
std     6.419356
min    -9.190000
25%    -3.380000
50%    -1.120000
75%     3.435000
max    17.840000

分析步骤里的数据大家可以结合注释自行打印，结果太长了，我就不贴出来了。

• 总利润是36.07，注意这是买和卖一股的利润（买固定的股数），三年的时间交易了63次
• 最多投入210.86，平均投入是143.366954，按最高投入算利润率（36.07 / 210.86），年化差不多5%，按平均投入算0.2515，年化将近8%，当然还有手续费没算

最后我们假设有10000美元，算一下最终盈利

# 假设有一万美元，最终盈利是多少
all_money = 10000
remain = all_money
for i in range(len(no_index_buy_info)):
    buy_count = remain / no_index_buy_info.iloc[i]
    remain = buy_count * no_index_sale_info.iloc[i]
    profit_money = remain - all_money
    if i == len(no_index_buy_info) - 1:
        print(profit_money)
        print(remain)
        
# 如果加上每次交易金额的万分之三手续费
all_money = 10000
remain = all_money
fee = 0.0003
for i in range(len(no_index_buy_info)):
    buy_count = remain / no_index_buy_info.iloc[i]
    remain = buy_count * no_index_sale_info.iloc[i] * (1 - fee)
    profit_money = remain - all_money
    if i == len(no_index_buy_info) - 1:
        print(profit_money)
        print(remain)

close    3799.294014
dtype: float64
close    13799.294014
dtype: float64
close    3540.898129
dtype: float64
close    13540.898129
dtype: float64

• 最后剩下13799.294014，年化10%多点，还不错
• 如果加上每次交易金额的万分之三手续费，最终金额是13540.898129，少了一点，不过也还不错