python识别股票K线形态，准确率回测（一）
对于一些做股票技术分析的投资者来说，对常见的k线形态应该都不陌生，比如十字星，红三兵，头肩顶(底)，岛型反转，吊颈线，两只乌鸦，三只乌鸦，四只乌鸦（哈）
![]()
做价投的投资者可能会对这些划线的嗤之以鼻，而短线操盘者却有可能把它奉为圭臬，以之作为买卖标准。
海乃百川，兼听则明，笔者认为多吸收不同的观点与技术，可以更加全面的加深投资认知。你画的圆圈越大，圆圈外的未知空间也越大。
本文介绍使用python对A股市场的股票(转债也可以)的K线进行识别，然后回测某个形态出现后接下来的涨跌幅，还可以通过设定的形态进行选股。
举个例子，我们可以统计所有个股出现了“早晨之星“这一形态后，一周后甚至一个月后，个股是涨了还是跌了，从大量结果中统计出一些有意义的结果。
为了便于验证查看结果图形，我们先介绍如何使用python来画股票K线图。
有数据之后，剩下画图是很简单的，很多第三方的库已经封装好了各种蜡烛图绘制函数。我们要做只是传入每天开，收盘价，以及最高最低价。
获取股票的数据
市面有不少第三方的库可以获取股票和可转债的日线数据，比如tushare和akshare。本文以股票数据为例。
以akshare为例，代码如下所示：
# pip install akshare
import akshare as ak
def get_k_line(code="sz002241"): #
df = ak.stock_zh_a_daily(symbol=code, start_date="20220101", end_date="20220515",
adjust="qfq")
# 这个函数只适合取股票数据，转债会报错，转债的日线数据可以使用其他函数，这里选择股价前复权
df.to_excel("同和药业k.xlsx")
如上面代码所示，我们使用stock_zh_a_daily方法获取一段时间的数据，这里的日期可以根据你的需求进行调整，比如设置start_date=“20200101”，end_date=“20220515”，就可以获取一年时间段的股票数据。
而股票的代码有sh与sz之分，sz代表深市的股票，所有深市的股票前面都必须带上sz，比如这里的同和药业，就是sz002241。
同样的，sh是上证交易所的股票，所有上证的股票前面必须带上sh。
这里，我们来看看获取的同和药业股票数据格式，如下图所示：
![]()
date：交易日期 open：代表开盘价 high：当天最高价 low：当天最低价 close：当天收盘价 volume：当天成交量（元） outstanding_share：流动股本(股) turnover：换手率
既然已经拿到了数据，下面我们来绘制K线图。
绘制K线图
在python中，绘制K线图需要用到mpl_finance库，而这个库提供了4种方式绘制K线图，这里我们介绍其中的一种，代码如下所示：
import mpl_finance as mpf
import matplotlib.pyplot as plt
import pandas as pd
#创建绘图的基本参数
fig=plt.figure(figsize=(12, 8))
ax=fig.add_subplot(111)
#获取刚才的股票数据
df = pd.read_excel("同和药业k.xlsx")
mpf.candlestick2_ochl(ax, df["open"], df["close"], df["high"], df["low"], width=0.6, colorup='r',colordown='green',alpha=1.0)
#显示出来
plt.show()
运行此段代码后，会显示如下效果图：
![]()
![]()
和东财上的同和药业的k线图基本一致的。
不过，这个K线图有一个问题，就是X坐标轴并不是显示的时间，而是数字，这是因为我们绘制K线图的方法，并没有提供X轴的参数，那怎么让下面的数字替换为时间呢？我们先来看一段代码：
import matplotlib.ticker as ticker
#将股票时间转换为标准时间，不带时分秒的数据
def date_to_num(dates):
num_time = []
for date in dates:
date_time = datetime.strptime(date, '%Y-%m-%d')
num_date = date2num(date_time)
num_time.append(num_date)
return num_time
#创建绘图的基本参数
fig=plt.figure(figsize=(12, 8))
ax=fig.add_subplot(111)
#获取刚才的股票数据
df = pd.read_excel("同和药业k.xlsx")
mpf.candlestick2_ochl(ax, df["open"], df["close"], df["high"], df["low"], width=0.6, colorup='r',colordown='green',alpha=1.0)
df['date'] = pd.to_datetime(df['date'])
df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))
def format_date(x, pos=None):
if x < 0 or x > len(df[&#39;date&#39;]) - 1:
return &#39;&#39;
return df[&#39;date&#39;][int(x)]
ax.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment=&#39;right&#39;)
#显示出来
plt.show()
这里，我们定义了2个方法：第1个方法date_to_num主要的作用就是将获取的时间数据转换为标准的日期数据；第2个方法，就是根据X的数值替换时间值。
其中，set_major_formatter方法是将数值替换为时间值的操作库，而plt.setup的功能就是设置X轴的标签倾斜45度以及右对齐。运行之后，我们的K线图就显示的非常完美了，如下图所示：
![]()
均线图
虽然我们实现了K线图，但是有没有发现，其实大多数的股票交易软件K线图上面其实还标记有均线，比如常用的有5日均线，10日均线，30均线。所以，我们需要将均线一起添加到我们的K线图之上。计算均线的方式如下：
df[&#34;SMA5&#34;] = df[&#34;close&#34;].rolling(5).mean()
df[&#34;SMA10&#34;] = df[&#34;close&#34;].rolling(10).mean()
df[&#34;SMA30&#34;] = df[&#34;close&#34;].rolling(30).mean()
3行代码就可以获取到股票的均线值。接着，我们可以使用上面的ax进行绘制均线了，添加的代码如下所示：
ax.plot(np.arange(0, len(df)), df[&#39;SMA5&#39;]) # 绘制5日均线
ax.plot(np.arange(0, len(df)), df[&#39;SMA10&#39;]) # 绘制10日均线
ax.plot(np.arange(0, len(df)), df[&#39;SMA30&#39;]) # 绘制30日均线
这里，同样将X轴设置为数字，将这两段代码添加到上面的K线图代码中，自然也会将X轴替换为时间。运行之后，显示效果如下图所示：
![]()
这里5日均线为蓝色，10日均线为橙色，30日均线为绿色，如果需要自己设置颜色，可以在每条均线的的绘制方法中加入color参数。
细心的读者肯定发现30日均线只有最后一小段，这是因为前29日不够30日是算不出均线的，同样的5，10日均线也是如此。
成交量
最后，我们还需要绘制成交量。在多数的股票交易软件中，上面是K线图，一般下面对应的就是成交量，这样对比起来看，往往能直观的看到数据的变化。
但是，因为上面有个K线图，那么同一个画布中就有了2个图片，且它们共用一个X轴，那么我们需要更改一下基本的参数，代码如下所示：
import mpl_finance as mpf
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.ticker as ticker
import numpy as np
#创建绘图的基本参数
fig, axes = plt.subplots(2, 1, sharex=True, figsize=(15, 10))
ax1, ax2 = axes.flatten()
#获取刚才的股票数据
df = pd.read_excel(&#34;同和药业k.xlsx&#34;)
mpf.candlestick2_ochl(ax1, df[&#34;open&#34;], df[&#34;close&#34;], df[&#34;high&#34;], df[&#34;low&#34;], width=0.6, colorup=&#39;r&#39;,colordown=&#39;green&#39;,alpha=1.0)
df[&#39;date&#39;] = pd.to_datetime(df[&#39;date&#39;])
df[&#39;date&#39;] = df[&#39;date&#39;].apply(lambda x: x.strftime(&#39;%Y-%m-%d&#39;))
def format_date(x, pos=None):
if x < 0 or x > len(df[&#39;date&#39;]) - 1:
return &#39;&#39;
return df[&#39;date&#39;][int(x)]
df[&#34;SMA5&#34;] = df[&#34;close&#34;].rolling(5).mean()
df[&#34;SMA10&#34;] = df[&#34;close&#34;].rolling(10).mean()
df[&#34;SMA30&#34;] = df[&#34;close&#34;].rolling(30).mean()
ax1.plot(np.arange(0, len(df)), df[&#39;SMA5&#39;]) # 绘制5日均线
ax1.plot(np.arange(0, len(df)), df[&#39;SMA10&#39;]) # 绘制10日均线
ax1.plot(np.arange(0, len(df)), df[&#39;SMA30&#39;]) # 绘制30日均线
ax1.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment=&#39;right&#39;)
#显示出来
plt.show()
这里，我们将绘图的画布设置为2行1列。同时，将上面绘制的所有数据都更改为ax1，这样均线与K线图会绘制到第一个子图中。
接着，我们需要绘制成交量，但是我们知道，一般股票交易软件都将上涨的那天成交量设置为红色，而将下跌的成交量绘制成绿色。所以，首先我们要做的是将获取的股票数据根据当天的涨跌情况进行分类。具体代码如下：
red_pred = np.where(df[&#34;close&#34;] > df[&#34;open&#34;], df[&#34;volume&#34;], 0)
blue_pred = np.where(df[&#34;close&#34;] < df[&#34;open&#34;], df[&#34;volume&#34;], 0)
如上面代码所示，我们通过np.where(condition, x, y)筛选数据。这里满足条件condition，输出X，不满足条件输出Y，这样我们就将涨跌的成交量数据进行了分类。
最后，我们直接通过柱状图方法绘制成交量，具体代码如下所示：
ax2.bar(np.arange(0, len(df)), red_pred, facecolor=&#34;red&#34;)
ax2.bar(np.arange(0, len(df)), blue_pred, facecolor=&#34;blue&#34;)
将这4行代码，全部加入到plt.show()代码的前面即可。
运行之后，输出的效果图如下：
![]()
根据定义编写形态
接下来，我们根据定义来构造一个简单的形态函数，比如长上影线。
上影线
根据网络上的定义：
⑤上影阳线：开盘后价格冲高回落，涨势受阻，虽然收盘价仍高于开盘价，但上方有阻力，可视为弱势。
⑥上影阴线：开盘后价格冲高受阻，涨势受阻，收盘价低于开盘价，上方有阻力，可视为弱势。
![]()
![]()
那么简单定义为：(high - close)/close > 7%，(high - open)/open > 7% ，可能不是太精确，这里只是为了演示，忽略一些具体细节。
简单理解就是，当天最高价比收盘价，开盘价高得多。
长上影匹配函数，简单，只有一行就搞定。
def long_up_shadow(o,c,h,l):
return True if (h-c)/c >=0.07 and (h-o)/o>=0.07 else False
然后把这个长上影函数应用到上面的同和药业。得到的效果：
df = pd.read_excel(&#34;同和药业k.xlsx&#34;)
count_num = []
for row,item in df.iterrows():
if long_up_shadow(item[&#39;open&#39;],item[&#39;close&#39;],item[&#39;high&#39;],item[&#39;low&#39;]):
count_num.append(row)
plot_image(df,count_num)
![]()
图里面的4个箭头长上影是python自动标上去的，然后对着数据到同花顺核对一下，都是满足长度大于7%的。
可以看到在3月18日和28日的两根长上影之后，同和药业的股价走了一波趋势下跌。【PS：选这个股票并没有刻意去挑选，在集思录默认排名，找了一个跌幅第一个转债的正股就把代码拷贝过来测试】
那么，有这么多的形态，难道每一个都要自己写代码筛选形态吗？ 不用哈，因为已经有人写了第三方的库，你只需要调用就可以了。
截取的部分函数名与说明
![]()
比如，像两只乌鸦，描述起来都感觉有点复杂，自己手撸代码都会搞出一堆bug。而用taLib这个库，你只需要一行调用代码，就可以完成这些复杂的形态筛选工作。
示例代码：
df[&#39;tow_crows&#39;] = talib.CDL2CROWS(df[&#39;open&#39;].values, df[&#39;high&#39;].values, df[&#39;low&#39;].values, df[&#39;close&#39;].values)
pattern = df[(df[&#39;tow_crows&#39;] == 100) | (df[&#39;tow_crows&#39;] == -100)]
上面得到的pattern就是满足要求的形态，如CDL2CROWS 两只乌鸦。测试的个股是歌尔股份2020的日K线。
![]()
虽然我不知道两只乌鸦是什么玩意，但是可以通过遍历某个长周期（5-10年）下的全部A股数据，通过数据证伪，统计这个形态过后的一周或一个月（个人随意设定）涨跌幅，来证伪这个形态的有效性。
如果得到的是一个50%概率涨跌概况，那说明这个指标形态只是个游走在随机概率的指标，并不能作为一个有效指标参考。
(未完待续） |
|
转播
