《构建实时机器学习系统》一3.3 利用 Pandas 分析实时股票报价数据

简介: 本节书摘来自华章出版社《构建实时机器学习系统》一 书中的第3章,第3.3节,作者:彭河森 汪涵,更多章节内容可以访问云栖社区“华章计算机”公众号查看。

3.3 利用 Pandas 分析实时股票报价数据

熟悉一项软件的最好方法就是通过示例来亲自使用它。这里将会通过分析苹果公司 2015 年 8 月 3 日秒级股票价格的数据来熟悉 Pandas 的用法。建议通过Python 笔记本或交互式窗口的方法来进行下面的操作。
首先,需要导入相关的模块,在导入Pandas模块的同时,我们还用到了Datetime模块。Datetime模块的主要功能是对时间、日期等数据进行处理,导入命令如下:

import pandas as pd
from datetime import datetime

3.3.1 外部数据导入

这里将会导入 2015 年 8 月 3 日苹果公司的秒级股票交易数据,不过,相应的原始数据需要稍做清理才能使用,而这正好符合本章的学习要点。
首先,用Pandas 的read_csv 模块直接从 csv 文件中导入数据。原始数据一共有六列,分别存有原始时间戳、每秒开盘价、最高价、最低价、收盘价和成交量信息。可以通过names 参数将这些名字赋给处理好的数据,导入命令如下:

data = pd.read_csv("aapl.csv",
                   names = ["timestamp_raw","Open","High",
                            "Low","Close","Volume"], 
                   index_col = False)
print(type(data))

上面的type(data)可以打印出当前数据对象的类。可以看到,这里data 对象的类名为DataFrame,是 Pandas 中最基本的数据形态。
导入数据之后,当然还要看看我们最感兴趣的数据长什么样,在交互窗口中打印前 5 行和后 5 行。这里需要用到DataFrame 的head 和tail 函数,命令如下:

data.head(5)
data.tail(5)

可以注意到记录中的股价数值为原始股价乘以 10000。
原始数据中的时间记录为每天距离格林威治标准时间的秒数乘以 1000,为增加可读性,需要将数据先还原。这里先将data 对象的索引变为处理后的时间标记,并调用 DataFrame.index 域,示例代码如下:

UNIX_EPOCH = datetime(1970, 1, 1, 0, 0) 
def ConvertTime(timestamp_raw, date):
    """ 该函数会将原始的时间转化为所需的datetime格式 """
    delta = datetime.utcfromtimestamp(timestamp_raw) - UNIX_EPOCH
    return date + delta

data.index = map(lambda x: ConvertTime(x, datetime(2015, 8, 3)),
                 data["timestamp_raw"]/1000)

这个时候timestamp_raw 一列将不再有用,可以删掉它。这里调用了DataFrame.drop()函数来实现该功能:

data = data.drop("timestamp_raw",1)

3.3.2 数据分析基本操作

导入数据并做初步清理之后,可以调用 DataFrame 对象的函数对其进行各种基本的修改和描述。DataFrame的很多操作都是通过调用对象的函数来进行的,具体有哪些函数呢?可以通过如下dir()命令来查看:

dir(data)

经过查看可以得知,大多数的常用函数都已经包含在内了,如 mean(均值)、max(最大值)、min(最小值)。例如,为了求得该数据集每一列的均值,我们可以进行如下操作,求最大值、最小值的操作也与此类似:

data.mean()

同时还可以调用 describe 函数直接产生常用的描述性统计量,命令如下:

data.describe()

我们进行数据分析时,往往需要对数据的假设进行检验。例如美股交易时间是从美国东部时间的早上 9:30 到下午 3:30,但是很多主流股票还具有盘前和盘后交易。盘前和盘后交易时间中估价波动较大,成交量较小,对此本书不进行研讨。在进行其他分析之前,我们需要检视一下所有数据记录的时间范围。上面的统计量操作也可以在 data.index 上执行。这里DataFrame.index 相当于一个 Series 对象,命令如下:

data.index.min()
data.index.max()

可以看到,交易时间其实包括了盘前和盘后的大量时间。在实际交易策略中,我们往往只会在正常交易时间进行交易,所以需要对数据按照时间进行拆分,只保留正常交易时间的数据,完成该项操作非常容易,命令如下:

data_trading_hour = data["201508030930":"201508031529"]

3.3.3 可视化操作

进行了简单的数据清理之后,就可以开始进行可视化操作了,首先通过目测的方式来查看数据的分布。Pandas 进行可视化操作需要依赖于 Matplolib 模块,这里首先导入对应的模块,导入命令如下:

import matplotlib
from matplotlib import pyplot as plt

Matplotlib 自带的画图风格比较僵硬,需要改改,同时为了向 R 致敬,这里设置画图风格为 R ggplot 风,设置命令如下:

matplotlib.style.use('ggplot')

画图查看每一秒的收盘价。这里只需要对 Series 类的变量调用plot 函数,即可得到
图3-1所示的股价走势图,调用命令如下:

data_trading_hour["Close"].plot()
plt.show()

screenshot

同时,也有人可能对成交量感兴趣。根据格兰杰因果检验等研究,成交量对股价变化也有影响。每秒成交量是什么样的分布?可以通过下面的命令做出直方图。只需要调用 Series 类对象的plot.hist 函数即可:

data_trading_hour["Volume"].plot.hist() 
plt.show()

直方图画出来之后,读者将会发现大多数观测集中在了较小的范围之内,但是有若干秒的交易量是其他时候的数倍。为了更深入地研究,可以画出时序图做进一步的观察,画时序图的命令如下,得到的图形如图3-2所示。

screenshot

data_trading_hour["Volume"].describe() 
data_trading_hour["Volume"].plot() 
plt.show()

果然正如我们所假设的,中午时分有大单交易发生。

3.3.4 秒级收盘价变化率初探

当然,对于实时量化交易,我们最感兴趣的还是每秒的变化率。那么下面我们就来看看股价变化的分布情况。为了到相邻时间点股价的变化率,我们可以通过调用diff 函数来实现,得到的变化率序列也是一个 Series 类对象。就如3.3.3节一样,我们可以将变化率可视化,得到图3-3。调用diff 函数的命令如下:

data_trading_hour["Close"].diff().plot.hist() 
plt.show()

change = data_trading_hour["Close"].diff()/data_trading_hour["Close"] 
change.plot() 
plt.show()

screenshot

现在回到出发点,我们分析和可视化数据是为了在后文中发掘出可能的量化交易策略。我们常常听说股价会追涨杀跌,在这种模式中的股价会按照趋势继续上涨或下跌。我们也听说过可能会均值反转,在这种模式中的股价会在具有了大幅波动之后回归平均值。那么,秒级数据又有什么样的趋势模式呢?可以通过shift 函数对时间序列进行错位,并且通过corr 函数计算两个时间序列之间的相关性系数。绝对值较大的相关性系数代表前后时间中股价变化的相关程度较高;绝对值近乎为 0则代表前后时间中股票变化相关线性程度低。shift 函数命令如下:

change.shift(1).corr(change) 
change.shift(2).corr(change)

通过图3-4可以看到,前后一秒股价变化率的相关性系数为 -0.167,这样的相关性对于金融数据来说已经非常显著了。但是这一相关性在两秒的间隔之后迅速衰减到了-0.034,所以这就要求我们的实时交易策略系统必须具有非常低的延迟,才能抓住这样的先机,得到超额的收益。
其实,在时间序列研究中,已经有了一套比较完备的描述性统计量,自相关性(auto-correlation)就是这样一个例子。MatplotLib 的 acorr 函数可以自动对时间序列做出自相关图,acorr 函数的命令如下:

plt.acorr(change[1:], lw = 2) 
plt.show()

screenshot

图3-4所示为AAPL 股价变化率自相关系数柱状图,其横轴的每个刻度均代表时间序列的错位大小,1 表示时间序列与错位 1 秒的自身进行相关性计算;2表示时间序列与错位 2 秒的自身进行相关性计算。以此类推。该图纵轴代表计算的相关性系数大小。在错位为 0 时,时间序列和自身完美相关,这里的相关性系数为 1。
从图3-4可以看出,苹果公司当天股价变化率的自相关性随着时间错位的增加而递减。前一秒股价变化率和后一秒股价呈负相关关系,这暗示我们在短期股票交易中,股价变化具有均值回归的模式。在均值回归模式中,如果股票出现大幅上涨或下跌,那么在后面的短时间内,可能会出现反向的股价波动,以减弱前期的变化。

相关文章
|
3月前
|
机器学习/深度学习 人工智能 Kubernetes
Argo Workflows 加速在 Kubernetes 上构建机器学习 Pipelines
Argo Workflows 是 Kubernetes 上的工作流引擎,支持机器学习、数据处理、基础设施自动化及 CI/CD 等场景。作为 CNCF 毕业项目,其扩展性强、云原生轻量化,受到广泛采用。近期更新包括性能优化、调度策略增强、Python SDK 支持及 AI/大数据任务集成,助力企业高效构建 AI、ML、Data Pipelines。
293 0
|
5月前
|
数据采集 安全 数据挖掘
Pandas数据合并:10种高效连接技巧与常见问题
在数据分析中,数据合并是常见且关键的步骤。本文针对合并来自多个来源的数据集时可能遇到的问题,如列丢失、重复记录等,提供系统解决方案。基于对超1000个复杂数据集的分析经验,总结了10种关键技术,涵盖Pandas库中`merge`和`join`函数的使用方法。内容包括基本合并、左连接、右连接、外连接、基于索引连接、多键合并、数据拼接、交叉连接、后缀管理和合并验证等场景。通过实际案例与技术原理解析,帮助用户高效准确地完成数据整合任务,提升数据分析效率。
401 13
Pandas数据合并:10种高效连接技巧与常见问题
|
5月前
|
人工智能 自然语言处理 数据挖掘
云上玩转Qwen3系列之三:PAI-LangStudio x Hologres构建ChatBI数据分析Agent应用
PAI-LangStudio 和 Qwen3 构建基于 MCP 协议的 Hologres ChatBI 智能 Agent 应用,通过将 Agent、MCP Server 等技术和阿里最新的推理模型 Qwen3 编排在一个应用流中,为大模型提供了 MCP+OLAP 的智能数据分析能力,使用自然语言即可实现 OLAP 数据分析的查询效果,减少了幻觉。开发者可以基于该模板进行灵活扩展和二次开发,以满足特定场景的需求。
|
6月前
|
人工智能 算法 网络安全
基于PAI+专属网关+私网连接:构建全链路Deepseek云上私有化部署与模型调用架构
本文介绍了阿里云通过PAI+专属网关+私网连接方案,帮助企业实现DeepSeek-R1模型的私有化部署。方案解决了算力成本高、资源紧张、部署复杂和数据安全等问题,支持全链路零公网暴露及全球低延迟算力网络,最终实现技术可控、成本优化与安全可靠的AI部署路径,满足企业全球化业务需求。
|
4月前
|
机器学习/深度学习 存储 运维
机器学习异常检测实战:用Isolation Forest快速构建无标签异常检测系统
本研究通过实验演示了异常标记如何逐步完善异常检测方案和主要分类模型在欺诈检测中的应用。实验结果表明,Isolation Forest作为一个强大的异常检测模型,无需显式建模正常模式即可有效工作,在处理未见风险事件方面具有显著优势。
260 46
|
4月前
|
存储 人工智能 运维
企业级MLOps落地:基于PAI-Studio构建自动化模型迭代流水线
本文深入解析MLOps落地的核心挑战与解决方案,涵盖技术断层分析、PAI-Studio平台选型、自动化流水线设计及实战构建,全面提升模型迭代效率与稳定性。
150 6
|
4月前
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL图构建接口的PyG替换
本文探讨了在图神经网络中将DGL接口替换为PyG实现的方法,重点以RFdiffusion蛋白质设计模型中的SE3Transformer为例。SE3Transformer通过SE(3)等变性提取三维几何特征,其图构建部分依赖DGL接口。文章详细介绍了两个关键函数的替换:`make_full_graph` 和 `make_topk_graph`。前者构建完全连接图,后者生成k近邻图。通过PyG的高效实现(如`knn_graph`),我们简化了图结构创建过程,并调整边特征处理逻辑以兼容不同框架,从而更好地支持昇腾NPU等硬件环境。此方法为跨库迁移提供了实用参考。
|
4月前
|
机器学习/深度学习 数据采集 分布式计算
阿里云PAI AutoML实战:20分钟构建高精度电商销量预测模型
本文介绍了如何利用阿里云 PAI AutoML 平台,在20分钟内构建高精度的电商销量预测模型。内容涵盖项目背景、数据准备与预处理、模型训练与优化、部署应用及常见问题解决方案,助力企业实现数据驱动的精细化运营,提升市场竞争力。
553 0
|
8月前
|
数据采集 数据可视化 数据处理
Pandas高级数据处理:数据仪表板制作
《Pandas高级数据处理:数据仪表板制作》涵盖数据清洗、聚合、时间序列处理等技巧,解决常见错误如KeyError和内存溢出。通过多源数据整合、动态数据透视及可视化准备,结合性能优化与最佳实践,助你构建响应快速、数据精准的商业级数据仪表板。适合希望提升数据分析能力的开发者。
175 31

热门文章

最新文章