共计 3462 个字符，预计需要花费 9 分钟才能阅读完成。
背景
近期在学习数据分析，在课程最初老师讲了一下通过量化剖析抉择股票的案例，感觉挺有意思的，恰好四周也有人在炒股票，罗唆本人做一个软件来实际一下学到的常识。课程上次要用 python 相干库来解决比特币的数据，数据量也不大，然而了解原理之后咱们能够触类旁通。
首先来回顾一下次要的知识点，抉择股票的时候会用到两个重要的指标 RSV、KDJ。他们的定义见上面的课件截图，具体的内容我就不论述了，因为我是非金融业余的，对这些词汇解释起来有点吃力。咱们只有记住这两个指标如何计算，以及前面如何应用即可
KDJ 指标定义
计算 K 指标
计算 D 指标
计算 J 指标
试验原理
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 灵活，当 K 值上穿 D 值时（第一次呈现 K >D）时代表股票可能呈现向上反弹，此时是买入机会，当 K 下穿 D 值时（第一次呈现 K <D）时，代表股票有较大概率呈现上涨，此时是卖出机会。
通过利用这个办法，咱们能够在 4000 多支股票中筛选出若干可能呈现反弹的股票，而后再用人的教训和其余方面的信息选出心仪的股票了。
咱们的试验思路是：
- 先从网络上获取过来半年 4000 支股票的交易信息，包含日期（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
- 最初用 python 程序读取 stockrsvs 表，计算出 k、d、j 三个指标
- 最初咱们用 SQL 语句查询数据库，每个人能够基于 RSV、k、d、j 这四个值自在定义查问形式
这里咱们用到了 kdj 金融常识、python 编程常识、SQL 语言以及数据库相干的内容，也算是一次综合性的演练了。还能够利用 Sugar 来在线绘制大屏小白学数据分析 – 工具篇（可视化 Sugar）
试验过程
试验环境筹备
咱们用到了 python 开发环境，这里咱们用 docker 间接获取一个镜像应用，省的装置一堆乌七八糟的依赖，当然你也能够依照本人的爱好来自行装置
Docker pull docker.io/python数据库咱们应用了一个收费的云数据库 MemFireDB https://memfiredb.com，他提供了公网 IP 以及可视化的 SQL 编辑器不便咱们后续查问数据
试验步骤和代码
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
应用 SQL 选股
咱们抉择最近 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
试验总结
通过这次试验，咱们摸索了一种办法，应用 python 获取股票数据，因为记录数较多且计算过程无奈递归，只能通过循环的形式联合数据库循环计算指标。最初将计算的后果存储在数据库中，利用 SQL 语言的丰盛语义，能够灵便的验证各种选股的模型。尽管本次试验得进去的选股办法可能不如业余机构的精确，然而胜在灵便多变，你能够联合本人的教训调整。
