金融数据分析与挖掘——股票时间序列数据处理
1、什么是时间序列分析
时间序列分析( time series analysis)方法,强调的是通过对一个区域进行一定时间段内的连续观察计算，提取相关特征，并分析其变化过程。
时间序列分析主要有确定性变化分析和随机性变化分析
-
确定性变化分析：移动平均法， 移动方差和标准差、移动相关系数
-
随机性变化分析：AR、ARMA模型
Python系列教程,免费获取,遇到bug及时反馈,讨论交流可加扣裙<60 61 15 02 7>
2、移动平均法
2.1 移动窗口
主要用在时间序列的数组变换， 不同作用的函数将它们统称为移动窗口函数
2.2 移动平均线
那么会有各种观察窗口的方法，其中最常用的就是移动平均法
-
移动平均线(Moving Average)简称均线, 将某一段时间的收盘价之和除以该周期
2.2.1移动平均线的分类
-
移动平均线依计算周期分为短期(5天)、中期(20天)和长期(60天、120天)，移动平均线没有固定的界限
-
移动平均线依据算法分为算数、加权法和指数移动平均线
注：不同的移动平均线方法不一样
2.3 简单移动平均线
简单移动平均线(SMA)，又称“算数移动平均线”，是指特定期间的收盘价进行平均化比如说，5日的均线SMA=(C1+ C2 + C3 + C4 + C5) / 5
例子：
案例：对股票数据进行移动平均计算
1、拿到股票数据，画出K线图
# 拿到股票K线数据 stock_day = pd.read_csv("./data/stock_day/stock_day.csv") stock_day = stock_day.sort_index() stock_day["index"] = [i for i in range(stock_day.shape[0])] arr = stock_day[['index', 'open', 'close', 'high', 'low']] values = arr.values[:200] # 画出K线图 fig, axes = plt.subplots(nrows=1, ncols=1, figsize=(20, 8), dpi=80) candlestick_ochl(axes, values, width=0.2, colorup='r', colordown='g')
2、计算移动平均线
-
pandas.rolling_mean(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs) Moving mean. Parameters:
-
arg : Series, DataFrame
-
window : 计算周期
# 直接对每天的收盘价进行求平均值， 简单移动平局线(SMA) # 分别加上短期、中期、长期局均线 pd.rolling_mean(stock_day["close"][:200], window=5).plot() pd.rolling_mean(stock_day["close"][:200], window=10).plot() pd.rolling_mean(stock_day["close"][:200], window=20).plot() pd.rolling_mean(stock_day["close"][:200], window=30).plot() pd.rolling_mean(stock_day["close"][:200], window=60).plot() pd.rolling_mean(stock_day["close"][:200], window=120).plot()
2.3 加权移动平均线 (WMA)
加权移动平均线 (WMA)将过去某特定时间内的价格取其平均值，它的比重以平均线的长度设定，愈近期的收市价，对市况影响愈重要。
正因加权移动平均线强调将愈近期的价格比重提升，故此当市况倒退时，加权移动平均线比起其它平均线更容易预测价格波动。但是我们还是不会轻易使用加权，应为他的比重过大！！！！
2.4 指数平滑移动平均线(EWMA)
是因应移动平均线被视为落后指标的缺失而发展出来的，为解决一旦价格已脱离均线差值扩大，而平均线未能立即反应，EWMA可以减少类似缺点。
总结：
-
pd.ewma(com=None, span=one)
-
指数平均线
-
span:时间间隔
# 画出指数平滑移动平均线 pd.ewma(stock_day['close'][:200], span=10).plot() pd.ewma(stock_day['close'][:200], span=30).plot() pd.ewma(stock_day['close'][:200], span=60).plot()
3、移动方差和标准差 和 移动相关系数
-
方差和标准差：反应某一时期的序列的稳定性
# 求出指定窗口大小的收盘价标准差和方差 pd.rolling_var(stock_day['close'][:200], window=10).plot() pd.rolling_std(stock_day['close'][:200], window=10).plot()
-
移动相关系数：有些统计运算(如相关系数)需要在两个时间序列上执行.
# 显示两个序列之间的关系（相关系数） pd.rolling_corr(stock_day["close"][:200], stock_day["volume"][:200], window=10).plot()
但是这种查看两个序列关系不太好，或者查看多个交易指标的关系显示？接下来我们来看看各指标之间的关系
4、各项指标数据两两关联散点图
-
pd.scatter_matrix(frame, figsize=None)
-
frame:DataFrame
frame = data[['open','volume', 'ma20', 'p_change', 'turnover']] pd.scatter_matrix(frame, figsize=(20, 8))
从中我们可以简单看到成交量（volume）和换手率（turnover）有非常明显的线性关系，因为换手率的定义就是：成交量除以发行总股数。
通过一些图或者相关性分析可以找到强相关的一些指标，在机器学习、量化中会详细介绍 相关系数：后面会介绍，目前我们只需知道他是反应两个序列之间的关系即可
5、案例：移动平均线数据本地保存
ma_list = [5, 20 ,60] for ma in ma_list: data['MA' + str(ma)] = pd.rolling_mean(data.close, ma) for ma in ma_list: data['EMA' + str(ma)] = pd.ewma(data.close, span=ma) data.to_csv("EWMA.csv")
6、 移动平均线的作用
移动平均线经常会作为技术分析的基础理论，从中衍生出各种技术指标策略。后面将会介绍简单的基于均线的策略。