准备工作安装python环境（这个不必多说，能看到这篇文章的基本大家都有安装）安装相应第三方依赖库matplotlib python重要的绘图库。numpy 支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Talib 称“Technical Analysis Library”, 即技术分析库，是Python金融量化的高级库，涵盖了150多种股票、期货交易软件中常用的技术分析指标，如MACD、RSI、KDJ、动量指标、布林带等等。pandas 基于numpy的一种工具，是为了解决数据分析任务而创建的，纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。mpl_finance python中可以用来画出蜡烛图、线图的分析工具，目前已经从matplotlib中独立出来，非常适合用来画K线psycopg2（选用） python中用以和postgres数据库交互的第三方库，作者个人的数据都存储在postgres数据库中，因此使用这个模块。数据准备数据来源于Tushare，一个免费好用的财经数据包，自己每日更新处理并加载到阿里云的服务器上（这里会为大家准备好数据进行使用）import talib import numpy as np import psycopg2 as pg import pandas as pd import matplotlib.pyplot as plt import matplotlib.gridspec as gridspec#分割子图 import mpl_finance as mpf np.seterr(divide=’ignore’,invalid=’ignore’) # 忽略warningplt.rcParams[‘font.sans-serif’]=[‘SimHei’] #用来正常显示中文标签 plt.rcParams[‘axes.unicode_minus’]=False #用来正常显示负号 fig = plt.figure(figsize=(20,12), dpi=100,facecolor=”white”) #创建fig对象
以上导入相关依赖包，并设置了一些参数变量
加载数据（文末提供数据）# 加载数据def query(sql): conn = pg.connect(dbname=”stocks”, user=”postgres”, password=”******”, host=”******”, port=”5432″) data = pd.read_sql(sql,conn) conn.close() return datats_code = ‘000001.SZ’ #股票代码name = ‘平安银行’df_stockload = query(“select trade_date,open,high,low,close,vol from pro_bar where ts_code = ‘{}’ and trade_date>=’20190801′”.format(ts_code))df_stockload[‘trade_date’] = pd.to_datetime(df_stockload[‘trade_date’])df_stockload=df_stockload.set_index(‘trade_date’)
以上代码定义了一个query函数，使用pandas的readsql来加载数据库中数据，并将tarde_date设置为datetime格式，并设置为索引。
具体字段有
trade_date：交易日期open：开盘价格high：当日最高价low：当日最低价close：当日收盘价vol：成交量
数据的结构形式
绘图
设置四个绘图区域 包括 K线（均线），成交量，MACD,KDJ
gs = gridspec.GridSpec(4, 1, left=0.08, bottom=0.15, right=0.99, top=0.96, wspace=None, hspace=0, height_ratios=[3.5,1,1,1])graph_KAV = fig.add_subplot(gs[0,:])graph_VOL = fig.add_subplot(gs[1,:])graph_macd = fig.add_subplot(gs[2,:])graph_KDJ = fig.add_subplot(gs[3,:])绘制K线图（以及均线）#绘制K线图mpf.candlestick2_ochl(graph_KAV, df_stockload.open, df_stockload.close, df_stockload.high, df_stockload.low, width=0.5, colorup=’r’, colordown=’g’) # 绘制K线走势#绘制移动平均线图df_stockload[‘Ma5’] = df_stockload.close.rolling(window=5).mean()#pd.rolling_mean(df_stockload.close,window=20)df_stockload[‘Ma10’] = df_stockload.close.rolling(window=10).mean()#pd.rolling_mean(df_stockload.close,window=30)df_stockload[‘Ma20’] = df_stockload.close.rolling(window=20).mean()#pd.rolling_mean(df_stockload.close,window=60)df_stockload[‘Ma30’] = df_stockload.close.rolling(window=30).mean()#pd.rolling_mean(df_stockload.close,window=60)df_stockload[‘Ma60’] = df_stockload.close.rolling(window=60).mean()#pd.rolling_mean(df_stockload.close,window=60)graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload[‘Ma5′],’black’, label=’M5′,lw=1.0)graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload[‘Ma10′],’green’,label=’M10′, lw=1.0)graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload[‘Ma20′],’blue’,label=’M20′, lw=1.0)graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload[‘Ma30′],’pink’, label=’M30′,lw=1.0)graph_KAV.plot(np.arange(0, len(df_stockload.index)), df_stockload[‘Ma60′],’yellow’,label=’M60′, lw=1.0)# 添加网格graph_KAV.grid()graph_KAV.legend(loc=’best’)graph_KAV.set_title(ts_code ‘ ‘ name)graph_KAV.set_ylabel(u”价格”)graph_KAV.set_xlim(0, len(df_stockload.index)) # 设置一下x轴的范围绘制成交量图#绘制成交量图graph_VOL.bar(np.arange(0, len(df_stockload.index)), df_stockload.vol,color=[‘g’ if df_stockload.open[x] > df_stockload.close[x] else ‘r’ for x in range(0,len(df_stockload.index))])graph_VOL.set_ylabel(u”成交量”)graph_VOL.set_xlim(0,len(df_stockload.index)) #设置一下x轴的范围graph_VOL.set_xticks(range(0,len(df_stockload.index),15))#X轴刻度设定 每15天标一个日期绘制MACD#绘制MACDmacd_dif, macd_dea, macd_bar = talib.MACD(df_stockload[‘close’].values, fastperiod=12, slowperiod=26, signalperiod=9)graph_MACD.plot(np.arange(0, len(df_stockload.index)), macd_dif, ‘red’, label=’macd dif’) # difgraph_MACD.plot(np.arange(0, len(df_stockload.index)), macd_dea, ‘blue’, label=’macd dea’) # deabar_red = np.where(macd_bar > 0, 2 * macd_bar, 0)# 绘制BAR>0 柱状图bar_green = np.where(macd_bar 这里要注意 talib中计算得到的macd并没有×2，需要在计算后的macd×2
绘制KDJ#绘制KDJdf_stockload[‘K’], df_stockload[‘D’] = talib.STOCH(df_stockload.high.values, df_stockload.low.values, df_stockload.close.values, fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)df_stockload[‘J’] = 3 * df_stockload[‘K’] – 2 * df_stockload[‘D’]graph_KDJ.plot(np.arange(0, len(df_stockload.index)), df_stockload[‘K’], ‘blue’, label=’K’) # Kgraph_KDJ.plot(np.arange(0, len(df_stockload.index)), df_stockload[‘D’], ‘g–‘, label=’D’) # Dgraph_KDJ.plot(np.arange(0, len(df_stockload.index)), df_stockload[‘J’], ‘r-‘, label=’J’) # Jgraph_KDJ.legend(loc=’best’, shadow=True, fontsize=’10’)graph_KDJ.set_ylabel(u”KDJ”)graph_KDJ.set_xlabel(“日期”)graph_KDJ.set_xlim(0, len(df_stockload.index)) # 设置一下x轴的范围graph_KDJ.set_xticks(range(0, len(df_stockload.index), 15)) # X轴刻度设定 每15天标一个日期graph_KDJ.set_xticklabels( [df_stockload.index.strftime(‘%Y-%m-%d’)[index] for index in graph_KDJ.get_xticks()]) # 标签设置为日期修饰图片# X-轴每个ticker标签都向右倾斜45度for label in graph_KAV.xaxis.get_ticklabels(): label.set_visible(False)for label in graph_VOL.xaxis.get_ticklabels(): label.set_visible(False)for label in graph_MACD.xaxis.get_ticklabels(): label.set_visible(False)for label in graph_KDJ.xaxis.get_ticklabels(): label.set_rotation(45) label.set_fontsize(10) # 设置标签字体保存图片plt.savefig(‘Kline.jpg’)
最终的成果图
