Python股市数据分析教程——学会它，或可以实现半“智能”炒股 (Part 1)
本篇文章是&Python股市数据分析&两部曲中的第一部分，主要介绍金融数据分析的背景以及移动均线等方面的内容。
本文由北邮 老师推荐，组织翻译。
以下为译文
本篇文章是"Python股市数据分析"两部曲中的第一部分（第二部分的文章在），内容基于我在上的一次讲座。在这些文章中，我将介绍一些关于金融数据分析的基础知识，例如，使用pandas获取雅虎财经上的数据，股票数据可视化，移动均线，开发一种均线交叉策略，回溯检验以及基准测试。第二篇文章会介绍一些实践中可能出现的问题，而本篇文章着重讨论移动平均线。
注意：本篇文章所涉及的看法、意见等一般性信息仅为作者个人观点。本文的任何内容都不应被视为金融投资方面的建议。此外，在此提供的所有代码均无法提供任何保证。选择使用这些代码的个人需自行承担风险。
高等数学与统计学已在金融领域应用了一段时间。 在20世纪80年代以前，银行业和金融界以"枯燥乏味"而闻名；投资银行与商业银行不同，银行的主要职责在于处理"简单的"（至少与今天相比）金融商品，如贷款。里根政府的放松管制，再加上一大批数学天才，将整个行业从"枯燥的"银行业务转变成了今天这个样子，而且，从那时起，金融便融入了其他自然学科，激励着数学领域的研究与发展。比如，近期数学领域最大的成就之一，便是的推导，这一成果可用于股票期权（一种赋予持有人以特定价格向期权发行商购买或出售股票权利的合约）的定价。可以说，。
近几年来，为了在买卖金融资产的过程中赚取利润，计算机科学也同高等数学一起，参与到了金融与贸易领域的变革当中。最近几年，计算机主导着贸易的进行；算法相比人类能够更快速地做出交易决策（如此之迅速，以至于）。此外，，而且以后也可能会继续这样下去。实际上，大部分的算法交易都属于高频交易（HFT）。尽管算法的表现可能超过人类，但是这项技术并不成熟，应用的领域又充满着高风险与动荡。高频交易导致了与市场的闪电崩盘，其中，2013年的崩盘是由一条所引发的。
然而，本篇文章并不会讨论如何使用糟糕的数学模型和交易算法使股市崩盘。相反，我打算向大家介绍一些用于处理和分析股市数据的Python工具。我还将讨论移动均线、如何使用移动均线来构建交易策略、如何在进入仓位时制定退出策略以及如何使用回溯检验评估交易策略等方面的内容。
声明：这不是关于金融投资的建议！！！而且，我从未从事过交易员等工作（许多这方面的知识我都是在盐湖城社区学院中一门为期一学期的股市交易课程中接触到的）！这些只是单纯的入门级知识，并不足以读者在股市中进行实际的交易操作。股市有风险，入市需谨慎！
获取并可视化股票数据
使用pandas从雅虎财经中获取数据
在我们处理股票数据之前，我们首先需要通过一些可行的途径获取它们。股票数据可以从、或者其他数据源中获得，而pandas可以轻松访问雅虎财经、谷歌财经以及其他来源中的数据。在本篇文章中，我们从雅虎财经获取股票数据。
以下代码演示了直接创建一个包含股票信息的DataFrame对象的过程。（你可以在了解更多关于远程数据访问的信息。）
import pandas as pd
import pandas.io.data as web
import datetime
start = datetime.datetime()
end = datetime.date.today()
apple = web.DataReader("AAPL", "yahoo", start, end)
type(apple)
C:\Anaconda3\lib\site-packages\pandas\io\data.py:35: FutureWarning:
The pandas.io.data module is moved to a separate package (pandas-datareader) and will be removed from pandas in a future version.
After installing the pandas-datareader package (/pydata/pandas-datareader), you can change the import ``from pandas.io import data, wb`` to ``from pandas_datareader import data, wb``.
FutureWarning)
pandas.core.frame.DataFrame
apple.head()
让我们简单介绍一下。开盘价是指股票在交易日开市时的股价（并不一定是前一交易日的收盘价格），最高价是指在交易日当天股价的最高价格，最低价是指在交易日当天股价的最低价格，收盘价是指股票在交易日收盘时的股价。交易量表示被交易股票的数量。调整收盘价是根据公司行为调整后的股票收盘价格。尽管我们认为大多数股票的价格是由交易员设定的，但是股票分割（公司将当前的一张股票拆分成价值一半的两张股票）和派付股息（为每份股份支付公司红利）仍然会影响到股票的价格，这些情况我们都应该考虑进来。
股票数据可视化
既然我们现在有了股票数据，我们可以通过可视化的形式展示它。我首先演示如何使用matplotlib来可视化股票数据。注意，名为apple的DataFrame对象有一个很方便的方法plot()，这个函数使创建图表更加容易。
import matplotlib.pyplot as plt
%matplotlib inline
%pylab inline
pylab.rcParams['figure.figsize'] = (15, 9)
apple["Adj Close"].plot(grid = True)
Populating the interactive namespace from numpy and matplotlib
折线图是很不错，但是每个日期都至少包含四个变量（开盘价、最高价、最低价、收盘价），我们希望有一些可视化的方法能够同时展示这四个变量，而不是简单地画四条折线。金融数据通常以日本蜡烛图（即K线图）的形式绘制，这种图表最早在18世纪由日本米市商人命名。matplotlib可以绘制这样的图表，但操作起来比较复杂。
我实现了一个函数，你可以更容易地在pandas数据框架中创建蜡烛图，并使用它绘制我们的股票数据。（代码基于，你可以在找到相关函数的文档）
from matplotlib.dates import DateFormatter, WeekdayLocator,\
DayLocator, MONDAY
from matplotlib.finance import candlestick_ohlc
def pandas_candlestick_ohlc(dat, stick = "day", otherseries = None):
mondays = WeekdayLocator(MONDAY)
alldays = DayLocator()
dayFormatter = DateFormatter('%d')
transdat = dat.loc[:,["Open", "High", "Low", "Close"]]
if (type(stick) == str):
if stick == "day":
plotdat = transdat
elif stick in ["week", "month", "year"]:
if stick == "week":
transdat["week"] = pd.to_datetime(transdat.index).map(lambda x: x.isocalendar()[1])
elif stick == "month":
transdat["month"] = pd.to_datetime(transdat.index).map(lambda x: x.month)
transdat["year"] = pd.to_datetime(transdat.index).map(lambda x: x.isocalendar()[0])
grouped = transdat.groupby(list(set(["year",stick])))
plotdat = pd.DataFrame({"Open": [], "High": [], "Low": [], "Close": []})
for name, group in grouped:
plotdat = plotdat.append(pd.DataFrame({"Open": group.iloc[0,0],
"High": max(group.High),
"Low": min(group.Low),
"Close": group.iloc[-1,3]},
index = [group.index[0]]))
if stick == "week": stick = 5
elif stick == "month": stick = 30
elif stick == "year": stick = 365
elif (type(stick) == int and stick &= 1):
transdat["stick"] = [np.floor(i / stick) for i in range(len(transdat.index))]
grouped = transdat.groupby("stick")
plotdat = pd.DataFrame({"Open": [], "High": [], "Low": [], "Close": []})
for name, group in grouped:
plotdat = plotdat.append(pd.DataFrame({"Open": group.iloc[0,0],
"High": max(group.High),
"Low": min(group.Low),
"Close": group.iloc[-1,3]},
index = [group.index[0]]))
raise ValueError('Valid inputs to argument "stick" include the strings "day", "week", "month", "year", or a positive integer')
fig, ax = plt.subplots()
fig.subplots_adjust(bottom=0.2)
if plotdat.index[-1] - plotdat.index[0] & pd.Timedelta('730 days'):
weekFormatter = DateFormatter('%b %d')
ax.xaxis.set_major_locator(mondays)
ax.xaxis.set_minor_locator(alldays)
weekFormatter = DateFormatter('%b %d, %Y')
ax.xaxis.set_major_formatter(weekFormatter)
ax.grid(True)
candlestick_ohlc(ax, list(zip(list(date2num(plotdat.index.tolist())), plotdat["Open"].tolist(), plotdat["High"].tolist(),
plotdat["Low"].tolist(), plotdat["Close"].tolist())),
colorup = "black", colordown = "red", width = stick * .4)
if otherseries != None:
if type(otherseries) != list:
otherseries = [otherseries]
dat.loc[:,otherseries].plot(ax = ax, lw = 1.3, grid = True)
ax.xaxis_date()
ax.autoscale_view()
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
plt.show()
pandas_candlestick_ohlc(apple)
在蜡烛图中，黑色蜡烛表示交易日当天收盘价高于开盘价（盈利），而红色蜡烛表示交易日当天开盘价高于收盘价（亏损）。烛芯表示最高价与最低价，蜡烛体则表示开盘价与收盘价（颜色用来区分哪一侧为开盘价，哪一侧为收盘价）。蜡烛图在金融领域很受欢迎，根据图表中蜡烛的形状、颜色以及位置，中的一些策略可以使用它来制定交易策略。但在这里我不会介绍有关这类策略的内容。
我们可能希望在同一张图表中绘制多个金融商品的数据；我们可能想要对比股票，将它们与市场进行比较，或者看看其他证券，比如。之后，我们可能还想看看如何根据一些指标，如移动均线，来绘制金融商品。对于这种情况，你最好使用折线图而不是蜡烛图。（如何将多个蜡烛图相互叠加在一起而不使图表混乱？）
在下面的代码中，我获取了一些其他科技公司的股票数据，并把它们的调整收盘价格绘制在了一起。
microsoft = web.DataReader("MSFT", "yahoo", start, end)
google = web.DataReader("GOOG", "yahoo", start, end)
stocks = pd.DataFrame({"AAPL": apple["Adj Close"],
"MSFT": microsoft["Adj Close"],
"GOOG": google["Adj Close"]})
stocks.head()
stocks.plot(grid = True)
这张图有什么问题？尽管绝对价格很重要（昂贵的股票很难购买，这不仅影响着这类股票的价格波动，也影响着你交易这类股票的能力），但是在交易过程中，相比绝对价格，我们更加关心资产的相对变化。谷歌的股票比苹果和微软的股票贵得多，这种差异使得苹果和微软股票的波动看起来比实际情况小得多。
一种解决方案是在绘制图表时使用两种不同的尺度；一种尺度用于苹果和微软的股票，另一种尺度用于谷歌股票。
stocks.plot(secondary_y = ["AAPL", "MSFT"], grid = True)
然而，一个"更好的"解决方案是，仅在图表中绘制我们真正想要的信息：股票的回报。这就需要我们根据需求将数据转换成更有用的形式。这里有几种我们可以应用的转换。
一种方式是考虑股票自利息周期开始以来的回报。换句话说，我们绘制：
正如我下面演示的这样，这意味着转换stocks对象中的数据。
stock_return = stocks.apply(lambda x: x / x[0])
stock_return.head()
stock_return.plot(grid = True).axhline(y = 1, color = "black", lw = 2)
这样的图表就更有用了。现在，我们可以看到每只股票在周期开始以来的盈利。而且，我们还能发现这些股票密切相关；它们通常朝同一个方向发展，在其他的图表中很难发现这样的事实。
除此之外，我们还可以绘制每只股票在每一个交易日的变化。比如，我们可以通过比较第t天与第t+1天的价格来绘制股票增长的百分比，公式如下：
但是这种变化也可以通过如下公式定义：
这些公式多少有些不同，可能会分析出不同的结论，但是还有另外一种对股票增长建模的方法：对数差值。
（这里的log为自然对数，我们的定义并不关心使用的是第t天与第t-1天的对数差值还是第t+1天与第t天的对数差值。）使用对数差值的好处在于，这种差值可以理解为股价的百分比变化，且不依赖于计算过程中分数的分母。
我们可以通过如下方式获取并绘制stocks对象中数据的对数差值：
import numpy as np
stock_change = stocks.apply(lambda x: np.log(x) - np.log(x.shift(1)))
stock_change.head()
stock_change.plot(grid = True).axhline(y = 0, color = "black", lw = 2)
你倾向于哪一种转换？关注股票以往的盈利情况会使得证券的整体趋势更加明显。但是，在对股票的行为模式建模时，更先进的方法实际考虑的是交易日间股价的变化。因此，我们不应该忽略这部分的信息。
图表是很非常有用的。实际上，一些交易员做出的策略几乎完全基于图表（他们属于"技术人员"，因为基于在图表中查找模式的交易策略是被称为技术分析的贸易规则的一部分）。现在，让我们考虑如何才能找到股票的趋势。
对于序列xt以及时刻t，q天均线表示过去q天股价的均值：也就是说，如果MAtq表示t时刻的q天均线，那么：
移动均线平滑了数据序列，并有助于识别股市的发展趋势。q值越大，移动均线就越难反映序列xt中的短期波动。这里的想法是，移动均线过程能够从"噪声"中识别股市的发展趋势。短期均线具有较小的q值，比较紧密地跟随股票的趋势发展，而长期均线的q值较大，进而使得均线对股票波动的响应较小，而且更加平稳。
pandas提供了轻松计算移动均线的功能。下面的代码展示了这部分功能，我首先为苹果股票创建了一条20天（1个月）均线，随后，将其与股票数据一同绘制在图表中。
apple["20d"] = np.round(apple["Close"].rolling(window = 20, center = False).mean(), 2)
pandas_candlestick_ohlc(apple.loc['':'',:], otherseries = "20d")
注意滚动均值是从什么时候开始的。只有在积累了20天的交易日数据之后，我们才能计算股票的20天均线。这个限制对于长期均线而言更加严重。如果我们想要计算股票的200天均线，我们需要多少苹果公司的股票数据才行？在这里，我们将主要关注2016年的股票走势。
start = datetime.datetime()
apple = web.DataReader("AAPL", "yahoo", start, end)
apple["20d"] = np.round(apple["Close"].rolling(window = 20, center = False).mean(), 2)
pandas_candlestick_ohlc(apple.loc['':'',:], otherseries = "20d")
你会注意到，移动均线要比实际的股票数据平滑得多。此外，这是一个难以处理的标志；股票需要在移动均线的上方或下方，以便改变股票走势的方向。因此，股票走势越过移动均线的情况表明了股票一种可能的走向，应该引起我们的注意。
交易员通常对多条移动均线感兴趣，比如20天均线、50天均线以及200天均线。同时检查多条移动均线也很容易。
apple["50d"] = np.round(apple["Close"].rolling(window = 50, center = False).mean(), 2)
apple["200d"] = np.round(apple["Close"].rolling(window = 200, center = False).mean(), 2)
pandas_candlestick_ohlc(apple.loc['':'',:], otherseries = ["20d", "50d", "200d"])
其中，20天均线对局部变化最为敏感，而200天均线对局部变化最不敏感。在这里，200天均线表明股票整体呈熊市行情：股票随着时间的推移趋势向下。20天均线有时呈熊市行情，而在其他时候呈牛市行情，预期股票会出现积极的波动。你还可以看到，移动均线的交叉表示着股票趋势的变化。我们将这些交叉看作交易信号或指示器，表示金融证券正在改变趋势，我们可能从中获取利润。
下周我将发布第二部分的文章，介绍如何基于移动均线设计并测试一个交易策略。
更正：本篇文章的早期版本提到过算法交易是高频交易的同义词。正如评论所指出的，实际情况并不是这样；算法也能用于处理非高频率的交易。尽管高频交易在算法交易中占很大比例，但二者并不相等。
文章原标题《An Introduction to Stock Market Data Analysis with Python (Part 1)》，作者：Curtis Miller，译者：
文章为简译，更为详细的内容，请查看
版权声明：本文内容由互联网用户自发贡献，本社区不拥有所有权，也不承担相关法律责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件至： 进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容。
用云栖社区APP，舒服~
【云栖快讯】红轴机械键盘、无线鼠标等753个大奖，先到先得，云栖社区首届博主招募大赛9月21日-11月20日限时开启，为你再添一个高端技术交流场所&&
一般程序员能想到的，专业做交易系统的公司的程序员早就实现好了。这些类似选股、买卖点提示等功能，几乎所有交易客户端都提供了。只需要我们用起来、用好即可。不需要我们花时间精力去做些重复劳动。专业做交易的，并非缺乏这些技术性的工具。......
您好，请问运行第一段下载数据的代码后提醒如下：
OSError: after 3 tries, Yahoo! did not return a 200 for url 'http://ichart./table.csv?s=AAPL&a=0&b=1&c=2016&d=5&e=6&f=2017&g=d&ignore=.csv' 应该如何解决呢？
为企业和开发者提供稳定、安全、智能的把网站域名或应用资源转换为计算机用于互连的数字 IP地址，从而将最终用户的访...
是一款简单高效的电子邮件发送服务，它构建在可靠稳定的阿里云基础之上，帮助您快速、精准地实现事务邮件、通知邮件和批...
一个稳定可靠的集中式访问控制服务。您可以通过访问控制将阿里云资源的访问及管理权限分配给您的企业成员或合作伙伴。
为您提供简单高效、处理能力可弹性伸缩的计算服务，帮助您快速构建更稳定、安全的应用，提升运维效率，降低 IT 成本...
MaxCompute75折抢购
Loading...python使用用Wind接口获取全部A股历史交易数据
大奖章|量化投资|量化交易平台|交易接口|金融数据
python使用用Wind接口获取全部A股历史交易数据
14人已关注
果然是中文编码的问题。搞定了，新鲜出炉一个小脚本。谢谢各位大神的解答。
@Author: wenrongli
@Version: V1.0
#!/user/python
# -*- coding: gb2312 -*-
import sys
import getopt
from WindPy import *
from datetime import *
class LoadHisInfo:
def __init__(self):
self.OutputDir=r'E:'
self.StockCodeList=[]
def StartWind(self):
def LoadStockList(self):
res=w.wset(&SectorConstituent&,&date=;sector=全部A股&)
if res.ErrorCode != 0:
print('Error['+str(res.ErrorCode)+'][load stockcode list fail]\n')
sys.exit()
for i in range(0,len(res.Data[0])):
for k in range(0, len(res.Fields)):
if (res.Fields[k]=='date'):
date=res.Data[k ][i]
if(res.Fields[k] == &wind_code&):
code=res.Data[k][i]
if(res.Fields[k] == &sec_name&):
name=res.Data[k][i]
self.StockCodeList.append(code)
def LoadHisInfo(self):
for code in self.StockCodeList:
outputPath=self.OutputDir+code+r'.txt'
data=w.wsd(code, &open,high,low,close&, &&, &&,showblank=0)
if data.ErrorCode != 0:
print('Error['+str(data.ErrorCode)+'][load history info fail]\n')
sys.exit()
fOutputObj=open(outputPath.encode('gbk'),'a')
for i in range(0,len(data.Data[0])):
date=str(data.Times[i])
for k in range(0, len(data.Fields)):
if (data.Fields[k]==&OPEN&):
openPrice=data.Data[k ][i]
if(data.Fields[k] == &LOW&):
lowPrice=data.Data[k][i]
if(data.Fields[k] == &HIGH&):
highPrice=data.Data[k][i]
if(data.Fields[k] == &CLOSE&):
closePrice=data.Data[k][i]
if (openPrice==0)or (lowPrice==0)or(highPrice==0)or(closePrice==0):
result=date[0:10]+&,&+str(openPrice)+&,&+str(highPrice)+&,& +str(lowPrice)+&,&+str(closePrice)+&\n&
fOutputObj.write(result)
fOutputObj.close()
def Run(self):
self.StartWind()
self.LoadStockList()
self.LoadHisInfo()
if __name__=='__main__':
loadInfoObj=LoadHisInfo()
if len(sys.argv) & 3 :
print(&python LoadWindInfo.py -o outPutDir&)
sys.exit()
opts, args = getopt.getopt(sys.argv[1:], &o:&)
for op, value in opts:
if op == &-o&:
loadInfoObj.OutputDir = value
print(&python LoadWindInfo.py -o outPutDir&)
sys.exit()
loadInfoObj.Run()
---------------------------------------------------------------------------------------------------------------------
本来想获取A股股票代码列表，通过文档例子，返回了错误码-103，没找到这个错误码的说明，w.wset(&SectorConstituent&,u&date=;sector=全部 A 股&)，现在只能通过同花顺导出股票代码列表，然后通过配置文件的形式来拉数据，哪位大神知道怎么使用这个接口的还请赐教，不胜感激~~
这里分享一个python获取A股历史交易数据的例子。
#!/user/python
# -*- coding: utf-8 -*-
import math
import sys
import getopt
from WindPy import *
from decimal import *
from datetime import *
WorkSpace='E:\\WorkSpace'
dataFilesDir=WorkSpace+'\\data'
configFilePath=WorkSpace+'\\config\\StockConfig.txt'
url=''
fConfigObj=open(configFilePath, &r&)
for line in fConfigObj.readlines():
if len(line) &8:
code=line[2:8]
codeName=line[2:8]+&.&+line[0:2]
outputPath=r'E:/WorkSpace/data/'+code+r'.txt'
data=w.wsd(codeName, &open,high,low,close&, &&, &&,showblank=0)
if data.ErrorCode != 0:
print('error code:'+str(data.ErrorCode)+'\n')
sys.exit()
fOutputObj=open(outputPath.encode('gbk'),'a')
for i in range(0,len(data.Data[0])):
date=str(data.Times[i])
for k in range(0, len(data.Fields)):
if (data.Fields[k]==&OPEN&):
openPrice=data.Data[k ][i]
if(data.Fields[k] == &LOW&):
lowPrice=data.Data[k][i]
if(data.Fields[k] == &HIGH&):
highPrice=data.Data[k][i]
if(data.Fields[k] == &CLOSE&):
closePrice=data.Data[k][i]
if (openPrice==0)or (lowPrice==0)or(highPrice==0)or(closePrice==0):
result=date[0:10]+&,&+str(openPrice)+&,&+str(highPrice)+&,& +str(lowPrice)+&,&+str(closePrice)+&\n&
fOutputObj.write(result)
fOutputObj.close()
fConfigObj.close()
浏览数(7365)
完全没有缩进，第二是代码的质量不高。。tushare开源股票交易接口基于python实现技术
怎样在tushare中完成股票实盘交易 &
其实，如何使用实盘交易功能接口，与通过tushare获取数据一样简单，先看一下几个关键接口的使用方法：
1.与取数据一样，先导入tushare包
2.设置券商和账户信息。目前，只支持中信建投，即将陆续支持其他券商。
3.查看已经设置好的券商和账号信息
对于账户的安全性大家可以完全放心，因为tushare是纯开源项目，程序运行在本地。
4.初始化交易接口及登录
在初始化交易接口TradeAPI对象时，需要设置券商代号，比如“zxjt”代表“中信建投”，"htzq"代表“华泰证券”，用于确定使用哪个券商通道。
5.获取账户基础数据
（因为用了实盘账户，所以数据做了处理。）
这里返回的数据是Series对象，单一数据的获取采用类似json的方法，比如要获取账户可用余额，可使用
baseinfo['fundavl'] ，证券总市值可用 baseinfo['marketvalue']。
6.获取持仓列表
7.买卖股票
可以从金额两位维度或股份来操作股票(证券)买卖，具体请参考以上代码注释部分。
8.获取委托单列表
撤单操作必须通过获取委托单列表的数据，部分数据会作为参数传递给撤单函数。
ordersno和orderdate在多个证券撤单时，都是以逗号分隔，这两个参数的数据来自委托单接口。
10.查看成交列表
11.实时行情监控
千万别忘了tushare的实时数据接口，因为只有监控股票实时的量价变动情况，才可能触发下单操作。
ts.get_realtime_quotes('000581')
多个股票请用数组或者pandas的数据结构：
ts.get_realtime_quotes(['600848','000980','000981'])
ts.get_realtime_quotes(df['code'].tail(10))
还有指数的实时数据：
ts.get_realtime_quotes('sh')
#上证指数 深圳成指 沪深300指数 上证50 中小板 创业板
ts.get_realtime_quotes(['sh','sz','hs300','sz50','zxb','cyb'])
ts.get_realtime_quotes(['sh','600848'])
实时数据的内容为Level1行情：
0：name，股票名称
1：open，今日开盘价
2：pre_close，昨日收盘价
3：price，当前价格
4：high，今日最高价
5：low，今日最低价
6：bid，竞买价，即“买一”报价
7：ask，竞卖价，即“卖一”报价
8：volume，成交量&
9：amount，成交金额（元 CNY）
10：b1_v，委买一（笔数 ）
11：b1_p，委买一（价格 ）
12：b2_v，“买二”
13：b2_p，“买二”
14：b3_v，“买三”
15：b3_p，“买三”
16：b4_v，“买四”
17：b4_p，“买四”
18：b5_v，“买五”
19：b5_p，“买五”
20：a1_v，委卖一（笔数）
21：a1_p，委卖一（价格）
30：date，日期；
31：time，时间；
需在函数后面加问号查看关于实盘交易各类接口的输入输出参数详细注释，例如：查看持仓列表的返回值含义注释，可使用
csc.position? ，效果如下：
接下来，在看完了实盘接口的使用过程后，在看看如何实现这些接口。
交易系统登录
中信建投的交易通道，还提供网页版交易系统。先看看登录界面：
通过网页分析，在输入用户和密码点登录以后，出现了表单参数和登录URL
这样就可以通过Python实现模拟网页登录，这里截取部分代码：
&获取账户数据和持仓
我们在登录成功后，会先想到如何获取这个账户的基本信息呢？包括一些最常见的基础数据，如：证券ID，账户余额，股票市值等。在一行行蹦来蹦去的URL中拨丝抽茧，在发现了账户数据接口后又揪出了持仓列表数据：
&实现证券买卖
有了账户数据后，就需要买卖股票，点击股票交易的界面，如下图：
我们在输入了证券代码和买入价格及买入数量之后，点击“下单”提交给系统，会从网络监控里发现了如下参数信息：
根据参数名称，通过代码实现股票买入操作：
在执行股票卖出时，同样方法也能跟踪到卖出操作时显示的参数，根据卖出参数完成代码编写，就不一一展示了。
&实现证券撤单
要实现撤单，我们首先要提取委托单列表，在网页版的交易系统里，打开撤单界面，可以看到我们刚刚进行的股票买卖的委托单列表：
点击“撤单”操作，在网络监控里，我们很容易就发现了撤单的整个过程：
实际上，代码的实现很简单。
感兴趣的朋友可以看一下
在推荐一个
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。