1.【手把手教你】使用qstock实现量化策略选股
2.干货|信息流如何投放你知道吗？全攻略干货手把手教你。数源
3.Python数据可视化库Plotly(含各类图介绍)
4.手把手教你股票可视化分析之Pyecharts（一）
5.[JavaScript]ECharts3绘制K线图
6.手把手教你使用qstock进行量化回测

【手把手教你】使用qstock实现量化策略选股

       qstock是数源一款由“Python金融量化”公众号开发的开源库，旨在为个人量化投研分析提供简洁规整的数源金融市场数据接口。它包括数据获取、数源可视化、数源选股和量化回测四个模块。数源源码高位数据模块的数源数据来源于东方财富网、同花顺、数源新浪财经等，数源可视化模块基于plotly.express和pyecharts，数源提供交互式图形接口。数源选股模块提供了同花顺的数源技术选股和公众号策略选股，如RPS、数源MM趋势、数源财务指标、数源资金流模型等。回测模块则提供了向量化和基于事件驱动的基本框架和模型。

       qstock在pypi官网上发布，目前版本为1.3.3。新用户可以直接在cmd上输入“pip install qstock”进行安装，已有旧版本的用户则需要使用“pip install –upgrade qstock”进行更新。GitHub地址为：github.com/tkfy/qstock。

       部分策略选股和策略回测功能仅限知识星球会员使用。会员可从知识星球获取qstock-vip-1.3.3.tar.gz安装包，离线安装。最新版本qstock 1.3.3中，所有接口函数（包括可视化、选股）均可以通过qstock调用，具体使用方式为先导入qstock库，然后使用其函数，如qs.kline(df)绘制K线图，qs.get_data(‘代码’)获取数据。

       qstock数据模块提供了获取代码、名称、数据面板、指数数据等多种接口。例如，通过qs.get_code()可以获取市场代码，qs.get_data(code_list=codes,start='',fqt=2)可以获取特定代码的数据。指数数据接口可以获取多个指数的收盘价数据。

       在量化选股方面，qstock提供了多层次多角度分析方法。多角度分析可以提高市场方向判断的正确率，多层次分析则可相互验证，获取超额收益。主图boll源码例如，通过多层次分析确定投资方向，选择最优标的。

       价格与成交量形态分析是选股的重要组成部分。qstock通过定义函数，结合价格、成交量等指标进行分析。例如，通过价格突破前n日新高、价格回测不超过%、价格上涨幅度至少在%以上、近期成交量平均放大两倍以上等条件筛选出具有投资价值的股票。

       RPS（欧奈尔中文书是RS）策略是基于股票相对强弱的动量策略，选择RPS值或以上的股票，结合公司基本面进行选股。RPS计算方法衡量股票在过去n日内相对股市中其他股票的表现，通过筛选RPS值大于的股票池，结合公司基本面进一步筛选出具有潜力的股票。

       MM趋势选股考虑了股票价格与均线关系，选择日均线高于日均线、日均线上升至少1个月、日均线高于日均线和日均线、股票价格高于日均线、价格在周高点的%以内的股票，以及相对强弱指数(RS)大于等于的股票。

       资金流选股关注资金流向与价格走势，根据资金净流入情况判断股票的强势、中强势、弱势或中弱势，通过资金流向计算算法筛选出具有潜力的股票。

       基本财务指标选股则依据净利润、流通市值、市盈率、ROE、毛利率、净利率和市净率等指标进行筛选，以确保选择具有稳健财务状况的公司。

干货|信息流如何投放你知道吗？全攻略干货手把手教你。

       在互联网的快速发展中，广告投放变得日益关键。为了提升广告投放和策划的效果，选择专业的工具和学习平台成为了提升自我能力的最佳途径。然而，面对众多网站平台，中值滤波源码如何筛选出值得信赖的工具呢？本篇内容将为您整理出值得选择的平台，帮助您进行更高效的广告投放和策划。

       监测工具：

       1. TalkingData- 提供数据统计分析服务，解决移动应用数据统计、渠道评估等问题，构建用户分析体系，提高工作效率，提供便捷的数据对比与自动预警通知。

       2. 友盟+- 数据统计类产品全面且成熟，支持广告效果监测，包括品牌广告和移动广告。

       3. 百度统计- 提供数据统计服务，适用于移动应用和网站分析。

       4. Ptengine- 以易用性著称，提供精美可视化数据分析，帮助优化用户行为分析。

       5. Google Analytics- 全球知名数据分析工具，尽管在国内使用需**，提供详尽的流量分析数据。

       广告追踪：

       1. 信息流雷达- 一站式信息流广告解决方案，追踪广告热度、行业、平台等多维度数据。

       2. App Growing- 提供精准广告情报追踪及数据分析服务，涵盖App Store实时榜单、关键词排名和苹果搜索广告投放监测。

       3. Socialbeta- 营销知识分享社区，分享营销动态、案例、趋势和实践经验。

       4. 艾瑞指数- 数据分析平台，提供移动流量指数、PC流量指数等全面的流量查询服务。

       咨询获取与交流学习：

       1. 艾奇在线- 提供互联网营销推广知识，包括课程和行业大咖分享。

       2. 青瓜传媒- 国内移动运营推广平台，研究排名规则算法，为产品推广提供经验。

       3. kr- 提供创业资讯、科技新闻、投融资等服务，时效性强，干货丰富。

       4. 百度营销中心- 百度商业产品官方平台，mysql驱动源码下载全面覆盖百度推广的动态和操作指南。

       文案创意：

       1. Topys- 全球顶尖营销文案学习平台，提供创意知识。

       2. 梅花网- 营销热点深度文章，提供借鉴和参考。

       3. 果壳网- 新颖有趣的文章集合，增加灵感。

       素材：

       1. 站酷- 插画类素材精美，创意丰富，聚集设计师与艺术家。

       2. 千图库- 提供多样化的素材，满足设计需求。

       3. 花瓣网- 集中收集素材，提供免费资源。

       4. 昵图网- 提供高质量素材。

       其他辅助类工具：

       - 微信大数据分析工具：清博大数据、神策数据、新浪舆情通等提供微信数据分析服务。

       - 数据可视化工具：百度ECharts、图表秀、数据观等提供数据分析可视化服务。

       - 词频分析工具：Rost、图悦、语义分析系统、Tagul、腾讯文智等提供文本分析服务。

       - PPT模板工具：PPT模板、第1PPT、站长素材、office PPT模板、稻壳儿等提供PPT模板资源。

       - 互联网趋势分析工具：微博指数、好搜指数、搜狗指数、百度司南等提供趋势分析服务。

       - 在线调查工具：腾讯问卷调查、金数据、麦客、问卷星、调查派、问卷网等提供问卷调查功能。

Python数据可视化库Plotly(含各类图介绍)

       Python探索Plotly：丰富的数据可视化库

       当我们谈论数据可视化时，matplotlylib和pyecharts是常见的工具。然而，网页游戏封包源码今天要重点关注的是Plotly，一款因其前端使用JavaScript而展现出独特魅力的库。可以直接通过pip进行安装：github.com/plotly/plotly.py。

       在Python中，Plotly的使用极其简便，下面以一个柱状图为例，展示其易用性：

       与matplotlylib类似，但操作流程更为直观。此外，Plotly提供了丰富的定制选项，如个性化显示，这使得数据呈现更为清晰易读，如柱状图的增长趋势。

       Plotly库涵盖了多种图表类型，包括但不限于散点图、折线图、饼图、条形图、箱型图，甚至还有热图、地图分布等高级可视化。下面是一些基本图表的Demo：

散点图：散点图有助于揭示变量间复杂的关系，不仅仅是线性，可能涉及指数或对数关系，对决策提供重要参考。

折线图：时间序列数据的趋势分析首选，如监控数据的可视化。

饼图：适合展示项目组成结构，如开销占比。

TreeMap：展现层级关系的数据，类似于地图的结构。

水平/纵向柱状图：对比个体间的差异。

箱型图：反映数据分布特征和多组数据比较。

等高线图：二维或三维表示数据分布。

热图：展示用户行为，如点击和浏览频率。

三元图：展示三个成分的比例，物理化学中常见。

雷达图：多维数据的直观展现，如角色能力评估。

极坐标图：频率响应特性可视化。

瀑布图：展示数值变化的绝对值与相对值。

漏斗图：转化率分析的图形化表示。

气泡分布图：复杂数据的多层次展示。

       Plotly的强大远不止于此，更多类型可访问其官网plotly.com/python/stati...获取详细信息。深入了解Plotly，让你的数据可视化更加生动和富有洞察力。

手把手教你股票可视化分析之Pyecharts（一）

       Pyecharts是一种基于Python语言的可视化图表库，它利用Echarts的开源库进行可视化图表的制作，使得图表制作变得更加精美。Python中拥有多种可视化工具，包括Matplotlib、Seaborn、Bokeh、Pygal、Plotly和Pyecharts等。其中Matplotlib是最基础的工具，Seaborn是matplotlib的增强版，提供统计分析图表，而Bokeh、Pygal、Plotly和Pyecharts则能够生成高级且美观的可视化图表，特别是Plotly和Pyecharts还支持动态交互效果。这些库都支持主流的Notebook环境，如Jupyter Notebook和JupyterLab，并能轻松集成到Flask和Django等主流Web框架中。本文重点介绍Pyecharts及其在金融量化分析中的应用，所有示例代码均在Jupyter notebook中运行。更多关于Pyecharts的详细信息，请参考其官网。

       Pyecharts分为v0.5.X（旧版）和v1（新版）两个版本，两者不兼容，v1是全新的版本。安装时，使用pip命令获取最新版本，如需安装旧版本，可指定版本号，例如pip install pyecharts=0.5.。本文使用的是1.9.1版本的Pyecharts，旧版本的示例代码可以参考公众号历史文章。

       在Pyecharts中，图表类位于charts模块，使用*导入全部，或根据需要导入特定图表类型，如Bar和Line。配置项通过options（缩写为opts）进行修饰，可以进一步调用JavaScript代码并使用JsCode导入，主题设置则通过ThemeType导入，一般推荐使用默认的主题（ThemeType.WHITE）。Faker模块提供数据用于画图。

       Pyecharts的options提供了大量的配置项，包括全局配置项和系列配置项，全局配置项有个大类，系列配置项有个大类，每个配置类下还包含众多参数。虽然配置项丰富，但对新手而言，可能会感到复杂和难以理解。建议学习时关注常用图表类型，并熟悉几个常用的配置项，其他配置项通常使用默认参数即可。

       本文将通过示例展示如何使用Pyecharts构建折线图、柱状图、K线图和散点图等图表。例如，折线图用于展示金融时间序列数据的趋势，柱状图用于比较不同指数的年收益率，K线图是股票量化分析的基本工具，而散点图则用于反映两个变量之间的关系。此外，热力图可以用来分析指数周期变化和热点板块轮动。本文通过实际应用案例展示了如何使用Pyecharts构建和配置这些图表。

       下一篇文章将深入介绍Pyecharts的其他图表构建方法，包括日历图、仪表盘、地图、关系图等，并分享这些图表在金融量化分析中的应用实例。通过本文的学习，您将对使用Pyecharts进行数据可视化有一个全面的了解。

[JavaScript]ECharts3绘制K线图

       我尝试自己绘制K线图，选择使用ECharts 3的专门组件。首先，数据准备从网易财经下载上证指数历史数据CSV文件，定制所需的字段如收盘价、最高价、最低价、开盘价等。数据处理后保存为rawdata.js文件。

       接下来，创建HTML页面框架，加载ECharts 3脚本文件echarts.js，并准备rawdata.js数据。使用div元素id为chart作为绘制区域。基础K线图配置包括xAxis.type设为category，yAxis.scale设为true以适应数据值范围，series设置为candlestick类型，itemStyle配置显示样式。K线图数据来自rawData变量，通过map()方法提取所需数组。最终，成功绘制出上证指数K线图。

       然而，此K线图缺乏互动功能。为了改进，加入ECharts 3的dataZoom组件，包括inside和slider类型。inside缩放组件内置图表，可通过鼠标滚轮进行局部放大。而slider组件提供单独滑动条，允许直接指定放大的范围，增强图表的互动性。

       实现全局缩放功能，添加slider类型的dataZoom组件。代码配置中，调整了handleIcon和handleStyle来修改滑动端子样式，使用SVG PathData语法进行绘制。此外，配置dataZoom.dataBackground以调整轮廓样式。结果，K线图下方显示滑动条，用户可轻松选择放大区域。

       为了使用户能够准确了解K线图上任意“蜡烛”的具体数值，加入tooltip组件。全局tooltip在鼠标移动时显示数据提示框，但提示信息默认为英文。通过全局tooltip和series.tooltip.formatter修改默认提示信息，展示所需HTML代码，允许显示包括日期、开盘价、收盘价等信息。最终，整合了缩放和数值提示功能的K线图能够提供更丰富的分析体验。

       以下为完整的ECharts 3 K线图实现代码示例，包括数据准备、图表绘制、交互功能添加及数值提示配置，实现了更为直观和互动的K线图展示。

手把手教你使用qstock进行量化回测

       qstock简介

       qstock，由“Python金融量化”公众号开发，旨在打造个人量化投研分析的开源库，包含数据获取、可视化、选股和量化回测四大模块。数据源主要来自东方财富网、同花顺、新浪财经等公开渠道，旨在提供简洁规整的金融市场数据接口。可视化模块基于plotly.express和pyecharts，为用户带来基于web的交互图形操作。选股模块整合了同花顺技术和公众号策略，包括RPS、MM趋势、财务指标、资金流模型等。回测模块提供向量化和基于事件驱动的基本框架与模型。

       安装与更新

       qstock可通过pip安装，首次使用输入“pip install qstock”，已有旧版本需用“pip install –upgrade qstock”更新。GitHub地址：github.com/tkfy/qstock...。部分策略和回测功能仅限知识星球会员使用，会员可获取qstock-vip-1.3.3.tar.gz安装包，离线安装。

       调用方式

       使用qstock接口函数，如导入qstock为qs，调用qs.xxx（xxx为对应接口函数）。例如，使用qs.kline(df)画K线图，qs.get_data(‘代码’)获取数据。

       教程链接

       详细教程参见以下推文：数据篇之行情交易数据、行业概念板块与资金流、股票基本面数据、宏观指标和财经新闻文本、动态交互数据可视化、技术形态与概念热点选股池、手把手教你使用qstock实现量化策略选股。

       买入持有策略

       qstock开源版backtest内置数据获取、交易指标计算、交易评价和回测功能。策略包括数据feed、trade_indicators、trade_performance和start_backtest。策略参数包括标的代码、基准指数、起始和结束日期、复权类型等。

       示例代码

       导入qstock，调用data_feed('中国平安',index='hs')获取数据，start_backtest('中国平安')进行回测。

       回测结果

       以中国平安为例，买入持有策略总收益率%，年化6.5%，最大回撤.%，夏普比率为1.，优于沪深指数。同样，以神州泰岳和中信证券为例，回测结果与指数对比。

       均值回归策略

       均值回归策略是量化回测中常见策略，qstock提供了相应的实现方式。策略通过计算标的与基准指数的偏离度，根据偏离程度决定买入或卖出。示例代码：导入qstock，调用MR_Strategy(df)进行回测。

       北向资金策略

       北向资金策略利用北上资金数据预测市场走势，qstock提供了相关功能实现。策略参数包括移动窗口、标准差倍数和手续费等。示例代码：导入qstock，调用North_Strategy(data)进行回测。

       海龟交易法则

       海龟交易法则利用唐奇安通道突破点指导交易，qstock提供了简化版实现。策略参数包括上轨线、中线、下轨线和买卖信号。示例代码：导入qstock，调用TT_strategy(data)进行回测。