用Python进行简单的股票分析！
人们很容易被丰富的数据和各种免费开源工具所吸引。 在研究了quandl financial library和prophet modeling library之后，我打算试着探究简单的股票数据。我花了几天的时间，前后写了1000多行Python代码，最终得出了一个完整的股票分析预测工具。虽然我没有自信用这个来投资某些个股，但在整个过程中我学到了很多Python的知识。秉承开源的精神，在这里我打算分享这些代码，让更多的人受益。
本文将展示如何使用Stocker，这是基于Python的股票分析预测工具。我看过一些对象导向的Python编程书籍，但就像大多数编程书籍一样，当我阅读这些书时，我并没有真正理解当中的内容。只有当我在深入一个项目，且遇到从未解决问题时，我才会终于理解那些概念，这也再次证明了实践比理论更重要。除了探索Stocker之外，我们还会涉及一些重要的内容，包括Python的基础知识和加性模型(additive model)。如果你想使用Stocker，可以在GitHub上找到完整的代码以及使用文档。Stocker很简单易用，即使是Python初学者也能学会，我建议每个人都试试。下面让我们一起看看Stocker的分析能力！
Stocker入门
在安装完需要的库之后，我们首先要将Stocker类导入到Python会话中。这里可以使用交互式Python会话或者在脚本目录中启动Jupyter Notebook。
from stocker import Stocker
现在，我们的Python会话中有了Stocker类，接着可以用它来创建类的实例。在Python中，类的实例称为对象，创建对象有时称为实例化或构造。为了创建一个Stocker对象，我们需要传递一个有效的股票代码。
microsoft = Stocker('MSFT')
MSFT Stocker Initialized. Data covers 1986-03-13 to 2018-01-16.
现在，我们有了具有Stocker类属性的microsoft 对象。Stocker建立在quandl WIKI数据库上，因此我们可以访问3000多只美国股票，并且可以查看多年的每日价格数据。这里我建议使用微软的数据。尽管微软被认为是开源的对立面，但他们最近做了一些改变，因此我认为他们正在接受开源社区（包括Python）。
Python中的类由两个主要部分组成：属性和方法。没有太多的细节，属性是与类相关的值或数据，或者是类的特定实例（对象）。方法是类中可用于数据的函数。Stocker对象的一个属性是特定公司的股票数据，当我们进行构造时，属性与该对象相关联。我们可以访问该属性，并将其分配给另一变量进行检查：
# Stock is an attribute of the microsoft object stock_history = microsoft.stock stock_history.head()
微软股票数据
Python类的好处是方法（函数）和所操作的数据与同一个对象相关联。我们可以使用Stocker对象的方法来绘制股票的历史股价。
# A method (function) requires parentheses
microsoft.plot_stock()
Maximum Adj. Close = 89.58 on 2018-01-12.
Minimum Adj. Close = 0.06 on 1986-03-24.
Current Adj. Close = 88.35.
plot_stock函数有许多可选的参数。默认情况下，这种方法会绘制整个日期范围的调整收盘价格，但我们还可以选择范围、统计数据和绘图类型。例如，如果我们想比较每日价格变化与交易量（股票数量），我们可以在函数指定那些变量。默认值是调整后的收盘价格，这解释了股票拆分的原因（当一只股票被拆分成多只股票，比如2，每个新股票的价值是原始价格的1/2）。这个图可以在谷歌搜索中轻松找到，但是这里我们可以用Python代码完成。plot_stock函数有许多可选的参数。默认情况下，这种方法会绘制整个日期范围的调整收盘价格，但我们还可以选择范围、统计数据和绘图类型。例如，如果我们想比较每日价格变化与交易量（股票数量），我们可以在函数指定那些变量。
microsoft.plot_stock(start_date = '2000-01-03', end_date = '2018-01-16', stats = ['Daily Change', 'Adj. Volume'], plot_type='pct') Maximum Daily Change = 2.08 on 2008-10-13. Minimum Daily Change = -3.34 on 2017-12-04. Current Daily Change = -1.75. Maximum Adj. Volume = 591052200.00 on 2006-04-28. Minimum Adj. Volume = 7425503.00 on 2017-11-24. Current Adj. Volume = 35945428.00.
注意，y轴的百分比变化对应统计的平均值。这个规模是有必要的，因为股票的日常交易量数以亿计，而每日价格变化通常是几美元！通过转换为百分比的变化，我们可以用类似的规模查看这两个数据集。该图表显示，交易的股票数量和每日价格变化之间没有相关性，这很令人惊讶。我们通常认为，在股价变动大的时候股票交易更多。然而，真正的情况是交易量随着时间而下降。2017年12月4日，价格大幅度下降，我们可以联系相关微软新闻。12月3日的新闻如下：
当然，没有任何迹象表明微软股票将在第二天出现十年来最大的下跌。
使用plot_stock，我们可以查看任何日期的数据，并查找与现实事件（如果有的话）的相关性。接下来，我们看到Stocker当中很有意思的部分。
假设我们很有远见的在公司首次公开募股(IPO)中投资了100股微软股票。那如今我们肯定赚翻了!
microsoft.buy_and_hold(start_date='1986-03-13',
end_date='2018-01-16', nshares=100)
MSFT Total buy and hold profit from 1986-03-13 to 2018-01-16 for 100 shares = $8829.11
除了让我们感觉更好，使用这些结果能让我们对之后进行规划，实现利润最大化。
microsoft.buy_and_hold(start_date='1999-01-05',
end_date='2002-01-03', nshares=100)
MSFT Total buy and hold profit from 1999-01-05 to 2002-01-03 for 100 shares = $-56.92
加性模型
加性模型是分析和预测时间序列的强大工具而且是最常见的数据类型之一。这个概念很简单：将时间序列表示为不同时间范围和整体趋势的组合。众所周知微软股票的长期趋势是稳步增长的，但也可能会有每年、每天的增长模式，比如每个星期二增长一次。由Facebook开发的Prophet是通过日常观察，从而分析时间序列的库。Stocker用Prophet完成了所有建模的工作，因此我们可以用简单的方法创建、检查模型。
model, model_data = microsoft.create_prophet_model()
加性模型可以消除数据中的噪音,这就是为什么建模线与观测结果不完全一致的原因。Prophet模型能够计算不确定性，这是建模的一个重要部分。我们也可以用Prophet模式来预测未来，但现在我们更关注过去的数据。注意，这个方法调用返回了两个对象，模型和一些数据，我们将它们分配给变量。现在我们用用这些变量绘制时间序列组件。
# model and model_data are from previous method call
model.plot_components(model_data)
plt.show()
weekly_seasonality属性，并将其添加到prophet 模型中：print(microsoft.weekly_seasonality)
microsoft.weekly_seasonality = True
print(microsoft.weekly_seasonality)
False
True
weekly_seasonality的默认值是False，但我们改变该值，从而让模型包含周模式。然后，我们再次调用create_prophet_model并绘制结果组件。以下是新模式的每周模式。
我们可以忽略周末，因为价格只会在一周内发生变化。在继续建模之前，我们将关闭每周的季节性。股票的走势基本是随机的，只能从每年的大范围才能看到趋势。
变点 (Change points)
当时间序列从递增到递减或相反情况时，会出现变点（严格地说，变点位于时间序列变化率最大的地方）。这是非常重要的，因为知道什么时候股票将上涨或达到顶峰会带来显著的经济效益。识别变点能够让我们预测股票价格的未来波动。Stocker对象能够自动为我们找到10个最大的变点。
microsoft.changepoint_date_analysis()
Changepoints sorted by slope rate of change (2nd derivative):
Date Adj. Close delta
48 2015-03-30 38.238066 2.580296
337 2016-05-20 48.886934 2.231580
409 2016-09-01 55.966886 -2.053965
72 2015-05-04 45.034285 -2.040387
313 2016-04-18 54.141111 -1.936257
变点往往与股价的高峰和低谷一致Prophet只能在前80％的数据中找到变点，但是这些结果是有用的，因为我们可以尝试将其与真实事件相关联。我们可以重复之前的做法，比如在这些日期手动搜索相关新闻资讯，但是如果能让Stocker完成就更好了,你也许知道搜索趋势工具，该工具可让你随时查看谷歌搜索中的关键字的流行度。Stocker可以自动检索任何搜索内容，并将结果绘制在原始数据上。为了查找和绘制搜索词的频率，我们修改了之前的方法调用。
# same method but with a search term
microsoft.changepoint_date_analysis(search = 'Microsoft profit')
Top Related Queries:
query value
0 microsoft non profit 100
1 microsoft office 55
2 apple 30
3 microsoft 365 30
4 microsoft office 365 20
Rising Related Queries:
query value
0 microsoft 365 120
1 microsoft office 365 90
2 microsoft profit 2014 70
除了绘制相关的搜索频率外，Stocker还会显示图表日期范围内的热门搜索词。通过将值除以最大值将y轴的值控制在0和1之间，从而让我们比较两个不同比例的变量。从图中可以看出，搜索“微软利润”和微软股价之间没有任何联系。即使找到了相关性，还是存在因果关系的问题。我们不知道新闻是否导致价格变化，或价格变化导致搜索。可能有会找到一些有用信息，但也可能是偶然的。你可以试试不同的词，看看能否找到相关趋势。
microsoft.changepoint_date_analysis(search = 'Microsoft Office')
预测
到目前为止，我们只探索了Stocker一半的作用，另一半可以用来预测未来股价。虽然这可不会带来收益，但在这个过程中能够学到很多东西。
# specify number of days in future to make a prediction
model, future = microsoft.create_prophet_model(days=180)
Predicted Price on 2018-07-15 = $97.67
尽管Stocker的所有功能已经公开可用，但是创建这个工具的过程很有趣。重要的是相比大学课程，这能让我学到更多的数据科学、Python和股票市场的知识。如今在大数据的时代，每个人都能学习编程、机器学习。如果你有项目创意，但不确定自己有能力去完成，不要让它阻止你。你可能会得出更好的解决方案，即使没有成功你也在过程中学到很多知识。
来源：CDA数据分析师
