《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-阿里云开发者社区

开发者社区> 华章出版社> 正文

《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。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:

华章出版社

官方博客
官网链接