這是本人一直比較好奇的問題，網上沒搜到，最近在看python數據分析，正好自己動手做一下試試。作者對於python是零基礎，需要從頭學起。
在寫本文時，作者也沒有完成這個小分析目標，邊學邊做吧。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
Python基礎：
中國大學Mooc，南京大學，張莉老師 －《用Python玩轉數據》
了解基本的語法和常用函數就行了，其他的用的時候再搜。
財經數據源：
TuShare － http://tushare.org/index.html
免費，開源Python財經數據接口包。
GitHub: https://github.com/waditu/tushare
基本的資料目前就看了這些，其他的都是網上即時搜的，以前的沒保存，接下來會慢慢加。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
既然是新股發行后破板的表現，要設一個時間段，否則沒意義，所以先以半年為時間段，統計破板后的數據，時間太久了也沒用，次新股一年為限，但我們可以以一個月為限，本別分析，破板買入，30個交易日內每天的盈利概率。
要做的事情可以分為以下幾步：
1. 獲取近半年來的新股數據
2. 拿到每支股票上市后的數據
3. 篩選出破板后三十天的數據，並匯總
4. 計算整體上每天盈利的概率
－－－－－
第一步：如何獲取近半年的新股數據。
TuShare新股數據接口：
輸入參數：retry_count, pause
返回數據較多，是Pandas DataFrame格式的數據，下面折疊的部分是測試輸出結果，其中很多對於現在要做的沒有用，需要篩選一下。
關心的返回值：code - 股票代碼，name - 股票名稱， issue_date - 上市日期
import tushare as ts ts.new_stocks()
Last login: Fri Oct 28 23:50:59 on ttys001 localhost:~ shengtianhe$ python Python 3.5.2 |Anaconda 4.2.0 (x86_64)| (default, Jul 2 2016, 17:52:12) [GCC 4.2.1 Compatible Apple LLVM 4.2 (clang-425.0.28)] on darwin Type "help", "copyright", "credits" or "license" for more information. >>> import tushare as ts >>> ts.new_stocks() [Getting data:]######## code name ipo_date issue_date amount markets price pe \ 0 603319 湘油泵 2016-11-21 NaN 2023.0 723.0 10.46 22.98 1 603323 吳江銀行 2016-11-16 NaN 11150.0 3345.0 6.83 12.62 2 601229 上海銀行 2016-11-02 NaN 60045.0 18000.0 17.77 8.26 3 603977 國泰集團 2016-11-01 NaN 5528.0 2028.0 0.00 0.00 4 603556 海興電力 2016-10-31 NaN 9334.0 3734.0 23.63 21.32 5 603060 國檢集團 2016-10-28 NaN 5500.0 2200.0 10.04 22.97 6 002819 東方中科 2016-10-28 NaN 2834.0 1124.0 4.96 22.95 7 603203 快克股份 2016-10-27 NaN 2300.0 2070.0 16.50 21.04 8 300558 貝達葯業 2016-10-27 NaN 4100.0 3690.0 17.57 22.99 9 300556 絲路視覺 2016-10-26 NaN 2780.0 2502.0 5.54 22.99 10 002818 富森美 2016-10-25 NaN 4400.0 3960.0 23.49 22.99 11 601882 海天精工 2016-10-25 NaN 5220.0 4698.0 1.50 22.98 12 300557 理工光科 2016-10-21 NaN 1400.0 1400.0 13.91 22.99 13 300560 中富通 2016-10-20 NaN 1753.0 1753.0 10.26 22.99 14 603716 塞力斯 2016-10-19 2016-10-31 1274.0 1274.0 26.91 22.98 15 300559 佳發安泰 2016-10-19 NaN 1800.0 1800.0 17.56 22.99 16 603888 新華網 2016-10-18 2016-10-28 5190.0 4672.0 27.69 22.99 17 603258 電魂網絡 2016-10-17 2016-10-26 6000.0 5400.0 15.62 18.16 18 600926 杭州銀行 2016-10-14 2016-10-27 26175.0 23558.0 14.39 10.23 19 002817 黃山膠囊 2016-10-13 2016-10-25 2167.0 1950.0 13.88 22.98 20 603667 五洲新春 2016-10-12 2016-10-25 5060.0 4554.0 8.80 22.96 21 002816 和科達 2016-10-12 2016-10-25 2500.0 2250.0 8.29 22.98 22 603859 能科股份 2016-10-11 2016-10-21 2839.0 2555.0 7.54 22.97 23 300552 萬集科技 2016-10-11 2016-10-21 2670.0 2403.0 12.25 20.91 24 300553 集智股份 2016-10-10 2016-10-21 1200.0 1200.0 14.08 22.99 25 300550 和仁科技 2016-09-30 2016-10-18 2000.0 2000.0 12.53 22.99 26 300555 路通視信 2016-09-29 2016-10-18 2000.0 2000.0 15.40 22.99 27 603160 匯頂科技 2016-09-28 2016-10-17 4500.0 4050.0 19.42 22.99 28 300551 古鰲科技 2016-09-28 2016-10-18 1836.0 1836.0 12.48 22.88 29 603816 顧家家居 2016-09-27 2016-10-14 8250.0 7425.0 24.66 22.99 .. ... ... ... ... ... ... ... ... 270 002755 東方新星 2015-05-06 2015-05-15 2534.0 2281.0 7.49 20.49 271 603718 海利生物 2015-05-06 2015-05-15 7000.0 6300.0 6.81 21.28 272 603227 雪峰科技 2015-05-06 2015-05-15 8235.0 7412.0 4.98 22.95 273 300451 創業軟件 2015-05-05 2015-05-14 1700.0 1530.0 14.02 22.98 274 002756 永興特鋼 2015-05-05 2015-05-15 5000.0 4500.0 21.74 17.97 275 603355 萊克電氣 2015-05-05 2015-05-13 4100.0 3690.0 19.08 22.99 276 300460 惠倫晶體 2015-05-05 2015-05-15 4208.0 3787.0 6.43 22.96 277 300457 贏合科技 2015-05-05 2015-05-14 1950.0 1755.0 12.41 20.34 278 300452 山河葯輔 2015-05-05 2015-05-15 1160.0 1044.0 14.96 22.99 279 300414 中光防雷 2015-05-05 2015-05-13 2107.0 1896.0 14.74 13.24 280 300452 山河葯輔 2015-05-05 2015-05-15 1160.0 1044.0 14.96 22.99 281 300414 中光防雷 2015-05-05 2015-05-13 2107.0 1896.0 14.74 13.24 282 300442 普麗盛 2015-04-16 2015-04-24 2500.0 2250.0 19.17 22.55 283 300434 金石東方 2015-04-16 2015-04-24 1700.0 1530.0 10.57 22.98 284 300438 鵬輝能源 2015-04-16 2015-04-24 2100.0 1890.0 14.87 22.99 285 002751 易尚展示 2015-04-16 2015-04-24 1756.0 1580.0 10.48 22.98 286 300404 博濟醫葯 2015-04-16 2015-04-24 1667.0 1500.0 12.87 22.98 287 300446 樂凱新材 2015-04-15 2015-04-23 1540.0 1386.0 8.85 7.11 288 300444 雙傑電氣 2015-04-15 2015-04-23 3449.0 3104.0 12.13 22.89 289 603021 山東華鵬 2015-04-15 2015-04-23 2640.0 2376.0 8.73 22.97 290 300441 鮑斯股份 2015-04-15 2015-04-23 2112.0 1901.0 9.81 22.81 291 603315 福鞍股份 2015-04-15 2015-04-24 2500.0 2250.0 10.77 22.91 292 600959 江蘇有線 2015-04-15 2015-04-28 59700.0 53730.0 5.47 22.98 293 300448 浩雲科技 2015-04-15 2015-04-24 2000.0 1800.0 15.79 22.88 294 300440 運達科技 2015-04-15 2015-04-23 2800.0 2520.0 21.70 22.97 295 300437 清水源 2015-04-15 2015-04-23 1670.0 1503.0 10.53 19.30 296 603567 珍寶島 2015-04-14 2015-04-24 6458.0 5812.0 23.60 22.91 297 603025 大豪科技 2015-04-14 2015-04-22 5100.0 4590.0 11.17 22.98 298 300436 廣生堂 2015-04-14 2015-04-22 1750.0 1260.0 21.47 18.67 299 002752 NaN NaN NaN NaN NaN NaN NaN limit funds ballot 0 0.70 2.116 0.00 1 3.30 7.615 0.00 2 18.00 106.700 0.00 3 0.00 3.566 0.00 4 3.70 22.065 0.00 5 2.20 5.522 0.00 6 1.10 1.406 0.00 7 0.90 3.795 0.03 8 1.20 7.204 0.04 9 1.10 1.540 0.03 10 1.30 10.336 0.04 11 1.50 4.305 0.05 12 1.40 1.947 0.01 13 1.75 1.799 0.02 14 1.20 3.428 0.02 15 1.80 3.161 0.02 16 2.00 14.372 0.04 17 2.40 9.372 0.05 18 7.80 37.666 0.13 19 0.85 3.008 0.02 20 2.00 4.453 0.04 21 1.00 2.072 0.03 22 1.10 2.141 0.03 23 1.05 3.271 0.03 24 1.20 1.690 0.01 25 2.00 2.506 0.02 26 2.00 3.080 0.02 27 1.30 8.739 0.05 28 1.80 2.291 0.02 29 2.40 20.345 0.06 .. ... ... ... 270 1.00 1.898 0.32 271 2.80 4.774 0.31 272 3.20 3.875 0.30 273 0.65 2.384 0.20 274 2.00 10.872 0.48 275 1.20 7.823 0.40 276 1.55 2.706 0.34 277 0.75 2.421 0.33 278 0.45 1.736 0.30 279 0.80 3.106 0.30 280 0.45 1.736 0.30 281 0.80 3.106 0.30 282 1.00 4.212 0.62 283 0.65 1.475 0.44 284 0.80 2.782 0.45 285 0.65 1.550 0.34 286 0.65 1.884 0.30 287 0.60 1.115 0.46 288 1.30 3.698 0.77 289 1.00 1.934 0.47 290 0.80 1.732 0.68 291 1.00 2.399 0.47 292 17.70 31.220 1.24 293 0.80 2.841 0.46 294 1.10 5.578 0.61 295 0.60 1.523 0.50 296 1.80 14.275 0.83 297 1.50 5.183 0.62 298 0.70 2.588 0.30 299 NaN NaN NaN [300 rows x 11 columns]
篩選規則：
issue_date 在半年之內。
Pandas API：
http://pandas.pydata.org/pandas-docs/stable/api.html
其中pandas.DataFrame.Sort可以帶參數過濾DataFrame：
http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.sort.html
但覺得這樣還得進一步過濾，搜了一下，發現可以直接操作。
import tushare as ts df=ts.new_stocks() df=df[df['issue_date']>'2016-06-01']
這樣我們就直接取到了所有六月一日后上市的新股數據：
>>> import tushare as ts >>> df=ts.new_stocks() [Getting data:]########>>> df=df[df['issue_date']>'2016-06-01'] >>> df code name ipo_date issue_date amount markets price pe \ 14 603716 塞力斯 2016-10-19 2016-10-31 1274.0 1274.0 26.91 22.98 16 603888 新華網 2016-10-18 2016-10-28 5190.0 4672.0 27.69 22.99 17 603258 電魂網絡 2016-10-17 2016-10-26 6000.0 5400.0 15.62 18.16 18 600926 杭州銀行 2016-10-14 2016-10-27 26175.0 23558.0 14.39 10.23 19 002817 黃山膠囊 2016-10-13 2016-10-25 2167.0 1950.0 13.88 22.98 20 603667 五洲新春 2016-10-12 2016-10-25 5060.0 4554.0 8.80 22.96 21 002816 和科達 2016-10-12 2016-10-25 2500.0 2250.0 8.29 22.98 22 603859 能科股份 2016-10-11 2016-10-21 2839.0 2555.0 7.54 22.97 23 300552 萬集科技 2016-10-11 2016-10-21 2670.0 2403.0 12.25 20.91 24 300553 集智股份 2016-10-10 2016-10-21 1200.0 1200.0 14.08 22.99 25 300550 和仁科技 2016-09-30 2016-10-18 2000.0 2000.0 12.53 22.99 26 300555 路通視信 2016-09-29 2016-10-18 2000.0 2000.0 15.40 22.99 27 603160 匯頂科技 2016-09-28 2016-10-17 4500.0 4050.0 19.42 22.99 28 300551 古鰲科技 2016-09-28 2016-10-18 1836.0 1836.0 12.48 22.88 29 603816 顧家家居 2016-09-27 2016-10-14 8250.0 7425.0 24.66 22.99 30 300548 博創科技 2016-09-26 2016-10-12 2067.0 1860.0 11.75 22.97 31 603313 恆康家居 2016-09-26 2016-10-13 6000.0 5400.0 15.41 22.66 32 002813 路暢科技 2016-09-23 2016-10-12 3000.0 2700.0 6.89 22.97 33 603777 來伊份 2016-09-23 2016-10-12 6000.0 5400.0 11.67 22.98 34 603421 鼎信通訊 2016-09-22 2016-10-11 4340.0 3906.0 14.02 22.99 35 002815 崇達技術 2016-09-22 2016-10-12 5000.0 4500.0 16.31 22.98 36 603887 城地股份 2016-09-21 2016-10-10 2460.0 2214.0 12.13 22.97 37 300547 川環科技 2016-09-21 2016-09-30 1495.0 1495.0 22.07 22.99 38 300549 優德精密 2016-09-20 2016-09-30 1667.0 1667.0 15.03 22.99 39 601128 常熟銀行 2016-09-20 2016-09-30 22227.0 20005.0 4.28 9.89 40 300546 雄帝科技 2016-09-19 2016-09-28 1334.0 1334.0 20.43 22.99 41 603738 泰晶科技 2016-09-14 2016-09-28 1668.0 1668.0 16.14 22.99 42 300545 聯得裝備 2016-09-14 2016-09-28 1783.0 1783.0 13.50 22.98 43 600908 無錫銀行 2016-09-08 2016-09-23 18481.0 16633.0 4.47 9.91 44 300536 農尚環境 2016-09-06 2016-09-20 2328.0 2095.0 9.06 18.12 .. ... ... ... ... ... ... ... ... 85 300529 健帆生物 2016-07-22 2016-08-02 4200.0 3780.0 10.80 22.98 86 300526 中潛股份 2016-07-21 2016-08-02 2125.0 1913.0 10.50 22.99 87 600919 江蘇銀行 2016-07-20 2016-08-02 115445.0 103900.0 6.27 7.64 88 603663 三祥新材 2016-07-19 2016-08-01 3355.0 3020.0 5.28 22.98 89 603322 超訊通信 2016-07-18 2016-07-28 2000.0 2000.0 11.99 22.98 90 300525 博思軟件 2016-07-15 2016-07-26 1710.0 1710.0 11.68 22.99 91 002806 華鋒股份 2016-07-14 2016-07-26 2000.0 2000.0 6.20 22.96 92 300523 辰安科技 2016-07-13 2016-07-26 2000.0 2000.0 21.92 22.99 93 300517 海波重科 2016-07-07 2016-07-19 2560.0 2304.0 10.04 22.97 94 002803 吉宏股份 2016-06-30 2016-07-12 2900.0 2610.0 6.37 22.84 95 603069 海汽集團 2016-06-29 2016-07-12 7900.0 7110.0 3.82 18.20 96 300520 科大國創 2016-06-28 2016-07-08 2300.0 2070.0 10.05 22.84 97 002805 豐元股份 2016-06-27 2016-07-07 2423.0 2181.0 5.80 22.97 98 300521 愛司凱 2016-06-24 2016-07-05 2000.0 2000.0 11.26 22.98 99 300522 世名科技 2016-06-23 2016-07-05 1667.0 1667.0 18.55 22.98 100 601966 玲瓏輪胎 2016-06-22 2016-07-06 20000.0 18000.0 12.98 22.97 101 603016 新宏泰 2016-06-21 2016-07-01 3705.0 3335.0 8.49 19.30 102 002802 洪匯新材 2016-06-20 2016-06-29 2700.0 2430.0 9.52 22.98 103 603958 哈森股份 2016-06-17 2016-06-29 5436.0 4892.0 9.15 22.98 104 603909 合誠股份 2016-06-16 2016-06-28 2500.0 2250.0 10.55 21.00 105 300518 盛訊達 2016-06-15 2016-06-24 2334.0 2101.0 22.22 22.68 106 002801 微光股份 2016-06-13 2016-06-22 1472.0 1472.0 19.51 15.24 107 300519 新光葯業 2016-06-08 2016-06-24 2000.0 2000.0 12.20 8.26 108 601127 小康股份 2016-05-31 2016-06-15 14250.0 12825.0 5.81 18.19 109 300515 三德科技 2016-05-30 2016-06-08 2500.0 2250.0 8.57 22.98 110 002799 環球印務 2016-05-27 2016-06-08 2500.0 2250.0 7.98 22.99 111 603131 上海滬工 2016-05-26 2016-06-07 2500.0 2250.0 10.09 22.98 112 601611 中國核建 2016-05-25 2016-06-06 52500.0 47250.0 3.47 15.60 113 300516 久之洋 2016-05-24 2016-06-02 3000.0 2700.0 22.50 22.98 114 603737 三棵樹 2016-05-23 2016-06-03 2500.0 2250.0 15.94 18.09 limit funds ballot 14 1.20 3.428 0.02 16 2.00 14.372 0.04 17 2.40 9.372 0.05 18 7.80 37.666 0.13 19 0.85 3.008 0.02 20 2.00 4.453 0.04 21 1.00 2.072 0.03 22 1.10 2.141 0.03 23 1.05 3.271 0.03 24 1.20 1.690 0.01 25 2.00 2.506 0.02 26 2.00 3.080 0.02 27 1.30 8.739 0.05 28 1.80 2.291 0.02 29 2.40 20.345 0.06 30 0.80 2.429 0.03 31 2.40 9.246 0.05 32 1.20 2.067 0.03 33 2.40 7.002 0.05 34 1.30 6.085 0.05 35 1.50 8.155 0.04 36 0.90 3.647 0.03 37 1.45 3.299 0.02 38 1.65 2.506 0.02 39 6.60 9.513 0.12 40 1.30 2.725 0.01 41 1.60 2.692 0.02 42 1.75 2.407 0.02 43 5.50 8.261 0.10 44 0.90 2.110 0.03 .. ... ... ... 85 1.20 4.536 0.05 86 0.70 2.231 0.04 87 34.60 72.384 0.47 88 1.30 1.771 0.04 89 2.00 2.398 0.02 90 1.70 1.997 0.02 91 2.00 1.240 0.02 92 2.00 4.384 0.02 93 1.00 2.570 0.04 94 1.15 3.004 0.03 95 2.30 3.018 0.08 96 0.90 2.312 0.04 97 0.95 1.405 0.03 98 2.00 2.252 0.02 99 1.65 3.092 0.02 100 6.00 25.960 0.14 101 1.40 3.148 0.05 102 1.05 2.570 0.03 103 2.10 4.974 0.06 104 1.00 2.638 0.04 105 0.90 5.188 0.04 106 1.45 2.872 0.02 107 2.00 2.440 0.02 108 4.20 8.550 0.11 109 1.00 2.143 0.04 110 1.00 1.995 0.03 111 1.00 2.522 0.04 112 15.70 20.212 0.28 113 1.20 6.750 0.04 114 1.00 3.987 0.04 [100 rows x 11 columns]
但我們只需要code, name 和 issue_date的信息，所以再加一行：
import tushare as ts df=ts.new_stocks() df=df[df['issue_date']>'2016-06-01'] df=df[['code','name','issue_date']]
這是運行結果：
>>> df=df[['code','name','issue_date']] >>> df code name issue_date 14 603716 塞力斯 2016-10-31 16 603888 新華網 2016-10-28 17 603258 電魂網絡 2016-10-26 18 600926 杭州銀行 2016-10-27 19 002817 黃山膠囊 2016-10-25 20 603667 五洲新春 2016-10-25 21 002816 和科達 2016-10-25 22 603859 能科股份 2016-10-21 23 300552 萬集科技 2016-10-21 24 300553 集智股份 2016-10-21 25 300550 和仁科技 2016-10-18 26 300555 路通視信 2016-10-18 27 603160 匯頂科技 2016-10-17 28 300551 古鰲科技 2016-10-18 29 603816 顧家家居 2016-10-14 30 300548 博創科技 2016-10-12 31 603313 恆康家居 2016-10-13 32 002813 路暢科技 2016-10-12 33 603777 來伊份 2016-10-12 34 603421 鼎信通訊 2016-10-11 35 002815 崇達技術 2016-10-12 36 603887 城地股份 2016-10-10 37 300547 川環科技 2016-09-30 38 300549 優德精密 2016-09-30 39 601128 常熟銀行 2016-09-30 40 300546 雄帝科技 2016-09-28 41 603738 泰晶科技 2016-09-28 42 300545 聯得裝備 2016-09-28 43 600908 無錫銀行 2016-09-23 44 300536 農尚環境 2016-09-20 .. ... ... ... 85 300529 健帆生物 2016-08-02 86 300526 中潛股份 2016-08-02 87 600919 江蘇銀行 2016-08-02 88 603663 三祥新材 2016-08-01 89 603322 超訊通信 2016-07-28 90 300525 博思軟件 2016-07-26 91 002806 華鋒股份 2016-07-26 92 300523 辰安科技 2016-07-26 93 300517 海波重科 2016-07-19 94 002803 吉宏股份 2016-07-12 95 603069 海汽集團 2016-07-12 96 300520 科大國創 2016-07-08 97 002805 豐元股份 2016-07-07 98 300521 愛司凱 2016-07-05 99 300522 世名科技 2016-07-05 100 601966 玲瓏輪胎 2016-07-06 101 603016 新宏泰 2016-07-01 102 002802 洪匯新材 2016-06-29 103 603958 哈森股份 2016-06-29 104 603909 合誠股份 2016-06-28 105 300518 盛訊達 2016-06-24 106 002801 微光股份 2016-06-22 107 300519 新光葯業 2016-06-24 108 601127 小康股份 2016-06-15 109 300515 三德科技 2016-06-08 110 002799 環球印務 2016-06-08 111 603131 上海滬工 2016-06-07 112 601611 中國核建 2016-06-06 113 300516 久之洋 2016-06-02 114 603737 三棵樹 2016-06-03 [100 rows x 3 columns]
現在我們已經取到過去半年上市的新股的數據，包括股票代碼，名稱和上市日期。
－－－－－
第二步：如何拿到每支股票上市后的數據。
TuShare歷史交易數據接口：
輸入參數：code, start, end, ktype(數據類型，默認是日K線), retry_count, pause
返回數據較多，同樣也是Pandas DataFrame格式的數據，下面折疊的部分是測試輸出結果，其中很多對於現在要做的沒有用，需要篩選一下。
關心的返回值：date - 日期，open - 開盤價， close - 收盤價， p_change - 漲跌幅
我們以六月三日上市的新股三棵樹(603737)為例：
import tushare as ts df=ts.get_hist_data('603737')
測試運行如下：
>>> df=ts.get_hist_data('603737') >>> df open high close low volume price_change p_change \ date 2016-10-28 82.50 82.70 81.53 81.10 8990.79 -0.57 -0.69 2016-10-27 82.30 82.35 82.19 81.34 6959.08 0.24 0.29 2016-10-26 82.04 84.18 81.99 81.51 11004.83 -0.11 -0.13 2016-10-25 82.68 83.32 82.09 82.03 14014.53 -0.89 -1.07 2016-10-24 78.98 83.79 83.00 78.31 26251.55 3.93 4.97 2016-10-21 79.19 79.34 79.08 77.32 12459.65 -0.17 -0.21 2016-10-20 78.50 79.50 79.25 78.05 10224.54 0.75 0.95 2016-10-19 80.60 80.60 78.49 78.44 17851.50 -1.27 -1.59 2016-10-18 77.72 79.80 79.77 77.72 12765.18 1.76 2.26 2016-10-17 78.60 79.70 78.01 77.80 15855.89 -1.07 -1.35 2016-10-14 79.42 80.10 79.00 78.21 11452.91 -0.14 -0.18 2016-10-13 78.85 79.88 79.15 78.20 11277.68 0.18 0.23 2016-10-12 77.17 79.47 78.95 76.60 18557.77 0.90 1.15 2016-10-11 77.95 79.30 78.07 76.63 21518.05 0.05 0.06 2016-10-10 72.93 79.95 78.03 72.93 25128.50 5.11 7.01 2016-09-30 73.08 73.29 72.90 71.90 7940.73 -0.15 -0.20 2016-09-29 73.18 74.16 73.46 73.08 9711.11 0.05 0.07 2016-09-28 73.25 74.10 73.37 72.30 8694.66 0.10 0.14 2016-09-27 72.02 73.31 73.30 71.88 10588.05 0.78 1.08 2016-09-26 76.24 76.24 72.51 72.30 18983.21 -3.77 -4.94 2016-09-23 78.18 78.18 76.31 76.12 13200.18 -1.59 -2.04 2016-09-22 79.10 79.80 77.90 77.61 15900.57 -0.78 -0.99 2016-09-21 79.10 79.80 78.67 77.80 13804.02 -0.96 -1.21 2016-09-20 81.60 81.60 79.64 78.80 15751.28 -1.07 -1.33 2016-09-19 80.56 81.39 80.71 80.48 8901.68 0.12 0.15 2016-09-14 81.80 82.80 80.57 80.28 23667.66 -3.47 -4.13 2016-09-13 86.20 88.16 83.99 83.62 38293.43 -2.19 -2.54 2016-09-12 82.50 86.22 86.19 81.30 30861.92 1.55 1.83 2016-09-09 83.78 85.96 84.66 83.55 23143.33 0.95 1.14 2016-09-08 82.50 83.87 83.71 82.50 13567.35 0.90 1.09 ... ... ... ... ... ... ... ... 2016-07-18 100.00 100.98 97.17 96.66 25811.42 -3.71 -3.68 2016-07-15 100.50 103.20 100.90 99.01 35970.92 1.18 1.18 2016-07-14 98.00 100.84 99.73 97.50 29597.28 0.87 0.88 2016-07-13 99.00 101.66 98.87 96.50 38939.97 -1.65 -1.64 2016-07-12 96.96 101.58 100.51 92.06 54520.75 1.13 1.14 2016-07-11 110.00 110.80 99.38 99.38 63645.73 -11.04 -10.00 2016-07-08 111.51 113.40 110.47 110.00 42732.83 -3.25 -2.86 2016-07-07 111.12 118.50 113.71 111.02 64406.13 0.96 0.85 2016-07-06 114.00 115.60 112.75 110.00 57436.00 -2.93 -2.53 2016-07-05 110.11 117.99 115.63 109.10 96591.87 5.25 4.76 2016-07-04 111.89 112.00 110.46 108.33 56773.07 -1.35 -1.21 2016-07-01 111.00 116.00 111.82 108.50 87725.18 -4.26 -3.67 2016-06-30 111.00 116.08 116.08 106.00 179909.75 10.55 10.00 2016-06-29 105.53 105.53 105.53 105.53 1748.55 9.59 10.00 2016-06-28 95.94 95.94 95.94 95.94 2631.18 8.72 10.00 2016-06-27 87.22 87.22 87.22 87.22 10737.11 7.93 10.00 2016-06-24 79.29 79.29 79.29 79.29 2013.69 7.21 10.00 2016-06-23 72.08 72.08 72.08 72.08 2413.01 6.55 9.99 2016-06-22 65.53 65.53 65.53 65.53 1152.33 5.96 10.01 2016-06-21 59.57 59.57 59.57 59.57 998.79 5.42 10.01 2016-06-20 54.15 54.15 54.15 54.15 1332.01 4.92 9.99 2016-06-17 49.23 49.23 49.23 49.23 1086.13 4.48 10.01 2016-06-16 44.75 44.75 44.75 44.75 257.15 4.07 10.01 2016-06-15 40.68 40.68 40.68 40.68 286.50 3.70 10.01 2016-06-14 36.98 36.98 36.98 36.98 627.34 3.36 9.99 2016-06-13 33.62 33.62 33.62 33.62 346.27 3.06 10.01 2016-06-08 30.56 30.56 30.56 30.56 158.75 2.78 10.01 2016-06-07 27.78 27.78 27.78 27.78 35.00 2.53 10.02 2016-06-06 25.25 25.25 25.25 25.25 22.00 2.30 10.02 2016-06-03 22.95 22.95 22.95 22.95 155.00 7.01 43.98 ma5 ma10 ma20 v_ma5 v_ma10 v_ma20 turnover date 2016-10-28 82.160 80.540 78.207 13444.16 13637.75 14011.51 3.60 2016-10-27 81.670 80.287 77.946 14137.93 13883.97 14221.98 2.78 2016-10-26 81.082 79.983 77.732 14791.02 14315.83 14669.05 4.40 2016-10-25 80.382 79.679 77.566 16160.35 15071.12 14809.01 5.61 2016-10-24 79.918 79.277 77.443 15910.48 15821.47 14895.85 10.50 2016-10-21 78.920 78.780 77.329 13831.35 15709.17 14028.36 4.98 2016-10-20 78.904 78.162 77.403 13630.00 15257.28 14588.76 4.09 2016-10-19 78.884 77.583 77.640 13840.63 15205.93 15992.20 7.14 2016-10-18 78.976 77.071 78.025 13981.89 14290.25 16642.72 5.11 2016-10-17 78.636 76.424 78.270 15732.46 14072.54 17161.63 6.34 2016-10-14 78.640 75.874 78.555 17586.98 14385.27 17047.20 4.58 2016-10-13 77.420 75.605 78.744 16884.55 14559.99 16960.55 4.51 2016-10-12 76.282 75.480 78.975 16571.23 15022.28 17103.11 7.42 2016-10-11 75.166 75.452 79.172 14598.61 14546.91 16525.29 8.61 2016-10-10 74.212 75.609 79.420 12412.61 13970.23 15914.86 10.05 2016-09-30 73.108 75.877 79.673 11183.55 12347.55 15266.72 3.18 2016-09-29 73.790 76.644 80.274 12235.44 13920.24 15776.66 3.88 2016-09-28 74.678 77.697 80.795 13473.33 16778.47 15717.01 3.48 2016-09-27 75.738 78.979 81.333 14495.21 18995.20 15837.12 4.24 2016-09-26 77.006 80.115 81.848 15527.85 20250.73 16159.17 7.59 2016-09-23 78.646 81.235 82.447 13511.55 19709.14 16344.07 5.28 2016-09-22 79.498 81.883 82.944 15605.04 19361.10 16273.08 6.36 2016-09-21 80.716 82.470 83.386 20083.61 19183.94 16362.07 5.52 2016-09-20 82.220 82.891 83.768 23495.19 18503.67 17271.29 6.30 2016-09-19 83.224 83.231 84.417 24973.60 17859.48 17452.37 3.56 2016-09-14 83.824 83.469 85.042 25906.74 18185.89 18336.10 9.47 2016-09-13 84.268 83.905 85.753 23117.16 17633.07 18567.30 15.32 2016-09-12 84.224 83.894 86.355 18284.26 14655.54 18866.01 12.34 2016-09-09 83.562 83.686 86.659 13512.14 12679.05 19115.24 9.26 2016-09-08 83.238 83.580 86.929 10745.36 12067.61 19107.11 5.43 ... ... ... ... ... ... ... ... 2016-07-18 99.436 104.912 97.632 36968.07 50965.29 42787.78 10.32 2016-07-15 99.878 106.241 95.481 44534.93 54061.45 41563.81 14.39 2016-07-14 101.792 107.333 92.898 45887.31 59236.88 39819.57 11.84 2016-07-13 104.588 108.968 90.149 52849.08 74268.13 38352.56 15.58 2016-07-12 107.364 109.634 87.239 56548.29 70548.99 36419.89 21.81 2016-07-11 110.388 109.177 84.063 64962.51 65360.03 33725.22 25.46 2016-07-08 112.604 107.961 80.774 63587.98 60069.17 30560.24 17.09 2016-07-07 112.874 104.843 76.779 72586.45 55997.25 28431.54 25.76 2016-07-06 113.348 100.680 72.483 95687.17 49797.94 25212.98 22.97 2016-07-05 111.904 95.958 68.108 84549.68 44169.57 22342.28 38.64 2016-07-04 107.966 90.352 63.474 65757.55 34610.27 17520.44 22.71 2016-07-01 103.318 84.721 61.001 56550.35 29066.16 15454.51 35.09 2016-06-30 96.812 78.462 58.177 39408.06 20402.25 11439.48 71.96 2016-06-29 88.012 71.329 54.771 3908.71 2437.00 1529.46 0.70 2016-06-28 80.012 64.844 51.599 3789.46 2290.79 1515.77 1.05 2016-06-27 72.738 58.948 48.643 3462.99 2090.41 1441.41 4.29 2016-06-24 66.124 53.588 45.887 1581.97 1051.32 777.43 0.81 2016-06-23 60.112 48.715 43.318 1396.45 865.83 682.33 0.97 2016-06-22 54.646 44.285 40.921 965.28 628.03 538.11 0.46 2016-06-21 49.676 40.257 38.684 792.12 514.99 482.27 0.40 2016-06-20 45.158 36.595 36.595 717.83 430.62 430.62 0.53 2016-06-17 41.052 34.644 34.644 520.68 330.46 330.46 0.43 2016-06-16 37.318 32.821 32.821 335.20 236.00 236.00 0.10 2016-06-15 33.924 31.117 31.117 290.77 232.98 232.98 0.11 2016-06-14 30.838 29.523 29.523 237.87 224.06 224.06 0.25 2016-06-13 28.032 28.032 28.032 143.40 143.40 143.40 0.14 2016-06-08 26.635 26.635 26.635 92.69 92.69 92.69 0.06 2016-06-07 25.327 25.327 25.327 70.67 70.67 70.67 0.01 2016-06-06 24.100 24.100 24.100 88.50 88.50 88.50 0.01 2016-06-03 22.950 22.950 22.950 155.00 155.00 155.00 0.06 [97 rows x 14 columns]
同樣，按照第一步的思路對數據稍加處理：
df=df[['date','open','close','p_change']]
此時卻出了問題，報錯如下：
>>> df=df[['date','open','close','p_change']] Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/Users/shengtianhe/anaconda/lib/python3.5/site-packages/pandas/core/frame.py", line 1991, in __getitem__ return self._getitem_array(key) File "/Users/shengtianhe/anaconda/lib/python3.5/site-packages/pandas/core/frame.py", line 2035, in _getitem_array indexer = self.ix._convert_to_indexer(key, axis=1) File "/Users/shengtianhe/anaconda/lib/python3.5/site-packages/pandas/core/indexing.py", line 1214, in _convert_to_indexer raise KeyError('%s not in index' % objarr[mask]) KeyError: "['date'] not in index"
檢查打出來的數據名稱沒問題，就考慮，第一列會不會是其他的東西，搜到幾個有用的命令：
from pandas import DataFrame #從pandas庫中引用DataFrame df_obj = DataFrame() #創建DataFrame對象 df_obj.dtypes #查看各行的數據格式 df_obj.head() #查看前幾行的數據,默認前5行 df_obj.tail() #查看后幾行的數據,默認后5行 df_obj.index #查看索引 df_obj.columns #查看列名 df_obj.values #查看數據值 df_obj.describe #描述性統計 df_obj.T #轉置 df_obj.sort(columns = ‘’)#按列名進行排序 df_obj.sort_index(by=[‘’,’’])#多列排序,使用時報該函數已過時,請用sort_values df_obj.sort_values(by=['',''])同上
運行index和columns，果然date是index：
>>> df.columns Index(['open', 'high', 'close', 'low', 'volume', 'price_change', 'p_change', 'ma5', 'ma10', 'ma20', 'v_ma5', 'v_ma10', 'v_ma20', 'turnover'], dtype='object') >>> df.index Index(['2016-10-28', '2016-10-27', '2016-10-26', '2016-10-25', '2016-10-24', '2016-10-21', '2016-10-20', '2016-10-19', '2016-10-18', '2016-10-17', '2016-10-14', '2016-10-13', '2016-10-12', '2016-10-11', '2016-10-10', '2016-09-30', '2016-09-29', '2016-09-28', '2016-09-27', '2016-09-26', '2016-09-23', '2016-09-22', '2016-09-21', '2016-09-20', '2016-09-19', '2016-09-14', '2016-09-13', '2016-09-12', '2016-09-09', '2016-09-08', '2016-09-07', '2016-09-06', '2016-09-05', '2016-09-02', '2016-09-01', '2016-08-31', '2016-08-30', '2016-08-29', '2016-08-26', '2016-08-25', '2016-08-24', '2016-08-23', '2016-08-22', '2016-08-19', '2016-08-18', '2016-08-17', '2016-08-16', '2016-08-15', '2016-08-12', '2016-08-11', '2016-08-10', '2016-08-09', '2016-08-08', '2016-08-05', '2016-08-04', '2016-08-03', '2016-08-02', '2016-08-01', '2016-07-29', '2016-07-28', '2016-07-27', '2016-07-26', '2016-07-25', '2016-07-22', '2016-07-21', '2016-07-20', '2016-07-19', '2016-07-18', '2016-07-15', '2016-07-14', '2016-07-13', '2016-07-12', '2016-07-11', '2016-07-08', '2016-07-07', '2016-07-06', '2016-07-05', '2016-07-04', '2016-07-01', '2016-06-30', '2016-06-29', '2016-06-28', '2016-06-27', '2016-06-24', '2016-06-23', '2016-06-22', '2016-06-21', '2016-06-20', '2016-06-17', '2016-06-16', '2016-06-15', '2016-06-14', '2016-06-13', '2016-06-08', '2016-06-07', '2016-06-06', '2016-06-03'], dtype='object', name='date')
所以選取列的語句應該是：
df=df[['open','close','p_change']]
結果如下：
>>> df=df[['open','close','p_change']] >>> df open close p_change date 2016-10-28 82.50 81.53 -0.69 2016-10-27 82.30 82.19 0.29 2016-10-26 82.04 81.99 -0.13 2016-10-25 82.68 82.09 -1.07 2016-10-24 78.98 83.00 4.97 2016-10-21 79.19 79.08 -0.21 2016-10-20 78.50 79.25 0.95 2016-10-19 80.60 78.49 -1.59 2016-10-18 77.72 79.77 2.26 2016-10-17 78.60 78.01 -1.35 2016-10-14 79.42 79.00 -0.18 2016-10-13 78.85 79.15 0.23 2016-10-12 77.17 78.95 1.15 2016-10-11 77.95 78.07 0.06 2016-10-10 72.93 78.03 7.01 2016-09-30 73.08 72.90 -0.20 2016-09-29 73.18 73.46 0.07 2016-09-28 73.25 73.37 0.14 2016-09-27 72.02 73.30 1.08 2016-09-26 76.24 72.51 -4.94 2016-09-23 78.18 76.31 -2.04 2016-09-22 79.10 77.90 -0.99 2016-09-21 79.10 78.67 -1.21 2016-09-20 81.60 79.64 -1.33 2016-09-19 80.56 80.71 0.15 2016-09-14 81.80 80.57 -4.13 2016-09-13 86.20 83.99 -2.54 2016-09-12 82.50 86.19 1.83 2016-09-09 83.78 84.66 1.14 2016-09-08 82.50 83.71 1.09 ... ... ... ... 2016-07-18 100.00 97.17 -3.68 2016-07-15 100.50 100.90 1.18 2016-07-14 98.00 99.73 0.88 2016-07-13 99.00 98.87 -1.64 2016-07-12 96.96 100.51 1.14 2016-07-11 110.00 99.38 -10.00 2016-07-08 111.51 110.47 -2.86 2016-07-07 111.12 113.71 0.85 2016-07-06 114.00 112.75 -2.53 2016-07-05 110.11 115.63 4.76 2016-07-04 111.89 110.46 -1.21 2016-07-01 111.00 111.82 -3.67 2016-06-30 111.00 116.08 10.00 2016-06-29 105.53 105.53 10.00 2016-06-28 95.94 95.94 10.00 2016-06-27 87.22 87.22 10.00 2016-06-24 79.29 79.29 10.00 2016-06-23 72.08 72.08 9.99 2016-06-22 65.53 65.53 10.01 2016-06-21 59.57 59.57 10.01 2016-06-20 54.15 54.15 9.99 2016-06-17 49.23 49.23 10.01 2016-06-16 44.75 44.75 10.01 2016-06-15 40.68 40.68 10.01 2016-06-14 36.98 36.98 9.99 2016-06-13 33.62 33.62 10.01 2016-06-08 30.56 30.56 10.01 2016-06-07 27.78 27.78 10.02 2016-06-06 25.25 25.25 10.02 2016-06-03 22.95 22.95 43.98 [97 rows x 3 columns]
現在我們已經取得了過去半年新上市的股票和他們上市后的數據。
－－－－－
第三步：如何篩選出破板后三十天的數據，並匯總。
……此處省略長達二十分鍾的思考與百度……想到這樣一個辦法取得第一次破板的日期:
import tushare as ts
df=ts.get_hist_data('603737')
df=df[['open','close','p_change']]
start_date=df[df['p_change']<9.8].tail(1).index[0]
解釋一下：df是一個DataFrame, 可以提取某一列中值小於9.8的所有行，提取結果仍然是DataFrame，DF有個方法叫tail()取最后幾條數據，我們已經知道日期是index，所以取日期用index[0]，由於本人python沒基礎…取日期的方法是試出來的……
接下來，用這個日期去過濾，我們只關心破板后的數據：
df=df[df.index>=start_date]
這里[]中的還是我試出來的……覺得應該這么寫……
>>> import tushare as ts >>> df=ts.get_hist_data('603737') >>> >>> df=df[['open','close','p_change']] >>> start_date=df[df['p_change']<9.8].tail(1).index[0] >>> df=df[df.index>start_date] >>> df open close p_change date 2016-10-28 82.50 81.53 -0.69 2016-10-27 82.30 82.19 0.29 2016-10-26 82.04 81.99 -0.13 2016-10-25 82.68 82.09 -1.07 2016-10-24 78.98 83.00 4.97 2016-10-21 79.19 79.08 -0.21 2016-10-20 78.50 79.25 0.95 2016-10-19 80.60 78.49 -1.59 2016-10-18 77.72 79.77 2.26 2016-10-17 78.60 78.01 -1.35 2016-10-14 79.42 79.00 -0.18 2016-10-13 78.85 79.15 0.23 2016-10-12 77.17 78.95 1.15 2016-10-11 77.95 78.07 0.06 2016-10-10 72.93 78.03 7.01 2016-09-30 73.08 72.90 -0.20 2016-09-29 73.18 73.46 0.07 2016-09-28 73.25 73.37 0.14 2016-09-27 72.02 73.30 1.08 2016-09-26 76.24 72.51 -4.94 2016-09-23 78.18 76.31 -2.04 2016-09-22 79.10 77.90 -0.99 2016-09-21 79.10 78.67 -1.21 2016-09-20 81.60 79.64 -1.33 2016-09-19 80.56 80.71 0.15 2016-09-14 81.80 80.57 -4.13 2016-09-13 86.20 83.99 -2.54 2016-09-12 82.50 86.19 1.83 2016-09-09 83.78 84.66 1.14 2016-09-08 82.50 83.71 1.09 ... ... ... ... 2016-08-12 88.29 90.08 0.11 2016-08-11 89.00 90.16 -0.50 2016-08-10 87.18 90.58 3.70 2016-08-09 86.61 87.34 1.17 2016-08-08 85.00 86.35 1.41 2016-08-05 87.52 85.12 -3.47 2016-08-04 88.01 88.20 -0.68 2016-08-03 85.67 88.78 2.98 2016-08-02 84.93 86.21 1.51 2016-08-01 87.35 84.93 -4.30 2016-07-29 85.75 88.77 3.75 2016-07-28 86.10 85.53 -0.48 2016-07-27 91.50 85.95 -6.56 2016-07-26 87.90 91.97 4.54 2016-07-25 88.33 87.90 -0.66 2016-07-22 92.59 88.45 -4.69 2016-07-21 94.69 92.81 -1.91 2016-07-20 94.98 94.60 0.06 2016-07-19 97.00 94.56 -2.71 2016-07-18 100.00 97.17 -3.68 2016-07-15 100.50 100.90 1.18 2016-07-14 98.00 99.73 0.88 2016-07-13 99.00 98.87 -1.64 2016-07-12 96.96 100.51 1.14 2016-07-11 110.00 99.38 -10.00 2016-07-08 111.51 110.47 -2.86 2016-07-07 111.12 113.71 0.85 2016-07-06 114.00 112.75 -2.53 2016-07-05 110.11 115.63 4.76 2016-07-04 111.89 110.46 -1.21 [78 rows x 3 columns]
接下來，假設破板買入后最長持股10天，這樣我們只取妹紙股票之后10天的數據，這樣數據比較整齊，也便於后續處理。如果數據不滿10天，則跳過。
df=df.tail(11)['close']
>>> import tushare as ts >>> df=ts.get_hist_data('603737') >>> >>> df=df[['open','close','p_change']] >>> start_date=df[df['p_change']<9.8].tail(1).index[0] >>> df=df[df.index>=start_date] >>> df=df.tail(11)['close'] >>> df date 2016-07-15 100.90 2016-07-14 99.73 2016-07-13 98.87 2016-07-12 100.51 2016-07-11 99.38 2016-07-08 110.47 2016-07-07 113.71 2016-07-06 112.75 2016-07-05 115.63 2016-07-04 110.46 2016-07-01 111.82 Name: close, dtype: float64
通過上一步，我們取到包含破板當日以及之后十天的收盤價，將數據轉換為numpy.array數據。
close_array=df.values
>>> close_array=df.values >>> close_array array([ 100.9 , 99.73, 98.87, 100.51, 99.38, 110.47, 113.71, 112.75, 115.63, 110.46, 111.82])
進一步進行處理，如果破板后某個交易日收盤價格高於破板當天收盤價，則將array中的值置為1，否則為0。
import tushare as ts import numpy as np df=ts.get_hist_data('603737') df=df[['open','close','p_change']] start_date=df[df['p_change']<9.8].tail(1).index[0] df=df[df.index>=start_date] df=df.tail(11)['close'] close_array=df.values for i in range(1,11): if close_array[i]>close_array[0]: close_array[i]=1 else: close_array[i]=0 close_array[0]=0 print (close_array)
輸出結果：
localhost:~ shengtianhe$ python find.py [ 0. 0. 0. 0. 0. 1. 1. 1. 1. 1. 1.]
一只股票的數據組織好了，接下來把所有新股的數據取出來，這里需要用到合並array的方法numpy.concatenate，另外代碼里還有一些小地方的處理，搜了一圈才知道怎么做，比如如何返回值判斷非空:
import tushare as ts import numpy as np import pandas as pd df=ts.new_stocks() df=df[df['issue_date']>'2016-06-01'] df=df[['code','name','issue_date']] df=df[['code']] stock_code=df.values # print(stock_code) i=0 df_matrix = None for stock in stock_code: detail=ts.get_hist_data(stock_code[i][0]) if detail is None: i=i+1 continue detail=detail[['open','close','p_change']] hasbreak=detail[detail['p_change']<9.8] if hasbreak.size==0: i=i+1 continue start_date=hasbreak.tail(1).index[0] hasbreak=hasbreak[hasbreak.index>=start_date] hasbreak=hasbreak.tail(11)['close'] if hasbreak.size <11: i=i+1 continue close_array=hasbreak.values for day in range(1,hasbreak.size): if close_array[day]>close_array[0]: close_array[day]=1 else: close_array[day]=0 close_array[0]=0 df_matrix_thisRound=pd.DataFrame(close_array) df_matrix_thisRound=df_matrix_thisRound.T if df_matrix is None: df_matrix=df_matrix_thisRound else: df_matrix=np.concatenate((df_matrix,df_matrix_thisRound.values)) i=i+1 print(df_matrix)
運行結果如下：
localhost:~ shengtianhe$ python proData.py [Getting data:]########[[ 0. 1. 1. 0. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 0. 1. 0. 0. 1. 1. 1. 0. 0.] [ 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 1. 1. 1. 1. 1. 1. 1. 0. 0. 0.] [ 0. 1. 1. 1. 1. 0. 1. 0. 1. 1. 1.] [ 0. 0. 0. 0. 0. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 0. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 0. 0. 1. 1. 1. 1.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 1. 0. 0. 0. 0. 0. 0. 0. 1. 1.] [ 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 1.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 1. 1. 1. 1. 1. 1. 1. 0. 0.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 0. 0. 0. 0. 1. 1. 1. 1. 1.] [ 0. 1. 0. 0. 0. 0. 0. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 0. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 0.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 0. 1. 0. 0. 1. 1. 1. 1. 0.] [ 0. 1. 1. 1. 1. 1. 1. 0. 0. 0. 0.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 0. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 1. 1. 1. 1. 1. 1. 0. 1. 1.] [ 0. 1. 1. 1. 1. 0. 0. 0. 0. 0. 1.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 1. 1. 1. 1. 1. 0. 0. 0. 0.] [ 0. 1. 1. 0. 0. 1. 1. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 0. 0. 1. 1. 1. 1. 0. 1.] [ 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 0. 0. 1. 1. 1. 1. 1. 1.] [ 0. 0. 0. 0. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0.] [ 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 0. 0. 0. 1. 1. 1. 1. 1. 0.] [ 0. 1. 0. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [ 0. 1. 1. 0. 1. 1. 1. 1. 1. 1. 1.] [ 0. 0. 0. 0. 0. 1. 1. 1. 1. 1. 1.]]
－－－－－
第四步：如何計算整體上每天盈利的概率。
這一步就相對簡單了，直接求每一列的均值即可，數值上就代表當天盈利的概率了。
http://pandas.pydata.org/pandas-docs/version/0.17.0/generated/pandas.DataFrame.mean.html
加入代碼如下：
mean=df_matrix.mean(0) print(mean)
運行結果如下：
[ 0. 0.62686567 0.65671642 0.64179104 0.65671642 0.71641791 0.74626866 0.73134328 0.71641791 0.70149254 0.70149254]
結論：
就目前時間段來看，破板后買入十個交易日內賺錢的概率還是蠻高的。
這段程序只是第一次寫，當然還有很多可以改進的地方，但想要的結果已經有了個大概了。下一步感興趣可以把結果用可視化的輸出表示出來，先去睡覺啦！
總體來說還是比較滿足的！
哈哈哈