Skip to content
TheChatArchiveThe Chat Archive
gpt-3.5-turbo-0301· OpenAIAi2 WildChat-4.8M (AI2)

读取C:/Users/陈赞/Desktop/2023证券投资/K线导出000906日线数据.xls,利用其中的vol构造市场情绪指标

  1. User

    读取C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls,利用其中的vol构造市场情绪指标

  2. Assistant

    由于缺少文件内容,无法提供具体代码。一般情况下,可以按照以下步骤进行操作:

    1. 使用pandas包中的read_excel()函数读取Excel文件,将数据保存为DataFrame格式。

    2. 根据DataFrame中的成交量(vol)数据,计算市场情绪指标。市场情绪指标可以有多种定义方法,例如:

      • OBV指标:根据成交量的正负情况来计算一个指标值,表示买方和卖方的力量对比。可以使用cumsum()函数计算出OBV值。

      • 累积成交量指标:计算一段时间内的成交量的累计值,表示市场情绪的变化趋势。也可以使用cumsum()函数计算出累积成交量值。

      • 交易量变异指标:根据成交量的波动情况来计算一个指标值,表示市场情绪的不确定性。可以使用rolling()函数计算出一段时间内的成交量标准差,然后将标准差除以平均值得到交易量变异指标。

    3. 将计算出的市场情绪指标添加到DataFrame中,保存为Excel文件或者其他格式。可以使用to_excel()函数将结果保存为Excel文件。

  3. User

    你帮我写代码

  4. Assistant

    好的,以下是一个简单的示例代码,其中使用了OBV指标计算市场情绪指标,并将结果保存为Excel文件:

    import pandas as pd
    
    # 读取Excel文件并转换为DataFrame格式
    df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls')
    
    # 计算OBV指标
    obv = df.apply(lambda x: x['vol'] if x['pct_chg'] >= 0 else -x['vol'], axis=1).cumsum()
    
    # 将OBV指标添加到DataFrame中
    df['obv'] = obv
    
    # 保存结果为Excel文件
    df.to_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据_with_obv.xls')
    

    上述代码中,使用了apply()函数和lambda表达式对每行数据进行处理,将正收益对应的成交量求和,负收益对应的成交量求和并取相反数,然后使用cumsum()函数计算得到OBV指标。最后使用to_excel()函数将带有OBV指标的DataFrame保存为Excel文件。需要注意的是,保存时需要指定文件名,并且文件名应当与原始文件名不同,避免覆盖原始数据。

  5. User

    如何画出上下轨道

  6. Assistant

    上下轨道通常与股票的价格走势相关,是一种常见的技术分析工具。根据不同的计算方法和参数,可以得到不同的上下轨道,例如布林带、移动平均线带等。以下是一个示例代码,演示如何使用布林带计算和绘制上下轨道:

    import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    
    # 读取Excel文件并转换为DataFrame格式
    df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls')
    
    # 计算收盘价的20日移动平均线和标准差
    window = 20
    ma = df['close'].rolling(window).mean()
    std = df['close'].rolling(window).std()
    
    # 计算上下轨道
    k = 2  # 布林带参数
    upper_band = ma + k * std
    lower_band = ma - k * std
    
    # 绘制上下轨道
    plt.plot(df['date'], df['close'], label='Close')
    plt.plot(df['date'], ma, label='20-day Moving Average')
    plt.plot(df['date'], upper_band, label='Upper Band')
    plt.plot(df['date'], lower_band, label='Lower Band')
    plt.fill_between(df['date'], upper_band, lower_band, alpha=0.2)  # 填充区域
    plt.legend()
    plt.show()
    

    上述代码中,使用了rolling()函数计算收盘价的20日移动平均线和标准差,然后根据布林带的计算公式得到上下轨道。最后使用plot()函数绘制收盘价、移动平均线和上下轨道,并使用fill_between()函数填充上下轨道之间的区域。需要注意的是,绘制之前需要导入matplotlib库,并使用show()函数显示图像。

  7. User

    plt.plot(df['Date'],upper_band, label='Upper Band')字体大小怎么设置

  8. Assistant

    在Matplotlib中,可以使用rcParams参数字典设置全局字体大小,或者在特定的plot函数中使用fontsize参数设置特定图像的字体大小。可以使用如下代码设置全局字体大小:

    import matplotlib.pyplot as plt
    
    plt.rcParams['font.size'] = 12  # 设置全局字体大小为12
    

    如果只想修改特定plot函数的字体大小,可以在plot函数中使用fontsize参数指定:

    plt.plot(df['Date'], upper_band, label='Upper Band', fontsize=12)
    

    其中fontsize参数设置字体大小,单位为磅。需要注意的是,不同操作系统和Matplotlib版本可能需要设置不同的字体名称和大小单位。如果字体设置不生效,可以尝试修改字体名称和单位。

  9. User

    AttributeError: 'Line2D' object has no property 'fontsize'

  10. Assistant

    对不起,我的前面回答有些错误。Line2D确实没有fontsize属性,它只能由Text实例对象使用。因此,要更改Legend中文本的字体大小,需要先获取Legend实例对象,然后再通过它的prop属性来设置字体大小。具体的代码示例如下:

    import matplotlib.pyplot as plt
    
    # 绘制上下轨道,并添加图例
    plt.plot(df['Date'], upper_band, label='Upper Band')
    plt.plot(df['Date'], lower_band, label='Lower Band')
    plt.legend()
    
    # 获取Legend实例对象,并设置字体大小
    legend = plt.gca().get_legend()
    for text in legend.get_texts():
        text.set_fontsize(12)
        
    # 显示图像
    plt.show()
    

    上述代码中,使用gca()函数获取当前图形状态中的Axes实例对象,然后通过该实例对象的get_legend()方法获取图例的Legend实例对象。最后使用get_texts()方法获取Legend中所有的文本对象,然后通过set_fontsize()方法设置文本的字体大小。

    希望这次回答能够解决你的问题,如果还有什么其它问题,欢迎继续提问。

  11. User

    什么版本能直接写plt.plot(df['Date'],upper_band, label='Upper Band',fontsize=20)

  12. Assistant

    plt.plot() 函数本身不支持 fontsize 参数,但是 label 参数的文本可以通过 set_fontsize() 方法改变字体大小。但是 set_fontsize() 方法只在 Matplotlib >= 3.4.0 中才被引入,如果你的 Matplotlib 版本低于这个版本,可能会出现 AttributeError: 'Line2D' object has no property 'set_fontsize' 的错误。

    如果你想要使用 set_fontsize() 方法来修改 Label 的字体大小,可以升级到 Matplotlib 3.4.0 及以上版本。升级方法可以通过执行以下 pip 命令来实现:

    !pip install --upgrade matplotlib
    

    如果你的 Matplotlib 版本已经是 3.4.0 及以上,可以将代码修改如下来设置 Label 的字体大小:

    # 绘制上下轨道,并添加图例
    plt.plot(df['Date'], upper_band, label='Upper Band')
    plt.plot(df['Date'], lower_band, label='Lower Band')
    plt.legend()
    
    # 获取 Legend 中的文本,并修改字体大小
    legend = plt.gca().get_legend()
    for text in legend.texts:
        text.set_fontsize(20)
        
    # 显示图像
    plt.show()
    

    这里使用了 legend.texts 属性获取 Legend 中的文本实例列表,然后遍历该列表并使用 set_fontsize() 方法来修改字体大小。

  13. User

    指定版本安装3.4.1

  14. Assistant

    如果需要安装指定版本的Matplotlib,可以使用以下命令在命令行中执行:

    pip install matplotlib==3.4.1
    

    这个命令会将Matplotlib库安装为3.4.1版本,如果已经安装了其它版本的Matplotlib,执行这个命令会将其替换为指定版本。

    建议在虚拟环境(virtualenv)中进行库的安装和管理,这样可以保证不同项目使用的库版本相互独立,避免出现版本冲突的问题。具体使用方法可以参考虚拟环境相关的文档或教程。

  15. User

    股价收盘价累计涨跌幅怎么算df

  16. Assistant

    你可以使用 Pandas 库来计算股价的累计涨跌幅。以下是一个简单的示例代码,可以读取收盘价数据,并使用pct_change()方法计算累计涨跌幅:

    import pandas as pd
    
    # 读取Excel文件并转换为DataFrame格式
    df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls')
    
    # 计算收盘价的涨跌幅
    df['pct_chg'] = df['close'].pct_change()
    
    # 计算累计涨跌幅
    df['cum_pct_chg'] = (1 + df['pct_chg']).cumprod() - 1
    

    在上述示例代码中,首先使用read_excel()函数读取Excel文件数据并转换为DataFrame格式。然后使用pct_change()方法计算收盘价的涨跌幅,并将其保存在DataFrame中的一个列中。最后使用cumprod()方法来计算累计涨跌幅,并将其保存在DataFrame中的另一个列中。

    需要注意的是,pct_change()方法计算的是涨跌幅百分比,因此结果是一个小数,需要乘以100变为百分数。如果需要将计算结果保存在Excel文件中,可以使用DataFrame的to_excel()方法将结果保存到Excel文件中,例如:

    # 将结果保存为Excel文件
    df.to_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据_with_pct_chg.xlsx', index=False)
    

    其中,to_excel()方法的index参数设置为False,表示不保存行索引。

  17. User

    import pandas as pd import matplotlib.pyplot as plt import numpy as np import matplotlib

    matplotlib.rcParams['font.sans-serif']=['SimHei'] matplotlib.rcParams['axes.unicode_minus']=False

    读取Excel文件并转换为DataFrame格式

    df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls').iloc[3500:] log_returns=np.log(df['close']/df['close'].shift(1)).dropna() cum=log_returns.cumsum()*100

    计算OBV指标

    obv = df.apply(lambda x: x['vol'] if x['change%'] >= 0 else -x['vol'], axis=1).cumsum()

    将OBV指标添加到DataFrame中

    df['obv'] = obv

    保存结果为Excel文件

    df.to_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据_with_obv.xls')

    计算收盘价的20日移动平均线和标准差

    window = 20 ma = df['obv'].rolling(window).mean() std = df['obv'].rolling(window).std()

    计算上下轨道

    k = 2 # 布林带参数 upper_band = ma + k * std lower_band = ma - k * std plt.xticks(rotation='vertical') plt.figure(figsize=(15, 10)) plt.grid(True) plt.xlabel('Year',fontsize=20) plt.ylabel('CPI YoY growth ',fontsize=20) plt.figsize=(30,15) plt.plot(df['Date'],upper_band, label='Upper Band') plt.plot(df['Date'],lower_band, label='Lower Band') plt.plot(df['Date'],obv, label='情绪指标') 由于股价很大,怎么让他也能在一个图里画出来,并且很清晰

  18. Assistant

    如果股价范围过大,在同一张图上绘制OBV指标和股价会导致股价的细节部分被掩盖,难以观察。可以考虑在不同的轴上绘制OBV指标和股价,从而避免这个问题。以下是一个修改后的示例代码,可以绘制两个轴,一个用于绘制OBV指标,另一个用于绘制股价:

    import pandas as pd
    import matplotlib.pyplot as plt
    
    # 读取Excel文件并转换为DataFrame格式
    df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls').iloc[3500:]
    log_returns = np.log(df['close'] / df['close'].shift(1)).dropna()
    cum = log_returns.cumsum() * 100
    
    # 计算OBV指标
    obv = df.apply(lambda x: x['vol'] if x['change%'] >= 0 else -x['vol'], axis=1).cumsum()
    
    # 计算收盘价的20日移动平均线和标准差
    window = 20
    ma = df['close'].rolling(window).mean()
    std = df['close'].rolling(window).std()
    
    # 计算上下轨道
    k = 2  # 布林带参数
    upper_band = ma + k * std
    lower_band = ma - k * std
    
    # 创建画布和两个坐标轴
    fig, ax1 = plt.subplots()
    ax2 = ax1.twinx()
    
    # 在坐标轴1上绘制OBV指标和布林带
    ax1.plot(df['Date'], obv, label='情绪指标')
    ax1.plot(df['Date'], upper_band, label='Upper Band')
    ax1.plot(df['Date'], lower_band, label='Lower Band')
    ax1.fill_between(df['Date'], upper_band, lower_band, alpha=0.2)
    
    # 在坐标轴2上绘制股价
    ax2.plot(df['Date'], df['close'], color='red', label='股价')
    
    # 设置图例和标签
    ax1.legend(loc='upper left')
    ax2.legend(loc='upper right')
    ax1.set_xlabel('日期')
    ax1.set_ylabel('OBV指标/布林带')
    ax2.set_ylabel('股价')
    
    plt.show()
    

    上述代码中,首先创建一个包含两个坐标轴的画布,然后将OBV指标和布林带绘制在左侧坐标轴上,股价绘制在右侧坐标轴上。使用了ax1.twinx()方法创建第二个坐标轴,并使用color参数设置股价的颜色。需要为两个坐标轴分别设置标签和图例,以便更好地理解图像含义。

  19. User

    peg估值比pe估值好在哪

  20. Assistant

    PEG(Price/Earnings to Growth)估值是一种基本