基於python的炒股軟件,用Python炒股

本文目錄一覽：

• 1、炒股有哪些軟件
• 2、模擬炒股什麼軟件比較好
• 3、怎樣用 Python 寫一個股票自動交易的程序
• 4、如何用Python和機器學習炒股賺錢
• 5、怎樣用 Python 寫一個股票自動買賣的程序

炒股有哪些軟件

1、益盟操盤手–乾坤版

益盟操盤手乾坤版之所以好，首先它是群眾的選擇，益盟操盤手擁有國內最大的付費用戶群，年續費率業內第一；其次，它是國內首款策略型炒股軟件，標誌着第五代炒股軟件的誕生，將炒股軟件帶入了智能化、策略化時代。

乾坤版，基於Level2數據深度加工研發，擁有4大核心功能「乾坤圖、股票池、倉位馬力表、BS買賣點」。其核心價值在於幫助股民「用牛熊兩種視角，解決炒股4大難題——選時、選股、操作、倉位」。



好用的炒股軟件介紹

益盟操盤手經8年實戰考驗，對交易數據的拆分處理很到位，對主力資金動向、買賣點、大盤走勢、判斷準確率很高。但由於益盟操盤手專精於付費炒股軟件研發，所以在免費市場知名度一般。

乾坤版不僅可以解決以上問題，還繼承了操盤手軟件傳統的「大單比率、資金博弈、板塊監測、新道破天機、明日提示、10檔交易數據」等功能。然後結合乾坤版的股票池來選股，最後是看乾坤版操盤線來選時買入。乾坤版是常用炒股軟件有哪些中最實用的之一。乾坤版看乾坤圖就能明白倉位多少了。

2、同花順–大研究

老牌付費炒股軟件，極其重視宣傳推廣，憑藉多年的積累具有一定數量的付費人群。同花順軟件功能較為全面，但是與益盟操盤手相比，各功能模塊，如股票池、倉位指標、大單分析之間並沒有形成策略關係，還算不上是策略性炒股軟件，也未達到第五代炒股軟件的標準。

而且縱觀同花順各個版本，雖然都強調選股模式，但在實戰中表現並不突出，各版本選股方法也未延續使用，所以可判斷其選股方式尚不完善。

3、大智慧–超贏機構版

擁有最大數量的免費用戶群，具備強大的群眾基礎，具有極高的人氣。憑藉其在免費市場的表現，發展了一定數量的付費人群。並且憑藉著高價策略，在炒股軟件行業賺取了較高利潤。

模擬炒股什麼軟件比較好

1、同花順模擬炒股軟件：同花順免費模擬炒股軟件是國內最真實的模擬炒股軟件交易系統，實時的行情數據，專業的仿真交易平台，且結合了同花順軟件各個增值服務和功能，同時也可以進行真實的炒股操作，免去兩個平台間相互切換；

2、東方財富炒股軟件：是東方財富網基於自身的平台優勢最新研發的一款免費炒股軟件。為打造中國更權威、更專業、更互動的金融終端，東方財富通全體技術人員經過長期研究開發，充分挖掘東方財富網全國第一的財經資訊平台優勢，融合最新信息技術，研製出一款完全免費的優質金融終端。東方財富通面向廣大股民，充分考慮投資者的立場，不斷提升用戶體驗；

3、大智慧證券信息平台軟件：是一套用來進行股票證券行情顯示、行情分析、外匯及期貨信息，並同時進行信息即時接收的超級證券信息平台。面向證券決策機構和各階層證券分析、諮詢、投資人員，並特別關注廣大股民的使用習慣和感受。

模擬炒股軟件：

模擬者利用軟件，進行股票實盤/股票歷史K線的模擬交易、動態復盤，系統按照模擬者的操作行為及成績進行評價，模擬者根據評價了解自己的股票交易水平和逐步改善自己的交易策略。

有練習型的模擬炒股軟件，也有比賽型的模擬炒股軟件。

怎樣用 Python 寫一個股票自動交易的程序

1， 下載windows安裝包，

2，python環境變量配置

（1）設置環境變量:我的電腦-右鍵-屬性-高級-環境變量 在Path中加入

;c:\python26 （注意前面的分號和路徑）

（2）此時，還是只能通過”python *.py”運行python腳本，若希望直接運行*.py，只需再修改另一個環境變量PATHEXT:

;.PY;.PYM

3，測試是否安裝成功

cmd進入命令行 輸入python –v 若是輸出版本信息，則表示安裝完畢

4，建一個hello.py

print (“hello world”)

5,cmd 進入命令行 找到文件路徑 hello.py

會輸出”hello world”

6,接受用戶輸入

x= input(“x:”)

y= input(“y:”)

print (x * y)

print(“我開始學習python了，要加油啊！”)

如何用Python和機器學習炒股賺錢

相信很多人都想過讓人工智能來幫你賺錢，但到底該如何做呢？瑞士日內瓦的一位金融數據顧問 Gaëtan Rickter 近日發表文章介紹了他利用 Python 和機器學習來幫助炒股的經驗，其最終成果的收益率跑贏了長期處於牛市的標準普爾 500 指數。雖然這篇文章並沒有將他的方法完全徹底公開，但已公開的內容或許能給我們帶來如何用人工智能炒股的啟迪。

我終於跑贏了標準普爾 500 指數 10 個百分點！聽起來可能不是很多，但是當我們處理的是大量流動性很高的資本時，對沖基金的利潤就相當可觀。更激進的做法還能得到更高的回報。

這一切都始於我閱讀了 Gur Huberman 的一篇題為《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的論文。該研究描述了一件發生在 1998 年的涉及到一家上市公司 EntreMed（當時股票代碼是 ENMD）的事件：

「星期天《紐約時報》上發表的一篇關於癌症治療新葯開發潛力的文章導致 EntreMed 的股價從周五收盤時的 12.063 飆升至 85，在周一收盤時接近 52。在接下來的三周，它的收盤價都在 30 以上。這股投資熱情也讓其它生物科技股得到了溢價。但是，這個癌症研究方面的可能突破在至少五個月前就已經被 Nature 期刊和各種流行的報紙報道過了，其中甚至包括《泰晤士報》！因此，僅僅是熱情的公眾關注就能引發股價的持續上漲，即便實際上並沒有出現真正的新信息。」

在研究者給出的許多有見地的觀察中，其中有一個總結很突出：

「（股價）運動可能會集中於有一些共同之處的股票上，但這些共同之處不一定要是經濟基礎。」

我就想，能不能基於通常所用的指標之外的其它指標來劃分股票。我開始在數據庫裏面挖掘，幾周之後我發現了一個，其包含了一個分數，描述了股票和元素周期表中的元素之間的「已知和隱藏關係」的強度。

我有計算基因組學的背景，這讓我想起了基因和它們的細胞信號網絡之間的關係是如何地不為人所知。但是，當我們分析數據時，我們又會開始看到我們之前可能無法預測的新關係和相關性。

選擇出的涉及細胞可塑性、生長和分化的信號通路的基因的表達模式

和基因一樣，股票也會受到一個巨型網絡的影響，其中各個因素之間都有或強或弱的隱藏關係。其中一些影響和關係是可以預測的。

我的一個目標是創建長的和短的股票聚類，我稱之為「籃子聚類（basket clusters）」，我可以將其用於對沖或單純地從中獲利。這需要使用一個無監督機器學習方法來創建股票的聚類，從而使這些聚類之間有或強或弱的關係。這些聚類將會翻倍作為我的公司可以交易的股票的「籃子（basket）」。

首先我下載了一個數據集：Public Company Hidden Relationship Discovery，這個數據集基於元素周期表中的元素和上市公司之間的關係。

然後我使用了 Python 和一些常用的機器學習工具——scikit-learn、numpy、pandas、matplotlib 和 seaborn，我開始了解我正在處理的數據集的分佈形狀。為此我參考了一個題為《Principal Component Analysis with KMeans visuals》的 Kaggle Kernel：Principal Component Analysis with KMeans visuals

import numpy as npimport pandas as pdfrom sklearn.decomposition import PCAfrom sklearn.cluster import KMeansimport matplotlib.pyplot as pltimport seaborn as sbnp.seterr(divide=’ignore’, invalid=’ignore’)# Quick way to test just a few column features# stocks = pd.read_csv(‘supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv’, usecols=range(1,16))stocks = pd.read_csv(‘supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv’)print(stocks.head())str_list = []for colname, colvalue in stocks.iteritems():    if type(colvalue[1]) == str:

str_list.append(colname)# Get to the numeric columns by inversionnum_list = stocks.columns.difference(str_list)stocks_num = stocks[num_list]print(stocks_num.head())

輸出：簡單看看前面 5 行：

zack@twosigma-Dell-Precision-M3800:/home/zack/hedge_pool/baskets/hcluster$ ./hidden_relationships.py

Symbol_update-2017-04-01  Hydrogen   Helium  Lithium  Beryllium  Boron  \

0                        A       0.0  0.00000      0.0        0.0    0.0  

1                       AA       0.0  0.00000      0.0        0.0    0.0  

2                     AAAP       0.0  0.00461      0.0        0.0    0.0  

3                      AAC       0.0  0.00081      0.0        0.0    0.0  

4                    AACAY       0.0  0.00000      0.0        0.0    0.0  

Carbon  Nitrogen    Oxygen  Fluorine     …       Fermium  Mendelevium  \

0  0.006632       0.0  0.007576       0.0     …      0.000000     0.079188  

1  0.000000       0.0  0.000000       0.0     …      0.000000     0.000000  

2  0.000000       0.0  0.000000       0.0     …      0.135962     0.098090  

3  0.000000       0.0  0.018409       0.0     …      0.000000     0.000000  

4  0.000000       0.0  0.000000       0.0     …      0.000000     0.000000  

Nobelium  Lawrencium  Rutherfordium  Dubnium  Seaborgium  Bohrium  Hassium  \

0  0.197030      0.1990         0.1990      0.0         0.0      0.0      0.0  

1  0.000000      0.0000         0.0000      0.0         0.0      0.0      0.0  

2  0.244059      0.2465         0.2465      0.0         0.0      0.0      0.0  

3  0.000000      0.0000         0.0000      0.0         0.0      0.0      0.0  

4  0.000000      0.0000         0.0000      0.0         0.0      0.0      0.0  

Meitnerium  

0         0.0  

1         0.0  

2         0.0  

3         0.0  

4         0.0  

[5 rows x 110 columns]

Actinium  Aluminum  Americium  Antimony     Argon   Arsenic  Astatine  \

0  0.000000       0.0        0.0  0.002379  0.047402  0.018913       0.0  

1  0.000000       0.0        0.0  0.000000  0.000000  0.000000       0.0  

2  0.004242       0.0        0.0  0.001299  0.000000  0.000000       0.0  

3  0.000986       0.0        0.0  0.003378  0.000000  0.000000       0.0  

4  0.000000       0.0        0.0  0.000000  0.000000  0.000000       0.0  

Barium  Berkelium  Beryllium    …      Tin  Titanium  Tungsten   Uranium  \

0     0.0   0.000000        0.0    …      0.0  0.002676       0.0  0.000000  

1     0.0   0.000000        0.0    …      0.0  0.000000       0.0  0.000000  

2     0.0   0.141018        0.0    …      0.0  0.000000       0.0  0.004226  

3     0.0   0.000000        0.0    …      0.0  0.000000       0.0  0.004086  

4     0.0   0.000000        0.0    …      0.0  0.000000       0.0  0.000000  

Vanadium  Xenon  Ytterbium   Yttrium      Zinc  Zirconium  

0  0.000000    0.0        0.0  0.000000  0.000000        0.0  

1  0.000000    0.0        0.0  0.000000  0.000000        0.0  

2  0.002448    0.0        0.0  0.018806  0.008758        0.0  

3  0.001019    0.0        0.0  0.000000  0.007933        0.0  

4  0.000000    0.0        0.0  0.000000  0.000000        0.0  

[5 rows x 109 columns]

zack@twosigma-Dell-Precision-M3800:/home/zack/hedge_pool/baskets/hcluster$

概念特徵的皮爾遜相關性（Pearson Correlation）。在這裡案例中，是指來自元素周期表的礦物和元素：

stocks_num = stocks_num.fillna(value=0, axis=1)X = stocks_num.valuesfrom sklearn.preprocessing import StandardScalerX_std = StandardScaler().fit_transform(X)f, ax = plt.subplots(figsize=(12, 10))plt.title(‘Pearson Correlation of Concept Features (Elements Minerals)’)# Draw the heatmap using seabornsb.heatmap(stocks_num.astype(float).corr(),linewidths=0.25,vmax=1.0, square=True, cmap=”YlGnBu”, linecolor=’black’, annot=True)sb.plt.show()

輸出：（這個可視化例子是在前 16 個樣本上運行得到的）。看到元素周期表中的元素和上市公司關聯起來真的很有意思。在某種程度時，我想使用這些數據基於公司與相關元素或材料的相關性來預測其可能做出的突破。

測量「已解釋方差（Explained Variance）」和主成分分析（PCA）

已解釋方差=總方差-殘差方差（explained variance = total variance – residual variance)。應該值得關注的 PCA 投射組件的數量可以通過已解釋方差度量（Explained Variance Measure）來引導。Sebastian Raschka 的關於 PCA 的文章對此進行了很好的描述，參閱：Principal Component Analysis

# Calculating Eigenvectors and eigenvalues of Cov matirxmean_vec = np.mean(X_std, axis=0)cov_mat = np.cov(X_std.T)eig_vals, eig_vecs = np.linalg.eig(cov_mat)# Create a list of (eigenvalue, eigenvector) tupleseig_pairs = [ (np.abs(eig_vals[i]),eig_vecs[:,i]) for i in range(len(eig_vals))]# Sort from high to loweig_pairs.sort(key = lambda x: x[0], reverse= True)# Calculation of Explained Variance from the eigenvaluestot = sum(eig_vals)var_exp = [(i/tot)*100 for i in sorted(eig_vals, reverse=True)] cum_var_exp = np.cumsum(var_exp) # Cumulative explained variance# Variances plotmax_cols = len(stocks.columns) – 1plt.figure(figsize=(10, 5))plt.bar(range(max_cols), var_exp, alpha=0.3333, align=’center’, label=’individual explained variance’, color = ‘g’)plt.step(range(max_cols), cum_var_exp, where=’mid’,label=’cumulative explained variance’)plt.ylabel(‘Explained variance ratio’)plt.xlabel(‘Principal components’)plt.legend(loc=’best’)plt.show()

輸出：

從這個圖表中我們可以看到大量方差都來自於預測主成分的前 85%。這是個很高的數字，所以讓我們從低端的開始，先只建模少數幾個主成分。更多有關分析主成分合理數量的信息可參閱：Principal Component Analysis explained visually

使用 scikit-learn 的 PCA 模塊，讓我們設 n_components = 9。代碼的第二行調用了 fit_transform 方法，其可以使用標準化的電影數據 X_std 來擬合 PCA 模型並在該數據集上應用降維（dimensionality reduction）。

pca = PCA(n_components=9)

x_9d = pca.fit_transform(X_std)

plt.figure(figsize = (9,7))

plt.scatter(x_9d[:,0],x_9d[:,1], c=’goldenrod’,alpha=0.5)

plt.ylim(-10,30)

plt.show()

輸出：

這裡我們甚至沒有真正觀察到聚類的些微輪廓，所以我們很可能應該繼續調節 n_component 的值直到我們得到我們想要的結果。這就是數據科學與藝術（data science and art）中的「藝術」部分。

現在，我們來試試 K-均值，看看我們能不能在下一章節可視化任何明顯的聚類。

K-均值聚類（K-Means Clustering）

我們將使用 PCA 投射數據來實現一個簡單的 K-均值。

使用 scikit-learn 的 KMeans() 調用和 fit_predict 方法，我們可以計算聚類中心並為第一和第三個 PCA 投射預測聚類索引（以便了解我們是否可以觀察到任何合適的聚類）。然後我們可以定義我們自己的配色方案並繪製散點圖，代碼如下所示：

# Set a 3 KMeans clustering

kmeans = KMeans(n_clusters=3)

# Compute cluster centers and predict cluster indices

X_clustered = kmeans.fit_predict(x_9d)# Define our own color map

LABEL_COLOR_MAP = {0 : ‘r’,1 : ‘g’,2 : ‘b’}

label_color = [LABEL_COLOR_MAP[l] for l in X_clustered]

# Plot the scatter digram

plt.figure(figsize = (7,7))

plt.scatter(x_9d[:,0],x_9d[:,2], c= label_color, alpha=0.5)

plt.show()

輸出：

這個 K-均值散點圖看起來更有希望，好像我們簡單的聚類模型假設就是正確的一樣。我們可以通過這種顏色可視化方案觀察到 3 個可區分開的聚類。

使用 seaborn 方便的 pairplot 函數，我可以以成對的方式在數據框中自動繪製所有的特徵。我們可以一個對一個地 pairplot 前面 3 個投射並可視化：

# Create a temp dataframe from our PCA projection data “x_9d”

df = pd.DataFrame(x_9d)

df = df[[0,1,2]]

df[‘X_cluster’] = X_clustered

# Call Seaborn’s pairplot to visualize our KMeans clustering on the PCA projected data

sb.pairplot(df, hue=’X_cluster’, palette=’Dark2′, diag_kind=’kde’, size=1.85)

sb.plt.show()

輸出：

構建籃子聚類（Basket Clusters）

你應該自己決定如何微調你的聚類。這方面沒有什麼萬靈藥，具體的方法取決於你操作的環境。在這個案例中是由隱藏關係所定義的股票和金融市場。

一旦你的聚類使你滿意了，你就可以設置分數閾值來控制特定的股票是否有資格進入一個聚類，然後你可以為一個給定的聚類提取股票，將它們作為籃子進行交易或使用這些籃子作為信號。你可以使用這種方法做的事情很大程度就看你自己的創造力以及你在使用深度學習變體來進行優化的水平，從而基於聚類或數據點的概念優化每個聚類的回報，比如 short interest 或 short float（公開市場中的可用股份）。

你可以注意到了這些聚類被用作籃子交易的方式一些有趣特徵。有時候標準普爾和一般市場會存在差異。這可以提供本質上基於「信息套利（information arbitrage）」的套利機會。一些聚類則和谷歌搜索趨勢相關。

看到聚類和材料及它們的供應鏈相關確實很有意思，正如這篇文章說的一樣：Zooming in on 10 materials and their supply chains – Fairphone

我僅僅使用該數據集操作了 Cobalt（鈷）、Copper（銅）、Gallium（鎵）和 Graphene（石墨烯）這幾個列標籤，只是為了看我是否可能發現從事這一領域或受到這一領域的風險的上市公司之間是否有任何隱藏的聯繫。這些籃子和標準普爾的回報進行了比較。

通過使用歷史價格數據（可直接在 Quantopian、Numerai、Quandl 或 Yahoo Finance 使用），然後你可以匯總價格數據來生成預計收益，其可使用 HighCharts 進行可視化：

我從該聚類中獲得的回報超過了標準普爾相當一部分，這意味着你每年的收益可以比標準普爾還多 10%（標準普爾近一年來的漲幅為 16%）。我還見過更加激進的方法可以凈掙超過 70%。現在我必須承認我還做了一些其它的事情，但因為我工作的本質，我必須將那些事情保持黑箱。但從我目前觀察到的情況來看，至少圍繞這種方法探索和包裝新的量化模型可以證明是非常值得的，而其唯一的缺點是它是一種不同類型的信號，你可以將其輸入其它系統的流程中。

生成賣空籃子聚類（short basket clusters）可能比生成買空籃子聚類（long basket clusters）更有利可圖。這種方法值得再寫一篇文章，最好是在下一個黑天鵝事件之前。

如果你使用機器學習，就可能在具有已知和隱藏關係的上市公司的寄生、共生和共情關係之上搶佔先機，這是很有趣而且可以盈利的。最後，一個人的盈利能力似乎完全關乎他在生成這些類別的數據時想出特徵標籤（即概念（concept））的強大組合的能力。

我在這類模型上的下一次迭代應該會包含一個用於自動生成特徵組合或獨特列表的單獨算法。也許會基於近乎實時的事件，這可能會影響那些具有隻有配備了無監督學習算法的人類才能預測的隱藏關係的股票組。

怎樣用 Python 寫一個股票自動買賣的程序

方法一

前期的數據抓取和分析可能python都寫好了，所以差這交易指令接口最後一步。對於股票的散戶，正規的法子是華寶，國信，興業這樣願意給接口的券商，但貌似開戶費很高才給這權利，而且只有lts，ctp這樣的c++接口，沒python版就需要你自己封裝。

方法二

是wind這樣的軟件也有直接的接口，支持部分券商，但也貴，幾萬一年是要的。

方法三

鼠標鍵盤模擬法，很複雜的，就是模擬鍵盤鼠標去操作一些軟件，比如券商版交易軟件和大智慧之類的。

方法四

就是找到這些軟件的關於交易指令的底層代碼並更改，不過T+1的規則下，預測準確率的重要性高於交易的及時性，花功夫做數據分析就好，交易就人工完成吧