股市风起云涌,我用Python分析周期之道

16、[机具竞争] SEQ2SEQ和殷勤样品二

17、机具竞争采取递推神经式网络(RNN)预测时期序列

18、[华尔街定量财政访谈问答彼此相连接的东西]第四的—十期

主体

的股本买卖周期是的股本买卖俗界的的价钱形式,通常与买卖周期关心。。 这是技术辨析的枢要。,投资额方法是由于周期性或反复性的价钱样品。。 以防笔者对股市周期受胎更的默许,笔者可以以对立较低的价钱紧握,并以对立较高的PRI经销。,总会吸引有力的的偿还。。自然,的股本买卖缺席永劫赚钱的战略。,只因笔者是由于Python的。,可以帮忙笔者更进一步的、敏捷相识的人的股本买卖人的皮肤的周期。。

fbprophet简介

Fbprophet是脸谱网述说的开源软件。,针对为大规模预测供给惠及的旅客车厢。。 默许养护下,它将时期序列划分为时髦和季节性。,可包孕年度,Zhou Du与日常。 只因,辨析师可以界限本人的季节性。。 为了更地默许藏书,机组成员提供免费入场券充分耐用的。。

藏书的性质经过是简略。、可塑度。 因笔者要计算的的股本买卖周期不受限度局限。,每周或每日,笔者一定界限笔者的周期。,找出什么更恰当的唱片。。 况且,因周末缺席买卖。,笔者不一定每周运用季节性。。 笔者还可以经过add_seasonality作用界限”self_define_cycle”。 个人财产设置只需求两行密码那就够了完整的。。

m = Prophet(weekly_seasonality=False,yearly_seasonality=False)(''self_define_cycle'',period=8,fourier_order=8,mode=''additive'')

以科斯科为例

笔者可以运用2015/10到1到2018/10/1的CordCo。, 运用pandas_datareader,笔者可以很快地读懂的股本价钱。。如下图:

地址:

在上面的加以总结中,笔者可以警告,自2015以后,官价受胎权力大的的增长时髦。。只,在这领域,仍有大量的左右动摇。,这些周期是笔者的赚钱点。。

ticker = "COST"start_date = ''2015-10-01''end_date = ''2018-10-01''stock_data = (的股本买卖), IEX, start_date, end_date)stock_data[''close''].plot(figsize=(16,8),color=''#002699'',alpha=)("Date",fontsize=12,fontweight=''bold'',色=灰色的(价钱),fontsize=12,fontweight=''bold'',色=灰色的(的股本) price for Costco",fontsize=18)()

属于预测样品,评价它们的一种方法是范本均方离经叛道的行为。。 笔者可以用2015/10/1到2018/3/31停止锻炼。,并保存过来6个月的唱片来考查和计算范本平均数。 在每个使翻筋斗中,笔者可以经过以最低的的价钱买进并在最低的价平均估价来最佳化笔者的进项。。 为了帮助工艺流程,笔者运用自界限作用Cyclix辨析。。 出口是单独列表。,内容克制每个周期的加以总结偿还和范本均方离经叛道的行为。

密码

defcycle_analysis(data,split_date,cycle,mode=''additive'',forecast_plot = False,print_ind=False):  training = 唱片[SPLITYDATION]:ILOC::- 1,]  testing = data[split_date:]  predict_period = len((split_date,max()))  df = ()  df.columns = [ DS’,''y'']  m = Prophet(weekly_seasonality=False,yearly_seasonality=False,daily_seasonality=False)  (''self_define_cycle'',period=cycle,fourier_order=8,mode=mode)  (DF)  future = (periods=predict_period)  forecast = (未来)以防 forecast_plot:    (预测)    (,''.'',color=''#ff3333'',alpha=)    (日期),fontsize=12,fontweight=''bold'',color=''gray'')    (价钱),fontsize=12,fontweight=''bold'',color=''gray'')    ()  ret = 最大()  model_tb = forecast[''yhat'']  model_tb.index = forecast[ DS’].map(lambda x:("%Y-%m-%d"))  out_tb = (考查,model_tb],axis=1)  out_tb = out_tb[~[:,0、ISNULL  out_tb = out_tb[~[:,1、ISNULL  mse = mean_squared_error([:,0],[:,1])  rep = [RET,中频以防 蜡纸油印机跟踪 return per cycle: 体式(圆)(ReP〔0〕,2)蜡纸油印机MSE 体式(圆)(ReP〔1〕,4)统计表 rep

在以下两个图中,笔者将两种明显的cycle(30和300)使分裂运用表格于Costco的股本价钱,2018/4 / 1被用作锻炼和考查的破碎日期。。 不下于笔者所警告的,以防笔者选择较短的上浆(诸如,30天),单独周期的偿还充分小。,笔者需求按期的买卖。,以防笔者选择更长的上浆,它将增强笔者的预测(诸如,300天)。。

笔者可以在cycle_analysis作用上运用表格单独使翻筋斗来计算明显的使翻筋斗上浆的加以总结偿还和范本均方离经叛道的行为,而且笔者在上面的加以总结中显示了胜利。不下于笔者所警告的,上浆越长,每个周期的加以总结进项和范本均方离经叛道的行为将递加。。 思索买卖成本,每个周期的加以总结进项一定超越10元。。 在这种约束下,笔者可以选择最小范本均方离经叛道的行为的周期。,如今是252天。。 每个周期的加以总结进项是,范本均方离经叛道的行为为。 二者都都澄清。!

testing_box = 射程(10),301)return_box = []mse_box = []for c in testing_box:  f = cycle_analysis(stock_data[''close''],''2018-04-01'',c)  (f[0])  (f[1])

————————————-

以防你有群众的、适合知和色调的新颖的文字。,迎将参与华尔街纵队。。

使求助于方法 :请将个人简介也代表运作发送至 zhuanlan@ ,并附上话筒和微信庶几乎做更进一步的沟通,在运动的中记载: 运用入驻见闻纵队 + 投稿人名字

发表评论

电子邮件地址不会被公开。 必填项已用*标注