❶ 如何建立一个股票量化交易模型并仿真
研究量化投资模型的目的是找出那些具体盈利确定性的时空价格形态，其最重要手段的概率取胜，最重要的技术是概率统计，最主要的研究方向是市场行为心理。那么我们在选择用于研究的参数时，也应该用我们的经验来确定是否把某技术参数放进去，因为一般来说定性投资比较好用的参数指标对量化投资同样适用。
量化投资区别于传统定性投资的主要特征在于模型。我打个比方，我们看病，中医与西医的诊疗方法是不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，主观定性程度大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。中医对医生的经验要求非常高，他们的主观判断往往决定了治疗效果，而西医则要从容得多，按事先规定好的程序走就行了。量化投资就是股票投资中的西医，它可以比较有效地矫正理智与情绪的不兼容现象。
量化投资的一般思路：选定某些技术指标（我们称之为参数，往往几个组成一组），并将每一个参数的数据范围进行分割，成几等份。然后，用计算机编程写出一段能对这些参数组对股票价格造成的影响进行数据统计的程序，连接至大型数据库进行统计计算，自动选择能够达到较高收益水平的参数组合。但是选出这些参数组后还不能马上应用，因为这里涉及到一个概率陷阱的问题，比如说，有1到100这一百个数字放在那里，现在让你选择，请问你选到100的可能性是多大？是的，就是1/100，如果较幸运你选到了100并不能说明你比别人聪明，而是概率的必然。所以，在进行统计时要特别关注统计的频率与选出的结果组数量之间的关系。在选出符合要求的参数组后我们还应留出至少三年的原始市场数据进行验证，只有验证合格后才能试用。
量化投资原始数据策略：我们选用96年后的市场数据，因为96年股市有过一次交易政策改革（你可以自己查询了解一下），为了不影响研究结果我们不采纳96年以前的数据进数据库。
量化投资研究的硬设备：高计算性能电脑，家用电脑也可以，不过运算时间会很长，我曾经用家用电脑计算了三个月时间才得到想要的数据。
统计方法：可以选用遗传算法，但我在这里陪大家做的是比较简单的模型，所以采用普通统计方法就可以了。
用于量化研究的软件：我采用的是免费的大型数据库MYSQL，ASP网络编程语言，以及可以设置成网络服务器的旗舰版WIN7操作系统。
❷ “基于数据挖掘的股票交易分析--模型分析” 这个题目，是什么意思 哪位哥们，能给点具体解释么
很难写，主要牵涉到数据挖掘（软件）和股票交易两方面的专业。数据挖掘需要设计软件进行建模，而股票交易需要进行实证（博士论文都可以写了）。
建议：可以写基于统计挖掘的股票交易分析--模型分析，这样就简单多了，只需要在股票软件上得出一些统计数据，然后进行验证就可以了，可操作性强。
❸ python的量化代码怎么用到股市中
2010 ~ 2017 沪深A股各行业量化分析
在开始各行业的量化分析之前，我们需要先弄清楚两个问题：
第一，A股市场上都有哪些行业；
第二，各行业自2010年以来的营收、净利润增速表现如何？
第一个问题
很好回答，我们使用JQData提供的获取行业成分股的方法，输入get_instries(name='sw_l1')
得到申万一级行业分类结果如下：它们分别是：【农林牧渔、采掘、化工、钢铁、有色金属、电子、家用电器、食品饮料、纺织服装、轻工制造、医药生物、公用事业、交通运输、房地产、商业贸易、休闲服务、综合、建筑材料、建筑装饰、电器设备、国防军工、计算机、传媒、通信、银行、非银金融、汽车、机械设备】共计28个行业。
第二个问题
要知道各行业自2010年以来的营收、净利润增速表现，我们首先需要知道各行业在各个年度都有哪些成分股，然后加总该行业在该年度各成分股的总营收和净利润，就能得到整个行业在该年度的总营收和总利润了。这部分数据JQData也为我们提供了方便的接口：通过调用get_instry_stocks(instry_code=‘行业编码’, date=‘统计日期’)，获取申万一级行业指定日期下的行业成分股列表，然后再调用查询财务的数据接口：get_fundamentals(query_object=‘query_object’, statDate=year)来获取各个成分股在对应年度的总营收和净利润，最后通过加总得到整个行业的总营收和总利润。这里为了避免非经常性损益的影响，我们对净利润指标最终选取的扣除非经常性损益的净利润数据。
我们已经获取到想要的行业数据了。接下来，我们需要进一步分析，这些行业都有什么样的增长特征。
我们发现，在28个申万一级行业中，有18个行业自2010年以来在总营收方面保持了持续稳定的增长。它们分别是：【农林牧渔，电子，食品饮料，纺织服装，轻工制造，医药生物，公用事业，交通运输，房地产，休闲服务，建筑装饰，电气设备，国防军工，计算机，传媒，通信，银行，汽车】；其他行业在该时间范围内出现了不同程度的负增长。
那么，自2010年以来净利润保持持续增长的行业又会是哪些呢？结果是只有5个行业保持了基业长青，他们分别是医药生物，建筑装饰，电气设备，银行和汽车。（注：由于申万行业在2014年发生过一次大的调整，建筑装饰，电气设备，银行和汽车实际从2014年才开始统计。）
从上面的分析结果可以看到，真正能够保持持续稳定增长的行业并不多，如果以扣非净利润为标准，那么只有医药生物，建筑装饰，电气设备，银行和汽车这五个行业可以称之为优质行业，实际投资中，就可以只从这几个行业中去投资。这样做的目的是，一方面，能够从行业大格局层面避免行业下行的风险，绕开一个可能出现负增长的的行业，从而降低投资的风险；另一方面，也大大缩短了我们的投资范围，让投资者能够专注于从真正好的行业去挑选公司进行投资。
「2010-2017」投资于优质行业龙头的收益表现
选好行业之后，下面进入选公司环节。我们知道，即便是一个好的行业也仍然存在表现不好的公司，那么什么是好的公司呢，本文试图从营业收入规模和利润规模和来考察以上五个基业长青的行业，从它们中去筛选公司作为投资标的。
3.1按营业收入规模构建的行业龙头投资组合
首先，我们按照营业收入规模，筛选出以上5个行业【医药生物，建筑装饰，电气设备，银行和汽车】从2010年至今的行业龙头如下表所示：
结论
通过以上行业分析和投资组合的历史回测可以看到：
先选行业，再选公司，即使是从2015年股灾期间开始投资，至2018年5月1号，仍然能够获得相对理想的收益，可以说，红杉资本的赛道投资法则对于一般投资者还是比较靠谱的。
在构建行业龙头投资组合时，净利润指标显著优于营业收入指标，获得的投资收益能够更大的跑赢全市场收益率
市场是不断波动的，如果一个投资者从股灾期间开始投资，那么即使他买入了上述优质行业的龙头组合，在近3年也只能获得12%左右的累计收益；而如果从2016年5月3日开始投资，那么至2018年5月2日，2年时间就能获得超过50%以上的收益了。所以，在投资过程中选择时机也非常重要。
出自：JoinQuant 聚宽数据 JQData
❹ 怎样用 Python 写一个股票自动交易的程序
方法一
前期的数据抓取和分析可能python都写好了，所以差这交易指令接口最后一步。对于股票的散户，正规的法子是华宝，国信，兴业这样愿意给接口的券商，但貌似开户费很高才给这权利，而且只有lts，ctp这样的c++接口，没python版就需要你自己封装。
方法二
是wind这样的软件也有直接的接口，支持部分券商，但也贵，几万一年是要的。
方法三
鼠标键盘模拟法，很复杂的，就是模拟键盘鼠标去操作一些软件，比如券商版交易软件和大智慧之类的。
方法四
就是找到这些软件的关于交易指令的底层代码并更改，不过T+1的规则下，预测准确率的重要性高于交易的及时性，花功夫做数据分析就好，交易就人工完成吧
❺ 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数据进行简单预测即可！求助！
虽然懂python 但是不懂股票，
采用random()可以么，哈哈
❻ 股票估价的股票估价的模型
股票估价的基本模型
计算公式为：
股票价值
估价
R——投资者要求的必要收益率
Dt——第t期的预计股利
n——预计股票的持有期数
零增长股票的估价模型
零成长股是指发行公司每年支付的每股股利额相等，也就是假设每年每股股利增长率为零。每股股利额表现为永续年金形式。零成长股估价模型为：
股票价值=D/Rs
例：某公司股票预计每年每股股利为1.8元，市场利率为10%，则该公司股票内在价值为：
股票价值=1.8/10%=18元
若购入价格为16元，因此在不考虑风险的前提下，投资该股票是可行的
二、不变增长模型
(1)一般形式。如果我们假设股利永远按不变的增长率增长，那 么就会建立不变增长模型。 [例]假如去年某公司支付每股股利为 1.80 元，预计在未来日子 里该公司股票的股利按每年 5%的速率增长。因此，预期下一年股利 为 1.80×(1 十 0.05)=1.89 元。假定必要收益率是 11%，该公司的 股票等于 1． 80×[(1 十 0． 05)/(0.11—0． 05)]=1． 89/(0． 11—0． 05) =31．50 元。而当今每股股票价格是 40 元，因此，股票被高估 8．50 元，建议当前持有该股票的投资者出售该股票。
(2)与零增长模型的关系。零增长模型实际上是不变增长模型的 一个特例。特别是，假定增长率合等于零，股利将永远按固定数量支 付，这时，不变增长模型就是零增长模型。 从这两种模型来看， 虽然不变增长的假设比零增长的假设有较小 的应用限制，但在许多情况下仍然被认为是不现实的。但是，不变增 长模型却是多元增长模型的基础，因此这种模型极为重要。
三、多元增长模型 多元增长模型是最普遍被用来确定普通股票内在价值的贴现现 金流模型。这一模型假设股利的变动在一段时间内并没有特定的 模式可以预测，在此段时间以后，股利按不变增长模型进行变动。因 此，股利流可以分为两个部分。 第一部分 包括在股利无规则变化时期的所有预期股利的现值 第二部分 包括从时点 T 来看的股利不变增长率变动时期的所有预期股利的现 值。因此，该种股票在时间点的价值(VT)可通过不变增长模型的方程 求出
[例]假定 A 公司上年支付的每股股利为 0．75 元，下一年预期支 付的每股票利为 2 元，因而再下一年预期支付的每股股利为 3 元，即 从 T=2 时， 预期在未来无限时期， 股利按每年 10%的速度增长， 即 0：，Dz(1 十 0．10)=3×1．1=3．3 元。假定该公司的必要收益 率为 15%，可按下面式子分别计算 V7—和认 t。该价格与目前每股 股票价格 55 元相比较，似乎股票的定价相当公平，即该股票没有被 错误定价。
(2)内部收益率。零增长模型和不变增长模型都有一个简单的关 于内部收益率的公式，而对于多元增长模型而言，不可能得到如此简 捷的表达式。虽然我们不能得到一个简捷的内部收益率的表达式，但 是仍可以运用试错方法，计算出多元增长模型的内部收益率。即在建 立方程之后，代入一个假定的伊后，如果方程右边的值大于 P，说明 假定的 P 太大；相反，如果代入一个选定的尽值，方程右边的值小于 认说明选定的 P 太小。继续试选尽，最终能程式等式成立的尽。 按照这种试错方法，我们可以得出 A 公司股票的内部收益率是 14．9%。把给定的必要收益 15%和该近似的内部收益率 14．9%相 比较，可知，该公司股票的定价相当公平。
(3)两元模型和三元模型。有时投资者会使用二元模型和三元模 型。二元模型假定在时间了以前存在一个公的不变增长速度，在时间 7、以后，假定有另一个不变增长速度城。三元模型假定在工时间前， 不变增长速度为身 I，在 71 和 72 时间之间，不变增长速度为期，在 72 时间以后，不变增长速度为期。设 VTl 表示 在最后一个增长速度开始后的所有股利的现值，认-表示这以前 所有股利的现值，可知这些模型实际上是多元增长模型的特例。
四、市盈率估价方法 市盈率，又称价格收益比率，它是每股价格与每股收益之间的比 率，其计算公式为反之，每股价格=市盈率×每股收益 如果我们能分别估计出股票的市盈率和每股收益， 那么我们就能 间接地由此公式估计出股票价格。这种评价股票价格的方法，就是 “市盈率估价方法”
五、贴现现金流模型 贴现现金流模型是运用收入的资本化定价方法来决定普通股票 的内在价值的。按照收入的资本化定价方法，任何资产的内在价值是 由拥有这种资产的投资 者在未来时期中所接受的现金流决定的。 由于现金流是未来时期的预 期值，因此必须按照一定的贴现率返还成现值，也就是说，一种资产 的内在价值等于预期现金流的贴现值。对于股票来说，这种预期的现 金流即在未来时期预期支付的股利，因此，贴现现金流模型的公式为 式中：Dt 为在时间 T 内与某一特定普通股相联系的预期的现金 流，即在未来时期以现金形式表示的每股股票的股利；K 为在一定风 险程度下现金流的合适的贴现率； V 为股票的内在价值。 在这个方程里，假定在所有时期内，贴现率都是一样的。由该方 程我们可以引出净现值这个概念。净现值等于内在价值与成本之差， 即 式中：P 为在 t=0 时购买股票的成本。 如果 NPV>0，意味着所有预期的现金流入的净现值之和大于投 资成本，即这种股票被低估价格，因此购买这种股票可行； 如果 NPV<0，意味着所有预期的现金流入的净现值之和小于投 资成本，即这种股票被高估价格，因此不可购买这种股票。 在了解了净现值之后，我们便可引出内部收益率这个概念。内部 收益率就是使投资净现值等于零的贴现率。如果用 K*代表内部收益 率，通过方程可得 由方程可以解出内部收益率 K*。把 K*与具有同等风险水平的股 票的必要收益率(用 K 表示)相比较：如果 K*>K，则可以购买这种股 票；如果 K*<K，则不要购买这种股票。 一股普通股票的内在价值时存在着一个麻烦问题， 即投资者必须 预测所有未来时期支付的股利。 由于普通股票没有一个固守的生命周 期，因此建议使用无限时期的股利流，这就需要加上一些假定。 这些假定始终围绕着胜利增长率，一般来说，在时点 T，每股股 利被看成是在时刻 T—1 时的每股股利乘上胜利增长率 GT，其计 例如，如果预期在 T=3 时每股股利是 4 美元，在 T=4 时每股股利 是 4．2 美元，那么不同类型的贴现现金流模型反映了不同的股利增 长率的假定
❼ 如何利用Python预测股票价格
预测股票价格没有意义。
单支股票价格，多股组合，大盘这些都可以使用神经网络来学习，02年就做过了，涨跌预测平均能达到54%到57%的准确率，但是只能定性，无法定量，因此，在扣除印花税之后无利可图。
纯粹使用股票交易数据来预测并保证总体获利不是程序能办到的，人也办不到。
目前世界上最先进的炒股机器也只能利用网络时差那微不可计的零点几秒在欧洲与美国证券间倒来倒去，那套系统研发费用数千万，硬件（主要是独立光缆）费用以亿计。
❽ 怎样用 Python 写一个股票自动交易的程序
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。
❾ python量化哪个平台可以回测模拟实盘还不要钱
Python量化投资框架：回测+模拟+实盘
Python量化投资 模拟交易 平台 1. 股票量化投资框架体系 1.1 回测 实盘交易前，必须对量化交易策略进行回测和模拟，以确定策略是否有效，并进行改进和优化。作为一般人而言，你能想到的，一般都有人做过了。回测框架也如此。当前小白看到的主要有如下五个回测框架： Zipline ：事件驱动框架，国外很流行。缺陷是不适合国内市场。 PyAlgoTrade ： 事件驱动框架，最新更新日期为16年8月17号。支持国内市场，应用python 2.7开发，最大的bug在于不支持3.5的版本，以及不支持强大的pandas。 pybacktest ：以处理向量数据的方式进行回测，最新更新日期为2个月前，更新不稳定。 TradingWithPython：基于pybacktest，进行重构。参考资料较少。 ultra-finance：在github的项目两年前就停止更新了，最新的项目在谷歌平台，无奈打不开网址，感兴趣的话，请自行查看吧。 RQAlpha：事件驱动框架，适合A股市场，自带日线数据。是米筐的回测开源框架，相对而言，个人更喜欢这个平台。 2 模拟 模拟交易，同样是实盘交易前的重要一步。以防止类似于当前某券商的事件，半小时之内亏损上亿，对整个股市都产生了恶劣影响。模拟交易，重点考虑的是程序的交易逻辑是否可靠无误，数据传输的各种情况是否都考虑到。 当下，个人看到的，喜欢用的开源平台是雪球模拟交易，其次是wind提供的模拟交易接口。像优矿、米筐和聚宽提供的，由于只能在线上平台测试，不甚自由，并无太多感觉。 雪球模拟交易：在后续实盘交易模块，再进行重点介绍，主要应用的是一个开源的easytrader系列。 Wind模拟交易：若没有机构版的话，可以考虑应用学生免费版。具体模拟交易接口可参看如下链接：http://www.dajiangzhang.com/document 3 实盘 实盘，无疑是我们的终极目标。股票程序化交易，已经被限制。但对于万能的我们而言，总有解决的办法。当下最多的是破解券商网页版的交易接口，或者说应用爬虫爬去操作。对我而言，比较倾向于食灯鬼的easytrader系列的开源平台。对于机构用户而言，由于资金量较大，出于安全性和可靠性的考虑，并不建议应用。 easytrader系列当前主要有三个组成部分： easytrader：提供券商华泰/佣金宝/银河/广发/雪球的基金、股票自动程序化交易，量化交易组件 easyquotation : 实时获取新浪 / Leverfun 的免费股票以及 level2 十档行情 / 集思路的分级基金行情 easyhistory : 用于获取维护股票的历史数据 easyquant : 股票量化框架，支持行情获取以及交易 2. 期货量化投资框架体系 一直待在私募或者券商，做的是股票相关的内容，对期货这块不甚熟悉。就根据自己所了解的，简单总结一下。 2.1 回测 回测，貌似并没有非常流行的开源框架。可能的原因有二：期货相对股票而言，门槛较高，更多是机构交易，开源较少； 去年至今对期货监管控制比较严，至今未放开，只能做些CTA的策略，另许多人兴致泱泱吧。 就个人理解而言，可能wind的是一个相对合适的选择。 2.2 模拟 + 实盘 vn.py是国内最为流行的一个开源平台。起源于国内私募的自主交易系统，2015年初启动时只是单纯的交易API接口的Python封装。随着业内关注度的上升和社区不断的贡献，目前已经一步步成长为一套全面的交易程序开发框架。如官网所说，该框架侧重的是交易模块，回测模块并未支持。 能力有限，如果对相关框架感兴趣的话，就详看相关的链接吧。个人期望的是以RQAlpha为主搭建回测框架，以雪球或wind为主搭建模拟框架，用easy系列进行交易。
❿ python k-means模型怎么评估
需要选择一个k值，也就是我们希望把数据分成多少类，这里k值的选择对结果的影响很大，Ng的课说的选择方法有两种一种是elbow method，简单的说就是根据聚类的结果和k的函数关系判断k为多少的时候效果最好。
另一种则是根据具体的需求确定，比如说进行衬衫尺寸的聚类你可能就会考虑分成三类（L,M,S）等！