資料量可能會呈現全部趨向於100%的狀況
先取得2004至今的趨勢
程式碼
資料量問題
這是取得每月得數據
這是我們之前取得每日的數據
然後我們要對數據加工一下
這才是正確的等比例數據
來看一下程式碼
Thursday, November 29, 2018
google tends 反指標可行性? FIX_DATA (二)
先取得2004至今的趨勢
Sunday, November 18, 2018
風險分析與蒙特卡羅模擬股市路徑
又多了一項分析武器老早就想跑這張圖了，終於有空來跑一下那麼就開始。
蒙特卡羅方法
通过概率论，蒙特卡罗可以用作数值积分法。 例如，
其中p(x)是U(0;1)的概率密度函数。
实践中，蒙特卡罗广泛应用于统计力学，量子物理学，金融衍生产品定价和风险管理。
##一个MC示例：期权定价
蒙特卡洛通常用于评估期权价格。
我们不会涉及任何理论推论。 对于欧式看涨期权，其价格可以通过公式给出
其中S为当前基本股票价格，σ为股票波动率，r为利率，T为期权期权，K为行使价，Φ为标准正态随机变量。
那我假設是有一定規律性的
本周我們介紹股市波動最基本的特性: 對數常態分配(Log-normal Distribution)。有接觸過財務工程的投資朋友可能都聽過這個名詞，因為...
教科書說，股市的漲跌幅，呈現對數常態分配。
這個觀察是奧斯本(Matthew Maury Osborne，1916~2003)發現的。然而，這個現象並不那麼直觀! 我們介紹如下：
這邊也符合對數常態分配，在99%的信心水平下，統二的股票一年後的價格不會低於64塊ㄏㄏ，風險值有35%，掉那麼快也倒了，或許是我用錯了?參考那網站是好像是用正規常態，我是用對數或許有些關聯。
這是模擬五萬次蒙特卡羅(好像沒什麼意義xd。
程式碼
增加動畫
google tends 反指標可行性?(一)
反指標可行性?
從線圖可以看到，在Google上搜尋「股票」的人，在2007年3月開始異常增加，並在6月達到高峰，在此之後搜尋程度都一直相較過去維持在高檔，股市則於2007年10月後開始下跌。
「你覺得，什麼人會在Google上搜尋『股票』這種無關緊要的關鍵字？」我問，
「只有剛入門的散戶有可能吧...」他已經懂了，並用詭譎的笑容看著這張圖。
那如何取得資料到python?
https://trends.google.com/trends/explore?date=2004-01-01%202004-01-02&q=stock
https://trends.google.com/trends/explore?date=2004-01-01%202004-01-02&q=stock
那麼接下來就可以爬2004年到2018年資料。
驗證成功，開爬
程式碼
結論
還蠻方便的可以快速地取得搜尋熱度，在github還有更多使用方法，希望早日可以找尋其中較穩的組合。
https://github.com/GeneralMills/pytrends
https://github.com/GeneralMills/pytrends
fbprophet 預測家模型 股票?
超簡單用Python預測股價
如圖，我也不知道我在寫什麼東西，就吸收整合，大不分的內容還是由比較正規的文章所引用，也有附上連結，有錯別來找我诶，我想入門的小白在搭建環境上會很雷，所以我通常會附上搭建環境的過程，以便大家可以快速run起來~預測股票?
剛好聽同學說它們有參加一個比賽，然後呢，它們的主要工作是需要預測下一個禮拜股市的精準度，就我這旁門走道來看，lstm或者用這預言家模型，應該都可以達到不錯的效果，
假設我們要預測一個麗拜的資料需要大概那些能用的工具呢，第一步我們要把我們的資料禿通通時間序列化，再來就是套國外solution(公司大牛)說的，哈哈在接下來我們來看看之前兩個月沒動的程式碼吧。
首先呢我們打開我們的老程式碼跑一下範例。
速度迷思
我覺得痾應該速度再跑回測的時候有差拉，不過在觀察其規律性，要求速度的話在急速下單邏輯判斷一定要超快，像我之前寫的一個比特幣交易軟體，取得買賣單量瞬間下單，最後還是被官網鎖了，只能說莊家最大，然後喔一定會找到適合你的組合最重要，程式跑回測，不一定是找到聖杯，除非你的策略寫的超棒，無破綻，去跑當沖，每秒幾十萬上下，2018二月全球股災～黑天鵝是機器人？ 遇到一次就gg囉，不過有人贏就有人輸，我是年輕人還是先在旁邊觀察一陣子好了。
搭建環境與安裝
# bash $ pip install fbprophet
# bash $ pip install fbprophet
慘慘慘 轉用anaconda裝
conda update -c conda-forge conda
conda update -n base conda
conda config --add pinned_packages defaults::conda
conda install -c conda-forge fbprophet -y
conda install -c masdeseiscaracteres ta-lib
conda update -c conda-forge conda
conda update -n base conda
conda config --add pinned_packages defaults::conda
conda install -c conda-forge fbprophet -y
conda install -c masdeseiscaracteres ta-lib
conda update -n base conda
conda config --add pinned_packages defaults::conda
conda install -c conda-forge fbprophet -y
conda install -c masdeseiscaracteres ta-lib
複製stocker
不想下一堆指令的話，可以偷懶學我把關聯py丟到目錄下
nice解決環境好利器，搜尋了快一小時還以為當機，惱人的環境設定，中途還跑去裝docker，結果windows hyper 要專業版才有QQ 我畚箕安裝的python 資源包，一堆元件衝突總而言之，安裝好後呢(anaconda裝了很多次結果降版本Anaconda3-5.2.0-Windows-x86_64.exe 這就大概裝完囉。
程式碼
小改
運行畫面
其實，用來預測一些事情也蠻好玩的。
預言家github
幻想
簡單成效好、不簡單成效好、簡單成效不好、不簡單成效不好。(取自量化實驗室片段)
就上述這幾種情況，大家應該都會偏向於第一種方法因為就算是失敗的話，也很好找出原因並且除錯，大概在跑兩個範例，google tend對金融性產品 是否也有其關聯，在來就是一些小策略的紀錄。
沒意外後其大概都是
- 提出組合
- 回測
- 修正
回測 - > 修正 - > 回測 - > 修正 - > 回測 - > 修正 - > 回測 - > 修正 .......
public int debug()
{
if(debug == 1)
debug(1);
return debug(1);
}目前活在這種地獄，重構，非同步，deubg無限循環，體驗新手村的感覺，什麼時候可以用嘴巴寫程式。。。。。。。
