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指标的定义
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 通过利用这个方法，我们可以在4000多支股票中筛选出若干可能出现反弹的股票，然后再用人的经验和其他方面的信息选出心仪的股票了。 我们的实验思路是： 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，https://juejin.cn/post/6976562433695416327 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 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 计算结果 计算KDJ指标 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，可以灵活验证各种选股的模型。docker pull docker.io/python 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() 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()