day29-金融量化

day30 金融量化分析 

金融知識：股票的組成
餘額寶收益下跌：貨幣政策寬鬆了。
MA5:從它開始及5天前的收盤價的平均值
金叉買入，死叉賣出

量化投資與python：python語言
量化投資第三方相關模塊：
    NumPy：數組批量計算
    pandas：表計算與數據分析
    Matplotlib：圖表繪製
        
三個模塊的學習：

anaconda下載，安裝anaconda3 5.3.1(64-bit)
下一步安裝便可，安裝後有anaconda prompt、anaconda navigator
activate base進入環境
anaconda自帶python，安裝時能夠不勾選path，不然打開的就是python中的anaconda
安裝後使用：Jupiter notebook，在help---keyboard shortcuts中可查看快捷鍵

1、numpy
import numpy as np
random.uniform(100,200) 100-200之間的隨機小數
例子1：
1.將數組中的數都*r，一行代碼實現
[r*a for a in li]
list(map(lambda x: x*r,li))
np實現：
arr = np.array(li)
arr*r
例子2：
p = [random.uniform(10,20) for _ in range(1000)]
n = [random.randint(1,10) for _ in range(1000)]

s = 0
for a,b in zip(p,n):
    s += a*b
s
np實現：
arr_p = np.array(p)
arr_n = np.array(n)
(arr_p * arr_n).sum()

np優勢：速度快，省內存
shape屬性經常使用--數組的維度大小
數據類型經常使用整型和浮點型：
0看做是整數，4個字節，表示(-2 ** 31, 2**31-1),共2**32個數
int32大概是21億左右；；溢出會變爲0
astype能夠轉類型：arr.astype('float') 知道小數和整數互相轉換便可

arange()步長能夠是小數
np.zeros((2,3),dtype='int') 建立一個2行3列的數組，數值是int類型的全0，默認dtype是小數
np.empty()
數組的轉換：np.arange(15).reshape(3,5)
np.arange(15)[:-1].reshape(2,7)
np.arange(60).reshape(-1,5,4)  -1位置隨意

8:50-
布爾型索引
arr[1,2]  第一行，第二列，下標從0開始
arr[:,2] 行都要，取第二列
"# 二維數組的行索引和列索引能夠互相搭配\n",
"# 例外：都是花式索引或者布爾型索引不行\n",
能夠這樣："arr[[0,2],:][:,[1,3,4]]"
ceil向上, floor向下, rint四捨五入, trunc向零取整

方差 每一數與平均數的差取平方再求和
std= aqrt(var) 標準差=方差開根號
np.random.randint(3,10,3)  隨機生成3個3-10的隨機整數
np.random.randint(3,10,(3,5))  隨機生成3行5列的3-10的隨機整數
    
重點：四個取整和兩個特殊值nan 、 inf    
高數、線性代數、離散數學


    
2、pandas--最重要
具有對其功能的數據結構DataFrame、Series
Series是一種相似於一位數組的對象，由一組數據和一組與之相關的數據標籤（索引）組成。
支持數組的特性（語法、函數及方法）
import pandas as pd
sr = pd.Series([1,2,3,4,5],index=['a','b','c','d','e'])
sr[2:3] #  c 3
# sr['b':'c']  先後都包
標籤是整數，取標籤對應的數
loc屬性     以標籤解釋
iloc屬性    如下標解釋 

數據對齊：按照標籤來相加，不存在的相加顯示nan（不存在默認爲缺失值）
nan的類型爲float，series數據類型一致，因此整數和也是float
將缺失值設爲0  ：sr1.add(sr2, fill_value=0) 

處理缺失數據：
    過濾缺失數據：sr.dropna() 或 sr[data.notnull()]
    填充缺失數據：fillna(0)

DataFrame：二維的數據結構
本身建立pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]}) 瞭解便可
主要是從文件中讀取，例如：通常是 csv
文件打不開，能夠改成zip，就能夠打開了，數據在worksheets文件夾中的sheet1.xml中

csv文件讀取與寫入：
df = pd.read_csv('601318.csv')
df.read_csv('filename.csv') 讀   
df.to_csv('new.csv') 寫
第一行默認解釋成列索引，默認生成從0開始的行索引！
array的dtype=object，由於每一列的值不一致。
df.index

切片和索引：第一個表示行
方法1：兩個中括號，先取列再取行。  df['A'][0]
方法2（推薦）：使用loc/iloc屬性，一箇中括號，逗號隔開，先取行再取列。
loc屬性：解釋爲標籤
iloc屬性：解釋爲下標
先去列再取行或者df.loc[1,'open]  df.iloc[1,1]
賦值df.iloc[1,1]=12

大於20的數都變爲0  注意不取字符串類型的值，不然會報錯
df2 = df.loc[:,'open':'low'].copy()
df2[df2>20] = 0
df2

DataFrame數據對齊設置fill_value=0，行列都存在則進行相加缺失數據：填充fillna(0) 扔掉dropnadropna(how='all')行列有數據就留下，默認爲any，有缺失值就整行或列丟掉axis=1，換軸，本來是刪一行，變爲刪一列skipna=False跳過缺失值ascending=False 降序時間對象timedelta時間差值to_pydatetime()轉換成python中datetime中的格式作日期報表：# pd.DataFrame(np.nan, index=pd.date_range('2019-1-1', '2019-12-31'), columns=['張三','李四','王五']).to_csv('date.csv') 產生時間對象數組：date_rangepd.date_range('2019-1-1', '2019-12-31'，freq='MS') 每月初生成一條，freq='M'每月末生成一條3D：3天一條  SM：半個月 W-FRI ：每週五 B：週一到週五時間序列：DatetimeIndex對象類型，能夠進行快速的切片補充：df.resample('3D').mean() 每3天取平均每個月第一天 df.resample('M').first()統計學會有專門分支講解，咱們學習瞭解目前的就好。文件處理：1.pd.read_csv('601318.csv')，默認把第一行解釋爲表頭pd.read_csv('601318.csv'，header=None) 指定文件無列名行索引本身生成，index_col  指定某列做爲索引，就是普通的indexparse_dates=True   指定某些列是否被解析爲日期，布爾值或列表，此時日期就是datetimeindex類型sep='\s+'指定分隔符爲空格，這樣可忽略數據之間的空格有時可能遇到一個字段（eg：None）沒有解析整個列數據類型都改變的狀況，須要指定缺失值。na_values  指定某些字符串表示缺失值  ，na_values=['None'，'<empty>']，這樣會把None,<empty>解析爲NaNfloat_format='%.3f' 保留小數點後3位index=False    不輸出行索引一列columns=['open','low'] 只導出指定的兩列na_rep='NaN'Tushare是一個免費、開源的python財經數據接口包。(國內的)須要安裝：deactivateactivate basepip install tushare安裝後能夠import使用 import tushare as ts"ts.get_k_data('601318',start='1980-1-1',end='2018-12-1')"獲取股票數據小練習：1手：100股定投：幾年以後極可能賺錢！day29  ok！下週;畫圖及策略----視頻？？