本文我們一起用python來對某隻股票的所有曆史日資料，做一個探索性的分析，看看能不能有一些有趣的發現，希望能激起你對金融資料分析的興趣。主要用到numpy，pandas子產品的一些基本用法。本文的所有資料，包含所有A股的日資料，在文末有下載下傳。
一、熟悉資料集
我們先導入需要的子產品，然後用pandas的read_csv方法載入資料集。
觀察資料集，包含了代碼為000001的股票（平安銀行）從上市至今的共6000多天的交易記錄，包括每個交易日的交易日期，四個價格（最高，最低，開盤，收盤），漲跌（比），以及交易量和交易額。可以說，有了上面這些資料，可以造出任意一個技術分析名額。
畫個收盤價的均線圖試試看：
上文代碼解釋：我們先把“trade_date“這一列調整為時間格式，再把它設定為index。然後用df.rolling().mean()計算移動平均數。最後為了現實清晰，選取6500行以後的三個資料進行可視化顯示。
二、初步探索資料集
1.看一下目前的價格處于曆史中的什麼價位
知道了一隻股票的價格目前相對最高最低價所處的位置，我們就可以據此對它有一個總體的認識。我們還可以把上面的代碼封裝成一個函數，函數的輸入是股票代碼，然後周遊所有的股票，這樣我們就可以挑選出我們需要的股票進行進一步研究。比如你想要超低價股，那麼可以把p小于5%的股票列印出來，如果想要曆史最高價的股票，那就是p＝1.
2.選擇合适的移動平均數
有些散戶喜歡利用移動平均線來判斷買入賣出，比如常見的，五日ma5上穿十日均線ma10時買入股票，反之賣出股票。那我們接下來先看看，這樣的政策效果怎麼樣。
上文代碼解釋：我們根據之前的df生成一個新的dataframe：signals。然後把ma5大于ma10的情況篩選出來，生成新的dataframe：upsig。再對所有ma5大于ma10的時候的漲跌絕對值進行一個簡單的相加。可以看出，結果還是比較大的，說明這個政策在這隻股票上其實還是有可行性的。
那麼我們不禁要問，5和10這兩個參數是不是最佳的呢？如果選5和20呢？結果怎麼樣？如果你能想到把上面的代碼封裝成函數，然後用這兩個參數作為輸入，用循環周遊的方法求出一個最大值，那麼也是很可以的了。當然我們還有更加犀利的工具，那就是機器學習！
用上面的代碼，一會兒就造出了接近500個特征，也就是我們機器學習重點的input_data,然後我們可以選取“change”作為我們的結果标簽，需要優化的兩個參數可以作為超參，使用LR,SVM,RF,ANN等模型把它們玩透。怎麼玩？請聽下回分解。
擷取所有A股股票日線資料，關注公_衆_号,回複‘stockdata‘即可。