Thursday, November 29, 2018

google tends 反指標可行性? FIX_DATA (二)

資料量可能會呈現全部趨向於100%的狀況

所以我打算先取得該年度區間所有的百分比再去*上每日百分比，這樣數據的呈現應該才是最準確的數字。
先取得2004至今的趨勢

程式碼

運行結果



資料量問題

一開始我還以為要對資料做正規化，思考一下應該不是這問題，這邊會面臨到一直要數據被伺服器阻擋的問題(我先備份了數據)

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

程式碼

下載我我是資料~data.csv

於
標籤： , ,

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

第一次人们开始研究蒙特卡罗方法是要评估π。

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。


股票布朗運動

布朗运动、伊藤引理、BS 公式

所以到底有沒有可能股市是基於布朗運動呢，上方網址點入，
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

於
標籤： , ,

google tends 反指標可行性?(一)

反指標可行性?

如何用Google Trends找到「逃命訊號」？打一個關鍵字，就找出股價高點的方法 

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?

pytrends 裝好後，我們切換到程式碼面，我們要一次爬一年，我遇到了一個問題怎麼爬著爬著到2014年資料都是空的，
奇怪有資料阿，切去看程式碼面
觀察一下網址


https://trends.google.com/trends/explore?date=2004-01-01%202004-01-02&q=stock

得到結論，在2015年前，都只有儲存當日資料，到2015開始可能才有每小時搜尋資料紀錄。
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
於
標籤： , ,