金融量化分析NumPy、pandas、Matplotlib介绍

一、股票入门知识

二、影响股价的因素

1、公司自身因素
2、行业因素 行业不景气
3、市场因素 直接因素，买卖双方的人的多少
4、心里因素 大股东抛售，小股东跟着抛售
5、经济因素 银行利率上涨，钱都去银行了
6、政治因素

三、金融分析

1、基本面分析
2、宏观经济面分析
3、行业分析
4、公司分析 财务分析、业绩报告
5、技术面分析
6、K线 红阳蓝阴、 均线

四、金融量化投资

量化投资： 利用计算机技术采用一定的数学模型去实现投资理念，实现投资策略的过程
量化投资的优势：
1、避免主观情绪
2、同时包括多角度的观察和多层次模型
3、及时跟踪市场变化，不断发现新的统计模型
4、在决定投资策略后，能通过回测验证其效果
量化策略： 通过一套固定的逻辑来分析判断和决策，自动化的进行股票交易
输入：行情数据——财务数据——自定义数据——投资经验
策略：选股——择时——仓位管理——止盈止损
输出：买入信号——卖出信号——交易费用——收益
策略周期：产生想法——实现策略——检验策略 回测/模拟交易——实盘交易——优化策略/放弃策略

五、量化投资与Python

量化投资实际上就是 通过分析数据从而做出决策的过程
Python处理数据的相关模块
1、Numpy
2、pandas
3、matplotlib

六、numpy简介

numpy是高性能科学计算和数据分析的基础包
主要功能：
1、ndarray，一个多维数组结构，高效且节省空间
2、无序循环对整组数据进行快速运算的数学函数
3、线性代数，随机数生成和傅里叶变换功能
安装和引用：
pip install numpy
import numpy as np
4、数组与列表的区别
（1）数组对象内的元素类型必须相同
（2）数组大小不可修改
5、ndarray数据类型
（1）布尔型
（2）整形 int_ int8 int16 int32 int64
（3）无符号整形 uint8 uint16 uint32 uint64
（4）浮点型 float_ float16 float32 float64
（5）复数型 complex_ complex64 complex128
6、ndarray常用属性
ndarray.dtype 数组的类型
ndarray.size 数组的个数
7、多维数组
n1 = np.arrary([1,2,3],[4,5,6])
n1.size 返回6，有多少个元素
n1.shape 返回（2,3），2行3列
n1.T 转置，行变成列，列变成行
n1.ndim 查看数组维数
8、创建全连数组
np.zeros(10) 10个0的数组，numpy创建数组默认是浮点型
np.zeros(10,dtype=int64) 这样就可以创建出整形的连数组

例子：
print(np.zeros(10))
print(np.zeros(10,dtype=int))
print(np.ones(10,dtype=int))
print(np.empty(10,dtype=int))    #随机值
print(np.arange(10))       #类似于range
print(np.arange(1,10,0.3))    #步长可以是小数
print(np.linspace(1,10,5))     #第三个参数是分数，步长仍然是一样的，前包后也包
print(np.eye(10))    #线性代数

9、数组运算
数组大小一致，对应位置进行运算

a = np.arange(10)
b = np.arange(10,20)
print(a,b)
print(a+b)
print(a*b)
print(a>b)

10、数组索引
一维数组 a[0]
切片 a[2:]

一维数组的索引和切片
a = np.arange(10)
b = list(range(10))
a1 = a[5:]
b1 = b[5:]
a1[0] = 20      #numpy数组为浅拷贝
b1[0] = 20
print(a,b)
c = np.arange(