50行代码教你买哪只黄金股！这就是Python的魅力50行代码教你买哪只黄金股！这就是Python的魅力汇盈金服百家号菜鸟独白最近国际金融动荡，股市起起伏伏，前几天黄金股开始异动，涨幅非常凶猛！但是到底买哪个黄金股票呢，不如我们自己动手分析一下股票的详细数据，只要50行搞定！1.三大黄金股票随便打开一个券商的app,我们看一下目前比较猛的三大黄金股票:中金黄金，西部黄金，山东黄金。到底选哪一个好的，每个人都想今天买股票下单，明天涨停，但是股市有一句俗语，“一平一赢八亏损”！想在股市里面赚钱，不仅需要耐心，还需要技术！二者缺一不可，我们先数据分析一下:2.获取三大股票的数据我们可以自己去一些股票网站爬取，也可以用一些开放的接口库比如tushare库，基本上玩量化的都会用这个库，非常方便！我们通过API 可以一下子获取三大黄金股票的历史交易详细数据，只需要输入起始时间和结束时间，我们这里去/的数据.3.拿到数据简单清洗因为是通过API获取，数据其实已经帮我们清洗过了，因为它的数据非常详细:date：日期open：开盘价high：最高价close：收盘价low：最低价volume：成交量price_change：价格变动p_change：涨跌幅ma5：5日均价ma10：10日均价ma20:20日均价v_ma5:5日均量v_ma10:10日均量v_ma20:20日均量turnover:换手率[注：指数无此项]我们这里简单粗暴的用收盘价，涨跌幅和成交量，这3个维度！尤其是涨跌幅度，可以快速的反映出这3大黄金股内在特性。我们看一下清洗完成的3个黄金股票的1年零3个月的涨幅情况，一共有298个交易日，但是西部黄金有缺失数据，只有188个交易日，中间有几个月的停牌！4.到底买一个股票呢用数据可视化是非常好的方法，帮我们探索和追踪数据集的内部秘密，我们马上来可视化一下，简单用3幅图示例一下：1). 看一下月线图：最近一个月西部黄金非常猛，一个月的涨幅达到了33%，相当厉害了，要知道上证指数3月份是跌了-3点几！上面的条形图虽然很好，但是无法反映哪个股票比较活跃，那个比较保守！2).分布图纵观整个1年多的交易，很明显西部黄金非常活跃，震幅非常大，而山东黄金相对要稳定一些。3).趋势图看从趋势图看在春节之后，黄金周线开始趋于平和，西部黄金一直是在三大黄金股票里面扮演最活跃的角色，3/18开始异动，一周的涨幅达到了20%。4).涨跌概率VS幅度经过前面几步，我们大致可以分析得出，如果是一个积进的投资者可以买西部黄金，如果是稳健型的可以买山东黄金！但是能否再进一步呢，我统计了这三只股票的涨跌的概率，以及涨幅的幅度，发现下面这个小秘密:三大股票，涨的概率:[46.9%, 49.2%, 47.7%]，跌的概率:[53.1%, 50.8%, 52.3%],三者很接近，步调一致，而涨跌的比例也差不多5/5开！那么我们看一下如果都在涨的情况下，西部赚的钱是中金的近1倍，而下跌的时候中金比西部要少亏40%，这就是暗示我们一个交易策略，如果想知道，后台输入：输入：黄金股。也欢迎你留言交流你的量化投资策略。综上所说，几十行代码分析，就可以非常方便的帮我们挑选股票！黄金是用来避险的，当市场情绪波动的时候，可以买一些黄金股来做平衡，进可攻退可守！当然上面只是从一个非常小的视角去分析，更多的量化技巧可以参考文末的推荐阅读！文章结束给大家带来福利了！开放Python书籍：一本短小精悍的初学者入门指南如何快速熟悉 Python 编程一直是很多初学者的疑问，我们经常考虑要不要系统地从头开始啃 Python 教程，但这种方法不仅非常枯燥且很难坚持。因此，对于很多入门读者，更好的方式是学习基础的 Python 编程，然后在实践中完善代码技巧。文章结尾介绍一本非常精炼的 Python 免费书籍，它不仅有基础知识，同时每一章节还有非常多的练习与源代码。该书是使用实践方法教授基础的 Python 编程语言。其方法相当基础：在简要介绍每个主题之后，读者要解答练习题来巩固知识点。这些练习题都是非常经典的任务，它们可以让我们在短时间内熟悉 Python 的使用。本书在第二章介绍了 Python 在各种操作系统上的安装并依次介绍了最基本的数据结构、数值和字符串、函数和模块、循环、字典和最后的类与目标。该书每一章都有非常多的配套练习题，且整本书非常短小精悍（22 页）。在该 GitHub 项目的发布页中，作者提供了 PDF 和 Epub 两种阅读版本和源代码。目录1 前言2 安装2.1 Windows 上的安装2.2 macOS 上的安装2.3 Linux 上的安装3 基本数据类型3.1 数值型习题3.2 字符串型习题3.3 列表型习题4 模块和函数4.1 数学模块习题4.2 函数习题4.3 递归函数4.4 递归函数习题5 迭代和循环5.1 循环习题5.2 while 循环习题6 字典6.1 字典习题6.2 子字典习题7 类7.1 类习题7.2 类继承7.3 类继承习题Python 的安装其实非常简单，方法也非常多，本书介绍的安装都是不使用 pip 等包管理工具的方法，其它方法还可以安装 Anaconda 等集成开发环境。第三章介绍了基本的数据类型与数据结构，如下展示了字符串与列表的基本使用：&&&&Hello&3’HelloHelloHello’字符串执行乘积运算可以复制多次，以下展示了列表的简单索引方法。&&& l =[’a’,’b’,’c’,’d’,’e’]&&& l[1:3][’b’,’c’]第四章介绍了基本的模块与函数。首先在机器学习中，模块的导入与调用时非常重要的，因为很多时候科学计算库与模型框架能节省很多时间。以下简单地导入了一个数学模块：&&&import math&&& math.cos(0.0)1.0&&& math.radians(275)4.406当我们重复使用一个过程时，我们可以将这个过程定义为函数，以在主体函数中重复调用。&&& def add_one (val): pr int(&Function got value&, val)return val +1&&& value = add_one(1)Function got value 1&&& value2第五章介绍了迭代与循环，这是在训练过程中不可缺少的部分。这一部分主要描述了 for 循环与 while 循环，其中 for 循环经常用于列表循环。&&&for value in [0,1,2,3,4,5]: print ( value
value ) 0 1 4 9 16 25
#另一种列表循环 &&& mylist =[1,5,7] &&&for i in range(len (mylist)):
pr int(&Index :&, i,& Value :&, mylist[i])
Index:0Value:1 Index:1Value:5 Index:2Value:7根据个人经验，我们感觉 while 循环在机器学习中使用得比 for 循环少。大家在迭代训练训练或处理列表时基本上都是使用的 for 循环，以下展示了简单的 while 循环。&&& n =4&&&while n &0: pr int( n ) n = n14321第 6 章介绍了字典，它在机器学习中是非常重要的数据结构。例如我们在 TensorFlow 中使用占位符定义输入数据，那么我们就需要使用字典馈送输入数据与对应的标注。ages ={&Peter&:10,&Isabel&:11,&Anna&:9,&Thomas&:10,&Bob&:10,&Joseph&:11,&Maria&:12,&Gabriel&:10,}&&& print (ages[&Peter&])10最后一章介绍了面向对象编程的基础，即类和对象。在机器学习中，使用类来定义模型是非常常见的方法，如果希望简单的看懂模型源代码，那么类与对象的知识就必不可少了。class Person: def __init__(self, name, age): self.name = name self.age = age
def greet(self):
print(&Hello, my name is %s!& % self.name)&& a = Person(&Peter&, 20)&&& b = Person(&Anna&, 19)&&& a.greet()Hello, my name is Peter!&&& b.greet()Hello, my name is Anna!&&& print(a.age) 20感谢阅读，如果我的分享对你有帮助，还请多多转发和收藏，关注菜鸟学Python头条号，分享更多知识。本文由百家号作者上传并发布，百家号仅提供信息发布平台。文章仅代表作者个人观点，不代表百度立场。未经作者许可，不得转载。汇盈金服百家号最近更新：简介:理财资讯，关注我就够了作者最新文章相关文章使用Python预测黄金AU9999收盘价
1、加载Python包
import pandas as pd
import math
import numpy as np
import datetime, time
from sklearn import preprocessing, cross_validation, svm
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
from matplotlib import style
style.use('ggplot')
2、读入数据集
finance_data = pd.read_csv('/Users/MichaelDeng/PycharmProjects/Python_finance/AU9999历史交易数据(至).csv',encoding="gbk")
3、查看数据集
print type(finance_data)
print finance_data.index
print finance_data.columns
print finance_data.describe()
finance_data.head()
4、对数据集处理
df = finance_data[[u'日期',u'开盘价', u'最高价', u'最低价', u'收盘价', u'成交量（公斤）']]
df.columns=['Date','Adj. Open','Adj. Hign','Adj. Low','Adj. Close','Adj. Volume']
df['Date']=pd.to_datetime(df['Date'])
df.index=df['Date']
df = df.sort_index(ascending=True)
del df['Date']
Adj. Close
Adj. Volume
5、处理异常行数据
df[df.index==''].index
df.drop(df[df.index==''].index,inplace=True)
print df.index
print df.columns
print df.describe()
DatetimeIndex([‘’, ‘’, ‘’, ‘’,
‘’, ‘’, ‘’, ‘’,
‘’, ‘’,
‘’, ‘’, ‘’, ‘’,
‘’, ‘’, ‘’, ‘’,
‘’, ‘’],
dtype=’datetime64[ns]’, name=u’Date’, length=1397, freq=None)
Index([u’Adj. Open’, u’Adj. Hign’, u’Adj. Low’, u’Adj. Close’, u’Adj. Volume’], dtype=’object’)
Adj. Close
276.691918
277.820988
274.407158
276.071790
210.790000
218.500000
167.500000
216.900000
245.990000
247.000000
244.000000
245.700000
265.980000
267.000000
264.000000
265.350000
291.990000
293.990000
288.200000
290.800000
362.990000
363.000000
360.500000
362.000000
Adj. Close
Adj. Volume
6、某些列进行数据类型转换
for i in range(0,len(df)):
df['Adj. Volume'][i] = df['Adj. Volume'][i].encode('ascii','ignore').replace(',','')
df['Adj. Volume'] = df['Adj. Volume'].astype(np.float64)
df.describe()
Adj. Close
Adj. Volume
7、计算其他特征指标
df['HL_PCT'] = (df['Adj. Hign'] - df['Adj. Close']) / df['Adj. Close'] * 100.0
df['CO_PCT'] = (df['Adj. Close'] - df['Adj. Open']) / df['Adj. Open'] * 100.0
df = df[['Adj. Close', 'HL_PCT', 'CO_PCT', 'Adj. Volume']]
Adj. Close
Adj. Volume
8、构造预测指标
forecast_col = 'Adj. Close'
df.fillna(-99999, inplace=True)
forecast_out = 7
df['label'] = df[forecast_col].shift(-forecast_out)
Adj. Close
Adj. Volume
9、特征指标数据缩放，预测数据分割
X = np.array(df.drop(['label'], 1))
X = preprocessing.scale(X)
X = X[:-forecast_out]
X_lately = X[-forecast_out:]
df.dropna(inplace=True)
y = np.array(df['label'])
[-0....4283689 ]
[-0.0505649
10、模型建立与模型预测
X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2)
clf = LinearRegression(n_jobs=-1)
clf.fit(X_train, y_train)
accuracy = clf.score(X_test, y_test)
print accuracy
forecast_set = clf.predict(X_lately)
print(forecast_set, accuracy, forecast_out)
df['Forecast'] = np.nan
(array([ 275.,
274.]), 0.24297, 7)
11、预测结果可视化
df = df['2017']
last_date = df.iloc[-1].name
last_unix = time.mktime(last_date.timetuple())
one_day = 86400
next_unix = last_unix + one_day
for i in forecast_set:
next_date = datetime.datetime.fromtimestamp(next_unix)
next_unix += one_day
df.loc[next_date] = [np.nan for _ in range(len(df.columns) - 1)] + [i]
df['Adj. Close'].plot()
df['Forecast'].plot()
plt.legend(loc=4)
plt.xlabel('Date')
plt.ylabel('Price')
plt.show()
df_his = df[df['Forecast'].isnull()]
df_his['Adj. Close'].plot()
plt.legend(loc=4)
plt.xlabel('Date')
plt.ylabel('Price')
plt.show()
df_for = df[df['Forecast'].notnull()]
df_for['Forecast'].plot()
plt.legend(loc=4)
plt.xlabel('Date')
plt.ylabel('Price')
plt.show()
python实时获取和讯网纸黄金价格信息
利用python爬虫获取黄金价格
巧用正则巅峰采集黄金白银大盘价信息
每天爬取黄金价格，并自动发送到邮箱
手把手：用Python搭建机器学习模型预测黄金价格
【Python量化投资系列】使用Python从Wind量化接口下载全部A股股票历史行情数据
Python点滴(三)—pandas数据分析与matplotlib画图
没有更多推荐了，Python Web实战 - 基于Flask实现的黄金点游戏
时间： 02:36:30
&&&& 阅读：133
&&&& 评论：
&&&& 收藏：0
标签：一、简介
　　团队成员：
　　　　领航者：张旭
　　　　驾驶员：张国庆
　　项目简介：
　　　　项目名称：基于B/S模式的黄金点游戏
　　　　采用技术：
　　　　　　后端：Python + Sqlite3
　　　　　　前端：HTML + CSS + JS + BootStrap
　　　　项目源码：
　　　　项目地址：（点击试玩）
　　　　服务器环境：Ubuntu Server 14.04 + Nginx 1.4.6 + uWSGI 2.0.14
　　游戏介绍：
　　　　黄金点游戏是一个数字小游戏，N个同学，每人写一个0~100之间的有理数 (不包括0或100)。交给裁判，裁判算出所有数字的平均值，然后乘以0.618，得到G值，提交的数字最靠近G（取绝对值）的同学得到N分。离G最远的同学得到-2分，其他同学得0分。玩了几天以后，玩家发现了一些很有意思的现象，比如黄金点在逐渐地往下移动。
　　游戏截图：
　　　　一、玩家可自定义游戏人数
　　　　二、游戏可多人玩，已经提交的玩家按钮会显示“已提交”状态。
　　　　三、游戏每轮结果会保存在历史记录中，便于统计结果。
　　实现特色：
　　　　一、游戏真正做到多人同时玩，每个用户有其固定的ID，多个浏览器登录结果并不会冲突，已提交的用户会显示“已提交”状态，当所有人都提交后，说明本轮游戏结束。
　　　　二、每轮游戏结束后，后台会自动计算游戏结果，并保存到历史记录中，便于后期统计。
　　　　三、BootStrap的风格显得更加友好，不会让玩家对界面产生厌恶感。
三、合作合影
四、个人总结
　　本次项目是二人合作，并且二人各有分工，既提高了开发效率，又提高了项目质量。
　　从本次项目中，我也是真正认识到多人合作的重要性，我在项目模型已经完成后，自认为已经完成项目所需功能，此时张旭提出游戏的bug，即只能支持整数的输入，而对于有理数的输入则无法处理，原因则是我在写代码时粗心，忘了解决这个问题。发现bug后，又重新修改代码，重新commit，重新push...
　　另一方面我本人比较欠缺的艺术审美方面的天赋，没办法把握前端页面是否美观，于是张旭又帮我设计页面展示，这是以前我独自工作时最头痛的地方，这次也得到了圆满的解决。
　　两人合作后，工作效率得到了提高，并且开发过程中也不再那么枯燥，心情也是项目质量的因素之一，另外两人取长补短，必然比一个人做出来的东西更好。
&标签：原文地址：http://www.cnblogs.com/conw/p/5971829.html
&&国之画&&&& &&&&chrome插件
版权所有 京ICP备号-2
迷上了代码！黄金具有储藏价值吗？神级程序员用Python预测未来黄金的价格！
然后我们读取过去10年间每天黄金ETF的价格数据，并将数据储存在Df中。我们移除那些不相关的变量并使用dropna函数删除NaN值。然后我们绘制出黄金ETF的收盘价格。
定义解释变量
黄金ETF价格=1.2×3天的移动平均价－0.2×9天的移动平均价+0.39
预测黄金ETF的价格
现在，是时候检查模型是否在测试数据集中有效了。我们使用由训练数据集建立的线性模型来预测黄金ETF的价格。预测模型可以得到给定解释变量X后相应的黄金ETF价格(y)。
图表显示了黄金ETF价格的预测值和实际值（蓝线是预测值，绿线是实际值）。
谢谢阅读，新年快乐·，祝大家在新的一年里事业学业顺利哈！
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点黄金具有储藏价值吗？神级程序员用Python预测未来黄金的价格！
然后我们读取过去10年间每天黄金ETF的价格数据，并将数据储存在Df中。我们移除那些不相关的变量并使用dropna函数删除NaN值。然后我们绘制出黄金ETF的收盘价格。
定义解释变量
黄金ETF价格=1.2×3天的移动平均价－0.2×9天的移动平均价+0.39
预测黄金ETF的价格
现在，是时候检查模型是否在测试数据集中有效了。我们使用由训练数据集建立的线性模型来预测黄金ETF的价格。预测模型可以得到给定解释变量X后相应的黄金ETF价格(y)。
图表显示了黄金ETF价格的预测值和实际值（蓝线是预测值，绿线是实际值）。
谢谢阅读，新年快乐·，祝大家在新的一年里事业学业顺利哈！
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点}