python监控股票价格
有没有会用Python编写一个简单的建模股票价格的小程序？能够对股票...
展开全部 概率炒股法：下面方法买涨不买跌，同时避免被套，缺点，手续费比较高，但完全可以吃完整个牛市，熊市不会被套。
用python获取股票价格，如tushare，如果发现股票当天涨幅在大盘之上（2点30到2点50判断），买入持有一天，下跌当天就别买，你可以用概率论方法，根据资金同时持有5支，10支或20支，这样不怕停盘影响，理论上可以跑赢大盘。
好处：避免人为冲动，缺点手续费高还有一种是操作etf，如大盘50etf,etf300，中小板etf，创业板etf，当天2.30分判断那个etf上涨就买入那支，买入涨幅最大的，不上涨什么都不买，持有一天，第二天上午判断一下，如果下跌超过2%卖掉。
好处：不会踩地雷，缺点：涨随大盘，我比较推荐这个方法，外围的风险比较小。
具体的python程序我有，比上面复杂，有止赢止损位，资金管理，监视管理，我用在实盘当中，自动化下单也已解决。
我觉得程序的成败不在一日之功，在于长期稳定赚钱，如运行十年，过多的数据分析也无意义，因为预测未来永远是一个概率问题，不是百分之百确定的，如果你的程序能在长时间多次数上战胜市场，你的程序就能趋向大数定理。
否则一时的回撤会让你停止程序自动执行，而无法趋向大数定理中的稳定概率。
如果有一个程序能百分之99确定，那么基本上肯定是分析了内幕交易数据，和徐x一样，每次重仓一支股，这种手法应该是得到了内幕，也就不需要什么程序来交易了。
巴菲特的交易模式实质上也是内幕交易的一种，因为他靠的是外在分析，实地考查，估计这是寻找内幕的手段，现在做大了，这种效果就不灵了，收益也下降了，美国经济也下滑了，所以巴菲特的未来是必定是暗淡的，因为内幕交易的池子有限，资金量大了不好操作。
想想如果巴菲特生在苏联，印度，日本等等其他国家，他可能在街头要饭，美国二战后经济环境加倾向内幕造就了他，而不是炒股技术有多神。
所以巴菲特不屑于程序化交易。
巴菲特及不少美国式的股神实际上是幸存者偏差造成的，你想想苏联的股神在那里？为什么一个都没有？（“沉默的数据”、“死人不会说话”）我觉得未来真正能成股神必定是程序，不是人，因为一个好的程序策略可以用一辈子，实现长期稳定增长，当然前提是社会经济环境稳定，不会出现类似苏联的动乱，也不会出现日本式的恶性通胀（对货币m2有点担心）。
太多的股票让股民每天沉浸在选股的游戏中，选股造就了券商的行情软件，实际上很多数据都是没有用的，所有的关键是按操作方法永远执行下去才能趋向稳定概率，否则今天换一种明天换一种方法，今天按kdj，明天按macd，后天按boll，大后天按ddx，大大后天按自编指标，多条件选股，最后钱都交手续费或止损不及时被套牢了。
这时券商收佣金的目的也就达到了，每年券商收的佣金比股市分红要高。
不管行情如何，只要多请几个股评员，总有方向说对的，玩个概率游戏让大家频繁交易，券商的收入只会增不会降。
所以千万别信股评，玩的是概率游戏，如同预测硬币的正反，请十个股评师必定有个能预测三次正确的神股评。
你信这个神股评，后面可能是三次都不准，呵呵。
所以券商和行情软件总会在收盘或午休时弹出各种消息或评价，说实在的这种东西没有一分钱的价值。
可能早就写好了上涨的说法是模块a，下跌的说法是模板b，平市的说法是模板c，只是填上当天数据即可，都是八股文，都是马后炮，一样的事件上午说成是上涨理由，下午说成是下跌理由。
程序的策略经过测试后的关键在于稳定执行，长期稳定执行，长期长期稳定稳定执行执行，重要的事说三遍。
人性无法战胜的弱点是执行力，小学生都懂的天天向上，每日进步，世间有几人能做到？而稳定几十年执行更是难上加难，如同背英语单词一样，理论上一天背一百个，一百天就可以一万词，但十年，二十年过去了，你可能还是三千词以下。
用程序的目的就是百分之百执行到位，没有折扣，真正战胜人性的弱点，和t+1没有关系。
另外通过一定方法降低手续费也可以使你的资金活得更久，如把上面的日模型改为周或月模型。
python怎么分析所有股票
展开全部 在 Python的QSTK中，是通过 s_datapath 变量，定义相应股票数据所在的文件夹。
一般可以通过 QSDATA 这个环境变量来设置对应的数据文件夹。
具体的股票数据来源，例如沪深、港股等市场，你可以使用免费的WDZ程序输出相应日线、5分钟数据到 s_datapath 变量所指定的文件夹中。
然后可使用 Python的QSTK中，qstkutil.DataAccess进行数据访问。
...
如何用Python和机器学习炒股赚钱
相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。
虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。
我终于跑赢了标准普尔 500 指数 10 个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。
更激进的做法还能得到更高的回报。
这一切都始于我阅读了 Gur Huberman 的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。
该研究描述了一件发生在 1998 年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：「星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed 的股价从周五收盘时的 12.063 飙升至 85，在周一收盘时接近 52。
在接下来的三周，它的收盘价都在 30 以上。
这股投资热情也让其它生物科技股得到了溢价。
但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature 期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。
」在研究者给出的许多有见地的观察中，其中有一个总结很突出：「（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。
」我就想，能不能基于通常所用的指标之外的其它指标来划分股票。
我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的「已知和隐藏关系」的强度。
我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。
但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。
选择出的涉及细胞可塑性、生长和分化的信号通路的基因的表达模式和基因一样，股票也会受到一个巨型网络的影响，其中各个因素之间都有或强或弱的隐藏关系。
其中一些影响和关系是可以预测的。
我的一个目标是创建长的和短的股票聚类，我称之为「篮子聚类（basket clusters）」，我可以将其用于对冲或单纯地从中获利。
这需要使用一个无监督机器学习方法来创建股票的聚类，从而使这些聚类之间有或强或弱的关系。
这些聚类将会翻倍作为我的公司可以交易的股票的「篮子（basket）」。
首先我下载了一个数据集：Public Company Hidden Relationship Discovery，这个数据集基于元素周期表中的元素和上市公司之间的关系。
然后我使用了 Python 和一些常用的机器学习工具——scikit-learn、numpy、pandas、matplotlib 和 seaborn，我开始了解我正在处理的数据集的分布形状。
为此我参考了一个题为《Principal Component Analysis with KMeans visuals》的 Kaggle Kernel:Principal Component Analysis with KMeans visualsimport 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（)）输出：简单看看前面 5 行：zack@twosigma-Dell-Precision-M3800:/home/zack/hedge_pool/baskets/hcluster$ ./hidden_relationships.pySymbol_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...
如何用 Python 监控系统状态
展开全部 这个周末花了点时间看了 Python 。
自动化运维是 Python 一个比较擅长点，查看相关资料。
但是我有点疑惑的地方：比方说系统监控，有 20 台机器。
各自在本地运行个 python 脚本，然后有一台收集数据的机器，提供一个 http 接口口，接受这二十台数据传来的各自系统的性能数据。
在这台机器上去写一个展示层。
...
如何用python对一系列股票的macd进行判断
DIF:=EMA(CLOSE,12)-EMA(CLOSE,26);DEA:=EMA(DIF,9);MACD:=(DIF-DEA)*2;忽略以上公式。
根据思路编写公式，修改公式。
盘中预警，条件选股。
公式解密，去除时间限制。
鼠标点击下方 我 的 名 字 或（图 标）上，进入 可 看到 Q，订 制 公式
中国的 Python 量化交易工具链有哪些
万得的Python API，可以用来获取实时数据、历史数据以及下单交易 优点：万得大而全 缺点：下单交易功能不是事件驱动（例如成交回报需要用户去查询，而不是主推）同花顺iFinD的Python API，类似万得的API 优点：比万得便宜，同花顺的服务态度很好（用户提出新需求后很快就能给出确定的答复或者解决方案）掘金的量化平台通联数据的量化平台QuickFix的Python API（可以用来接国信、方正的FIX接口）Numpy/Scipy/Matplotlib/Pandas（量化分析）IPyhon/Spyder（适合做量化分析的IDE环境）Zipline（策略开发回测）TuShare财经数据接口 - 可以直接抓取新浪财经、凤凰财经的网站数据，包括行情、基本面、经济数据等等。
完全免费，简洁易用，API设计得非常友好，提取的数据格式是Pandas的DataFrame。
同时可以获取非高频实时数据（取决于网站更新速度，同事经验大约是15秒），一个极好的非高频股票策略数据解决方案。
恒生电子的量化赢家平台，提供Python接口，链接我点进去后没看到具体的使用教程，希望回头补一下。
米矿ricequant在我提出这个问题时尚只有Java的API，后来也支持了Python，期待2016有新的突破。
如何监控python的内存使用情况
分析现象，先搞清楚内存是随着什么业务逻辑增长的。
再逐步定位。
Python里没有jprofiler那么好的工具。
自己努力分析解决，想偷懒是不行的。
另外垃圾回收和内存泄漏完全是两码事。
传统C/C++里常提的内存泄漏是内存你已经不用了，但是忘记归还。
垃圾回收中的内存一般是另外一种，也就是你在用那些实际上你不需要的内存。
比如你有一个list，每处理一个event就把处理过的event append到list后面，内存不增长才怪呢。
所以你要先搞清楚你的程序理论上对内存的需要，再比较内存的实际使用是否合理。
怎样用python处理股票
TuShare财经数据接口 – 可以直接抓取新浪财经、凤凰财经的网站数据，包括行情、基本面、经济数据等等。
完全免费，简洁易用，API设计得非常友好，提取的数据格式是Pandas的DataFrame。
同时可以获取非高频实时数据（取决于网站更新速度，同事经验大约是15秒），一个极好的非高频股票策略数据解决方案。