def apply_guess(tmp):
date = tmp["date"]
code = tmp["code"]
date_end = datetime.datetime.strptime(date, "%Y%m%d")
date_start = (date_end + datetime.timedelta(days=-50)).strftime("%Y-%m-%d")
date_end = date_end.strftime("%Y-%m-%d")
print(code, date_start, date_end)
# open, high, close, low, volume, price_change, p_change, ma5, ma10, ma20, v_ma5, v_ma10, v_ma20, turnover
# 使用缓存方法。加快计算速度。
stock = common.get_hist_data_cache(code, date_start, date_end)
stock = pd.DataFrame({"close": stock["close"]}, index=stock.index.values)
stock = stock.sort_index(0) # 将数据按照日期排序下。
# print(stock.head(10))
arr = pd.Series(stock["close"].values)
# print(df_arr)
wave_mean = arr.mean()
# 计算股票的波峰值。
wave_crest = heapq.nlargest(5, enumerate(arr), key=lambda x: x[1])
wave_crest_mean = pd.DataFrame(wave_crest).mean()
# 输出元祖第一个元素是index，第二元素是比较的数值 计算数据的波谷值
wave_base = heapq.nsmallest(5, enumerate(arr), key=lambda x: x[1])
wave_base_mean = pd.DataFrame(wave_base).mean()
# 输出数据
# print("##############")
tmp = {"code": code, "wave_mean": wave_mean,
"wave_crest": wave_crest_mean[1], "wave_base": wave_base_mean[1]}
# print(tmp)
# code date wave_base wave_crest wave_mean 顺序必须一致。返回的是行数据，然后填充。
return list([code, date, wave_base_mean[1], wave_crest_mean[1], wave_mean])
def apply_merge_sell(tmp):
date = tmp["date"]
code = tmp["code"]
date_end = datetime.datetime.strptime(date, "%Y%m%d")
date_start = (date_end +
datetime.timedelta(days=-300)).strftime("%Y-%m-%d")
date_end = date_end.strftime("%Y-%m-%d")
print(code, date_start, date_end)
# open, high, close, low, volume, price_change, p_change, ma5, ma10, ma20, v_ma5, v_ma10, v_ma20, turnover
# 使用缓存方法。加快计算速度。
stock = common.get_hist_data_cache(code, date_start, date_end)
# 增加空判断，如果是空返回 0 数据。
if stock is None:
return list([1, code, date, 0, 0, 0, 0])
print("########")
# J大于100时为超买，小于10时为超卖。
# 强弱指标保持高于50表示为强势市场，反之低于50表示为弱势市场。
# 1、当CCI指标从下向上突破﹢100线而进入非常态区间时，表明股价脱离常态而进入异常波动阶段，
# 2、当CCI指标从上向下突破﹣100线而进入另一个非常态区间时，表明股价的盘整阶段已经结束，
stockStat = stockstats.StockDataFrame.retype(stock)
kdjj = int(stockStat["kdjj"].tail(1).values[0])
rsi_6 = int(stockStat["rsi_6"].tail(1).values[0])
cci = int(stockStat["cci"].tail(1).values[0])
print("kdjj:", kdjj, "rsi_6:", rsi_6, "cci:", cci)
# and kdjj > 80 and rsi_6 > 55 and cci > 100 判断卖出时刻。也就是买入时刻的反面。发现有波动就卖了。
# if kdjj <= 10 and rsi_6 <= 50 and cci <= 100: old
if kdjj <= 80 or rsi_6 <= 55 or cci <= 100:
return list([0, code, date, 1, cci, kdjj, rsi_6])
else:
return list([1, code, date, 0, cci, kdjj, rsi_6])
def get(self):
code = self.get_argument("code", default=None, strip=False)
logging.info(code)
# self.uri_ = ("self.request.url:", self.request.uri)
# print self.uri_
comp_list = []
try:
date_now = datetime.datetime.now()
date_end = date_now.strftime("%Y-%m-%d")
date_start = (date_now +
datetime.timedelta(days=-300)).strftime("%Y-%m-%d")
print(code, date_start, date_end)
# open, high, close, low, volume, price_change, p_change, ma5, ma10, ma20, v_ma5, v_ma10, v_ma20, turnover
# 使用缓存方法。加快计算速度。
stock = common.get_hist_data_cache(code, date_start, date_end)
logging.info(stock.head(1))
# print(stock) [186 rows x 14 columns]
# 初始化统计类
# stockStat = stockstats.StockDataFrame.retype(pd.read_csv("002032.csv"))
stockStat = stockstats.StockDataFrame.retype(stock)
batch_add(comp_list, stockStat)
except Exception as e:
logging.info("error :", e)
logging.info(
"#################### GetStockHtmlHandlerEnd ####################")
self.render("stock_indicators.html",
comp_list=comp_list,
leftMenu=webBase.GetLeftMenu(self.request.uri))
def apply_guess(tmp):
date = tmp["date"]
code = tmp["code"]
date_end = datetime.datetime.strptime(date, "%Y%m%d")
date_start = (date_end +
datetime.timedelta(days=-300)).strftime("%Y-%m-%d")
date_end = date_end.strftime("%Y-%m-%d")
print(code, date_start, date_end)
# open, high, close, low, volume, price_change, p_change, ma5, ma10, ma20, v_ma5, v_ma10, v_ma20, turnover
# 使用缓存方法。加快计算速度。
stock = common.get_hist_data_cache(code, date_start, date_end)
# 增加空判断，如果是空返回 0 数据。
if stock is None:
return pd.Series([0.0, 0.0, 0.0, 0.0, 0.0, 0.0, code, date, 0.0, 0.0],
index=[
'10d', '20d', '5-10d', '5-20d', '5d', '60d',
'code', 'date', 'mov_vol', 'return'
])
stock = pd.DataFrame({"close": stock["close"]}, index=stock.index.values)
stock = stock.sort_index(0) # 将数据按照日期排序下。
# print(stock.head(10))
# 5周期、10周期、20周期和60周期
# 周线、半月线、月线和季度线
stock["5d"] = stock["close"].rolling(window=5).mean() # 周线
stock["10d"] = stock["close"].rolling(window=10).mean() # 半月线
stock["20d"] = stock["close"].rolling(window=20).mean() # 月线
stock["60d"] = stock["close"].rolling(window=60).mean() # 季度线
# 计算日期差。
stock["5-10d"] = (stock["5d"] -
stock["10d"]) * 100 / stock["10d"] # 周-半月线差
stock["5-20d"] = (stock["5d"] - stock["20d"]) * 100 / stock["20d"] # 周-月线差
# 计算股票的收益价格
stock["return"] = np.log(stock["close"] / stock["close"].shift(1))
# print(stock["return"])
# 计算股票的【收益率的移动历史标准差】
mov_day = int(len(stock) / 20)
# print("mov_day:", mov_day, len(stock))
stock["mov_vol"] = stock["return"].rolling(
window=mov_day).std() * math.sqrt(mov_day)
# print(stock["mov_vol"].tail())
# print(stock["return"].tail())
# print("stock[10d].tail(1)", stock["10d"].tail(1).values[0])
# 10d 20d 5-10d 5-20d 5d 60d code date mov_vol return
tmp = pd.Series([
stock["10d"].tail(1).values[0], stock["20d"].tail(1).values[0],
stock["5-10d"].tail(1).values[0], stock["5-20d"].tail(1).values[0],
stock["5d"].tail(1).values[0], stock["60d"].tail(1).values[0], code,
date, stock["mov_vol"].tail(1).values[0],
stock["return"].tail(1).values[0]
],
index=[
'10d', '20d', '5-10d', '5-20d', '5d', '60d', 'code',
'date', 'mov_vol', 'return'
])
# print(tmp)
return tmp
def apply_guess(tmp, stock_column):
# print("apply_guess columns args:", stock_column)
# print("apply_guess data :", type(tmp))
date = tmp["date"]
code = tmp["code"]
date_end = datetime.datetime.strptime(date, "%Y%m%d")
date_start = (date_end +
datetime.timedelta(days=-300)).strftime("%Y-%m-%d")
date_end = date_end.strftime("%Y-%m-%d")
# print(code, date_start, date_end)
# open, high, close, low, volume, price_change, p_change, ma5, ma10, ma20, v_ma5, v_ma10, v_ma20, turnover
# 使用缓存方法。加快计算速度。
stock = common.get_hist_data_cache(code, date_start, date_end)
# 设置返回数组。
stock_data_list = []
# 增加空判断，如果是空返回 0 数据。
if stock is None:
for col in stock_column:
if col == 'date':
stock_data_list.append(date)
elif col == 'code':
stock_data_list.append(code)
else:
stock_data_list.append(0)
return list(stock_data_list)
# print(stock.head())
# open high close low volume
# stock = pd.DataFrame({"close": stock["close"]}, index=stock.index.values)
stock = stock.sort_index(0) # 将数据按照日期排序下。
stock["date"] = stock.index.values # 增加日期列。
stock = stock.sort_index(0) # 将数据按照日期排序下。
# print(stock) [186 rows x 14 columns]
# 初始化统计类
# stockStat = stockstats.StockDataFrame.retype(pd.read_csv('002032.csv'))
stockStat = stockstats.StockDataFrame.retype(stock)
print("########################## print result ##########################")
for col in stock_column:
if col == 'date':
stock_data_list.append(date)
elif col == 'code':
stock_data_list.append(code)
else:
# 将数据的最后一个返回。
tmp_val = stockStat[col].tail(1).values[0]
if np.isinf(tmp_val): # 解决值中存在INF问题。
tmp_val = 0
if np.isnan(tmp_val): # 解决值中存在NaN问题。
tmp_val = 0
# print("col name : ", col, tmp_val)
stock_data_list.append(tmp_val)
# print(stock_data_list)
return list(stock_data_list)
def apply_sklearn(data):
# 要操作的数据库表名称。
print("########stat_index_all########:", len(data))
date = data["date"]
code = data["code"]
print(date, code)
date_end = datetime.datetime.strptime(date, "%Y%m%d")
date_start = (date_end +
datetime.timedelta(days=-300)).strftime("%Y-%m-%d")
date_end = date_end.strftime("%Y-%m-%d")
print(code, date_start, date_end)
# open high close low volume price_change p_change ma5 ma10 ma20 v_ma5 v_ma10 v_ma20 turnover
stock_X = common.get_hist_data_cache(code, date_start, date_end)
# 增加空判断，如果是空返回 0 数据。
if stock_X is None:
return list([code, date, 0.0, 0.0])
stock_X = stock_X.sort_index(0) # 将数据按照日期排序下。
stock_y = pd.Series(stock_X["close"].values) # 标签
stock_X_next = stock_X.iloc[len(stock_X) - 1]
print("########################### stock_X_next date:", stock_X_next)
# 使用今天的交易价格，13 个指标预测明天的价格。偏移股票数据，今天的数据，目标是明天的价格。
stock_X = stock_X.drop(stock_X.index[len(stock_X) - 1]) # 删除最后一条数据
stock_y = stock_y.drop(stock_y.index[0]) # 删除第一条数据
# print("########################### stock_X date:", stock_X)
# 删除掉close 也就是收盘价格。
del stock_X["close"]
del stock_X_next["close"]
model = linear_model.LinearRegression()
# model = KNeighborsClassifier()
model.fit(stock_X.values, stock_y)
# print("############## test & target #############")
# print("############## coef_ & intercept_ #############")
# print(model.coef_) # 系数
# print(model.intercept_) # 截断
next_close = model.predict([stock_X_next.values])
if len(next_close) == 1:
next_close = next_close[0]
sklearn_score = model.score(stock_X.values, stock_y)
print("score:", sklearn_score) # 评分
return list([code, date, next_close, sklearn_score * 100])
def apply_merge(tmp):
date = tmp["date"]
code = tmp["code"]
date_end = datetime.datetime.strptime(date, "%Y%m%d")
date_start = (date_end + datetime.timedelta(days=-300)).strftime("%Y-%m-%d")
date_end = date_end.strftime("%Y-%m-%d")
print(code, date_start, date_end)
# open, high, close, low, volume, price_change, p_change, ma5, ma10, ma20, v_ma5, v_ma10, v_ma20, turnover
# 使用缓存方法。加快计算速度。
stock = common.get_hist_data_cache(code, date_start, date_end)
print("########")
# print(stock.tail(1))
close = stock.tail(1)["close"].values[0]
print("close: ", close)
print("########")
return list([code, date, close])
def apply_guess(tmp):
date = tmp["date"]
code = tmp["code"]
date_end = datetime.datetime.strptime(date, "%Y%m%d")
date_start = (date_end + datetime.timedelta(days=-200)).strftime("%Y-%m-%d")
date_end = date_end.strftime("%Y-%m-%d")
print(code, date_start, date_end)
# open, high, close, low, volume, price_change, p_change, ma5, ma10, ma20, v_ma5, v_ma10, v_ma20, turnover
# 使用缓存方法。加快计算速度。
stock = common.get_hist_data_cache(code, date_start, date_end)
stock = pd.DataFrame({"close": stock["close"]}, index=stock.index.values)
stock = stock.sort_index(0) # 将数据按照日期排序下。
# print(stock.head(10))
stock["date"] = stock.index.values # 增加日期列。
stock = stock.sort_index(0) # 将数据按照日期排序下。
# print(stock) [186 rows x 14 columns]
# 初始化统计类
# stockStat = stockstats.StockDataFrame.retype(pd.read_csv('002032.csv'))
stockStat = stockstats.StockDataFrame.retype(stock)
def apply_merge(tmp):
date = tmp["date"]
code = tmp["code"]
date_end = datetime.datetime.strptime(date, "%Y%m%d")
date_start = (date_end +
datetime.timedelta(days=-300)).strftime("%Y-%m-%d")
date_end = date_end.strftime("%Y-%m-%d")
print(code, date_start, date_end)
# open, high, close, low, volume, price_change, p_change, ma5, ma10, ma20, v_ma5, v_ma10, v_ma20, turnover
# 使用缓存方法。加快计算速度。
stock = common.get_hist_data_cache(code, date_start, date_end)
# 增加空判断，如果是空返回 0 数据。
if stock is None:
return list([code, date, 0, 0, 0])
stock = pd.DataFrame({"close": stock["close"]}, index=stock.index.values)
stock = stock.sort_index(0) # 将数据按照日期排序下。
# print(stock.head(10))
arr = pd.Series(stock["close"].values)
# print(df_arr)
wave_mean = arr.mean()
max_point = 3 # 获得最高的几个采样点。
# 计算股票的波峰值。
wave_crest = heapq.nlargest(max_point, enumerate(arr), key=lambda x: x[1])
wave_crest_mean = pd.DataFrame(wave_crest).mean()
# 输出元祖第一个元素是index，第二元素是比较的数值 计算数据的波谷值
wave_base = heapq.nsmallest(max_point, enumerate(arr), key=lambda x: x[1])
wave_base_mean = pd.DataFrame(wave_base).mean()
# 输出数据
print("##############", len(stock))
if len(stock) > 180:
# code date wave_base wave_crest wave_mean 顺序必须一致。返回的是行数据，然后填充。
return list(
[code, date, wave_base_mean[1], wave_crest_mean[1], wave_mean])
else:
return list([code, date, 0, 0, 0])
