本人最近在尝试着发表“以股票案例入门Python编程语言”系列的文章，在这些文章里，将用Python工具绘制各种股票指标，在讲述各股票指标的含义以及计算方式的同时，验证基于各种指标的交易策略，本文是第一篇，通过K线和均线案例讲述Numpy，Maplotlib等相关库的用法，并且还用代码案例来验证买卖的交易策略。在本系列的后面文章中,将陆续通过python绘制成交量、KDJ、MACD、RSI和OBV等指标,而且还会用Python编写针对这些指标的交易策略,敬请关注。
1 K线整合均线的案例
均线也叫移动平均线（Moving Average，简称MA），是指某段时间内的平均股价（或指数）连成的曲线，通过它我们能清晰地看到股价的历史波动，从而能进一步预测未来价格的发展趋势。
均线一般分短期、中期和长期这三类。
1 通常把5天和10天移动平均线称为短期均线，一般供短线投资者参照。
2一般把20天、30天和60天移动平均线作为中期均线，一般供中线投资者参考。
3 一般120天和250天（甚至更长）移动平均线称为长期均线，一般供长线投资者参考。
不过在实践中，我们一般需要综合地观察短期中期和长期均线，从中能分析出市场的多空趋势。比如，如果某股价格的三类均线均上涨，且短期中期长期均线是从上到下排列，则说明该股价格趋势向上；反之如果并列下跌，且长期中期短期均线从上到下排列，则说明股价趋势向下。
讲完概念了，我们通过rolling方法绘制均线。
1 #!/usr/bin/env python
2 #coding=utf-8
3 import pandas as pd
4 import matplotlib.pyplot as plt
5 from mpl_finance import candlestick_ochl
6 #从文件里得到数据
7 df = pd.read_csv('D:/stockData/ch6/600895.csv',encoding='gbk')
8 #设置图的位置
9 fig = plt.figure()
10 ax = fig.subplot(111)
11 #调用方法，绘制K线图
12 candlestick_ochl(opens=df["Open"].values, closes=df["Close"].values, highs=df["High"].values, lows=df["Low"].values,width=0.75, colorup='red', colordown='green')
13 df['Close'].rolling(window=3).mean().plot(color="red",label='3天均线')
14 df['Close'].rolling(window=5).mean().plot(color="blue",label='5天均线')
15 df['Close'].rolling(window=10).mean().plot(color="green",label='10天均线')
16 plt.legend(loc='best') #绘制图例
17 #设置x轴的标签
18 plt.xticks(range(len(df.index.values)),df.index.values,rotation=30 )
19 ax.grid(True) #带网格线
20 plt.title("600895张江高科的K线图")
21 plt.show()
从第13行到第15行里，通过rolling方法，根据每天的收盘价，计算了3天、5天和10天均线，并为每种均线设置了图例，在第16行里，通过legend方法设置了图例的位置。上述代码的运行效果如下图所示，从中我们不仅能看到这段时间内的K线图，还能看到3根均线。
2 K线整合均线的改进版案例
在本例中，我们将做如下两点改进，其中请大家着重观察操作坐标轴的ax对象。
第一，为了更灵活地得到股市数据，这里是根据开始时间和结束时间，先是调用get_data_yahoo接口，从yahoo的接口里获取股票数据，同时为了留一份数据，所以会把从接口爬取到的数据保存到本地csv文件，做完之后再绘制图形。
第二，在之前的案例中，x轴的刻度是每个交易日的日期，但如果显示的时间范围过长，那么时间刻度就会太密集，影响美观效果，所以这里将只显示主刻度。改进后的代码如下所示。
1 #!/usr/bin/env python
2 #coding=utf-8
3 import pandas_datareader
4 import pandas as pd
5 import matplotlib.pyplot as plt
6 from mpl_finance import candlestick2_ochl
7 from matplotlib.ticker import MultipleLocator
8 #根据指定代码和时间范围，获取股票数据
9 code='600895.ss'
10 stock = pandas_datareader.get_data_yahoo(code,'2019-01-01','2019-03-31')
11 #删除最后一行，因为get_data_yahoo会多取一天数据
12 stock.drop(stock.index[len(stock)-1],inplace=True)
13 #保存在本地
14 stock.to_csv('D:\\stockData\ch7\\600895.csv')
15 df = pd.read_csv('D:/stockData/ch7/600895.csv',encoding='gbk',index_col=0)
16 #设置窗口大小
17 fig, ax = plt.subplots(figsize=(10, 8))
18 xmajorLocator = MultipleLocator(5) #将x轴主刻度设置为5的倍数
19 ax.xaxis.set_major_locator(xmajorLocator)
20 #调用方法，绘制K线图
21 candlestick2_ochl(ax = ax,
22 opens=df["Open"].values,closes=df["Close"].values, highs=df["High"].values, lows=df["Low"].values,width=0.75, colorup='red', colordown='green')
23 #如下是绘制3种均线
24 df['Close'].rolling(window=3).mean().plot(color="red",label='3天均线')
25 df['Close'].rolling(window=5).mean().plot(color="blue",label='5天均线')
26 df['Close'].rolling(window=10).mean().plot(color="green",label='10天均线')
27 plt.legend(loc='best') #绘制图例
28 ax.grid(True) #带网格线
29 plt.title("600895张江高科的K线图")
30 plt.rcParams['font.sans-serif']=['SimHei']
31 plt.setp(plt.gca().get_xticklabels(), rotation=30)
32 plt.show()
相比之前代码，这段代码有四个改进点。
第一，从第9行到第14行里，我们通过第五章分析过的get_data_yahoo方法，传入股票代码、开始和结束时间这三个参数，从yahoo接口里获得股票交易的数据。
请注意该方法返回的数据会比传入的结束时间多一天，比如我们传入的结束时间是2019-03-31，但它会返回后一天（即2019-04-01）的数据，所以得通过第12行的drop方法，删除stock对象（该对象类型是dataframe）最后一行的数据。删除的时候是通过stock.index[len(stock)-1]指定删除长度减1的索引值，因为索引值是从0开始，而且需要指定inplace=True，否则的话，删除的结果无法更新到stock这个dataframe里。
第二，在第17行里，通过figsize方法设置了窗口的大小尺寸。
第三，通过第18行和第19行的代码，设置了主刻度是5的倍数。之所以设置成5的倍数，是因为一般一周的交易日是5天。但这里不能简单地把主刻度设置成每周一，因为某些周一有可能是股市休市的法定假日。
第四，由于无需在x轴上设置每天的日期，所以这里无需再调用plt.xticks方法，但是得调用如第31行所示的代码，设置x轴刻度的旋转角度，否则x轴展示的时间依然有可能会重叠。
这段代码的运行效果如下图所示，从中大家能看到改进后的效果，而且，由于本次展示的股票时间段变长了（是3个月），所以相比drawKAndMA.py案例，均线的效果更为明显，尤其是三日均线，更是几乎贯穿于整个交易日范围。
3 葛兰碧均线八大买卖法则
在均线实践理论中，投资专家葛兰碧创造的八项买卖法则可谓经典，具体的细节如下图所示。
1 移动平均线从下降逐渐转为平水平，且有超上方抬头迹象，而股价从均线下方突破时，为买进信号，如上图中的A点。
2 股价于移动平均线之上运行时下跌，但未跌破均线，此时股价再次上扬，此时为买入信号，如图中的C点。
3 股价位于均线上运行，下跌时破均线，但均线呈上升趋势，不久股价回到均线之上时，为买进信号，如图中的B点。
4 股价在均线下方运行时大跌，远离均线时向均线靠近，此时为买进时机，如图中的D点。
5 均线的上升趋势逐渐变平，且有向下迹象，而股价从均线上方向下穿均线，为卖出信号，如图中的E点。
6 股价向上穿过均线，不过均线依然保持下跌趋势，此后股价又下跌回均线下方，为卖出信号，如图中的F点。
7 股价运行在均线下方，出现上涨，但未过均线就再次下跌，此为卖出点，如图中的G点。
8 股价在均线的上方运行，连续上涨且继续远离均线，这种趋势说明随时会出现获利回吐的卖盘打压，此时是卖出的时机，如前图中的H点。
4 通过DataFrame对象验证均线的买点策略
根据上述八大买卖原则，我们在张江高科2019年1月到3月的交易数据内，用pandas库里的dataframe等对象，根据5日均线计算参考买点，代码如下所示。
1 #!/usr/bin/env python
2 #coding=utf-8
3 import pandas as pd
4 #从文件里得到数据
5 df = pd.read_csv('D:/stockData/ch7/600895.csv',encoding='gbk')
6 maIntervalList = [3,5,10]
7 #虽然在后文里只用到了5日均线，但这里演示设置3种均线
8 for maInterval in maIntervalList:
9 df['MA_' + str(maInterval)] = df['Close'].rolling(window=maInterval).mean()
10 cnt=0
11 while cnt<=len(df)-1:
12 try:
13 #规则1，收盘价连续三天上扬
14 if df.iloc[cnt]['Close']
df.iloc[cnt]['Close'] and df.iloc[cnt+2]['MA_5']
虽然在计算参考买点时，只用到了5日均价，但在第8行和第9行的for循环里，我们通过rolling方法，还是计算了3日、5日和10日的均价，并把计算后的结果记录到当前行的MA_3、MA_5和MA_10这三列中，这样做的目的是为了演示动态创建列的做法。
在第11行到第22行的while循环里，我们依次遍历了每天的交易数据，并在第14行，第16行和第18行里，通过三个if语句，设置了3个规则。由于在前几天是没有5日均价了，且在遍历最后2天交易数据时，在执行诸如df.iloc[cnt+2]['Close']的语句中会出现索引越界，所以在while循环里我们用到了try…except异常处理语句。
运行上述代码，我们能看到的结果是：Buy Point on:2019-03-08，结合上图，我们能看到3月8日之后的交易日里，股价有一定程度的上涨，所以能证实基于均线的“买”原则，但影响股价的因素太多，大家应全面分析，切勿在实战中只用这原则来买卖股票。
5 通过DataFrame验证均线的卖点策略
同样地，根据5日均线计算参考买点，在如下案例中，我们计算了张江高科2019年1月到3月内的卖点。
1 #!/usr/bin/env python
2 #coding=utf-8
3 import pandas as pd
4 #从文件里得到数据
5 df = pd.read_csv('D:/stockData/ch7/600895.csv',encoding='gbk')
6 maIntervalList = [3,5,10]
7 #虽然在后文里只用到了5日均线，但这里演示设置3种均线
8 for maInterval in maIntervalList:
9 df['MA_' + str(maInterval)] = df['Close'].rolling(window=maInterval).mean()
10 cnt=0
11 while cnt<=len(df)-1:
12 try:
13 #规则1，收盘价连续三天下跌
14 if df.iloc[cnt]['Close']>df.iloc[cnt+1]['Close'] and df.iloc[cnt+1]['Close']>df.iloc[cnt+2]['Close']:
15 #规则2,5日均线连续三天下跌
16 if df.iloc[cnt]['MA_5']>df.iloc[cnt+1]['MA_5'] and df.iloc[cnt+1]['MA_5']>df.iloc[cnt+2]['MA_5']:
17 #规则3，第3天，收盘价下穿5日均线
18 if df.iloc[cnt+1]['MA_5']
df.iloc[cnt+1]['Close']:
19 print("Sell Point on:" + df.iloc[cnt]['Date'])
20 except: #有几天是没5日均线的，所以用except处理异常
21 pass
22 cnt=cnt+1
运行后，我们能得到两个卖点：2019-01-23和2019-01-23，这同样能在上图描述的K线图里得到验证。
6 求推荐，后文预告与版权说明
在本系列的后面文章中，将陆续通过python绘制成交量、KDJ、MACD、RSI和OBV等指标，而且还会用Python编写针对这些指标的交易策略，敬请关注。
本文用了我将近3个小时，如果大家感觉好，请帮忙推荐下。
关于转载有如下的说明。
1 本文文字和代码均属原创，可转载，但谢绝用于商业用户。
2 转载时请用 链接 的方式，给出原文出处，同时写明原作者是hsm_computer。
3 在转载时，请原文转载 ，如要 在转载修改本文，请事先告知，谢绝在转载时通过修改本文达到有利于转载者的目的。
