筹码面主张跟着大金主的动向,搭上主力顺风车。
股票价格在於市场买卖行为,
筹码面分析大户的每个动向,
他们拥有雄厚的资金、影响股价的能力,
跟着他们的脚步走,比较不会出错,对投资也较有利。From 什麽是筹码面?
我们今天要用到的资料有三个,分别是
融资融券可以理解为和券商(大盘)借钱买/卖股票,更详细介绍点我
三大法人即为台股的三种大盘:外资、投信、自营商
而外资是其中最大的
根据FinMind的资料,你抓下来的个股融资融劵表大概会长这样子
看的出来和昨天的技术面资料差不多,唯一值得注意的是注记(Note)
我们需要把它改成0/1格式,好符合之後的模型需求
df.loc[:, "Note"] = df.loc[:, "Note"].replace(" ", 0).replace("X ", 1)
接下来是筹码分析的主力,三大法人
这部分资料比较麻烦,抓下来会长这样
我们会希望资料是Stock_id, Date, ....N种特徵... 的形式
所以会需要把它做些转换
result_df = df.pivot(index=["date", "stock_id"], columns="name", values=["buy", "sell"]).stack(0).unstack()
既然都转换了就顺便把栏位名称一起改了
result_df.columns = result_df.columns.to_flat_index().map(lambda x: "_".join(x))
很乾净的资料,把不用的栏位砍掉即可
result_df = df.drop(
columns=[
"stock_name",
"InternationalCode",
"note",
"RecentlyDeclareDate",
"ForeignInvestmentUpperLimitRatio",
"ChineseInvestmentUpperLimitRatio",
]
)
把["date", "stock_id"]当成索引後合并
A = TSMPS_df.set_index(["date", "stock_id"])
B = TSIBS_df.set_index(["date", "stock_id"])
C = TSS_df.set_index(["date", "stock_id"])
BI_df = pd.concat([A, B, C], axis=1).reset_index()
此时检查一下Null发现有200笔左右资料不见了
查了一下应该是节日,由於没几笔直接补0就好了
BI_df = BI_df.fillna(0)
照例检查下相关系数,所幸看起来挺不错的
今天我有记得开权限了
明天开始处理基本面,照这资料恶心程度应该会拆成两篇
听说放镇楼图Code会打比较顺,
From 百鬼あやめ
崩溃的起因 - 开发时期,我在网页内放置了一段 CSS Animation的动画,这个功能在电脑上执...
test 这是H4标题 ...
考量到要建立各种 class 所以统一建立一个 class 给所有人继承 可以直接跳过,但注意之後有...
建立中介层 我们在这里透过session取得了User的资料, 但是在这之前, 针对需要登入才能使用...
我很重视客户的意见与收货速度。 当时我是网路拍卖的创办人,与客户约定好了要五天内到货。为了达成目标,...