背景
近期在学习数据分析，在课程最后老师讲了一下通过量化分析选择股票的案例，感觉挺有意思的，恰好周围也有人在炒股票，干脆自己做一个软件来实践一下学到的知识。课程上主要用python相关库来处理比特币的数据，数据量也不大，但是理解原理之后我们可以举一反三。
首先来回顾一下主要的知识点，选择股票的时候会用到两个重要的指标RSV、KDJ。他们的定义见下面的课件截图，具体的内容我就不阐述了，因为我是非金融专业的，对这些词汇解释起来有点吃力。我们只要记住这两个指标如何计算，以及后面如何使用即可
KDJ指标定义
计算K指标
计算D指标
计算J指标
实验原理
老师在课程中讲到K和D都是反映股票变化趋势的，K要比D灵敏，当K值上穿D值时（第一次出现K>D）时代表股票可能出现向上反弹，此时是买入时机，当K下穿D值时（第一次出现K
我们的实验思路是：
- 先从网络上获取过去半年 4000支股票的交易信息，包括日期（date）、最高价（high）、最低价（low）、开盘价（open）、收盘价（close），将这些信息存储到stockbars表中
- 用python程序读取stockbars表中的每条记录，计算出rsv指标存储到stockrsvs表中
- 最后用python程序读取stockrsvs表，计算出k、d、j三个指标
- 最后我们用SQL语句查询数据库，每个人可以基于RSV、k、d、j这四个值自由定义查询方式
这里我们用到了kdj金融知识、python编程知识、SQL语言以及数据库相关的内容，也算是一次综合性的演练了。还可以利用Sugar来在线绘制大屏小白学数据分析--工具篇（可视化Sugar）
实验过程
实验环境准备
我们用到了python开发环境，这里我们用docker直接获取一个镜像使用，省的安装一堆乱七八糟的依赖，当然你也可以按照自己的喜好来自行安装
Docker pull docker.io/python数据库我们使用了一个免费的云数据库MemFireDB https://memfiredb.com ，他提供了公网IP以及可视化的SQL编辑器方便我们后续查询数据
实验步骤和代码
获取原始数据
计算RSV指标
for stock in stocks:
i += 1
bars = session.query(StockBar).filter(
StockBar.stock_id == stock.id
).order_by(StockBar.date.asc()).all()
if len(bars) < window:
print("stock %s bar less than window %s real %s cal next stock" % (stock.id, window, len(bars)))
continue
for bar in bars:
rsv = session.query(StockRSV).filter(
StockRSV.id == bar.stock_id + "_" + str(bar.date)
).first()
if rsv is not None:
print("rsv: id:%s stock_id:%s, date:%s,rsv value:%s cal next bar" % (
rsv.id, rsv.stock_id, rsv.date, rsv.rsv
))
continue
prevbars = session.query(StockBar).filter(
StockBar.stock_id == stock.id,
StockBar.date <= bar.date
).order_by(StockBar.date.desc()).limit(window).all()
if len(prevbars) < window:
print("stock %s date %s perv less than window %s cal next date" % (stock.id, bar.date, window))
continue
for prevbar in prevbars:
print("prevbar: id %s , stock_id:%s, date:%s, open:%s, high:%s, low:%s, close:%s" %
(prevbar.id, prevbar.stock_id, prevbar.date, prevbar.open, prevbar.high, prevbar.low, prevbar.close))
low = prevbars[0].low
high = prevbars[0].high
lastopen = prevbars[0].open
lastclose = prevbars[0].close
for prevbar in prevbars:
if prevbar.high >= high:
high = prevbar.high
if prevbar.low <= low:
low = prevbar.low
print("rsv: stock_id %s, date:%s lastopen:%s, lastclose:%s, high:%s, low:%s" %
( bar.stock_id, bar.date, lastopen, lastclose, high, low))
stockrsv = StockRSV(id = bar.stock_id + "_" + str(bar.date),
stock_id = bar.stock_id,
date = bar.date,
rsv = 100 * (lastclose - low) / (high - low))
session.add(stockrsv)
session.commit()计算结果
计算KDJ指标
for stock in stocks:
i += 1
rsvs = session.query(StockRSV).filter(
StockRSV.stock_id == stock.id
).order_by(StockRSV.date.asc()).all()
if len(rsvs) < 1:
print("stock %s rsv less than window %s real %s cal next stock" % (stock.id, 1, len(rsvs)))
continue
for stockrsv in rsvs:
curkdj = session.query(StockKDJ).filter(
StockKDJ.id == stockrsv.stock_id + "_" + str(stockrsv.date)
).first()
if curkdj is not None:
print("kdj id:%s, stock_id:%s,date:%s,k:%s, d:%s,j:%s exist cal next" % (
curkdj.id, curkdj.stock_id, curkdj.date, curkdj.k, curkdj.d, curkdj.j
))
continue
lastkdj = session.query(StockKDJ).filter(
StockKDJ.stock_id == stockrsv.stock_id,
StockKDJ.date < stockrsv.date
).order_by(StockKDJ.date.desc()).limit(1).first()
lastkvalue = 0
lastdvalue = 0
if lastkdj is not None:
lastkvalue = lastkdj.k
lastdvalue = lastkdj.d
stockkdj = StockKDJ(id = stockrsv.stock_id + "_" + str(stockrsv.date),
stock_id = stockrsv.stock_id,
date = stockrsv.date,
k = curkvalue,
d = curdvalue,
j = 0)
session.add(stockkdj)
session.commit()计算结果
使用SQL选股
我们选择最近RSV值较低，且K>D 的十只股票
到股票软件上查看这几只股票的趋势图
实验总结
通过这次实验，我们探索了一种方法，使用python获取股票数据，因为记录数较多且计算过程无法递归，只能通过循环的方式结合数据库循环计算指标。最后将计算的结果存储在数据库中，利用SQL语言的丰富语义，可以灵活的验证各种选股的模型。虽然本次实验得出来的选股方法可能不如专业机构的准确，但是胜在灵活多变，你可以结合自己的经验调整。