干貨丨 用 Python 進(jìn)行股票分析

人們很容易被豐富的數(shù)據(jù)和各種免費(fèi)開源工具所吸引。在研究了quandl financial library和prophet modeling library之后，我打算試著探究簡(jiǎn)單的股票數(shù)據(jù)。我花了幾天的時(shí)間，前后寫了1000多行Python代碼，最終得出了一個(gè)完整的股票分析預(yù)測(cè)工具。雖然我沒有自信用這個(gè)來(lái)投資某些個(gè)股，但在整個(gè)過(guò)程中我學(xué)到了很多Python的知識(shí)。秉承開源的精神，在這里我打算分享這些代碼，讓更多的人受益。

本文將展示如何使用Stocker，這是基于Python的股票分析預(yù)測(cè)工具。我看過(guò)一些對(duì)象導(dǎo)向的Python編程書籍，但就像大多數(shù)編程書籍一樣，當(dāng)我閱讀這些書時(shí)，我并沒有真正理解當(dāng)中的內(nèi)容。只有當(dāng)我在深入一個(gè)項(xiàng)目，且遇到從未解決問(wèn)題時(shí)，我才會(huì)終于理解那些概念，這也再次證明了實(shí)踐比理論更重要。除了探索Stocker之外，我們還會(huì)涉及一些重要的內(nèi)容，包括Python的基礎(chǔ)知識(shí)和加性模型(additive model)。如果你想使用Stocker，可以在GitHub上找到完整的代碼以及使用文檔。Stocker很簡(jiǎn)單易用，即使是Python初學(xué)者也能學(xué)會(huì)，我建議每個(gè)人都試試。下面讓我們一起看看Stocker的分析能力！

Stocker入門

在安裝完需要的庫(kù)之后，我們首先要將Stocker類導(dǎo)入到Python會(huì)話中。這里可以使用交互式Python會(huì)話或者在腳本目錄中啟動(dòng)Jupyter Notebook。

from stocker import Stocker

現(xiàn)在，我們的Python會(huì)話中有了Stocker類，接著可以用它來(lái)創(chuàng)建類的實(shí)例。在Python中，類的實(shí)例稱為對(duì)象，創(chuàng)建對(duì)象有時(shí)稱為實(shí)例化或構(gòu)造。為了創(chuàng)建一個(gè)Stocker對(duì)象，我們需要傳遞一個(gè)有效的股票代碼。

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

現(xiàn)在，我們有了具有Stocker類屬性的microsoft對(duì)象。Stocker建立在quandl WIKI數(shù)據(jù)庫(kù)上，因此我們可以訪問(wèn)3000多只美國(guó)股票，并且可以查看多年的每日價(jià)格數(shù)據(jù)。這里我建議使用微軟的數(shù)據(jù)。盡管微軟被認(rèn)為是開源的對(duì)立面，但他們最近做了一些改變，因此我認(rèn)為他們正在接受開源社區(qū)（包括Python）。

Python中的類由兩個(gè)主要部分組成：屬性和方法。沒有太多的細(xì)節(jié)，屬性是與類相關(guān)的值或數(shù)據(jù)，或者是類的特定實(shí)例（對(duì)象）。方法是類中可用于數(shù)據(jù)的函數(shù)。Stocker對(duì)象的一個(gè)屬性是特定公司的股票數(shù)據(jù)，當(dāng)我們進(jìn)行構(gòu)造時(shí)，屬性與該對(duì)象相關(guān)聯(lián)。我們可以訪問(wèn)該屬性，并將其分配給另一變量進(jìn)行檢查：

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

微軟股票數(shù)據(jù)

Python類的好處是方法（函數(shù)）和所操作的數(shù)據(jù)與同一個(gè)對(duì)象相關(guān)聯(lián)。我們可以使用Stocker對(duì)象的方法來(lái)繪制股票的歷史股價(jià)。

# 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.

默認(rèn)值是調(diào)整后的收盤價(jià)格，這解釋了股票拆分的原因（當(dāng)一只股票被拆分成多只股票，比如2，每個(gè)新股票的價(jià)值是原始價(jià)格的1/2）。

這個(gè)圖可以在谷歌搜索中輕松找到，但是這里我們可以用Python代碼完成。plot_stock函數(shù)有許多可選的參數(shù)。默認(rèn)情況下，這種方法會(huì)繪制整個(gè)日期范圍的調(diào)整收盤價(jià)格，但我們還可以選擇范圍、統(tǒng)計(jì)數(shù)據(jù)和繪圖類型。例如，如果我們想比較每日價(jià)格變化與交易量（股票數(shù)量），我們可以在函數(shù)指定那些變量。

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軸的百分比變化對(duì)應(yīng)統(tǒng)計(jì)的平均值。這個(gè)規(guī)模是有必要的，因?yàn)楣善钡娜粘＝灰琢繑?shù)以億計(jì)，而每日價(jià)格變化通常是幾美元！通過(guò)轉(zhuǎn)換為百分比的變化，我們可以用類似的規(guī)模查看這兩個(gè)數(shù)據(jù)集。該圖表顯示，交易的股票數(shù)量和每日價(jià)格變化之間沒有相關(guān)性，這很令人驚訝。我們通常認(rèn)為，在股價(jià)變動(dòng)大的時(shí)候股票交易更多。然而，真正的情況是交易量隨著時(shí)間而下降。2017年12月4日，價(jià)格大幅度下降，我們可以聯(lián)系相關(guān)微軟新聞。12月3日的新聞如下：

不確定這些新聞來(lái)源是否可靠

當(dāng)然，沒有任何跡象表明微軟股票將在第二天出現(xiàn)十年來(lái)最大的下跌。

使用plot_stock，我們可以查看任何日期的數(shù)據(jù)，并查找與現(xiàn)實(shí)事件（如果有的話）的相關(guān)性。接下來(lái)，我們看到Stocker當(dāng)中很有意思的部分。

假設(shè)我們很有遠(yuǎn)見的在公司首次公開募股(IPO)中投資了100股微軟股票。那如今我們肯定賺翻了!

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

除了讓我們感覺更好，使用這些結(jié)果能讓我們對(duì)之后進(jìn)行規(guī)劃，實(shí)現(xiàn)利潤(rùn)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

加性模型是分析和預(yù)測(cè)時(shí)間序列的強(qiáng)大工具，而且是最常見的數(shù)據(jù)類型之一。這個(gè)概念很簡(jiǎn)單：將時(shí)間序列表示為不同時(shí)間范圍和整體趨勢(shì)的組合。眾所周知，微軟股票的長(zhǎng)期趨勢(shì)是穩(wěn)步增長(zhǎng)的，但也可能會(huì)有每年、每天的增長(zhǎng)模式，比如每個(gè)星期二增長(zhǎng)一次。由Facebook開發(fā)的Prophet是通過(guò)日常觀察，從而分析時(shí)間序列的庫(kù)。Stocker用Prophet完成了所有建模的工作，因此我們可以用簡(jiǎn)單的方法創(chuàng)建、檢查模型。

model, model_data = microsoft.create_prophet_model()

加性模型可以消除數(shù)據(jù)中的噪音，這就是為什么建模線與觀測(cè)結(jié)果不完全一致的原因。Prophet模型能夠計(jì)算不確定性，這是建模的一個(gè)重要部分。我們也可以用Prophet模式來(lái)預(yù)測(cè)未來(lái)，但現(xiàn)在我們更關(guān)注過(guò)去的數(shù)據(jù)。注意，這個(gè)方法調(diào)用返回了兩個(gè)對(duì)象，模型和一些數(shù)據(jù)，我們將它們分配給變量?，F(xiàn)在我們用用這些變量繪制時(shí)間序列組件。

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

總體趨勢(shì)是過(guò)去三年來(lái)的明顯增長(zhǎng)。此外，還有一個(gè)值得注意的年度模式（下圖），股價(jià)在9月份和10月份觸底，11月份和1月份達(dá)到峰值。隨著時(shí)間范圍的縮短，數(shù)據(jù)中變化幅度越來(lái)越大。如果我們認(rèn)為可能存在周模式，那么可以更改Stocker對(duì)象的weekly_seasonality屬性，并將其添加到prophet 模型中：

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

weekly_seasonality的默認(rèn)值是False，但我們改變?cè)撝?，從而讓模型包含周模式。然后，我們?cè)俅握{(diào)用create_prophet_model并繪制結(jié)果組件。以下是新模式的每周模式。

我們可以忽略周末，因?yàn)閮r(jià)格只會(huì)在一周內(nèi)發(fā)生變化。在繼續(xù)建模之前，我們將關(guān)閉每周的季節(jié)性。股票的走勢(shì)基本是隨機(jī)的，只能從每年的大范圍才能看到趨勢(shì)。

變點(diǎn) (Change points)

當(dāng)時(shí)間序列從遞增到遞減或相反情況時(shí)，會(huì)出現(xiàn)變點(diǎn)（嚴(yán)格地說(shuō)，變點(diǎn)位于時(shí)間序列變化率最大的地方）。這是非常重要的，因?yàn)橹朗裁磿r(shí)候股票將上漲或達(dá)到頂峰會(huì)帶來(lái)顯著的經(jīng)濟(jì)效益。識(shí)別變點(diǎn)能夠讓我們預(yù)測(cè)股票價(jià)格的未來(lái)波動(dòng)。Stocker對(duì)象能夠自動(dòng)為我們找到10個(gè)最大的變點(diǎn)。

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

變點(diǎn)往往與股價(jià)的高峰和低谷一致。Prophet只能在前80％的數(shù)據(jù)中找到變點(diǎn)，但是這些結(jié)果是有用的，因?yàn)槲覀兛梢試L試將其與真實(shí)事件相關(guān)聯(lián)。我們可以重復(fù)之前的做法，比如在這些日期手動(dòng)搜索相關(guān)新聞資訊，但是如果能讓Stocker完成就更好了。你也許知道搜索趨勢(shì)工具，該工具可讓你隨時(shí)查看谷歌搜索中的關(guān)鍵字的流行度。Stocker可以自動(dòng)檢索任何搜索內(nèi)容，并將結(jié)果繪制在原始數(shù)據(jù)上。為了查找和繪制搜索詞的頻率，我們修改了之前的方法調(diào)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

除了繪制相關(guān)的搜索頻率外，Stocker還會(huì)顯示圖表日期范圍內(nèi)的熱門搜索詞。通過(guò)將值除以最大值將y軸的值控制在0和1之間，從而讓我們比較兩個(gè)不同比例的變量。從圖中可以看出，搜索“微軟利潤(rùn)”和微軟股價(jià)之間沒有任何聯(lián)系。

即使找到了相關(guān)性，還是存在因果關(guān)系的問(wèn)題。我們不知道新聞是否導(dǎo)致價(jià)格變化，或價(jià)格變化導(dǎo)致搜索?？赡苡袝?huì)找到一些有用信息，但也可能是偶然的。你可以試試不同的詞，看看能否找到相關(guān)趨勢(shì)。

microsoft.changepoint_date_analysis(search = 'Microsoft Office')

預(yù)測(cè)

到目前為止，我們只探索了Stocker一半的作用，另一半可以用來(lái)預(yù)測(cè)未來(lái)股價(jià)。雖然這可不會(huì)帶來(lái)收益，但在這個(gè)過(guò)程中能夠?qū)W到很多東西。

# 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

盡管Stocker的所有功能已經(jīng)公開可用，但是創(chuàng)建這個(gè)工具的過(guò)程很有趣。重要的是相比大學(xué)課程，這能讓我學(xué)到更多的數(shù)據(jù)科學(xué)、Python和股票市場(chǎng)的知識(shí)。如今在大數(shù)據(jù)的時(shí)代，每個(gè)人都能學(xué)習(xí)編程、機(jī)器學(xué)習(xí)。如果你有項(xiàng)目創(chuàng)意，但不確定自己有能力去完成，不要讓它阻止你。你可能會(huì)得出更好的解決方案，即使沒有成功你也在過(guò)程中學(xué)到很多知識(shí)。