Formación: https://inteligencia-artificial.devCódigo: https://inteligencia-artificial.dev/apuntes-pandas-python/Clase para repasar un poco la librería de pan...
Código: https://inteligencia-artificial.dev/arbol-decisiones-trading-algoritmico/En este vídeo os enseñaré a aplicar el algoritmo de Árbol de Decisiones, par...
Formación: https://inteligencia-artificial.dev/formacion/Código: https://inteligencia-artificial.dev/python-dollar-index-dxy/En este vídeo de Python para Bol...
00:25:00 该视频是有关如何使用 Python 交易股票的教程。第一步是将 S&P 500 中 500 只股票的列表保存到 CSV 文件中。然后，我们将 IE x 云 API 密钥导入到 Jupyter Notebook 中，并使用它来获取 API 令牌。我们首先将 Secrets.py 文件导入到脚本中，该文件存储 API 密钥等敏感信息。然后，我们使用 API 密钥从 IE x 云 API 获取财务数据。数据存储在 panda 的数据框中，我们可以打印数据来验证它是否有效。
00:40:00 该视频介绍了如何使用Python编程语言使用算法来交易股票。该视频展示了如何设置 Python 环境以及如何使用 dot JSON 方法将 HTTP 请求中的数据转换为 JSON 对象。 Python 环境中的数据变量的行为方式与 iX Cloud 文档中的扩展更改变量相同。该视频解释了 iX Cloud 中的价格数据可能不准确，并展示了如何使用 Google 搜索测试准确性。
00:45:00 在此视频中，作者解释了如何解析 API 调用、为股票定价并计算其市值。然后，他们解释了如何将数据点附加到熊猫的数据框中，并展示了如何通过将数据框打印为列表来实现此目的。
00:50:00 该视频介绍了如何使用 Python 通过算法进行股票交易。本课程首先介绍 pandas（一个数据分析库）的基础知识，然后继续创建数据框架和 pandas 系列。然后，课程演示如何对股票执行 HTTP 请求以及如何使用 API 调用的结果来填充 panda 的数据框架。最后，本课程展示了如何通过批处理 API 请求来提高代码的性能。
00:55:00 该视频概述了使用 Python 进行算法交易的主题，重点介绍了 pandas 数据框架库的使用以及使用批量 API 调用来加速代码。该视频讨论了如何将股票列表拆分为 100 个块，以及如何使用 chunks 函数生成 pandas 系列列表的列表，每个列表仅限 100 个项目。最后，使用 for 循环对股票列表中的每只股票执行批量 API 调用，并将每只股票的信息附加到最终的数据帧中。
03:20:00 在本视频中，讲师解释了如何使用 Python 执行算法交易。首先，他们对数据框架进行排序，以确保市盈率最低的股票位于顶部。接下来，他们使用 drop 方法删除新的索引列。然后，他们使用 in place equals true 参数再次对数据帧进行排序，以保持原始数据帧的修改。然后，他们计算了头寸规模并计算了每只股票的每股价格。最后，他们使用投资组合输入函数来计算数据框中每只股票的头寸规模。
03:25:00 该视频介绍了算法交易的概念，以及如何使用 Python 创建价值策略。然后，该视频演示了如何使用 Python 访问 ix Cloud API 来提取多个估值指标的数据。如果一切顺利，数据将以 panda 数据帧的形式返回，并且视频将指示数据工作正常。
03:30:00 在这个视频中，作者演示了如何使用Python进行算法交易。作者首先展示了如何获取市盈率，然后从 IRS 云 API 解析该值。接下来，作者演示了如何为每个指标分配一个值以及如何从 IRS 云 API 解析这些数据。最后，作者展示了如何使用市销率来计算市净率。
Learn how to perform algorithmic trading using Python in this complete course. Algorithmic trading means using computers to make investment decisions. Comput...
作者还介绍了散点图的创建和注释，以说明与不同股票相关的回报和风险。这种可视化有助于理解股票交易背景下收益与风险之间的关系。接下来，视频教程将深入探讨如何使用 Python 创建股票交易算法。它探讨了 for 循环和函数（例如协方差和相关性）的用法。此外，它还展示了算法结果的图形表示，使交易者能够有效地可视化和分析其交易策略的表现。
We have a created an Algorithmic Trading Course in python for pure beginners wherein we discuss multiple concepts from a basic zero to hero framework. The vi...
首先，我们需要安装一个名为“eod”的帮助程序库，它可以简化与日终数据的交互。我们可以使用这个库来代替传统的 API 调用。使用 pip 安装后，我们从库中导入“EodHistoricalData”类，这使我们可以轻松进行 API 调用。此外，我们还导入用于设置时间限制的“datetime”模块和用于处理文件系统的“os”模块。
用 Python 制作烛台图（Pandas 库笔记）
用Python制作蜡烛图（Pandas书店笔记）
该视频提供了有关如何使用 Python 的 Pandas 库和 CSV 数据创建烛台图表的分步指南。它从导入 CSV 数据和创建用于图表创建的数据框开始。本教程还介绍了用于金融图的 mpl 金融库的安装。该视频强调了理解 Pandas 以在 Python 中有效使用它的重要性，以及如何更改图表类型和日期范围以准确表示数据。这甚至对自动交易建模等任务也很有用。
使用 Python 进行算法交易（决策树）
Trading Algorítmico con Python (Árbol de decisiones)
在这段关于使用 Python 进行算法交易的视频中，演讲者使用决策树方法根据 SP500、黄金和以太坊之间的历史相关性来预测比特币的价格走势。该模型使用当天的数据进行训练，然后用于预测第二天的结果。虽然决策树对预测很有用，但演讲者指出，只有少量数据样本可能并不完美。观众可以在视频提供的网站上访问更多与人工智能和Python相关的算法交易策略、课程和文章。
用于投资的 Python：如何获得美元指数？ DXY
Python para inversiones：¿Cómo sacar Dollar Index? DXY
该视频介绍了使用 Python 的 Beautiful Soup 和 Pandas 库提取 DXY 指数数据，该数据衡量美元兑其他货币的强弱程度。演示者提供了一个代码，可以从 DXY 数据中提取变化百分比信息，并将其保存在 CSV 文件中，以供进一步数据分析和机器学习之用。此外，他们还在网站上提供有关 Python、金融和算法交易的免费课程。因此，该视频是使用 Python 提取财务数据的有用指南。
使用 Python 进行算法交易 - 完整课程
使用 Python 进行算法交易 - 完整课程
00:00:00 - 01:00:00 该视频介绍了如何使用 Python 通过算法进行股票交易。它首先介绍 pandas 库的基础知识，然后演示如何使用它来创建数据框。然后，课程展示了如何对股票执行 HTTP 请求以及如何使用 API 调用的结果来填充数据帧。最后，课程讨论了如何通过批处理 API 请求来提高代码的性能。
01:00:00 - 02:00:00 该视频介绍了如何使用 Python 通过自动算法交易股票。首先创建股票和代码列表，然后将这些股票转换为字符串。接下来，视频创建一个 URL 以使用该字符串启动 HTTP 请求。最后，视频演示了如何运行该请求并取回数据。
02:00:00 - 03:00:00 该视频教授如何使用 Python 创建使用市盈率作为价值指标的算法交易策略。该策略根据该指标筛选股票，并根据当前股价提出买入和卖出建议。
03:00:00 - 04:00:00 本视频教程介绍了如何使用 Python 通过算法进行股票交易。它涵盖了如何计算各种成功指标、如何处理缺失数据以及如何使用异常处理来替换缺失值。
04:00:00 - 04:30:00 该视频介绍了如何使用 Python 计算不同股票指标的百分位数分数。它还介绍了如何使用 Python 创建包含股票价格和看涨期权和看跌期权头寸大小的 Excel 文件，以及如何设置文件格式以供打印。
第1部分：
第 3 部分：
第 4 部分：
第 5 部分：
算法交易 Python 2023 - 初学者完整教程
算法交易 Python 2023 - 初学者完整教程
在本视频教程中，作者深入研究了安装和使用 Python 程序进行算法交易的过程。它们提供了有关创建专门为容纳与算法交易策略相关的代码而设计的基本 Python 3 文件的分步说明。此外，他们还演示了如何执行代码并打印结果输出以供分析。本教程主要侧重于利用 Python 编程语言的强大功能来实现算法交易。它涵盖了一系列适用于算法交易的基本功能和库，包括 yfinance 库。本教程强调了使用这些函数和库的重要性，同时还探索了使用电子表格的数据下载和处理技术。
此外，视频教程还展示了使用 Python 编写和读取 CSV 文件的过程。它解释了创建 CSV 文件的必要步骤，并演示了如何在 Python 环境中读取和操作该文件。继续基于 Python 的股票交易主题，本教程阐述了股票指数的创建，并演示了如何使用 Python 函数“convert”来修改指数格式。此外，它还解释了 Python 函数“start.columns”如何促进专门针对股票的列列表的更改。
下一个视频教程也围绕使用 Python 进行股票交易。首先说明股票数据的下载和解析，然后使用“描述”功能有效地分析获取的数据。最后演示了如何利用“点锁”功能来监控和跟踪股票价格。接下来，后续视频教程将全面解释如何使用 Python 创建股票交易算法。它首先可视化三种不同股票的不同起点，随后说明价值的标准化以在统一的 100 点范围内表示它们。然后，教程将指导观看者绘制股票的标准化收盘价，并利用“点”（摩尔）函数将值乘以 100，从而增强可读性。
同样，另一个视频教程重点介绍如何利用 Python 创建股票交易算法。本教程概述了在数据集中创建新列以存储有关已关闭股票的信息的过程。它进一步解释了如何利用“shift”功能将数据重新定位到列的底部。此外，它还显示了前一天股价变化百分比的计算。换个方向，另一个教程向学习者介绍如何利用 Python 进行与算法交易相关的统计计算。它提供了有关使用“移位”、“减法”和“除法”等函数来计算滞后和差异相关数据的指导。
接下来，该视频深入研究使用 Python 计算金融资产的百分比变化。它演示了如何修改“change”函数，通过将其重命名为“pst”来提高可读性。此外，它将“periods”变量设置为 1，并将百分比变化乘以 100，以点值格式表示。该视频还介绍了计算资产的标准变化，从百分比变化中减去它以消除第一天的影响。特定资产的数据框被重命名为“change”，并创建“change”列。本教程最后使用“aafl”对“更改”列进行检查并保存数据帧。
此外，教程作者还解释了如何计算给定数据集的平均值、标准差、百分比变化和回报。他们还演示了绘制直方图和创建命中系统图。
继续统计计算，另一个视频教程解释了计算股票收益的平均值、方差和标准差。此外，它还提供了确定年度平均回报和年度方差回报的指导。
进一步扩展，本教程展示了使用 Python 中的“std”函数计算股票收益的年度标准差。这种方法通过从股票代码而不是单个数据点获取数据来有效地分析大型数据集。本教程还演示了如何创建列来跟踪股票回报的平均值和标准差，以及股票百分比变化的平均值和标准差。它进一步解释了如何使用“摘要”函数计算股票回报的平均值和标准差。
作者还介绍了散点图的创建和注释，以说明与不同股票相关的回报和风险。这种可视化有助于理解股票交易背景下收益与风险之间的关系。接下来，视频教程将深入探讨如何使用 Python 创建股票交易算法。它探讨了 for 循环和函数（例如协方差和相关性）的用法。此外，它还展示了算法结果的图形表示，使交易者能够有效地可视化和分析其交易策略的表现。
此外，本教程还介绍了如何利用 seaborn 库创建描述股票相关性的热图。它提供了整个项目的分步指南和代码下载，方便使用Python实现股票相关性分析。视频教程中的演示者转移焦点，教育观众使用 Python 计算股票投资组合的风险和回报潜力。他们讨论了简单回报的局限性，并引入了对数回报的概念，展示了它们在评估风险和回报方面的实际应用。该分析可帮助交易者就其投资组合构成和风险管理做出明智的决策。
另一个教程阐明了使用 Python 中的“滚动”函数计算简单移动平均线的过程。通过应用这种技术，交易者可以平滑股票价格的波动并更有效地识别趋势。此外，教程还演示了数据集的平均值、中位数和移动平均值的计算，强调它们在分析和理解数据模式方面的重要性。
此外，视频教程展示了各种移动平均线的计算，包括股票的 50 天移动平均线、200 天移动平均线和 EMA（市盈率）。然后将这些移动平均线绘制在图表上，帮助交易者识别关键趋势和潜在交易信号。继续数据操作技术，视频教程解释了如何利用 pandas 中的重新索引函数来替换数据帧中的缺失值。它还涵盖了在遇到节假日和周末时应用前向和后向填充功能来管理数据。
该视频教程进一步演示了股票随时间的回报计算，包括买入和持有回报、累积回报和最大回报。此外，它还探讨了累积最大回报的计算，并通过绘图可视化数据。此外，本教程还解释了如何计算股票的回撤，以及最大累积回报和最大累积回撤。了解回撤有助于交易者评估与投资相关的风险并识别潜在的损失情况。同样，另一个视频教程讨论了计算股票的回撤和最大回撤。此外，它还提供了计算回撤百分比的概述，这是风险管理中的一个关键指标。
YouTube 上的 Python 2023 教程向观众介绍如何创建移动平均线交叉策略进行交易。该策略涉及利用两条移动平均线（一条 50 日移动平均线和一条 100 日移动平均线）来确定股票的趋势并相应地生成交易信号。此外，视频教程解释了如何编写用于股票交易的 Python 代码。它演示了根据当前价格和过去价格数据确定是否买入或卖出股票的过程。它还包括使用库来跟踪股票随时间的位置，使交易者能够有效地监控和管理他们的投资组合。
该教程视频启发观众使用收益和标准差回溯测试算法交易策略。它展示了一种在回报方面优于 50 天移动平均线的策略，但具有更高的标准差，强调了风险和回报之间的权衡。此外，视频教程还指导用户创建投资策略并将其与其他策略进行比较。它强调具有最佳回报的策略是具有多头倾向的策略，表明偏好看涨头寸。
此外，作者还介绍了一个为算法交易创建测试策略的功能。该函数接受股票名称、开始和结束日期等参数，并返回每日回报、累积回报和 SMA（简单移动平均线）等关键绩效指标。通过利用此功能，交易者可以评估其交易策略的有效性并做出数据驱动的决策。然后，本教程将演示如何构建算法交易 Python 脚本。该脚本结合了简单的止损和止盈策略，旨在与传统的买入并持有投资方法相比获得更好的整体业绩。该脚本是开发更复杂的交易算法的基础。
演示者还展示了对用 Python 编写的交易策略进行回溯测试的过程。该策略由演示者创建，并根据 2017 年的历史股市数据进行了测试，使交易者能够评估其绩效和可行性。此外，本教程还介绍了如何编写用于股票和加密货币交易的 Python2023 算法。它涵盖了利用 API 访问各种股票和加密货币交易所的数据，使交易者能够分析实时市场数据并相应地实施交易策略。该视频教程进一步探讨了使用 Python 交易股票和加密货币。它包括数据输入、分析、存储、操作以及使用 API 服务执行交易策略。通过利用这些技术，交易者可以自动化他们的交易流程并有效地管理他们的投资组合。
此外，本教程还提供了有关使用 Python 交易股票和其他金融资产的全面指导。它涵盖了价格分析和交易等基本概念，以及回测和利用 API 进行数据集成等高级主题。本教程为交易者提供有效参与算法交易所需的知识和工具。
总之，这些教程和视频提供了有关使用 Python 进行算法交易的大量信息。它们涵盖广泛的主题，包括数据处理、统计分析、可视化、策略开发、回溯测试和实时交易。通过学习这些教程，交易者可以增强对算法交易原理的理解，并利用 Python 的功能做出明智的交易决策。
点（摩尔）函数将值乘以 100，以便更容易阅读。
如何获取交易所的股票列表 ||使用 Python 进行股票分析第 1 部分
如何获取交易所的股票列表 ||使用 Python 进行股票分析第 1 部分
这是我使用 Python 进行股票分析系列的第一部分。该系列将分为三个部分。在第一部分中，我们将重点关注获取和组织数据以进行分析。第二部分将介绍单个证券，最后，我将演示如何打包我们的代码以便使用 pip 轻松安装。该代码将在 GitHub 上提供（视频说明中的链接）。您可以使用您选择的任何文本编辑器。
股票分析最重要的方面是数据源。我将使用全面的日终历史数据，其中包括全球数据。您可以从免费计划开始，但它对每天的 API 调用次数有限制。如果您需要更多，可以以特价订阅数据包（视频说明中的链接）。
让我们首先导入必要的模块。我们将首先从特定交易所下载有关证券的元数据。我们需要提供 API 密钥并指定交易所（默认为纽约证券交易所）。我将提供一些美国市场的示例，但您可以使用日终历史数据网站上的文档探索国际市场。
设置好文档后，我们将调用 API 端点，传递交换和 API 密钥。我们将为此使用请求模块。响应将采用 JSON 格式，我们将其转换为 pandas DataFrame。
最后，我将添加一些打印语句来显示进度，我们可以通过运行入口点函数来测试代码。确保将 API 密钥替换为您自己的密钥。结果将是一个包含检索到的数据的 DataFrame。我们可以根据我们感兴趣的证券类型进一步过滤这些数据，这将在下一个视频中介绍。
我希望这些信息对您有所帮助，并期待在本系列的下一部分中见到您。
如何下载 S&P 500 股票代码并按行业筛选 ||使用 Python 进行股票分析第 2 部分
如何下载 S&P 500 股票代码并按行业筛选 ||使用 Python 进行股票分析第 2 部分
这是我使用 Python 进行股票分析系列的第二部分。如果您还没有看过第一部分，我建议您查看一下。在上一个视频中，我们从特定的证券交易所下载了数据并获得了带有元数据的DataFrame。现在，我们要根据证券类型过滤掉代码，例如普通股、ETF 或基金。这将使我们能够在下载数据之前专注于特定的证券。
我将添加一个名为“get_security_type”的新函数，它将交换数据 DataFrame 作为输入。默认情况下，我们将过滤普通股，但您可以根据需要指定不同的类型。该函数将返回与指定安全类型匹配的符号列表。
此外，我注意到收盘历史数据不包括 S&P 500 符号。因此，我将编写另一个名为“get_sp500_symbols”的函数来从 CSV 文件中获取符号。此函数接受可选的“扇区”参数来根据扇区过滤符号。默认情况下，它返回所有符号。该函数将返回一个包含符号、名称和扇区列的 DataFrame。
为了实现这一点，我们将使用 pandas 库读取 CSV 文件并根据提供的参数应用所需的过滤器。
实现后，我们就可以测试功能了。默认情况下，“get_security_type”将返回所有符号，“get_sp500_symbols”也将返回所有符号。我们可以指定一个部门来过滤 S&P 500 符号。
有了这些功能，我们现在可以根据证券类型过滤代码并探索 S&P 500 中的股票。在本系列的下一部分中，我们将重点关注下载和整理数据。
我希望您觉得这些信息有用，并且我期待着与您一起继续这个系列。
如何下载和保存股票价格数据 ||使用 Python 进行股票分析第 3 部分
如何下载和保存股票价格数据 ||使用 Python 进行股票分析第 3 部分
这是我使用 Python 进行股票分析系列的第三部分。您可以在视频说明中提供的链接中找到前两个视频。本系列中使用的所有代码都可以在 GitHub 存储库中找到，该存储库也在说明中提供了链接。
在之前的视频中，我们学习了如何获取特定交易所的证券列表以及如何根据特定标准过滤它们。我们还编写了一个函数来过滤 S&P 500 股票。在本视频中，我们将重点关注下载和组织我们感兴趣的数据。
首先，我们需要安装一个名为“eod”的帮助程序库，它可以简化与日终数据的交互。我们可以使用这个库来代替传统的 API 调用。使用 pip 安装后，我们从库中导入“EodHistoricalData”类，这使我们可以轻松进行 API 调用。此外，我们还导入用于设置时间限制的“datetime”模块和用于处理文件系统的“os”模块。
接下来，我们为要检索数据的时间段设置一些默认日期。在本例中，我们将其设置为大约一年。如果我们需要开始日期和结束日期，我们还会将当前日期设置为参考。
现在，我们可以继续编写名为“get_data”的主函数。此函数接受各种输入，包括单个符号、以逗号分隔的符号列表或符号列表。它还需要 API 密钥和存储数据的路径。该函数使用 EodHistoricalData 类检索指定代码的数据，并将其作为 CSV 文件保存在指定文件夹中。它跟踪下载和跳过的证券数量，并提供有关下载过程的信息。
编写函数后，我们可以通过传递一些示例参数并检查输出来测试它。我们可以看到下载的证券和任何跳过的证券。该函数成功检索数据并将其保存在指定文件夹中。
在接下来的视频中，我们将使用下载的数据，例如提取收盘价和回报，并探索可视化技术。
使用 Python 进行股票分析：如何从文件中提取价格数据 ||第 4 部分
使用 Python 进行股票分析：如何从文件中提取价格数据 ||第 4 部分
欢迎来到我的 Python 股票分析系列的第四部分。您可以在视频说明中找到前三个部分的链接，还可以访问 GitHub 存储库上的代码。
在之前的视频中，我们介绍了获取证券列表、过滤列表以及将数据下载到 CSV 文件中。现在，在本视频中，我们将重点关注从下载的数据中提取收盘价列。
为此，我们将创建一个名为“get_ending_prices”的函数。该函数将文件夹作为输入，并为数据文件设置默认值。默认情况下，它会提取关闭列，但如果需要，您可以选择调整后的关闭列。
首先，我们读取指定文件夹中的所有有效文件，排除以“零”开头的文件，以避免重复。然后，我们设置一个空的 DataFrame。
接下来，我们循环遍历文件并检查调整后的关闭是否设置为 true。如果是，我们使用 pandas 的 read_csv 函数创建一个临时 DataFrame，并指定文件夹和文件。我们将索引列设置为日期并选择调整后的关闭列。最后，我们将该列重命名为股票代码。
如果调整后的收盘价不正确，我们对收盘价列遵循类似的过程。我们将第一个文件的现有 DataFrame 替换为临时 DataFrame，并将新的 DataFrame 连接到后续文件的现有 DataFrame 上。
最后，我们返回包含收盘价的 DataFrame。此外，如果需要，我们会将 DataFrame 写入名为“closes.csv”的 CSV 文件。
您可以通过使用所需的文件夹名称调用该函数来测试该函数。该函数将返回包含收盘价的 DataFrame。在所示示例中，它成功提取了指定证券的收盘价列。
在第五部分中，我们将根据这些收盘价计算回报数据。
计算回报、创建相关矩阵、绘制性能图 ||使用 Python 进行股票分析第 5 部分
计算回报、创建相关矩阵、绘制性能图 ||使用 Python 进行股票分析第 5 部分
欢迎阅读我的使用 Python 进行股票分析系列的第五部分。在视频说明中，您将找到前四个部分的链接以及可访问代码的 GitHub 存储库的链接。
在第四部分中，我们获取了所选证券的收盘价并将其保存到文件中。现在，在第五部分中，我们将重点关注根据这些收盘价计算回报。在继续之前，我们需要导入 NumPy 库。
我们将创建一个名为“calculate_returns”的函数，它将文件夹和文件名作为输入。为了处理潜在的错误，我们将使用 try- except 块。在函数内部，我们将使用 pandas 从 CSV 文件读取数据。我们将索引列设置为日期并返回返回的 DataFrame。
我们可以通过打印结果、传递文件夹名称和文件名来测试该功能。在所示示例中，它成功计算了所选证券的回报。
从这里开始，接下来有几个可能的步骤。一项常见的任务是计算证券之间的相关性。虽然我不会深入讨论具体的实现，但您可以使用前一个函数的结果来构建一个用于计算相关性的函数。您可以探索不同的选项，例如从文件（例如 Excel 或 CSV）中读取数据以增强灵活性。
我们可以编写的另一个有用的函数是绘制收盘价的函数。为此，我们需要导入 matplotlib 库。函数“plot_closes”将收盘结果作为输入，可以是 CSV 或 Excel 文件。此外，我们可以选择绘制相对于起始价格的价格。
在函数中，我们使用 pandas 读取数据，并根据相对参数，按原样绘制价格或绘制相对于起始价格的性能。我们可以使用网格线和零（或一，取决于所需的表示）的水平线等选项来自定义绘图。
测试该函数，我们可以看到所选证券的结果图。通过将relative参数设置为true，我们可以观察相对于起始价格的表现。
在第六部分中，我们将继续处理收盘价和变化，重点是将这些数据保存到单独的文件中。