背景

近期在学习数据分析，在课程最后老师讲了一下通过量化分析选择股票的案例，感觉挺有意思的，恰好周围也有人在炒股票，干脆自己做一个软件来实践一下学到的知识。课程上主要用python相关库来处理比特币的数据，数据量也不大，但是理解原理之后我们可以举一反三。

首先来回顾一下主要的知识点，选择股票的时候会用到两个重要的指标RSV、KDJ。他们的定义见下面的课件截图，具体的内容我就不阐述了，因为我是非金融专业的，对这些词汇解释起来有点吃力。我们只要记住这两个指标如何计算，以及后面如何使用即可

KDJ指标的定义

计算K指标

计算D指标

计算J指标

实验原理

老师在课程中讲到K和D都是反映股票变化趋势的，K要比D灵敏，当K值上穿D值时（第一次出现K>D）时代表股票可能出现向上反弹，此时是买入时机，当K下穿D值时（第一次出现K<D）时，代表股票有较大概率出现下跌，此时是卖出时机。

通过利用这个方法，我们可以在4000多支股票中筛选出若干可能出现反弹的股票，然后再用人的经验和其他方面的信息选出心仪的股票了。

我们的实验思路是：

先从网络上获取过去半年 4000支股票的交易信息，包括日期（date）、最高价（high）、最低价（low）、开盘价（open）、收盘价（close），将这些信息存储到stockbars表中用python程序读取stockbars表中的每条记录，计算出rsv指标存储到stockrsvs表中最后用python程序读取stockrsvs表，计算出k、d、j三个指标最后我们用SQL语句查询数据库，每个人可以基于RSV、k、d、j这四个值自由定义查询方式

这里我们用到了kdj金融知识、python编程知识、SQL语言以及数据库相关的内容，也算是一次综合性的演练了。还可以利用Sugar来在线绘制大屏，

实验过程

实验环境准备

我们用到了python开发环境，这里我们用docker直接获取一个镜像使用，省的安装一堆乱七八糟的依赖，当然你也可以按照自己的喜好来自行安装

docker pull docker.io/python

数据库我们使用了一个免费的云数据库MemFireDB ，他提供了公网IP以及可视化的SQL编辑器方便我们后续查询数据

实验步骤和代码

获取原始数据

计算RSV指标

        for bar in bars:            rsv = session.query(StockRSV).filter(                    StockRSV.id == bar.stock_id + "_" + str(bar.date)                ).first()            if rsv is not None:                print("rsv: id:%s stock_id:%s, date:%s,rsv value:%s cal next bar" % (                    rsv.id, rsv.stock_id, rsv.date, rsv.rsv                ))                continue            prevbars = session.query(StockBar).filter(                    StockBar.stock_id == stock.id,                    StockBar.date <= bar.date                ).order_by(StockBar.date.desc()).limit(window).all()            if len(prevbars) < window:                print("stock %s date %s perv less than window %s cal next date" % (stock.id, bar.date, window))                continue            for prevbar in prevbars:                print("prevbar: id %s , stock_id:%s, date:%s, open:%s, high:%s, low:%s, close:%s" %                         (prevbar.id, prevbar.stock_id, prevbar.date, prevbar.open, prevbar.high, prevbar.low, prevbar.close))            low = prevbars[0].low            high = prevbars[0].high            lastopen = prevbars[0].open            lastclose = prevbars[0].close            for prevbar in prevbars:                if prevbar.high >= high:                    high = prevbar.high                if prevbar.low <= low:                    low = prevbar.low                        print("rsv: stock_id %s, date:%s lastopen:%s, lastclose:%s, high:%s, low:%s" %                     ( bar.stock_id, bar.date, lastopen, lastclose, high, low))            stockrsv = StockRSV(id = bar.stock_id + "_" + str(bar.date),                stock_id = bar.stock_id,                date = bar.date,                rsv = 100 * (lastclose - low) / (high - low))            session.add(stockrsv)            session.commit()

计算结果

计算KDJ指标

    for stock in stocks:        i += 1        rsvs = session.query(StockRSV).filter(                    StockRSV.stock_id == stock.id                ).order_by(StockRSV.date.asc()).all()        if len(rsvs) < 1:            print("stock %s  rsv less than window %s real %s cal next stock" % (stock.id, 1, len(rsvs)))            continue        for stockrsv in rsvs:            curkdj = session.query(StockKDJ).filter(                    StockKDJ.id == stockrsv.stock_id + "_" + str(stockrsv.date)                ).first()            if curkdj is not None:                print("kdj id:%s, stock_id:%s,date:%s,k:%s, d:%s,j:%s exist cal next" % (                    curkdj.id, curkdj.stock_id, curkdj.date, curkdj.k, curkdj.d, curkdj.j                ))                continue                        lastkdj = session.query(StockKDJ).filter(                    StockKDJ.stock_id == stockrsv.stock_id,                    StockKDJ.date < stockrsv.date                ).order_by(StockKDJ.date.desc()).limit(1).first()            lastkvalue = 0            lastdvalue = 0            if lastkdj is not None:                lastkvalue = lastkdj.k                lastdvalue = lastkdj.d            stockkdj = StockKDJ(id = stockrsv.stock_id + "_" + str(stockrsv.date),                stock_id = stockrsv.stock_id,                date = stockrsv.date,                k = curkvalue,                d = curdvalue,                j = 0)            session.add(stockkdj)            session.commit()

计算结果

使用SQL选股

我们选择最近RSV值较低，且K>D 的十只股票

到股票软件上查看这几只股票的趋势图

实验总结

通过这次实验，我们探索了一种方法，使用python获取股票数据，因为记录数较多且计算过程无法递归，只能通过循环的方式结合数据库循环计算指标。最后将计算的结果存储在数据库中，利用SQL语言的丰富语义，可以灵活验证各种选股的模型。