[600703股票]炒股龙哥博客(月线炒股博客)
炒股龙哥博客里说过，大盘在3300点邻近震动收拾，主力资金在不断的吸筹，意图便是为了后市的拉升做准备。今日大盘再次回踩5日线，下方支撑在33300点邻近，5日线上穿10日线构成金叉，macd绿柱缩短，kdj目标向上发散，阐明大盘还有上攻动能。可是，由于成交量不能有用扩大，加之商场热门不能连续，因而，估计大盘短期还有重复。操作上，主张出资者操控仓位，慎重参加。
一：退学炒股博客
?? 他们花钱雇佣写手和聊手，专门“深化”到博客网站及相关QQ群中，根据需求发布一些误导的信息搅扰出资者思路。假如要建仓，就会在网络上发布所谓的利空风闻，让散户惧怕而丢掉筹码。假如要出货了，则会对该股优势加大谈论，并把目标价标示得很高。散户总是一波波地为他们抬轿。二：1314炒股博客
“经传达州”很不错的一个博客，每天的早盘午盘信息，盘中数据解读。。还能查询个股，很全面。三：炒股博客排名
点击上方
在本系列的第1部分（towardsdatascience/Python-for-finance-stock-portfolio-analyses-6da4c3e61054）中，我评论了怎么运用pandas来显著地增加Python在财政剖析方面的才能。在第1部分中，咱们回忆了怎么运用pandas和YahooFinanceAPI来主动盯梢和评量（多种）股票组合体现的基准。在那篇文章的结尾，你生成了一个丰厚的数据集，能够核算出在相同的持有期内，出资组合头寸相关于平等巨细的规范普尔500指数头寸的相对百分比和美元价值报答。假如你出资规范普尔500指数基金的话，你还能够确认每个头寸对你的全体出资报答有多大的奉献。终究，你运用Ploely进行可视化，这使你更简略了解哪些头寸驱动了最大的价值，它们的YTD（YTD:必定时期的资产负债表应反映年头至今的运营状况）相关于规范普尔500指数而言是什么姿态的，假如有任何头寸跌落，你可能会考虑兜售，也便是遇到了"尾盘止损"。
我参加了在Jupyter笔记本上构建的部分初始进程，我学到了许多东西。我也发现写一个在Jupyter笔记本的"心路历程"很有协助。这既解说了代码，也将我的主意与可视化联系了起来。这样一来，我所做的将比原本花费的时刻更短，其意图也将愈加直接。我一向在寻觅/创立一个愈加有用的笔记原本盯梢我的股票出资组合，我方案学习兼并一个Python构建剖析外表盘/web运用程序的结构。对我来说，这样做最重要的一个意图是能够挑选特定的方位和所需的时刻结构，并评价每个方位的相对功用。在未来，我很可能会将这个评价事例扩展到我并不具有但考虑收买的方位。在本年剩余的时刻里，我期望经过学习Flask并运用Heroku布置运用程序，并尽可能地开发某种类型的数据管道来主动提取和加载终究web运用程序的新数据，进一步加深对构建web运用程序的了解。虽然我在这个进程中还处于探究阶段，但在这篇文章中，我将评论前次评论过的笔记本的扩展，开端运用的是DashbyPlotly，在这儿简称为Dash。
DashbyPlotly
假如你现已阅览或参阅了第1部分，你将会看到，一旦创立了首要dataframe，你会运用Ploly生成可视化，用于评价相关于规范普尔500指数的出资组合绩效。Plotly是一个十分丰厚的库，相关于其他Python可视化库(如Seaborn和Matplotlib)，我更喜爱用它来创立可视化。在此基础上，终究目标是为我的出资组合剖析供给一个交互式外表盘/web运用程序。我一向在为这个问题寻觅最优解，一同我现已开端探究怎么运用Dash。明确地将Dash（plot.ly/products/dash/）界说为用于构建web运用程序的Python结构，由于这样做是不需求JavaScript的。正如我链接到的登陆页面所显现的，它构建在Plotly.js、Reaction和Flask之上。
到现在为止，我以为这样做的优点是，一旦你了解并习惯了Plotly，你对Dash的运用就会如虎添翼。相较于简略地将你的可视化放在Jupyter笔记本中进行剖析，我以为创立一个独立的、交互式的web运用程序是有价值的。Dash供给了更多的交互性，以及展现了运用"下拉、滑块和图形等现代UI元素"操作数据的才能。这些功用十分有利于我对股票出资组合的剖析，比方说进行"假如怎样，会产生什么"的揣度，以及交互研讨潜在时机，并敏捷了解要害的驱动要素和场景。考虑到一切这些，Dash的学习曲线，至少对我来说，并不是微乎其微的。
JosePortilla的"交互式Python外表盘和PlotlyandDash"
为了缩短我阅览和广泛查找Dash文件所需的时刻，我参加了JosePortilla（medium/@josemarcialportilla）教授在Udemy是叙述的PlotlyandDash课程（udemy/interactive-python-dashboards-with-plotly-and-dash/）。该课程的详细页面能够在这儿找到。我现已学习教授的一些课程，现在正在学习他的Flask课程。我以为他是一位十分超卓和有协助的讲师——虽然他一般不把丰厚的编程经历作为课程的先决条件，但在这门Dash课程中，他的确主张至少要对Python有必定的了解。特别强烈主张对Plotly用于可视化的语法有一个厚实的了解，包含运用pandas。需求着重的是，即使上完这门课之后，你对怎么运用Dash来构建的了解仍旧很浅。可是，这门课程十分有协助，由于Jose在他的比方中运用了datareader，也运用了财政数据，包含动态提取股票价格图表。
移植来自Jupyter笔记本的数据，以便在Dash中与其进行交互
开端
与第1部分类似，我在GitHub上创立了另一个repo（github/kdboller/pythonsp500-plotly-dash），其间包含创立终究外表盘所需的一切文件和代码。
下面是对所包含内容的总结，以及怎么开端:
1.InvestmentPortfolioPythonNotebook_Dash_blog_example.ipynb?，这与第1部分中的Jupyter笔记本十分类似;新增的部分包含终究两个部分:"股票报答比较"部分(我在运用Dash之前构建了这个部分作为概念验证)和"数据输出"部分(我创立剖析生成的数据的csv文件);它们作为外表盘中运用的数据源。
2.Samplestocksacquisitiondates_costs.xlsx，你能够运用它修正你的组合评价。
3.requirements.txt，这应该包含你需求的一切库。我主张在Anaconda中创立一个虚拟环境，后边将进一步评论。
4.Mock_Portfolio_Dash.py，这是外表盘的代码，咱们将鄙人面介绍。
根据repo的自述文件（github/kdboller/pythonsp500-plotly-dash/blob/master/README.md），我主张运用Anaconda创立一个虚拟环境。
我引荐运用Python3.6或更高版别，这样你就能够运用供给的csv文件在本地运转Dash外表盘了（medium.freecodecamp.org/why-you-need-python-environments-and-how-to-manage-them-with-conda-85f155f4353c）。这儿有一个关于怎么在Anaconda中树立虚拟环境的十分翔实的解说。
终究，如第1部分中所说到的，一旦你的环境设置好了，除了需求文件中的库之外，假如你期望在笔记本中运转YahooFinancedatareader的部分片段，你还需求在虚拟环境中装置fix-yahoo-finance。
和Dash一同作业
假如你现已运用Python3.6创立了一个虚拟环境，而且现已装置了必要的库，那么你应该能够运用代码运转Python文件。
关于那些不太了解的人:一旦进入虚拟环境，你将需求将目录CD更改为保存repo文件的方位。举一个简略的比方，假如你翻开Anaconda提示符，而且你在文档文件夹中，而且文件保存在你的桌面上，你能够履行以下操作。
假如你想要对Jupyter笔记本进行完好的解说并生成出资组合数据集，请参阅第1部分。在Jupyter笔记本的结尾，你将在"数据输出"一节中看到下面的代码。这些小的增加将把CSV文件发送到你的本地目录。榜首个是完好的出资组合数据集，你能够从中生成一切的可视化，第二个数据集供给了在榜首个新股票图表的下拉挑选中运用的代码列表。
我将要点介绍MockPortfolioPython文件的一些要害方面，并共享怎么在本地运转外表盘。
作为参阅，当咱们分化.py文件时，下面是运转这个外表盘时应该看到的前三个图表的屏幕抓取。
在.py文件的最初，导入requments.txt文件中包含的库，然后编写
为了实例化Dash运用程序，然后创立两个dataframe目标、tickers和data。tickers将用于图表中的一个下拉列表中的股票代码，（data）Dataaframe将是用于一切可视化评价的终究数据集。
你将整个外表盘封装在一个Div中，然后开端在这个Div中增加图表组件。py文件中的第35-72行生成"相对报答比较"图表，包含股票符号下拉、开端/完毕日期规模、提交按钮和图表的输出。为了简练起见，我将在.py文件的这一部分中分化这三个部分中的榜首个部分。
如前所述，运用Dash意味着不需求向运用程序增加JavaScript。在上面的代码块中，咱们用H1符号符号输出，创立另一个Div，然后运用dash_core_components库中的下拉列表。将id设置为"my_ticker_symbol"，咱们将扼要地回忆一下它的效果，从tickersdataframe中设置"SPY"的默许值，然后将multi-select设置为True。这儿要联系到学习曲线，至少对我来说是这样，这便是JosePortilla的课程经过供给归纳总结详细比方来缩短你的学习周期的当地。Jose实际上在他的课程中运用了一个类似于股票列表下拉列表和日期规模挑选器的比方。
鄙人面的第75-93行中，你将看到外表盘上的左下角图表的代码。此图表与第1部分中的Jupyter笔记本供给的相同，但我发现dash与Jupyter笔记本比较，外表盘布局中的一切这些输出都是更好的便运用户体会。
关于喜爱运用Plotly的人来说，在创立制作Plotly图形所需的数据和布局目标以及语法方面应该很了解。上面所包含的语法与笔记本中用于图表的语法不同，由于我更喜爱创立盯梢，根据这些盯梢生成数据目标，并运用dict语法在布局目标中。在学习Jose的课程时，我发现在dash中，呈现括号，大括号时，它有时会变得"蠢笨"，因而我将要点放在了习惯这种结构上。
第229-252行(上面供给)驱动榜首个"相对报答比较"图表的交互性。下面是这段代码的扼要概述:
为了创立交互式图表，Dash运用了回调修饰符:咱们的运用程序接口的"输入"和"输出"是经过app.callbackdecorator。（dash.plot.ly/getting-started-part-2）
在运用程序回调中，咱们输出前面用id'my_gram'指定的dcc.gram。
你运用Submit按钮作为输入，咱们有三个默许状况，"my_ticker_symbol"，dcc.Dropdown中声明晰默许的"SPY"值。以及默许的开端日期1/1/2018和完毕日期，即今日。
回调下面是回调装修器包装的函数。正如Dash文件中所描绘的，当输入特点产生变化时，装修器包装的函数将主动调用。Dash为函数供给输入特点的新值作为输入参数，Dash用函数回来的内容更新输出组件的特点。
在for循环中，y值除以恣意一天的收盘价，df['Close']，按所供给的日期规模生成的系列中的榜首个收盘价(df['Close'].iloc[0]).
我这样做是为了检查两个或更多股票的相对体现。指数为0，这是日期规模的开端。鉴于股票价格的巨大差异，这使得比较1800美元以上的股票买卖(例如AMZN)与低于100美元的另一种买卖(如WMT)的相对体现更为简略。
有时会有一种误解，即假如一只股票的买卖价格较低，那么它便是"廉价"的;假如它的买卖价格低于AMZN，那么它便是"贵重"的。鉴于这种误解，公司有时会拆分他们的股票，以便让小出资者更能负担得起股价，虽然公司的市值坚持不变。
不管怎样，这张图表的优点是，它答应你运用动态日期快速地发现相关于规范普尔500指数，那些股票体现欠安。这供给了有关全体出资组合的有用信息，以及考虑何时剥离体现欠安的持股根据。
定论和未来的考虑
这完毕了我对Dash股票出资组合剖析的开始回忆。和曾经相同，你有一个可扩展的Jupyter笔记本和组合数据集，你现在能够将其作为CSV文件读取并在交互式外表盘中检查。正如前面在榜首部分中评论的那样，这一办法依然有一些需求改善的范畴，包含需求将股利作为股东总报答的一部分，以及需求能够一同评价活泼的和悉数(包含已被剥离的)头寸。
我发现这种办法最重要的优点比方额定的交互性，亦或许我更喜爱一切图表的外表盘布局，而不是Jupyter笔记本中独自的单元格。在未来，我方案归入更多的互动性，包含更多的"假如怎样，会怎样"的剖析，以评价个人股票对全体体现的奉献。
我现在正在考虑的运用数据管道交给端到端web运用程序的其他选项包含:
运用谷歌BigQuery的形式剖析：形式的优点包含它现已支撑丰厚的可视化(不需求编码)，包含内置在Python笔记本中。但是，我不信任在形式中有一种办法能够从一个金融API中提取数据，包含YahooFinance和IEX。这些API源的数据能够读入私有数据库，例如，运用谷歌BigQuery，你能够连接到该形式。但是，就现在而言，这似乎是一个约束，由于我信任更多的未来图表和用例将需求从API中提取数据(而不是存储在数据库中)。
带有Postgres和Pipeline（管道）的Heroku：作为Jose课程的一部分，他向你展现了怎么将Dashapp布置到Heroku。到现在为止，我信任运用Heroku是一种潜在的长时间解决方案。这是我挑选Jose的FlaskCourse的另一个原因；我从未构建过Web运用程序，他展现了怎么运用SQLAlchemy作为Flask运用程序的数据库。进一步加深了我对在Heroku上布置带有数据库的运用程序的了解，我的要点将是确认在交互式Web运用程序中剖析金融API数据的最佳办法，我能够在指定的时刻表上运用新的数据改写该运用程序。