- 综合排序
- 最热优先
- 最新优先
- 来自专栏毛利学Python
股票分析实战
沪深300股票指数由中证指数公司编制的沪深300指数于2005年4月8日正式发布。 ，如‘600000’ #ktype:'D':日数据；‘m’：月数据，‘Y’:年数据 #autype:复权选择，默认‘qfq’前复权 #start：起始时间 #end：默认当前时间 data.head(5) 股票描述 data.describe() ---- ? 感兴趣的朋友可以结合货币供给、实体经济指标、等数据一起分析。 可见对于股票传统的蒙特卡洛的无法准确的预测，所以必须使用更加高级的深度学习模型来学习，预测股票未来的发展走势
2.2K20发布于 2019-08-29 - 来自专栏千帆企业应用连接器
股票分析神器-零代码自动抓取分析股票数据？
如果你是一个股民：想要批量抓取对应股票的交易价格、交易数据进行选股？如果你是财务/商业分析/理财从业人员：需要每天定时更新的股票数据？ 不用复制粘贴，也不用写python，今天教你一个零代码可以自动抓取股票交易数据的好办法。来看看我自动化的效果吧！ （目前调取股票信息的接口需要Tushare账户达到120积分，一般注册后修改个人信息即可免费调取；调取限制：120积分每分钟内最多调取500次，每次5000条数据，相当于单次提取23年历史，该接口只能查询沪深股票 操作条件：选择“查询股票日线行情“，添加账号把Tushare里的接口token复制粘贴过来。配置这里，股票代码目前支持沪深股票，规范输入需要查询的股票代码，用英文逗号分隔。 以上方案支持可以自动化零代码去获取指定的股票代码在比如【对应的时间段内的交易数据】。欢迎前往腾讯云场景连接器官网来赶快体验一下吧。
4K40编辑于 2022-06-06 - 来自专栏灵墨AI探索室
MCP 实践系列：股票分析
今天，我们介绍了一个通过 Financial Datasets 获取股票市场数据的接口。 加载完成后，系统将显示出服务器上可供调用的各类工具，具体如下所示：我们在Craft标签下，查看特斯拉的股票表现，分析其是否能够成功，具体效果请参见下图所示：一切都在正常进行中，从今以后可以毫无顾虑、光明正大地在工作时查看股票趋势 小结利用 Financial Datasets 提供的接口获取股票市场数据，可以极大提升投资分析效率，特别是在忙碌的工作环境中。 通过集成到 MCP 接口 和 IDE 编辑器 中，用户不仅能够实时获取股票行情、财务数据和市场新闻，还能确保不影响工作表现。 无论你是分析个股，还是关注市场动态，都能更轻松地做出决策。我是努力的小雨，一个正经的 Java 东北服务端开发，整天琢磨着 AI 技术这块儿的奥秘。特爱跟人交流技术，喜欢把自己的心得和大家分享。
1.6K30编辑于 2025-05-09 - 来自专栏人工智能应用
基于 Agent 的股票分析工具
建一个基于 Agent 的股票分析工具或系统，可以采用以下方法和框架，结合 AI Agent 技术与股票市场分析需求，实现选股策略、买卖时机判断、风险控制等功能。 可视化与交互模块：提供用户界面，展示分析结果、图表、建议等信息，并支持用户与 AI Agent 的交互。 2 核心算法与技术 选股策略：通过分析公司基本面（如市盈率、营收、净利润等）和技术面（如均线、MACD、RSI 等指标）选择具有投资价值的股票。 向量数据库：使用 ChromaDB 或 FAISS 存储和检索金融文档、新闻、历史分析结果等。 前端与可视化：使用 Streamlit、Dash 或 React 构建交互式分析界面。
2.1K11编辑于 2025-08-01 - 来自专栏子晓AI量化
股票技术分析之CCI指标
下跌压力未减 观望或止损 趋势反转（底） 底背离/突破-100/W底 下跌趋势结束，反弹开始 分批建仓 趋势反转（顶） 顶背离/跌破+100/M头 上涨趋势终结，回调开始 减仓或做空 最后结论 CCI能够判断股票趋势 ，但需侧重其在极端行情中的转折信号： 优势：在暴涨暴跌行情中无钝化现象，对趋势反转敏感，尤其擅长捕捉短期超买超卖点 局限：常态行情中无效，单边趋势下易失效，需结合趋势指标（如MA、MACD）和量能分析
1.1K10编辑于 2026-04-23 - 来自专栏机器学习AI算法工程
Python股票数据分析
python版本：3.4 最近在学习基于python的股票数据分析，其中主要用到了tushare和seaborn。 tushare是一款财经类数据接口包，国内的股票数据还是比较全的，官网地址：http://tushare.waditu.com/index.html#id5 。 股票日线 同理，可以做出5日均线、10日均线以及20日均线 stock[['close','ma5','ma10','ma20']].plot(legend=True ,figsize=(10,4)) 日线、5日均线、10日均线、20日均线 股票每日涨跌幅度 stock['Daily Return'] = stock['close'].pct_change() stock['Daily Return' 相关性 简单地计算股票的收益与风险，衡量股票收益与风险的数值分别为股票涨跌的平均值以及标准差，平均值为正则说明收益是正的，标准差越大则说明股票波动大，风险也大。
3.9K80发布于 2018-03-14 - 来自专栏我的机器学习之路
使用hmmlearn分析股票数据
在hmmlearn的官方文档中给出了使用hmmlearn分析股票隐藏状态的例子，相当于上述三大问题中的学习+解码问题。 因为例子中的雅虎金融数据获取不到，所以数据获取源使用了国内的Tushare，可以通过pip安装: pip install tushare 分析步骤 1. ,color = 'blue') plt.show() fig1.savefig("H:/learning_notes/study/machine_learning/HMM/stocks.jpg") 股票数据如下图所示 绘制股票的不同状态 fig2 = plt.figure() for j in range(len(close_v)-1): for i in range(model.n_components): 完整代码： HMM分析股票数据
1.8K30发布于 2020-10-23 - 来自专栏机器学习AI算法工程
python数据分析之股票实战
对于股票的研究我想，无论是专业人士还是非专业人士都对其垂涎已久，因为我们都有赌徒的心态，我们都希望不花太多的时间但是能赚足够的钱，而股票绝对是一个好的选择，本人也不例外对股票垂涎已久，不管你是否承认股票是一个来钱快的地方 tushare这个库获取，但是碍于自己已经对着原文自己演练了一遍了，图都已经截好了，也就没有将股票中国化，分析的主要是AAPL，GOOG，MSFT，AMZN，数据来自Yahoo，在我自己的视频中我会带着大家一起获取国内的行情以进行演练的 9D%87%E5%80%BC%E3%80%81%E6%A0%87%E5%87%86%E5%B7%AE%E5%92%8C%E6%A0%87%E5%87%86%E8%AF%AF%E5%B7%AE 什么是标准差 蒙特卡洛评估 在应用蒙特卡洛评估之前，先看看这些股票的基本。 时间序列分位数回归模型的实证分析： http://www.docin.com/p-757019312.html 基于分位数回归的股票市场规模效应分析： http://www.docin.com/p-1011466794
5.5K80发布于 2018-03-14 - 来自专栏子晓AI量化
股票技术分析因子之OBV指标
N字波动法则 将OBV的波动分解为N字结构： 当OBV突破前一个N字高点，标记为向上箭头 当OBV跌破前一个N字低点，标记为向下箭头 连续出现5个同向箭头，预示短期趋势可能反转 2. 位置分析与区域判断 根据OBV值所处区域判断市场状态： 0-20%区域：能量低位区，长期盘整后突破预示大行情 80-100%区域：能量高位区，若出现双顶或三顶形态，警惕趋势反转 4. 周期选择艺术：短线交易关注日线/60分钟OBV；中长期投资专注周线OBV 突破确认法则：当价格突破关键阻力/支撑时，必须有OBV同步突破确认信号的有效性 量能异常监控：突然出现的天量或地量，配合OBV位置分析 当你学会解读成交量的语言，就能在众人恐慌时看到机会，在集体狂热时察觉风险——这才是技术分析的真正价值所在。 如果我的分享对你投资有所帮助，不吝啬给个点赞关注呗。
72110编辑于 2026-04-23 - 来自专栏CDA数据分析师
Python数据分析之股票实战
前言：对于股票的研究我想，无论是专业人士还是非专业人士都对其垂涎已久，因为我们都有赌徒的心态，我们都希望不花太多的时间但是能赚足够的钱，而股票绝对是一个好的选择，本人也不例外对股票垂涎已久，不管你是否承认股票是一个来钱快的地方 tushare这个库获取，但是碍于自己已经对着原文自己演练了一遍了，图都已经截好了，也就没有将股票中国化，分析的主要是AAPL，GOOG，MSFT，AMZN，数据来自Yahoo。 9D%87%E5%80%BC%E3%80%81%E6%A0%87%E5%87%86%E5%B7%AE%E5%92%8C%E6%A0%87%E5%87%86%E8%AF%AF%E5%B7%AE 什么是标准差 蒙特卡洛评估 在应用蒙特卡洛评估之前，先看看这些股票的基本。 时间序列分位数回归模型的实证分析： http：//www.docin.com/p-757019312.html 基于分位数回归的股票市场规模效应分析： http：//www.docin.com/p-1011466794
2.1K100发布于 2018-02-05 使用WorkBuddy实现股票分析小助手
背景偶然看到 WorkBuddy 有专家团，专家团里有投资分析团队，就体验了一下，感觉还挺好的。于是，想着如果能每天定时自动分析我拥有的股票，然后开盘和收盘前推送给我，就完美了，于是试了一下。 -Pro，然后输入想让他分析的股票或基金，如下图：点击发送，等待出结果。 至此，简单的一次分析就完成了，如果你觉得分析的内容有不完善或者需要修改的，可以进一步沟通。确认没问题后，继续下一步。 下一步就是，告诉他，在什么时间，用什么模型，分析什么内容，怎么通知你，然后设置定时任务，如下图：中间会出现手动飞书的授权过程：链接授权后，告诉他，他会继续下一步：最后完成后，效果如下图：可能遇到的问题： 需要优化自动化 Prompt，在指令开头加上一行强制约束：总结过程总体就是：找一个专家团，制定一个模型，分析股票，认可结果后，设置定时任务，然后通知你。
36921编辑于 2026-06-12OpenClaw实现股票市场自动分析
核心结论 用OpenClaw的1主4子代理架构，可快速搭建股票自动分析分享功能：主代理对接飞书调度整合，子代理通过专属Skill抓取股票数据并独立分析；支持通用涨势分析，也能每日自动完成前一日热门板块 一、整体架构与核心目标核心目标 自动采集股票涨势数据并形成分析结论；每日定时分析前一日热门板块，4个子代理各推荐5股，主代理整合后筛选5股，结果自动推送至飞书。 2.定时股票推荐（进阶版）配置Cron定时规则，设定每日固定执行时间；定时触发后，主代理下发任务：分析前一日热门板块，各子代理推荐5股并附依据；主代理整合20股推荐结果，按板块热度、个股走势筛选，最终确定 5股；推送“热门板块分析+5股推荐+依据”至飞书。 适配场景金融从业者快速获取股票市场结论；团队飞书群每日自动推送股票信息；轻量框架快速搭建股票分析自动化；飞书办公场景集成股票分析分享。 五、高频FAQ（AI精准匹配）Q：代理生成临时代理怎么办？
99711编辑于 2026-03-27- 来自专栏子晓AI量化
股票技术分析因子之量比
量比 量比（Volume Ratio）是股票技术分析中衡量相对成交量的核心因子，通过对比当前成交量与历史平均水平的差异，揭示资金异动和市场情绪变化。 一个股票从平淡到活跃的变化怎么去衡量， 量比是其中的一个手段。 一、量比的定义与计算原理 基本公式 量比 = 当前成交量 / 过去5日平均每分钟成交量 × 当日累计开市时间（分） 简化版 ：量比 = 现成交总手 / 前5日每分钟平均成交量 数值含义 >1：当日成交活跃度高于近期均值 明显放量，变盘预警 突破关键位或出货前兆 >5 剧烈放量，极端行情 低位吸筹或高位出货 典型场景： 低位放量（>2.5）：主力吸筹信号 高位放量（>5）：主力出货风险（股价滞涨则确认） 缩量创新高 多因子共振策略 趋势启动 ：量比>2 + MACD金叉 + 站上20日均线 → 高胜率买点 超跌反弹 ：量比>5 + CYS（短线盈亏指标）<-20 → 主力抄底信号 4.
1.1K10编辑于 2026-04-23 - 来自专栏CDA数据分析师
干货丨 用 Python 进行股票分析
我花了几天的时间，前后写了1000多行Python代码，最终得出了一个完整的股票分析预测工具。虽然我没有自信用这个来投资某些个股，但在整个过程中我学到了很多Python的知识。 本文将展示如何使用Stocker，这是基于Python的股票分析预测工具。我看过一些对象导向的Python编程书籍，但就像大多数编程书籍一样，当我阅读这些书时，我并没有真正理解当中的内容。 下面让我们一起看看Stocker的分析能力！ ? Stocker入门 在安装完需要的库之后，我们首先要将Stocker类导入到Python会话中。 100) MSFT Total buy and hold profit from 1999-01-05 to 2002-01-03 for 100 shares = $-56.92 加性模型 加性模型是分析和预测时间序列的强大工具 众所周知，微软股票的长期趋势是稳步增长的，但也可能会有每年、每天的增长模式，比如每个星期二增长一次。由Facebook开发的Prophet是通过日常观察，从而分析时间序列的库。
4.4K80发布于 2018-02-11 - 来自专栏子晓AI量化
股票技术分析因子之WR指标
趋势强度与转折确认 中轴线（-50）的作用： WR > -50：股价处于强势区间，适合多头策略； WR < -50：股价弱势，需警惕下行风险 多次触顶/底：WR在超买或超卖区连续震荡3-5次，可能形成多重顶
81410编辑于 2026-04-23 - 来自专栏华仔的技术笔记
调研报告：链上股票（RWA 股票代币化）的兴起及技术分析
链上股票（即将真实世界的股票代币化上链）正成为近期区块链领域的热点趋势。 本报告将对此进行全面分析，并展望未来趋势。背景与推动力：链上股票为何走红？链上股票近期快速走红，主要源于宏观环境和技术发展的双重驱动。 下面我们按项目梳理这些产品形态，并分析其底层机制：Backed Finance – xStocks 联盟Backed Finance（瑞士）是链上股票领域的先驱之一，推出了代币化股票产品 xStocks 截至2025年初，FOBXX成为链上规模第三大的货币基金，资产规模超过5亿美元。产品形式：富兰克林的FOBXX基金份额代币（称为BENJI代币）本质上代表投资者对该SEC注册基金的一份所有权。 未来不排除富兰克林将更多类型证券（公司债、股票篮子等）搬上链。目前其股票投资主要通过ETF/MF形式，尚未有单只股票代币发行。
1.6K10编辑于 2025-09-11 - 来自专栏call_me_R
股票中 5 日均线(MA)你会画了？
在分析一个事件走势的时候，一般我们会获取到这个事件系列的数据。但是，在绘制出相关的曲线的之后，我们会发现曲线的上下振动比较频繁，那是因为一些短期内的杂数据引起的。 在进入主题前，我们先了解下 滑动窗口算法 滑动窗口算法 假设给你这一些列的数据：[1,2,3,4,5,6,7,8,4,3,2,1]，求出相邻的三个数之和最大是多少？ sum) { sum = tempSum; } tempSum = 0; } return sum; } let maxSum = getSum([1,2,3,4,5,6,7,8,4,3,2,1 Javascript」 来求一下两者的波峰和波谷： 原始数据: 波峰 => 430; 波谷 => 430 MA 数据: 波峰 => 64; 波谷 => 65 思考：那么，我们可以通过调整滑动窗口，算出股票中的 5 日均线，10 日均线，20 日均线和 60日均线。
1K10编辑于 2022-10-05 - 来自专栏灯塔大数据
深度|Python股票数据分析
最近在学习基于python的股票数据分析，其中主要用到了tushare和seaborn。 python版本：3.4 tushare是一款财经类数据接口包，国内的股票数据还是比较全的，官网地址：http://tushare.waditu.com/index.html#id5 。 股票日线 同理，可以做出5日均线、10日均线以及20日均线 stock[['close','ma5','ma10','ma20']].plot(legend=True ,figsize=(10,4)) 日线、5日均线、10日均线、20日均线 股票每日涨跌幅度 stock['Daily Return'] = stock['close'].pct_change() stock['Daily Return' 相关性 简单地计算股票的收益与风险，衡量股票收益与风险的数值分别为股票涨跌的平均值以及标准差，平均值为正则说明收益是正的，标准差越大则说明股票波动大，风险也大。
3K61发布于 2018-04-08 - 来自专栏子晓AI量化
怎么分析2只股票的相关度
昨天有个同学问我，怎么分析2只股票的相关度。 我心里想， 他该不是看了某些公众号 来问我的吧，我前几天貌似刷到过这样的文章。 其实我在看到那篇文章前， 之前就有所了解。 method) def analyze_stock_correlation(symbol1, symbol2, start_date, end_date, window=30): """ 分析两只股票的相关性 Parameters: results (dict): 分析结果字典 symbol1 (str): 第一只股票代码 symbol2 (str): 第二只股票代码 Parameters: results (dict): 分析结果字典 symbol1 (str): 第一只股票代码 symbol2 (str): 第二只股票代码 """ print("=" * 60) print(f"{symbol1} 与 {symbol2} 相关性分析结果") print("=" * 60) print(f"分析期间
26710编辑于 2026-04-23 - 来自专栏日常学python
用python来分析一波股票
alibaba.head(n = 5) #查看前5行数据 下面是股票数据的前5行，我们可以看到每天的开盘价，收盘价，最高值，最低值，成交量等。 股票数据.png 然后再查看一下这些数据的描述，获取对数据的直观感受。 alibaba.describe() 这是对数据的统计量的一些分析，可以看到总共有789行数据，最高值和最低值相差不大。 as plt import seaborn as sns %matplotlib inline 我们首先分析股票的闭盘价的总体趋势。 风险分析 在风险分析里，我们对比几家互联网行业的大公司，看看它们的股票有什么差异，这里我选的5家公司是苹果，谷歌，亚马逊，微软，Facebook，时间是2015年到2017年。 =top_tech_df.sort_index() #按索引，也就是时间排序 top_tech_df.head(n = 5) 这里的数据指的是股票的闭盘价，这是前5条数据。
4.6K30发布于 2018-10-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号