【qstock量化】动态交互数据可视化_qstock.data.trade

qstock简介

qstock由“Python金融量化”开发，试图打造成个人量化投研分析开源库，目前包括数据获取（data）、可视化(plot)、选股(stock)和量化回测（backtest）四个模块。其中数据模块（data）数据来源于东方财富网、同花顺、新浪财经等网上公开数据，数据爬虫部分参考了现有金融数据包tushare、akshare和efinance。qstock致力于为用户提供更加简洁和规整化的金融市场数据接口。可视化模块基于plotly.express和pyecharts包，为用户提供基于web的交互图形简单操作接口；选股模块提供了同花顺的技术选股和公众号策略选股，包括RPS、MM趋势、财务指标、资金流模型等，回测模块为大家提供向量化（基于pandas）和基于事件驱动的基本框架和模型。

qstock目前在pypi官网上发布，开源版本为1.1.0，意味着读者直接“pip install qstock ”安装即可使用。GitHub地址：

https://github.com/tkfy920/qstock。

下面为大家介绍qstock可视化模块（plot）的调用方法。以下代码使用jupyter notebook编译，输出图形为基于web的可交互动态图。

qstock数据篇专题如下：

【qstock开源了】数据篇之行情交易数据

【qstock数据篇】行业概念板块与资金流

【qstock量化】数据篇之股票基本面数据

【qstock量化】数据篇之宏观指标和财经新闻文本

import qstock as qs
from qstock import plot

01 K线图

01

普通K线图

kline(df, mas=5, mal=20, notebook=True,title="股票K线图")

参数说明：

df:数据，包含open,high,low,close,volume列名的dataframe

mas：短期均线，默认5日均线

mal：长期均线，默认20日均线

notebook：True代表在jupyter notebook上显示，False默认输出html，可以保存本地打开。默认为True

title:图形标题

#如果notebook不显示pyecharts的图形，在前面加上以下代码(去掉前面注释)
#from pyecharts.globals import CurrentConfig, NotebookType
#CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_NOTEBOOK

#获取中国平安2022年至今前复权的数据
df=qs.get_data('中国平安',start='2022-06-01',end='2022-10-20')
df.tail()

#使用默认参数
plot.kline(df)

02

修正K线图

HA_kline(df)

参数df与前面普通k线图线图。

也叫平均K线图（Heikin-Ashi），具体原理可以参考公众号推文《【手把手教你】使用Python对股价的Heikin Ashi蜡烛图进行可视化》。

普通K线图中往往存在很多噪声，这些噪声容易掩盖市场真实趋势的随机波动，包括价格和成交量波动。比如，对市场影响持续性较短的新闻事件，以及对技术指标和市场趋势解读等，都可能造成无意义的短期价格和交易量波动，这样的噪声会对交易者分析市场产生干扰和误导。为了减少普通K线图产生的噪声，HA蜡烛图应运而生，HA中的四个价格中，HA开盘价和HA收盘价都是经过平均计算得来，平均化的处理相当于噪声消除处理，在一定程度上消除了市场的噪声，可以更加明确地反映市场价格的走势。

plot.HA_kline(df)

02

树状图

03

矩形树状图

treemap(data, label, weight, value, color=['Green', 'Red', "#8b0000"])

参数说明：

data：dataframe数据格式

label：需要展示的列名或标签名，必须是list,如[px.Constant('股票'), '行业',  '股票名称']
其中，'行业',  '股票名称'必须是data里的存在的列名

weight:data里存在的列，用来显示权重

value:data里存在的列，用来显示数值

color：设置展示的颜色

#获取东方财富行业板块实时涨跌幅数据
data=qs.realtime_data('行业板块')[['名称','涨幅']]
data['权重']=abs(data['涨幅'])
#注意去掉涨幅为0的值，否则会报错
data=data[data['涨幅']!=0]
params={'data':data,'label':['名称'],'weight':'权重','value':'涨幅'}
plot.treemap(**params)

#获取东方财富概念板块实时涨跌幅数据
data=qs.realtime_data('概念')[['名称','涨幅']]
data['权重']=abs(data['涨幅'])
data=data[data['涨幅']!=0]
params={'data':data,'label':['名称'],'weight':'权重','value':'涨幅'}
plot.treemap(**params)

03

ichimoku云图

云图

plot_ichimoku(df, t=9, k=26, l=30, s=52)

参数说明：

df为dataframe数据，包含'open','high','low','close','volume‘列，索引为时间格式；

t:Tenkan-sen：转折线计算周期，默认9个交易日；

k：Kijun-sen：基准线计算周期，默认26；

l:Chikou Span：滞后跨度或延迟线计算周期，默认30天；

s:Senkou Span B：计算前导跨度B或先行上线B，默认52个交易日。

Ichimoku，是一名日本报纸作家提出的，用于衡量动量以及未来价格支撑和阻力区域的技术分析指标，目前被广泛用于判断外汇、期货、股票、黄金等投资品种的趋势和动量。关于ichimoku云图的基本原理详细以参考公众号推文：《【手把手教你】Ichimoku云图指标可视化与交易策略回测》

df=qs.get_data('丰元股份',start='2021-03-01')
plot.plot_ichimoku(df)

04

基本图形

05

折线图

line(data=None, x=None, y=None, title=None, color=None, line_group=None, facet_col=None, legend=True)

参数：data为series或dataframe的时候，可以不输入x和y。x为x坐标轴对应数据，y为y轴坐标对应数据。

普通折线图

#获取中国平安前复权价格数据
code='中国平安'
df=qs.get_data(code)
plot.line(df.close,title=code+'价格走势')

06

股价分位点折线图

stock_line(data=None, x=None, y=None, notebook=True, title=None)

各参数符号与K线相同。

plot.stock_line(df.close)

对比折线图

df['ma20']=df.close.rolling(20).mean()
title='中国平安股价与20日均线'
plot.line(df[['close','ma20']],title=title)

#个股资金流
plot.line(qs.stock_money('中国平安'),title='中国平安资金流')

全球指数累计涨幅可视化

#常见的全球指数名称
global_indexs=['sh','cyb','恒生指数','道琼斯','标普500','纳斯达克','英国富时100','法国CAC40','德国DAX30','日经225','韩国KOSPI',
               '澳大利亚标普200','印度孟买SENSEX','台湾加权','俄罗斯RTS','加拿大S&P/TSX','巴西BOVESPA']
index_data=qs.get_price(global_indexs,start='2012-01-01').dropna()
plot.line(index_data/index_data.iloc[0],title='全球指数累计涨幅(2012-2022)')

07

柱状图

bar(data=None, x=None, y=None, title=None, color=None, legend=False,orientation=None, log_x=False, log_y=False, barmode='group')

参数说明：
'orientation='h'表示横向柱状图,log_x和log_y为True表示使用对数坐标，barmode='group'表示对比条形图,默认。为'relative'，
   如qs.bar(dd['总市值'],log_x=True,orientation='h')。

#计算收益率
data=index_data.copy().dropna()
rets=data/data.shift(1)-1
rets=rets.to_period('Y')
rets=(rets.groupby(rets.index).apply(lambda x: ((1+x).cumprod()-1).iloc[-1])*100).round(2)
rets=rets.iloc[-1].sort_values(ascending=False)

title='全球指数2022年涨跌幅'
plot.bar(rets,title=title)

08

基于pyecharts画柱状图

chart_bar(data=None, x=None, y=None, title=None, notebook=True, zoom=False)

x,y均为list，或者x为dataframe

plot.chart_bar(rets,title=title,zoom=True)

09

纵向柱状图

chart_inv_bar(data=None, x=None, y=None, title=None, notebook=True, zoom=False)

x,y均为list，或者x为dataframe

plot.chart_inv_bar(rets,title=title,zoom=True)

010

散点图

scatter(data=None, x=None, y=None, title=None, color=None, size=None,trend=None, legend=True, marginal_x=None, marginal_y=None)

参数说明：
color根据不同类型显示不同颜色；
size根据值大小显示散点图的大小；
trend='ols'添加回归拟合线；
marginal_x='violin',添加小提琴图；
marginal_y= 'box'，添加箱线图。

data=qs.get_data('晓程科技')
plot.scatter(data,x='close',y='volume')

data=qs.get_data('晓程科技')
#计算收益率
data['ret']=data.close/data.close.shift(1)-1
data['weight']=data['ret'].abs()
#对换手率分类
data.loc[data.turnover_rate>20,'rr']='crazy'
data.loc[(10<data.turnover_rate)&(data.turnover_rate<20),'rr']='high'
data.loc[(5<data.turnover_rate)&(data.turnover_rate<10),'rr']='mid'
data.loc[data.turnover_rate<5,'rr']='low'
data.dropna(inplace=True)

plot.scatter(data,x='turnover_rate',y='close',size='weight',trend='ols',marginal_x='histogram',marginal_y='box')

011

饼图

pie(data=None, x=None, y=None, color=None, title=None, legend=False, hole=None)

data为dataframe数据，value；
hole数值0-1，显示中间空心；
legend=True显示图例，默认不显示。

实例：个股主营业务占比可视化

code='晓程科技'
df=qs.main_business(code)
c1=df['报告期']=='2022中期'
c2=df['分类方向']=='按产品分'
df=df[c1&c2]
df

plot.pie(df.iloc[:-1],x='分类',y='营业收入(万)',title=code+'主营业务收入')

012

基于pyecharts画饼图

chart_pie(data=None, x=None, y=None, data_pair=None, title=None, notebook=True)

参数与前面相同

plot.chart_pie(data=df.iloc[:-1],x='分类',y='营业收入(万)',title=code+'主营业务收入')

05

统计分布图

013

直方图

hist(data=None, x=None, y=None, title=None, color=None, legend=False,orientation=None, log_x=False, log_y=False, barmode='group',histnorm=None)

参数说明：histnorm={1:'percent',2:'probability',3:'density',4:'probability density'}，其他参数与前面相同。

#1:'percent',2:'probability',3:'density',4:'probability density'
code='晓程科技'
data=qs.get_data(code,fqt=2)
plot.hist(data,x='close',histnorm=3,title=code+'股价直方图')

014

概率密度图

hist_kde(data=None, x=None, y=None, kde=True, stat='count', figsize=(15, 7))

参数说明：直方图默认统计的是观测数，可以进行统计变化，设置stat参数。stat可选参数：count:观测数(默认)；frequency:频数;density：密度;probability:概率；kde=True表示添加核密度曲线。其他参数与前面相同。

#stat可选参数：count:观测数(默认);frequency:频数;density：密度;probability:概率
plot.hist_kde(data.close,stat='probability')

015

箱线图

box(data=None, x=None, y=None, title=None, color=None, legend=False,orientation=None, log_x=False, log_y=False, boxmode=None)

参数说明与前面同。

index_list=['上证指数','创业板指','沪深300','道琼斯','标普500','纳斯达克']
data=qs.get_price(index_list)
plot.box(data.dropna())

#获取面板数据
dd=qs.get_data(index_list)
plot.box(dd,x='name',y='close',color='name')

plot.box(dd,y='name',x='close',color='name',orientation='h')

016

小提琴图

violin(data=None, x=None, y=None, title=None, color=None, legend=False,orientation=None, log_x=False, log_y=False, box=False, points=None)

plot.violin(dd,x='name',y='close',color='name',box=True)

小提琴是是箱线图和核密度图的集合，通过箱线思维展示数据的各个百分位点。小提琴图上的核密度图展示了数据分布的形状，分布越宽的位置表示数据越集中于该处，反之则说明该处数据分布越少。

plot.violin(dd,y='name',x='close',color='name',box=True,orientation='h')

plot.violin(dd.query('name=="上证指数"'),y='name',x='close',box=True,orientation='h')

plot.violin(dd.query('name=="道琼斯"'),y='name',x='close',box=True,orientation='h')

06

其他图形

017

热力图

chart_heatmap(x, y, v, title=None, notebook=True)

x，y分别为xy轴对应标签，v是对应数据

sh0=qs.get_data('上证指数').close['2011':'2021']
sh=(sh0/sh0.shift(1)-1).to_period('M')
sh=sh.groupby(sh.index).apply(lambda x: ((((1+x).cumprod()-1).iloc[-1])*100).round(2))

x=[str(i) for i in range(2011,2022)]
y=[str(i)+'月' for i in range(1,13)]
v= [[i,j,sh[str(2011+i)+'-'+str(1+j)]] for i in range(11) for j in range(12)]
plot.chart_heatmap(x,y,v,title='上证指数月度收益率')

plot.chart_heatmap_color(x,y,v,title='上证综指月度收益率')

018

地图

chart_map(data=None, x=None, y=None, data_pair=None, title=None, notebook=True)

df=qs.realtime_data('地域')
df['名称']=df['名称'].apply(lambda s:s[:-2] if s.endswith('板块') else s)
#df.head()

#地域板块最新价格指数
plot.chart_map(df,x='名称',y='最新')

019

词云图

chart_wordcloud(data, title=None, notebook=True)

txt=qs.news_data('cctv',start='20221020',end='20221021')
#缺失值处理，转为str格式
txt_list=''.join(list(txt.content.apply(lambda s:str(s))))
#使用jieba处理分词并转为词云格式数据
c_data=plot.cloud_data(txt_list)
#画词云图
plot.chart_wordcloud(c_data)