«

怎么使用Python代码创建复杂的财务图表

时间:2024-5-21 09:05     作者:韩俊     分类: Python


今天小编给大家分享一下怎么使用Python代码创建复杂的财务图表的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我们一起来了解一下吧。

导入包

将所需的包导入到我们的 python 环境中是一个必不可少的步骤。在本文中,我们需要三个包,它们是处理数据帧的 Pandas、调用 API 和提取股票数据的requests,以及创建金融图表的 mplfinance。对于尚未安装这些软件包的人,请将此代码复制到你的终端中:

pip install pandas
pip install requests
pip install mplfinance

完成安装包后,是时候将它们导入到我们的 python 环境中了。

import pandas as pd
import requests
import mplfinance as mf

提取股票数据

现在,我们已经导入了所有必要的包。让我们使用12data.com[1]提供的 API 端点拉取亚马逊的历史股票数据。在此之前,12data.com上的一条说明:12data是领先的市场数据提供商之一,拥有适用于所有类型市场数据的大量 API 端点。与十二数据提供的 API 交互非常容易,并且拥有有史以来最好的文档之一。此外,请确保你在12data.com上拥有一个帐户,只有这样,你才能访问你的 API 密钥(使用 API 提取数据的重要元素)。

Python实现

def get_historical_data(symbol, start_date):
api_key = 'YOUR API KEY'
api_url = f'https://api.twelvedata.com/time_series?symbol={symbol}&interval=1day&outputsize=5000&apikey={api_key}'
raw_df = requests. get(api_url).json()
df = pd.DataFrame(raw_df['values']).iloc[::-1].set_index('datetime').astype(float)
df = df[df.index >= start_date]
df.index = pd.to_datetime(df.index)
return df
amzn = get_historical_data('AMZN', '2021-01-01')
amzn.tail()

输出:

代码说明

我们做的第一件事是定义一个名为'get_historical_data'的函数,该函数以股票代码('symbol')和历史数据的开始日期('start_date')为参数。

在函数内部,我们定义了 API 密钥和 URL,并将它们存储到各自的变量中。

接下来,我们使用'get'函数以 JSON 格式提取历史数据并将其存储到 'raw_df'变量中。在对原始 JSON 数据进行一些清理和格式化处理之后,我们以一个空的 Pandas DataFrame 的形式返回它。

最后,我们调用 created 函数来拉取亚马逊从 2021 年初开始的历史数据,并将其存储到"amzn"变量中。

OHLC图

OHLC 图表是一种条形图,显示每个时期的开盘价、最高价、最低价和收盘价。

OHLC 图表很有用,因为它们显示了一段时间内的四个主要数据点,许多交易者认为收盘价是最重要的。它也有助于显示增加或减少的动量。开合相距较远时表现强劲,开合相近时则表现优柔寡断或动能弱。

最高价和最低价显示了该时期的完整价格范围,有助于评估波动性1[2]。现在要使用 mplfinance 创建一个 OHLC 图表,只需一行代码:

mf.plot(amzn.iloc[:-50,:])

在上面的代码中,我们首先调用该plot函数,并在其中将我们之前提取的 Amazon OHLC 数据切片为最后 50 个读数,这样做的目的只是使图表更清晰,以便元素可见。上面的单行代码将产生如下所示的输出:

OHLC图表

烛台图

交易者使用烛台图根据过去的模式确定可能的价格变动。烛台在交易时很有用,因为它们在交易者指定的整个时间段内显示四个价格点(开盘价、收盘价、最高价和最低价)。

这种类型的图表最有趣的部分是它还可以帮助交易者阅读情绪,这是市场本身的首要驱动因素 2[3]。要使用 mplfinance 生成烛台图,我们只需添加另一个参数,即函数的type参数plot并candle在其中提及。代码如下所示:

mf.plot(amzn.iloc[:-50,:], type = 'candle')

上面的代码将生成一个如下所示的烛台图表:

烛台图

砖形图

砖形图( Renko chart)是一种使用价格变动构建的图表,而不是像大多数图表那样同时使用价格和标准化时间间隔。该图表看起来像一系列砖块,当价格移动指定的价格金额时会创建一个新砖块,并且每个块都与前一个砖块成 45 度角(向上或向下)。Renko 图表的主要用途是过滤掉噪音并帮助交易者更清楚地看到趋势,因为所有小于框大小的运动都被过滤掉 3[4] 。

据我所知,mplfinance 是唯一提供 Renko 图表的 Python 库,也是我们接下来要看到的,这就是为什么这个包在金融可视化方面具有强大优势的原因。现在要创建一个 Renko,我们只需要在函数renko的type参数中指定plot。Renko 图表的代码如下所示:

mf.plot(amzn, type = 'renko')

我们还可以向plot函数添加一个额外的参数,该参数是根据renko_params我们的需要和其他类似类型修改砖块大小的参数,但我更喜欢默认的。上面的代码生成了一个看起来像这样的砖形图:

砖形图

点数图

点数图,简称 P&F 图,类似于 Renko 图,它在不考虑时间流逝的情况下绘制资产的价格走势。与其他一些类型的图表(例如烛台)相反,烛台标志着资产在设定的时间段内的变动程度,而 P&F 图表使用由堆叠的 X 或 O 组成的列,每个列代表一定数量的价格变动。X 代表价格上涨,而 O 代表价格下跌。当价格反转反转量 4[5] 时,会在 O 之后形成新的 X 列或在 X 之后形成新的 O 列。

支持点数图的函数在其他地方找不到,只能在 mplfinance 库中找到,而且它还使我们可以通过仅pnf在函数的type参数中指定来创建图表的过程更容易plot。代码如下所示:

mf.plot(amzn, type = 'pnf')

点数图

添加更多信息

mplfinance 包不仅限于生成不同类型的图表,还使我们能够通过添加简单移动平均线 (SMA) 和交易量等附加指标使这些图表更具洞察力。对于那些不知道这两者的人来说,成交量是交易者在特定时间范围内买卖的股票数量,而简单移动平均线 (SMA) 只不过是特定时间段的平均价格。它是一种技术指标,广泛用于创建交易策略。

用 matplotlib 绘制这些数据需要一千年,而 mplfinance 允许我们只用一行代码就可以完成这项任务。除了type参数之外,我们只需要引入另外两个参数,一个是mav我们必须指定每个 SMA 的回溯期的参数,另一个是volume我们必须提到的参数,True 如果我们想将成交量图添加到我们的图表中,或者False 我们不想。这两个指标的代码如下所示:

mf.plot(amzn, mav = (10, 20), type = 'candle', volume = True)

可以通过两种方式修改和试验上述代码。第一种方法显然是尝试不同类型的图表。在上述代码中,我们提到我们的图表类型是烛台,但你可以将其更改为 OHLC、Renko 甚至 P&F 图表,并观察每个图表及其两个附加指标的外观。下一个方法是使用mav我们可以添加任意数量的具有不同回顾期的 SMA的参数。上述代码的输出如下所示:

保存图片

如果你想知道如何保存这些财务可视化中的任何一个,只需添加另一个参数,savefig即你只需提及其文件名的参数,其余部分将被处理。假设你想保存上面的图,那么你必须遵循的代码如下所示:

mf.plot(amzn,
mav = (10, 20),
type = 'candle',
volume = True,
savefig = 'amzn.png')

完整代码

import pandas as pd
import requests
import mplfinance as mf
# Extracting stock data
def get_historical_data(symbol, start_date):
api_key = 'YOUR API KEY'
api_url = f'https://api.twelvedata.com/time_series?symbol={symbol}&interval=1day&outputsize=5000&apikey={api_key}'
raw_df = requests.get(api_url).json()
df = pd.DataFrame(raw_df['values']).iloc[::-1].set_index('datetime').astype(float)
df = df[df.index >= start_date]
df.index = pd.to_datetime(df.index)
return df
amzn = get_historical_data('AMZN', '2021-01-01')
amzn.tail()
# 1. OHLC Chart
mf.plot(amzn.iloc[:-50,:])
# 2. Candlestick Chart
mf.plot(amzn.iloc[:-50,:], type = 'candle')
# 3. Renko Chart
mf.plot(amzn, type = 'renko')
# 4. Point and Figure Chart
mf.plot(amzn, type = 'pnf')
# 5. Technical chart
mf.plot(amzn, mav = (10, 20), type = 'candle', volume = True)
# 6. Plot customization
mf.plot(amzn, mav = (5, 10, 20), type = 'candle',
volume = True, figratio = (10,5),
style = 'binance', title = 'AMZN STOCK PRICE',
tight_layout = True)
# 7. Saving the plot
mf.plot(amzn, mav = (5, 10, 20), type = 'candle',
volume = True, figratio = (10,5),
style = 'binance', title = 'AMZN STOCK PRICE',
tight_layout = True, savefig = 'amzn.png')

标签: python

热门推荐