股票的各個(gè)指標(biāo)中，Bollinger Bands（一般簡稱為BOL指數(shù)）簡單暴力，卻又有著統(tǒng)計(jì)學(xué)內(nèi)涵，實(shí)在是深得我心。Bollinger Bands一般有三條線，中間一條就是20日均線MA，而上線和下線分別是MA加減2個(gè)20日標(biāo)準(zhǔn)差^[1]。

是什么啊同學(xué)們，四舍五入就是 啊，正態(tài)曲線的95%區(qū)間啊，統(tǒng)計(jì)學(xué)啊！

當(dāng)然了，如果你拉隨便一個(gè)股票的歷史股價(jià)繪制一個(gè)直方圖，你會(huì)發(fā)現(xiàn)其實(shí)這些股價(jià)并不符合正態(tài)分布，所以Bollinger Bands多少在理論上有點(diǎn)站不住腳。不過呢，如果你去統(tǒng)計(jì)一下，基本上價(jià)格波動(dòng)95%的時(shí)候都在Bands內(nèi)，5%都在Bands外。所以究竟如何還是自己思考吧。

tushare是很好用的一個(gè)國內(nèi)的交易數(shù)據(jù)api，獲取數(shù)據(jù)流程簡單，而且和pandas無縫連接，所以很值得試試。現(xiàn)在有專業(yè)版，可以免費(fèi)用，初始的積分可以做一些簡單操作，以日線數(shù)據(jù)為例，基礎(chǔ)積分每分鐘內(nèi)最多調(diào)取500次，每次5000條數(shù)據(jù)，相當(dāng)于23年歷史，所以基本上夠用的了。但是tushare也還有很多很好的數(shù)據(jù)需要更高的積分才能調(diào)取，付費(fèi)50元加入高級(jí)用戶群可以買500積分，然后也基本夠用的了。

---

整個(gè)工作流程分以下幾個(gè)部分：

配置環(huán)境

讀取數(shù)據(jù)

計(jì)算MA與std，繪圖

配置環(huán)境

首先肯定要安裝tushare

pip install tushare --upgrade

然后在程序開頭載入tushare以及pandas，matplotlib

import pandas as pd import tushare as ts import snoop import matplotlib.pyplot as plt import os from datetime import date

snoop是用來查錯(cuò)，不是必須

接下來配置tushare接口：

from yaml import full_load with open('config.yaml') as config_file:_config_yaml = full_load(config_file)TOKEN = _config_yaml['token']pro = ts.pro_api(TOKEN)

tushare專業(yè)版需要提供token訪問api，這個(gè)api可以在個(gè)人主頁下面的接口TOKEN中看到。我是將token寫在了一個(gè)config.yaml文件中，這樣只需要將這個(gè)文件在.gitignore里面聲明一下，自己的token信息就不會(huì)被不小心寫進(jìn)git庫，甚至在網(wǎng)上公開了。ts.pro_api將建立一個(gè)api連接，只要提供TOKEN就行了

讀取數(shù)據(jù)

tushare的日線數(shù)據(jù)調(diào)取代碼如下：

df = pro.daily(ts_code='000001.SZ,600000.SH', start_date='20180701', end_date='20180718')

主要是提供ts_code, start_date和end_date三個(gè)數(shù)據(jù)。從例程可以看到start_date和end_date兩個(gè)參數(shù)的日期格式是%Y%m%d的形式，所以可以用date.today().strftime("%Y%m%d")將今天的日期轉(zhuǎn)化成符合函數(shù)參數(shù)需求的格式

我想將股票從上市開始到現(xiàn)在的全部日線信息都下載下來。如前所述，end_date設(shè)置成當(dāng)前日期只需要對(duì)date.today()進(jìn)行格式轉(zhuǎn)化就好，而 start_date和ts_code 則需要根據(jù)具體股票進(jìn)行調(diào)整。下面以海康威視(002352)為例展示一下如何從股票代碼（symbol）獲取ts_code和start_date。

使用tushare的stock_basic接口可以獲得各個(gè)股票的基本信息，所以可以先用這個(gè)接口抓取一次股票基本信息，然后保存在本地，這樣就不需要每次調(diào)試都走線上了（index=False避免存儲(chǔ)的時(shí)候?qū)⒆詣?dòng)生成的數(shù)值index也寫入csv）：

data = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,list_date') data.to_csv('stock_basic_info.csv',index=False)

上面的代碼運(yùn)行后，下次要用數(shù)據(jù)信息的時(shí)候只需要直接載入就好，不過要注意的一點(diǎn)是，pandas讀取csv的時(shí)候會(huì)做一些數(shù)據(jù)類型轉(zhuǎn)化，所以symbol里面像平安銀行（000001）這種就會(huì)變成1，為了避免這種情況要在讀取的時(shí)候設(shè)置好 dtype 。

df_stock_basic = pd.read_csv(stock_basic_path, dtype={'symbol':str,'list_date':str}).set_index('symbol')

symbol一列保存的是股票代碼，用這個(gè)作為index，后續(xù)就能夠使用loc命令查詢了，比如海康威視的002352

symbol = '002352' ts_code = df_stock_basic.loc[symbol,'ts_code'] list_date = df_stock_basic.loc[symbol,'ts_code']

有了上面的ts_code和list_date，獲取日線數(shù)據(jù)就很簡單了

df_daily:pd.DataFrame = pro.daily(ts_code=ts_code,start_date = list_date,end_date= date.today().strftime("%Y%m%d"))

df_daily:pd.DataFrame里面的冒號(hào)是為了聲明df_daily的類型，明確類型以后在pycharm才能更好的幫你做代碼補(bǔ)全。

計(jì)算MA，std與繪圖

這里的時(shí)移均線主要靠的是pandas的rolling實(shí)現(xiàn)。但是在開始計(jì)算以前，首先我們要對(duì)下載下來的df_daily做一些處理，按照常規(guī)的時(shí)序分析流程：

將trade_date設(shè)置為index, 并且用pandas的to_datetime轉(zhuǎn)成timestamp

df_daily.index = pd.to_datetime(df_daily['trade_date'])

2. 將數(shù)據(jù)框升序排列（原本數(shù)據(jù)是按照從新到舊的順序排列的，在分析的時(shí)候這會(huì)造成問題）

df_daily = df_daily.sort_index()

然后就可以計(jì)算MA以及std了

rolling_days = 20 std_multiplier = 2 df_daily['MA'] = df_daily['close'].rolling(rolling_days).mean() df_daily['std'] = df_daily['close'].rolling(rolling_days).std() df_daily['upper_bound'] = df_daily['MA']+df_daily['std']*std_multiplier df_daily['lower_bound'] = df_daily['MA']-df_daily['std']*std_multiplier

繪圖就只要用

df_daily[['MA','close','upper_bound','lower_bound']].plot(grid=True) plt.show()

當(dāng)然了，上面只是放了收盤價(jià)，時(shí)移均線以及Bollinger Band上下界，還可以進(jìn)一步放蠟燭圖一類的。

這些代碼可能最好做成一個(gè)類，然后通過調(diào)用方法的形式組織代碼才比較好。

參考

^20日均線和2個(gè)標(biāo)準(zhǔn)差主要是約定俗成，當(dāng)然也可以將均線時(shí)間增加一些，酌情調(diào)整吧

總結(jié)

以上是生活随笔為你收集整理的读取csv绘制直方图_[python]用tushare接口绘制Bollinger Bands的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。