干货丨 用 Python 进行股票分析

人们很容易被丰富的数据和各种免费开源工具所吸引。在研究了quandl financial library和prophet modeling library之后，我打算试着探究简单的股票数据。我花了几天的时间，前后写了1000多行Python代码，最终得出了一个完整的股票分析预测工具。虽然我没有自信用这个来投资某些个股，但在整个过程中我学到了很多Python的知识。秉承开源的精神，在这里我打算分享这些代码，让更多的人受益。

本文将展示如何使用Stocker，这是基于Python的股票分析预测工具。我看过一些对象导向的Python编程书籍，但就像大多数编程书籍一样，当我阅读这些书时，我并没有真正理解当中的内容。只有当我在深入一个项目，且遇到从未解决问题时，我才会终于理解那些概念，这也再次证明了实践比理论更重要。除了探索Stocker之外，我们还会涉及一些重要的内容，包括Python的基础知识和加性模型(additive model)。如果你想使用Stocker，可以在GitHub上找到完整的代码以及使用文档。Stocker很简单易用，即使是Python初学者也能学会，我建议每个人都试试。下面让我们一起看看Stocker的分析能力！

Stocker入门

在安装完需要的库之后，我们首先要将Stocker类导入到Python会话中。这里可以使用交互式Python会话或者在脚本目录中启动Jupyter Notebook。

from stocker import Stocker

现在，我们的Python会话中有了Stocker类，接着可以用它来创建类的实例。在Python中，类的实例称为对象，创建对象有时称为实例化或构造。为了创建一个Stocker对象，我们需要传递一个有效的股票代码。

microsoft = Stocker('MSFT') MSFT Stocker Initialized. Data covers 1986-03-13 to 2018-01-16.

现在，我们有了具有Stocker类属性的microsoft对象。Stocker建立在quandl WIKI数据库上，因此我们可以访问3000多只美国股票，并且可以查看多年的每日价格数据。这里我建议使用微软的数据。尽管微软被认为是开源的对立面，但他们最近做了一些改变，因此我认为他们正在接受开源社区（包括Python）。

Python中的类由两个主要部分组成：属性和方法。没有太多的细节，属性是与类相关的值或数据，或者是类的特定实例（对象）。方法是类中可用于数据的函数。Stocker对象的一个属性是特定公司的股票数据，当我们进行构造时，属性与该对象相关联。我们可以访问该属性，并将其分配给另一变量进行检查：

# Stock is an attribute of the microsoft object stock_history = microsoft.stock stock_history.head()

微软股票数据

Python类的好处是方法（函数）和所操作的数据与同一个对象相关联。我们可以使用Stocker对象的方法来绘制股票的历史股价。

# A method (function) requires parentheses microsoft.plot_stock() Maximum Adj. Close = 89.58 on 2018-01-12. Minimum Adj. Close = 0.06 on 1986-03-24. Current Adj. Close = 88.35.

默认值是调整后的收盘价格，这解释了股票拆分的原因（当一只股票被拆分成多只股票，比如2，每个新股票的价值是原始价格的1/2）。

这个图可以在谷歌搜索中轻松找到，但是这里我们可以用Python代码完成。plot_stock函数有许多可选的参数。默认情况下，这种方法会绘制整个日期范围的调整收盘价格，但我们还可以选择范围、统计数据和绘图类型。例如，如果我们想比较每日价格变化与交易量（股票数量），我们可以在函数指定那些变量。

microsoft.plot_stock(start_date = '2000-01-03',  end_date = '2018-01-16',  stats = ['Daily Change', 'Adj. Volume'],  plot_type='pct') Maximum Daily Change = 2.08 on 2008-10-13. Minimum Daily Change = -3.34 on 2017-12-04. Current Daily Change = -1.75. Maximum Adj. Volume = 591052200.00 on 2006-04-28. Minimum Adj. Volume = 7425503.00 on 2017-11-24. Current Adj. Volume = 35945428.00.

注意，y轴的百分比变化对应统计的平均值。这个规模是有必要的，因为股票的日常交易量数以亿计，而每日价格变化通常是几美元！通过转换为百分比的变化，我们可以用类似的规模查看这两个数据集。该图表显示，交易的股票数量和每日价格变化之间没有相关性，这很令人惊讶。我们通常认为，在股价变动大的时候股票交易更多。然而，真正的情况是交易量随着时间而下降。2017年12月4日，价格大幅度下降，我们可以联系相关微软新闻。12月3日的新闻如下：

不确定这些新闻来源是否可靠

当然，没有任何迹象表明微软股票将在第二天出现十年来最大的下跌。

使用plot_stock，我们可以查看任何日期的数据，并查找与现实事件（如果有的话）的相关性。接下来，我们看到Stocker当中很有意思的部分。

假设我们很有远见的在公司首次公开募股(IPO)中投资了100股微软股票。那如今我们肯定赚翻了!

microsoft.buy_and_hold(start_date='1986-03-13',                       end_date='2018-01-16', nshares=100) MSFT Total buy and hold profit from 1986-03-13 to 2018-01-16 for 100 shares = $8829.11

除了让我们感觉更好，使用这些结果能让我们对之后进行规划，实现利润最大化。

microsoft.buy_and_hold(start_date='1999-01-05',                      end_date='2002-01-03', nshares=100) MSFT Total buy and hold profit from 1999-01-05 to 2002-01-03 for 100 shares = $-56.92

加性模型

加性模型是分析和预测时间序列的强大工具，而且是最常见的数据类型之一。这个概念很简单：将时间序列表示为不同时间范围和整体趋势的组合。众所周知，微软股票的长期趋势是稳步增长的，但也可能会有每年、每天的增长模式，比如每个星期二增长一次。由Facebook开发的Prophet是通过日常观察，从而分析时间序列的库。Stocker用Prophet完成了所有建模的工作，因此我们可以用简单的方法创建、检查模型。

model, model_data = microsoft.create_prophet_model()

加性模型可以消除数据中的噪音，这就是为什么建模线与观测结果不完全一致的原因。Prophet模型能够计算不确定性，这是建模的一个重要部分。我们也可以用Prophet模式来预测未来，但现在我们更关注过去的数据。注意，这个方法调用返回了两个对象，模型和一些数据，我们将它们分配给变量。现在我们用用这些变量绘制时间序列组件。

# model and model_data are from previous method call model.plot_components(model_data) plt.show()

总体趋势是过去三年来的明显增长。此外，还有一个值得注意的年度模式（下图），股价在9月份和10月份触底，11月份和1月份达到峰值。随着时间范围的缩短，数据中变化幅度越来越大。如果我们认为可能存在周模式，那么可以更改Stocker对象的weekly_seasonality属性，并将其添加到prophet 模型中：

print(microsoft.weekly_seasonality) microsoft.weekly_seasonality = True print(microsoft.weekly_seasonality) False True

weekly_seasonality的默认值是False，但我们改变该值，从而让模型包含周模式。然后，我们再次调用create_prophet_model并绘制结果组件。以下是新模式的每周模式。

我们可以忽略周末，因为价格只会在一周内发生变化。在继续建模之前，我们将关闭每周的季节性。股票的走势基本是随机的，只能从每年的大范围才能看到趋势。

变点 (Change points)

当时间序列从递增到递减或相反情况时，会出现变点（严格地说，变点位于时间序列变化率最大的地方）。这是非常重要的，因为知道什么时候股票将上涨或达到顶峰会带来显著的经济效益。识别变点能够让我们预测股票价格的未来波动。Stocker对象能够自动为我们找到10个最大的变点。

microsoft.changepoint_date_analysis() Changepoints sorted by slope rate of change (2nd derivative):          Date  Adj. Close     delta 48  2015-03-30   38.238066  2.580296 337 2016-05-20   48.886934  2.231580 409 2016-09-01   55.966886 -2.053965 72  2015-05-04   45.034285 -2.040387 313 2016-04-18   54.141111 -1.936257

变点往往与股价的高峰和低谷一致。Prophet只能在前80％的数据中找到变点，但是这些结果是有用的，因为我们可以尝试将其与真实事件相关联。我们可以重复之前的做法，比如在这些日期手动搜索相关新闻资讯，但是如果能让Stocker完成就更好了。你也许知道搜索趋势工具，该工具可让你随时查看谷歌搜索中的关键字的流行度。Stocker可以自动检索任何搜索内容，并将结果绘制在原始数据上。为了查找和绘制搜索词的频率，我们修改了之前的方法调用。

# same method but with a search term microsoft.changepoint_date_analysis(search = 'Microsoft profit') Top Related Queries:                  query  value 0  microsoft non profit    100 1      microsoft office     55 2                 apple     30 3         microsoft 365     30 4  microsoft office 365     20 Rising Related Queries:                   query  value 0          microsoft 365    120 1   microsoft office 365     90 2  microsoft profit 2014     70

除了绘制相关的搜索频率外，Stocker还会显示图表日期范围内的热门搜索词。通过将值除以最大值将y轴的值控制在0和1之间，从而让我们比较两个不同比例的变量。从图中可以看出，搜索“微软利润”和微软股价之间没有任何联系。

即使找到了相关性，还是存在因果关系的问题。我们不知道新闻是否导致价格变化，或价格变化导致搜索。可能有会找到一些有用信息，但也可能是偶然的。你可以试试不同的词，看看能否找到相关趋势。

microsoft.changepoint_date_analysis(search = 'Microsoft Office')

预测

到目前为止，我们只探索了Stocker一半的作用，另一半可以用来预测未来股价。虽然这可不会带来收益，但在这个过程中能够学到很多东西。

# specify number of days in future to make a prediction model, future = microsoft.create_prophet_model(days=180) Predicted Price on 2018-07-15 = $97.67

尽管Stocker的所有功能已经公开可用，但是创建这个工具的过程很有趣。重要的是相比大学课程，这能让我学到更多的数据科学、Python和股票市场的知识。如今在大数据的时代，每个人都能学习编程、机器学习。如果你有项目创意，但不确定自己有能力去完成，不要让它阻止你。你可能会得出更好的解决方案，即使没有成功你也在过程中学到很多知识。