使用 Tushare API 獲取深圳股市歷史數據
引言
這篇文章將會演示如何使用 Tushare Pro API 獲取深圳股市的歷史交易數據，并將數據保存到CSV文件中。Tushare 是一款提供實時和歷史金融市場的數據服務，支持多種語言，具有豐富的數據源和強大的功能。
安裝 Tushare
在開始之前，你需要先安裝 Tushare 庫。可以通過 pip 安裝：
pip install tushare初始化 Tushare API
使用 Tushare Pro API 需要一個 token 。可以在 Tushare 官方網站注冊并獲取 token。一旦你獲得了 token，可以通過以下方式初始化 Tushare API：
import tushare as tsts.set_token('your_token')
獲取歷史數據
一旦你已經初始化了 Tushare API，就可以開始請求數據了。在此示例中，我們將獲取深交所的“000004”股票的歷史數據。我們可以通過以下代碼實現：???????
pro = ts.pro_api('your_token')df?=?pro.daily(ts_code='000004.SZ',?start_date='20200701',?end_date='20231108')
此段代碼將從2020年7月1日到2023年11月10日獲取“000004”股票的日線數據。
保存數據到CSV文件
最后，我們可以使用 pandas 的 to_csv 函數來將所獲取的數據保存到CSV文件中：
df.to_csv("000004_2023.csv", index=False)在保存時，我們不希望保留索引（index=False），因為 Tushare 提供的數據已經自帶了一個 date 字段作為索引。所以如果保留索引的話，可能會造成混淆。總結一下，這篇教程介紹了如何使用 Tushare API 來獲取深交所歷史數據并將其保存到CSV文件中。Tushare 是一款功能強大的金融數據分析工具，可以幫助您更好地理解金融市場趨勢。
使用 Python 和機器學習預測股票漲跌幅
引言
這篇文章將演示如何使用Python和機器學習庫來構建一個簡單的股票漲跌幅預測模型。我們將使用過去的股票漲跌幅數據來預測明天的股票漲跌幅走勢。在開始之前，請確保你已安裝所需的所有庫，其中包括 Pandas、Numpy、Scikit-learn 和 XGBoost。
安裝 Tushare
在開始之前，你需要先安裝 Tushare 庫。可以通過 pip 安裝：???????
pip install numpypip?install?pandaspip?install?xgboostpip install?scikit-learn
數據導入
首先，我們需要讀取股票漲跌幅數據，并將其轉換成 Pandas DataFrame。使用 Pandas 的 read_csv() 函數即可完成這項工作：
import pandas as pdimport numpy as npfrom sklearn.model_selection import train_test_splitfrom xgboost import XGBClassifierfrom sklearn.metrics import accuracy_scoredata = pd.read_csv("000004_2023.csv")
特征和標簽的選擇
接下來，我們需要確定輸入特性和輸出特性。在這個例子中，我們將選取開盤價、最高價、最低價、昨天的收盤價、今天的價格變動、成交量和成交額作為輸入特征。此外，我們將根據今天的漲跌幅與昨天漲跌幅的差值是否為正，將明天的漲跌幅變動標記為漲（1）或跌（0）作為輸出特性。通過以下代碼實現：???????
features = ["open", "high", "low", "pre_close", "change", "vol", "amount"]data["pct_chg"] = data["close"].pct_change()data["pct_chg"] = np.where(data["pct_chg"] > 0, 1, 0)
劃分訓練集和測試集
接下來，我們需要將數據集分割為兩個部分：訓練集和測試集。通常，我們將 80% 的數據用于訓練模型，剩下20%的數據用于評估模型。我們可以使用 Scikit-learn 的 train_test_split() 函數來實現這一目的：???????
X = data[features]y = data["pct_chg"]X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=48)
建立和訓練模型
現在我們可以使用 XGBoost 模型來構建我們的預測器。首先，我們創建一個 XGBClassifier 類的實例，并使用 fit() 方法對其進行訓練：???????
model = XGBClassifier()model.fit(X_train, y_train)
測試模型
接下來，我們可以使用我們的模型對測試集進行預測：
y_pred = model.predict(X_test)評估模型
現在我們可以計算預測結果的準確性：
???????
accuracy = accuracy_score(y_test, y_pred)print(f"模型準確率: {accuracy}")
預測未來價格
接下來我們使用模型預測未來兩天的漲跌幅。首先，我們需要獲得未來兩天的時間戳：
???????
last_date = pd.to_datetime(data.index[-1])future_dates = pd.date_range(last_date + pd.DateOffset(days=1), periods=2)
然后，我們將昨天的漲跌幅信息填充到未來兩天的時間戳下：
future_features = pd.DataFrame(index=future_dates)for column in features:future_features[column] = [data[column].iloc[-1]] * 2
最后，我們用模型對未來的兩天的漲跌幅進行預測：
future_predictions = model.predict(future_features)print(f"未來兩天的預測值: {future_predictions}")
綜上所述，我們已經完成了使用 Python 和機器學習技術構建一個簡單股票漲跌幅預測模型的過程。需要注意的是，雖然該模型能夠在一定程度上預測未來的漲跌幅走勢，但是還需要考慮其他因素，如市場環境和經濟政策等。?? ?
請注意：
以上代碼僅使用簡單的機器學習模型嘗試預測股票漲跌幅變動，而在實際中，股票漲跌幅受到許多復雜因素的影響，比如政治因素、宏觀經濟情況、公司經營狀況等。在實際應用中應慎重使用，并配合其他技術分析手段進行輔助判斷。另外，股市有風險，投資需謹慎。
