您的位置:首页 > 科技 > 能源 > 你知道的2021_网络营销课程培训课程_南昌seo营销_网站建设是干嘛的

你知道的2021_网络营销课程培训课程_南昌seo营销_网站建设是干嘛的

2024/12/23 10:32:06 来源:https://blog.csdn.net/fengbuyu/article/details/143668792  浏览:    关键词:你知道的2021_网络营销课程培训课程_南昌seo营销_网站建设是干嘛的
你知道的2021_网络营销课程培训课程_南昌seo营销_网站建设是干嘛的

19年创业做过一年的量化交易但没有成功,作为交易系统的开发人员积累了一些经验,最近想重新研究交易系统,一边整理一边写出来一些思考供大家参考,也希望跟做量化的朋友有更多的交流和合作。

接下来聊聊基于A股API获取衍生数据。

衍生数据(Derived Data)是通过对原始市场数据进行深度加工和计算得到的,如技术指标、资金流向、波动率等,这些数据对于深入分析市场动向、设计交易策略具有重要作用。在 A 股自动化交易系统中,利用公开的 API 获取并计算衍生数据可以帮助更好地进行策略分析和决策支持。以下是通过 Python 编写的代码示例,利用 A 股公开 API 获取衍生数据的详细开发内容。

1. 获取原始数据并计算技术指标

技术指标是最常见的衍生数据之一,例如移动平均线(MA)、相对强弱指数(RSI)、布林带(Bollinger Bands)等,这些指标有助于识别市场趋势和交易机会。以下示例演示了如何通过东方财富 API 获取 K 线数据并计算移动平均线和 RSI。

import requests
import pandas as pd
import numpy as npdef get_eastmoney_klines(stock_code, market_type='0', kline_type='101', limit=100):"""获取东方财富 A 股的 K 线数据。:param stock_code: 股票代码,例如 '600519' 表示贵州茅台:param market_type: 市场类型,'0' 表示沪市,'1' 表示深市:param kline_type: K 线类型,'101' 表示日 K 线:param limit: 获取的 K 线数据数量:return: K 线数据的 pandas DataFrame"""url = f"http://push2his.eastmoney.com/api/qt/stock/kline/get"params = {"secid": f"{market_type}.{stock_code}","fields1": "f1,f2,f3,f4,f5,f6","fields2": "f51,f52,f53,f54,f55,f56","klt": kline_type,"fqt": "1","end": "20500101","lmt": limit,}response = requests.get(url, params=params)if response.status_code == 200:data = response.json()klines = data.get("data", {}).get("klines", [])kline_list = [kline.split(",") for kline in klines]df = pd.DataFrame(kline_list, columns=["日期", "开盘价", "收盘价", "最高价", "最低价", "成交量"])df = df.astype({"开盘价": 'float', "收盘价": 'float', "最高价": 'float', "最低价": 'float', "成交量": 'int'})return dfelse:raise Exception(f"Error fetching K line data: {response.status_code}")# 获取贵州茅台(600519)的 K 线数据
df_klines = get_eastmoney_klines("600519")# 计算移动平均线(MA)
df_klines["MA_5"] = df_klines["收盘价"].rolling(window=5).mean()
df_klines["MA_10"] = df_klines["收盘价"].rolling(window=10).mean()# 计算相对强弱指数(RSI)
def calculate_rsi(data, window=14):delta = data.diff(1)gain = np.where(delta > 0, delta, 0)loss = np.where(delta < 0, -delta, 0)avg_gain = pd.Series(gain).rolling(window=window).mean()avg_loss = pd.Series(loss).rolling(window=window).mean()rs = avg_gain / avg_lossrsi = 100 - (100 / (1 + rs))return rsidf_klines["RSI_14"] = calculate_rsi(df_klines["收盘价"])
print(df_klines)

在这个示例中,我们首先通过调用东方财富的 API 获取了指定股票的 K 线数据,并计算了 5 日和 10 日的移动平均线(MA),以及 14 日的相对强弱指数(RSI)。这些技术指标可以帮助识别市场的超买或超卖状态,以及价格趋势。

2. 资金流向的计算

资金流向是衡量市场中资金流入和流出的重要指标,用于判断市场的买卖力量和趋势。在 A 股市场中,资金流向通常通过分析大单买入和大单卖出来计算。

以下示例展示了如何计算资金流向。

def get_eastmoney_fund_flow(stock_code, market_type='0'):  """获取东方财富 A 股的资金流向数据。:param stock_code: 股票代码,例如 '600519':param market_type: 市场类型,'0' 表示沪市,'1' 表示深市:return: 资金流向数据 DataFrame"""url = f"http://push2.eastmoney.com/api/qt/stock/details/get"params = {"secid": f"{market_type}.{stock_code}","fields1": "f1,f2,f3,f4,f5","fields2": "f51,f52,f53,f54,f55","pos": "-1","lmt": 100,}response = requests.get(url, params=params)if response.status_code == 200:data = response.json()trades = data.get("data", {}).get("details", [])trade_list = [trade.split(",") for trade in trades]df = pd.DataFrame(trade_list, columns=["时间", "成交价格", "成交量", "买卖方向", "成交金额"])df = df.astype({"成交价格": 'float', "成交量": 'int', "成交金额": 'float'})# 根据买卖方向计算资金流向df["资金流向"] = df.apply(lambda row: row["成交金额"] if row["买卖方向"] == '买盘' else -row["成交金额"], axis=1)return dfelse:raise Exception(f"Error fetching fund flow data: {response.status_code}")# 获取贵州茅台(600519)的资金流向数据
df_fund_flow = get_eastmoney_fund_flow("600519")
print(df_fund_flow)

在该示例中,通过东方财富的 API 获取每笔交易的数据,并根据买卖方向计算出资金流向。如果是买盘,资金流向为正,表示资金流入;如果是卖盘,资金流向为负,表示资金流出。

3. 波动率的计算

波动率是衡量股票价格变动剧烈程度的重要指标。以下示例展示了如何通过获取 K 线数据计算股票的历史波动率。

# 计算历史波动率
import numpy as npdef calculate_historical_volatility(data, window=20):"""计算股票的历史波动率。:param data: 股票收盘价数据:param window: 波动率计算的窗口期:return: 历史波动率"""log_returns = np.log(data / data.shift(1))volatility = log_returns.rolling(window=window).std() * np.sqrt(252)  # 年化波动率return volatility# 计算贵州茅台的 20 日历史波动率
df_klines["Volatility_20"] = calculate_historical_volatility(df_klines["收盘价"])
print(df_klines[["日期", "收盘价", "Volatility_20"]])

在此示例中,通过计算股票收盘价的对数收益率,然后在滚动窗口上计算标准差得到历史波动率,并将其年化。这可以帮助交易者理解价格的剧烈程度,从而评估风险。

版权声明:

本网仅为发布的内容提供存储空间,不对发表、转载的内容提供任何形式的保证。凡本网注明“来源:XXX网络”的作品,均转载自其它媒体,著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处。

我们尊重并感谢每一位作者,均已注明文章来源和作者。如因作品内容、版权或其它问题,请及时与我们联系,联系邮箱:809451989@qq.com,投稿邮箱:809451989@qq.com