finlab 0.2.9.dev1

Analyzing stock has never been easier.

---

title: FinLab 函式庫

快速上手

FinLab 致力於推廣我們在量化投資上的知識與 Python 實作經驗，並且分享如何運用 Python 創造屬於自己的投資生態系，靠自己的能力為自己創造投資收入，不用在外花錢聽信無根據的明牌，讓大家用很低的成本複製我們在財經一路上的所學與經驗。除了過去在 Hahow 開設課程，現在為了打造更豐富的 Python 量化投資生態系，建置了 SaaS 與延伸教學內容平台，不斷研發，提供給大家更多武器應對複雜的金融市場。

---

會員註冊

---

進入首頁後，點選右上角登入按鈕，即可使用 Google 帳號登錄 FinLab 會員。若無 Google 帳號，請先 註冊 Google 帳號 方可接續進行。

---

開發環境選項

---

提供3種選項，每個人都可以選擇適合自己的環境：

1. Python: 使用 pip install finlab 並且在一般 Python 環境下執行回測

2. FinLab IDE: 免安裝，直接在網頁上執行 Python 程式語法，並搭配 FinLab 函式庫使用

3. FinLab GUI: 免安裝，直接在網頁上執行，用圖形化介面編輯策略

Python

純 Python 環境安裝:

pip install finlab

註：假如是在 Colab 環境下，可以使用 !pip install filab 來安裝

Finlab IDE

Step1

左側導覽列點選選股策略Icon。

Step2

點選“建立新策略”。

Step3

輸入策略名稱，點選“確定”。

Step4:

點選“程式碼編輯器”，進入IDE開發畫面。

Finlab GUI

Step1:

左側導覽列點選選股策略Icon。

Step2:

點選“建立新策略”。

Step3:

輸入策略名稱，點選“確定”。

Step4:

點選“圖形化編輯器”，進入GUI開發畫面。

---

獲取歷史資料

---

一行程式快速抓取豐富的股市資料庫！

Python

Step1:

利用 finlab.data 來得到「所有」歷史資料。

至資料庫目錄複製想獲取的資料的使用方法。 舉例：

from finlab import data
close = data.get('price:收盤價')
close

Step2:

初次下載資料會跳出驗證碼請求，若有成功註冊會員，畫面會顯示驗證碼，再將驗證碼複製填入“輸入驗證碼”欄位即可獲取資料。

Finlab IDE

方法1:

至資料庫目錄複製想獲取的資料的使用方法貼到IDE編寫。 舉例：

from finlab import data
close = data.get('price:收盤價')
close

方法2:

至IDE右側財務指標或技術指標點選，即可生成data.get(所選指標)的程式碼於IDE。 舉例：

Finlab GUI

Step1:

至IDE右側財務指標或技術指標點選，即可生成所選的指標拼圖於GUI。 舉例：

---

策略開發與回測

---

簡單開發策略，執行強大的回測系統！

Python

Step1:

利用python pandas及finlab語法撰寫條件程式碼。 Colab範例檔連結。 程式範例如下:

from finlab import data
from finlab.backtest import sim

# 下載資料
pe = data.get('price_earning_ratio:本益比')
close = data.get('price:收盤價')

# 收盤價位於20日均線支撐上
cond1=close > close.rolling(20).mean()

# 使用indicator計算rsi指標
rsi=data.indicator('RSI', timeperiod=5)
# rsi高檔鈍化
cond2=(rsi>80).rolling(3).sum()==3

# 排除股價過高與過低的股票
cond3=(close > 5)&(close < 500)

# 選出買進訊號中益本比前10大標地
ind=(1/pe)*(cond1&cond2&cond3)
position=ind.is_largest(10)

sim(position,resample='M',name="demo_strategy")

Step2:

取得回測結果

Finlab IDE

Step1:

利用python pandas及finlab語法撰寫條件程式碼，範例如下:

from finlab import data
from finlab.backtest import sim

# 下載資料
pe = data.get('price_earning_ratio:本益比')
close = data.get('price:收盤價')

# 收盤價位於20日均線支撐上
cond1=close > close.rolling(20).mean()

# 使用indicator計算rsi指標
rsi=data.indicator('RSI', timeperiod=5)

# rsi高檔鈍化
cond2=(rsi>80).rolling(3).sum()==3

# 排除股價過高與過低的股票
cond3=(close > 5)&(close < 500)

# 選出買進訊號中益本比前10大標地
ind=(1/pe)*(cond1&cond2&cond3)
position=ind.is_largest(10)

sim(position,resample='M',name="demo_strategy")

Step2:

執行程式(範例圖紅圈處)。

Step3:

取得回測結果。

Finlab GUI

Step1:

GUI操作原則:

1. 拼圖顏色由外而內配置順序為：紅、黃、藍、紫，不同顏色代表不同主功能。
2. 依資料邏輯填入數值，若邏輯正確，拼圖即可拼接，否則無法填入。
3. 拼接完成後，按下方執行鈕(範例圖紅圈處)，回測即開始執行。

選股範例條件如下:

1. 收盤價位於20日均線支撐上。
2. rsi高檔鈍化，連3日大於80。
3. 股價介於5-500。
4. 最後選出買進訊號中益本比前10大標地。

GUI操作範例如下:

Step2:

取得回測結果。

功能指南

以下為使用 finlab package 更細部的介紹，針對每一個函式撰寫範例。

---

獲取歷史資料

finlab.data.get(dataset)

---

利用 finlab.data 來得到「所有」歷史資料，可以至資料庫目錄複製資料的使用方法。一行程式快速抓取豐富的股市資料庫！ 目前針對 FREE 跟 VIP 用戶，所得到的資料時間段不同：

• FREE 用戶：去除最近兩個月之歷史資料
• VIP 用戶：完整歷史和當天資料

資料格式為分為兩種：「時間序列資料」和「非時間序列資料」

1. 時間序列資料

資料獲取方法，就是使用 data.get 函式，傳入：主資料:子資料 的格式，例如price:收盤價。 獲得的資料，其縱軸為日期，橫軸為股票代號，製作選股策略非常方便。

from finlab import data
data.get('price:收盤價')

2. 非時間序列資料(table)

資料獲取方法，就是使用 data.get 函式，傳入：主資料 的格式，例如 company_main_business。可以發現拿到的資料，不是按照時間序列排列。

from finlab import data
data.get('company_main_business')

---

技術指標計算

finlab.data.indicator(indname:str, adjust_price:bool=False, resample:str='D', **kwargs):

---

支援 Talib 上百種技術指標！只需要一行，幫你算出2000檔股票、10年的所有資訊！

使用設定

在使用這個函式前，必需要先安裝 talib 套件，可以參考 官方安裝教學 來安裝，支援 Windows、MacOS、Linux。

參數說明：

• indname: talib指標名稱，例如 SMA, STOCH, RSI 等，可以參考 talib 教學。
• adjust_price: 是否使用還原股價計算。
• resample: 技術指標價格週期，ex: D 代表日線, W 代表週線, M 代表月線。
• **kwargs: 所選talib指標的其他參數設定，以 RSI 為例，參考 talib 文件中 RSI 範例，調整項為計算週期 timeperiod。

建議使用者可以先參考以下範例，並且搭配 talib官方文件，就可以掌握製作技術指標的方法了。

範例一

計算所有股票的 RSI 數值

from finlab import data
data.indicator('RSI', timeperiod=14)

上圖中，可以看到資料包含 NaN ，代表資料筆數不足，無法計算出數值，每一檔股票除了剛開始的 14 天外，幾乎都會有數值。

範例二

計算所有股票的 KD 值，由於 KD 數值是由 K 和 D 所組成，每一檔股票每天會有兩個數值，所以 data.indicator 會自動回傳兩個 pd.DataFrame，可以用 k, d = data.indicator('STOCH') 將 K 與 D 數值紀錄，之後用於比大小，例如 k > d。

from finlab import data
k, d = data.indicator('STOCH')
k

範例三 (續) 選股

延續上述的範例二，假如我們希望將最近一天 K > D 值的股票清單列出來，可以用以下語法

(k > d).iloc[-1]

0015    False
0050     True
0051    False
0052     True
0053     True
        ...  
9951     True
9955    False
9958    False
9960     True
9962     True
Name: 2021-07-13 00:00:00, Length: 2269, dtype: bool

---

限定上市櫃、類股

finlab.data.set_universe(market='ALL', category='ALL')

---

使用者可以使用此函式設定市場與類股的回測標的 設定完畢後，再使用 data.get 或是 data.indicator 時，就只會獲得所選範圍之標的，所得到的股票會被過濾。

參數說明

• market (str): 市場名稱。 範例： 'ALL', 'TSE', 'OTC', 'TSE_OTC', 'ETF'
• category (str or list): 類股名稱，可以使用模糊比對，例如 '電子'，會選到'電子工業', '電子通路業'... 等。

'光電業', '其他', '其他電子業',
'化學工業', '半導體', '半導體業', '塑膠工業', '存託憑證', '建材營造', '文化創意業', '橡膠工業', '水泥工業',
'汽車工業', '油電燃氣業', '玻璃陶瓷', '生技醫療', '生技醫療業', '紡織纖維', '航運業', '觀光事業', '貿易百貨',
'資訊服務業', '農業科技', '通信網路業', '造紙工業', '金融保險業', '金融業', '鋼鐵工業', '電器電纜', '電子商務',
'電子工業', '電子通路業', '電子零組件', '電子零組件業', '電機機械', '電腦及週邊', '電腦及週邊設備業', '食品工業'

程式範例

限定只抓取上市櫃普通股(排除ETF、ETN、特別股、存託憑證)

from finlab import data
data.set_universe(market='TSE_OTC', category='水泥') # 水泥工業

data.get('price:收盤價')

---

回測模組

finlab.backtest.sim(position, resample=None, ...)

---

一行執行強大的回測系統，產生 position 的每日訊號，帶入 finlab.backtest.sim 進行回測，快速得到風險報酬分析、選股清單！

參數說明

• position (pd.Dataframe): 買賣訊號紀錄。 True 為持有， False 為空手。 必填。
• resample (str): 交易週期。將 position 的訊號以週期性的方式論動股票，預設為每天換股。其他常用數值為 W、 M 、 Q （每週、每月、每季換股一次），也可以使用 W-Fri 在週五的時候產生新的股票清單，並且於下週交易日下單。更多freq的選擇請見pandas文件。
• trade_at_price (str): 選擇回測之還原股價以收盤價或開盤價計算。可選'close'或'open'。
• fee_ratio (float): 交易手續費率，預設為台灣無打折手續費 0.001425。
• tax_ratio (float): 交易稅率，預設為台灣交易稅率 0.003
• name (str): 策略名稱，預設為 未指名。策略名稱。相同名稱之策略上傳會覆寫。
• stop_loss (float): 停損基準。範例：0.1，代表成本價下跌 10% 時出場。
• take_profit (float): 停利基準。範例：0.1，代表成本價上漲 10% 時出場。

程式範例

你相信年報酬 +27% 的策略，程式碼三行就搞定嗎？讓 FinLab 打開你的眼界，接下來我們可以建構一個策略，策略每個月會檢查股票清單，持有價格小於 6 元的股票，剔除價格大於 6 元的股票，每個月底執行，周而復始。來回測看看這樣的績效到底如何：

from finlab import data
from finlab import backtest

# 只買入價格小於 6 元的股票
close = data.get('price:收盤價')
position = close < 6

# 回測，每月(M)調整一次
backtest.sim(position, resample='M', name="價格小於6的股票")

此時，使用者可以點選下方的「選股清單」來查看今天的持股狀況，甚至是手動跟單，來將虛擬的獲利變成現實。

---

回測條件範例

---

創新高策略

股票最忌諱就是「買高賣低」，汲汲營營，但是你有沒有想過，大家都怕買高，反而要買更高？ 創新高的股票，由於受到市場的關注，上漲動能非常強，所以選擇這些股票，就能帶來不錯的報酬率。 下方的條件，使用了 pd.DataFrame 裡的功能 rolling(250).max()，代表 250 天的最高價， 假如今天的收盤，等於 250 天的最高價，就代表創新高了！

from finlab import data
from finlab.backtest import sim

# 創 250 天新高的股票
close = data.get('price:收盤價')
position = (close == close.rolling(250).max())

# 回測，每月(M)調整一次，選出當天創新高股票
sim(position, resample='M', name="創年新高策略")

高 RSI 技術指標策略

上述策��會選出很多檔策略，要是我們只想要選出 20 檔要怎麼寫呢？這個策略我們可以將 RSI 最大的 20 檔股票納入組合，並且持有一週，來試試看效果如何。我們可以用 data.indicator 來計算所有股票的 RSI，也可以用 rsi.is_largest 來計算此股票的 RSI 是否是最大的 20 檔。

from finlab import data
from finlab.backtest import sim

# 選出 RSI 最大的 20 檔股票
rsi = data.indicator('RSI')
position = rsi.is_largest(20)

# 回測，每月(M)調整一次
report = sim(position, resample='W', name="高RSI策略")

乖離率和財報濾網策略

可以一次使用兩種不同的指標來選股嗎？答案是肯定的，而且這兩個指標，還可以是每季的財報跟每天的價格，混和條件選股，由於下方的 roe 和 close 並不是 pd.DataFrame 而是 finlab.dataframe.FinlabDataFrame ，當在做條件運算，例如交集、聯集（and or）時，不同頻率的 index 會被取連集並且整合，所以使用者不需要思考，究竟資料是「季」還是「月」還是「日」，可以直接當作 index 和 columns 是對齊的，直接運算（程式會自動想辦法）。

下面的策略，利用 close / close.shift(60) 計算乖離率，並取 30 檔股票出來，再用 ROE 當濾網，選擇 ROE 為正的股票。

from finlab import data
from finlab.backtest import sim

# 下載 ROE 跟收盤價
roe = data.get("fundamental_features:ROE稅後")
close = data.get('price:收盤價')

position = (
      (close / close.shift(60)).is_largest(30) # 選出乖離率前 30 名的股票
    & (roe > 0) # 選出 ROE 大於 0 的股票
)

# 回測，每月(M)調整一次
report = sim(position, resample='M', name="乖離率和ROE濾網策略")

如何管理策略

---

刪除策略

點選策略右側齒輪符號(下圖紅圈處)刪除策略。

設定自動更新策略

點選右上“設定自動更新策略”按鈕，設定需要每日自動更新清單與回測的策略，選取策略名稱與更新時間，目前每個帳號限定3項策略可自動更新。

Note:限定使用Finlab IDE介面上傳程式方可設定自動更新策略。使用colab或其他編輯器者，可在撰寫完策略後，將程式貼於Finlab IDE介面執行。

分享策略與程式

1. 點選策略名稱進入策略，之後點選在策略名稱旁的齒輪符號。
2. 進入“策略網址的分享權限設定，未設定公開前，只有帳戶本人才能看到自己的策略。若想分享策略清單與相關程式，權限可以選擇“隱藏”之外的選項，
3. 確認設定後，即可分享策略的網址給其他人參考。

Step1:

Step2:

Step3:

視覺化子模組（暫不支援網頁）

---

繪製K線圖組

finlab.plot.plot_tw_stock_candles(stock_id, recent_days=400, ...)

---

繪製K線圖，可以各種技術指標跟 K 線圖一起繪製。

參數說明

• stock_id (str): 標地代碼 ex:2330。
• recent_days (int): 取近n日內的資料。
• adjust_price (bool): 是否使用還原股價。
• resample (str): 技術指標價格週期，範例：D 代表日線, W代表週線, M 代表月線。
• overlay_func (dict): 主圖輔助線，範例可以參考下方教學 自定義格式寫法如下:

  {
      'ema_5':lambda df:abstract.EMA(df['close'],timeperiod=5),
      'ema_10':lambda df:abstract.EMA(df['close'],timeperiod=10),
      'ema_20':lambda df:abstract.EMA(df['close'],timeperiod=20),
      'ema_60':lambda df:abstract.EMA(df['close'],timeperiod=60),
  }
  

• technical_func(dict): 技術指標子圖，預設值為KD指標。 自定義格式寫法如下:

  {
      'rsi_10':lambda df:abstract.RSI(df['close'],timeperiod=10),
      'rsi_20':lambda df:abstract.RSI(df['close'],timeperiod=20),
  }
  

範例一：單一股票繪圖

最簡單的範例如下，可以直接呼叫並且繪製 2330 台積電的股價

from finlab.plot import plot_tw_stock_candles

plot_tw_stock_candles("2330")

範例二：日、月線繪圖

from finlab.plot import plot_tw_stock_candles

plot_tw_stock_candles("2330", resample="M")

範例三：客制化技術指標繪圖

我們可以額外使用 talib 來繪製想要看的技術指標，例如 5日、10日、20日的移動幾何平均，由於這些技術指標，是跟股價繪製在一起，所以可以用 overlay_function 這個參數。

from finlab.plot import plot_tw_stock_candles
import talib

overlay_func = {
    'ema_05': lambda df: talib.EMA(df.close, timeperiod=5),
    'ema_10': lambda df: talib.EMA(df.close, timeperiod=10),
    'ema_20': lambda df: talib.EMA(df.close, timeperiod=20),
}

plot_tw_stock_candles("2330", overlay_func=overlay_func)

範例四：客制化技術指標繪圖

與上述的範例不同，技術指標如 KD、RSI，不能跟股價繪製在同一張圖表，需要額外在不同的圖表上繪製，就可以使用 technical_func 來繪製：

from finlab.plot import plot_tw_stock_candles
import talib

technical_func = {
    'rsi_10': lambda df: talib.RSI(df['close'], timeperiod=10),
    'rsi_20': lambda df: talib.RSI(df['close'], timeperiod=20),
}
plot_tw_stock_candles("2330", technical_func=technical_func)

---

繪製樹狀板塊地圖

finlab.plot.plot_tw_stock_treemap(start=None, end=None, ...)

---

板塊地圖，可以用來瞭解股票的成交量分佈，以及現金流的轉換。

參數說明

• start (str): 資料起始日，ex:2021-01-02。
• end (str): 資料結束日，ex:2021-01-05。
• adjust_price (bool): 是否使用還原股價。
• area_ind (str): 決定板塊面積大小的參數，可選範圍為["market_value", "turnover", "turnover_ratio"](分別為：市值、交易力量、交易佔比)。
• item (str): 決定板塊面積大小的參數，預設可選範圍為["return_ratio", "turnover_ratio"]或是帶入finlab database的使用方法，ex:'price_earning_ratio:本益比'。
• color_scales (str): 色溫條樣式， 詳細資訊。

程式範例

以下範例為使用此函式，繪製出 2021-7-1 ~ 2021-7-2 的成交量的比例。其面積是成交量的大小，而顏色則是上漲或下跌的幅度。

from finlab.plot import plot_tw_stock_treemap

plot_tw_stock_treemap(
    start='2021-7-1',
    end='2021-7-2',
    area_ind='turnover_ratio',
    item='turnover_ratio')

---

繪製財務指標分級雷達圖

finlab.plot.plot_tw_stock_radar(df=None, feats=None, ...)

---

參數說明

• df(dataframe): 客製化指標dataframe，數值使用pandas的rank與cut做群組分級。如果不填，則使用下一個feats參數帶入現有資料庫指標 格式範例:

              營業毛利率	營業利益率	稅後淨利率
  stock_id
  1101	          6	        9	      9
  1102	          6	        9	      9
  1103	          1	        1	      1
  1104	          4	        7	      8
  1108	          3	        6	      5
  

• feats (list): 指標清單，填入資料庫使用方法至list。預設為20項常用財務指標。 格式範例:

  ['fundamental_features:營業毛利率','fundamental_features:營業利益率']
  

• select_targets(list): 台股標的清單。 格式範例:['1101','1102']

• mode(str): 雷達圖模式選擇，可用模式為'line_polar','bar_polar','scatter_polar'， 詳細資訊。

• line_polar_fill(str): line_polar模式下的圖型填滿選擇，可用模式為:None,'toself','tonext'， 詳細資訊。

• cut_bins(int): 設定指標分級級距。

• title(str): 設定圖表標題。

範例一 Polar Bar

適合呈現整體投資組合指標累積評分結果。

from finlab.plot import plot_tw_stock_radar

plot_tw_stock_radar(
    select_targets=["1101", "2330", "8942", "6263"],
    mode="bar_polar" ,
    line_polar_fill=line_polar_fill)

範例二 Polar Line

line_polar 適合比較單一標地指標評分。

from finlab.plot import plot_tw_stock_radar

plot_tw_stock_radar(
    select_targets=["1101", "2330", "8942", "6263"],
    mode="bar_polar" ,
    line_polar_fill=None)

Pandas 基礎語法

FinLab 策略程式的開發建立在 Pandas 的基礎，藉由 Pandas 強大的資料處理功能，我們可以省下許多學習成本，更方便地操控資料。以下整理出經常使用在策略撰寫函數，並以 Finlab 財經資料為範例，示範策略轉寫。若你已經有 Python 基礎，此份資料方便你在處理資料遇到困難時得以檢索、複習、套用，無論在使用 Finlab 模組功能或開發其他延伸應用，都能得心應手。若你想操考更多語法功能細節，請參考文章底處的參考資源連結。

colab 範例連結

讀取函式庫

import pandas as pd
import numpy as np
from finlab import data

準備歷史資料

pd.Dataframe 建立二維資料表，有索引與欄位。可想成是多欄資料，由多個Series組成。

資料格式範例，我們這個章節，將分析三檔股票

• 鴻海 2317
• 台積電 2330
• 大立光 3008 利用語法將 2018 年的股票資料取出，接下來的資料分析，就會著重在這三檔股票。

df = data.get('price:收盤價')
df = df.loc['2018', ['2317', '2330', '3008']]
df

            2317   2330    3008
date                           
2018-01-02  95.0  232.5  4255.0
2018-01-03  94.0  237.0  4145.0
2018-01-04  92.6  239.5  4135.0
2018-01-05  93.0  240.0  4100.0
2018-01-08  91.8  242.0  3930.0
...          ...    ...     ...
2018-12-24  71.4  220.0  3270.0
2018-12-25  70.7  217.5  3165.0
2018-12-26  70.2  216.5  3125.0
2018-12-27  70.8  223.0  3135.0
2018-12-28  70.8  225.5  3215.0

資料檢索

可以將上述的 df 中，用時間和股票來選取其中的一小部分，以下是各種的用法

• 選取「列」

  我們可以選取歷史資料中的一條時間序列，例如我們希望將 2330 台積電從上述 df 中取出來：

  df['2330']
  

  date
  2018-01-02    232.5
  2018-01-03    237.0
  2018-01-04    239.5
  2018-01-05    240.0
  2018-01-08    242.0
              ...  
  2018-12-24    220.0
  2018-12-25    217.5
  2018-12-26    216.5
  2018-12-27    223.0
  2018-12-28    225.5
  Name: 2330, Length: 247, dtype: float64
  

• 選取頭跟尾

  head & tail 會選取前 n 筆，和後 n 筆資料，預設 n = 5

  df.head()
  

              2317   2330    3008
  date                           
  2018-01-02  95.0  232.5  4255.0
  2018-01-03  94.0  237.0  4145.0
  2018-01-04  92.6  239.5  4135.0
  2018-01-05  93.0  240.0  4100.0
  2018-01-08  91.8  242.0  3930.0
  

  df.tail(3)
  

              2317   2330    3008
  date                           
  2018-12-26  70.2  216.5  3125.0
  2018-12-27  70.8  223.0  3135.0
  2018-12-28  70.8  225.5  3215.0
  

• 選取 index 跟 columns

  df.index
  

  DatetimeIndex(['2018-01-02', '2018-01-03', '2018-01-04', '2018-01-05',
              '2018-01-08', '2018-01-09', '2018-01-10', '2018-01-11',
              '2018-01-12', '2018-01-15',
              ...
              '2018-12-18', '2018-12-19', '2018-12-20', '2018-12-21',
              '2018-12-22', '2018-12-24', '2018-12-25', '2018-12-26',
              '2018-12-27', '2018-12-28'],
              dtype='datetime64[ns]', name='date', length=247, freq=None)
  

  df.columns
  

  Index(['2317', '2330', '3008'], dtype='object')
  

3. values:取值。

demo_values=df.values

array([[  9.54,  57.85,  32.83, ...,    nan,  46.  ,  49.6 ],
       [  9.54,  58.1 ,  32.99, ...,    nan,  45.9 ,  50.4 ],
       [  9.52,  57.6 ,  32.8 , ...,    nan,  49.1 ,  49.1 ],
       ...,
       [   nan, 137.6 ,  57.8 , ..., 131.5 ,  27.2 ,  14.6 ],
       [   nan, 138.95,  58.2 , ..., 134.  ,  27.35,  16.05],
       [   nan, 138.3 ,  57.9 , ..., 129.5 ,  27.25,  17.65]])

boolean indexing: 索引布林邏輯篩選。

ex:取得索引大於2020年份的資料。

demo_boolean_indexing=df[df.index>'2020']

	0015	0050	0051	0052	0053
date					
2020-01-02	NaN	97.65	35.45	73.30	42.70
2020-01-03	NaN	97.65	35.30	72.85	42.58
2020-01-06	NaN	96.40	35.10	72.05	42.04
2020-01-07	NaN	96.10	34.72	71.80	41.70
2020-01-08	NaN	95.65	34.69	71.25	41.61
...	...	...	...	...	...
2021-06-25	NaN	136.95	57.85	124.30	66.30
2021-06-28	NaN	137.20	57.90	124.20	66.15
2021-06-29	NaN	137.60	57.80	124.65	66.45
2021-06-30	NaN	138.95	58.20	125.00	66.80
2021-07-01	NaN	138.30	57.90	124.35	66.20

loc: 使用標籤篩選欄列。

ex:選擇2020-01-03~2020-01-08中所有標地的股價。

demo_loc1=df.loc['2020-01-03':'2020-01-08']

	0015	0050	0051	0052	0053
date					
2020-01-03	NaN	97.65	35.30	72.85	42.58
2020-01-06	NaN	96.40	35.10	72.05	42.04
2020-01-07	NaN	96.10	34.72	71.80	41.70
2020-01-08	NaN	95.65	34.69	71.25	41.61

ex:選擇0050&1101&2330的股價，以下兩種方法等價。

demo_loc2=df.loc[:,['0050','1101','2330']]
demo_column_select=df[['0050','1101','2330']]

	0050	1101	2330
date			
2007-04-23	57.85	29.60	68.6
2007-04-24	58.10	30.25	69.8
2007-04-25	57.60	29.65	69.3
2007-04-26	57.70	29.65	69.9
2007-04-27	57.50	30.35	69.0
...	...	...	...
2021-06-25	136.95	51.00	591.0
2021-06-28	137.20	51.10	590.0
2021-06-29	137.60	51.20	595.0
2021-06-30	138.95	51.00	595.0
2021-07-01	138.30	50.60	593.0

ex:選擇2020-01-03~2020-01-08中0050&1101&2330的股價。 demo_loc3=df.loc['2020-01-03':'2020-01-08',['0050','1101','2330']]

0050	1101	2330
date			
2020-01-03	97.65	43.95	339.5
2020-01-06	96.40	43.45	332.0
2020-01-07	96.10	43.60	329.5
2020-01-08	95.65	43.40	329.5

iloc: 使用標籤位置篩選欄列。

ex:選擇第6列到第10列的資料。

demo_iloc1=df.iloc[5:10]

0015	0050	0051	0052	0053
date					
2007-04-30	9.37	56.90	32.07	38.10	NaN
2007-05-02	9.50	57.55	32.02	38.49	NaN
2007-05-03	9.41	58.20	31.75	38.80	NaN
2007-05-04	9.59	59.20	32.41	39.23	NaN
2007-05-07	9.60	59.55	32.60	39.44	NaN

ex:選擇df表中第6檔到第10檔標地資料。

demo_iloc2=df.iloc[:,5:10]

	0054	0055	0056	0057	0058
date					
2007-04-23	NaN	NaN	NaN	NaN	NaN
2007-04-24	NaN	NaN	NaN	NaN	NaN
2007-04-25	NaN	NaN	NaN	NaN	NaN
2007-04-26	NaN	NaN	NaN	NaN	NaN
2007-04-27	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...
2021-06-25	31.84	21.25	34.74	94.05	NaN
2021-06-28	31.84	21.29	35.10	94.05	NaN
2021-06-29	31.80	21.20	34.80	94.70	NaN
2021-06-30	31.90	21.26	35.00	95.45	NaN
2021-07-01	31.56	21.24	35.00	94.95	NaN

ex:選擇第6列到第10列的資料&選擇df表中第6檔到第10檔標地資料。

demo_iloc3=df.iloc[5:10,5:10]

	0054	0055	0056	0057	0058
date					
2007-04-30	NaN	NaN	NaN	NaN	NaN
2007-05-02	NaN	NaN	NaN	NaN	NaN
2007-05-03	NaN	NaN	NaN	NaN	NaN
2007-05-04	NaN	NaN	NaN	NaN	NaN
2007-05-07	NaN	NaN	NaN	NaN	NaN

nlargest & nsmallest:

1. nlargest:取前n大，ex:取近一日股價前n高的標地。

demo_nlargest=df.iloc[-1].nlargest(10)

6415    3710.0
3008    3105.0
5274    2115.0
8454    1900.0
4966    1380.0
5269    1375.0
6409    1340.0
3529    1310.0
1590    1100.0
6669     976.0
Name: 2021-07-01 00:00:00, dtype: float64

2. nsmallest:取前n大，ex:取近一日股價前n低的標地。

demo_nsmallest=df.iloc[-1].nsmallest(10)

8101      2.61
5701      2.85
02001R    2.88
3095      2.96
2443      2.99
6289      2.99
9188      3.09
9110      3.12
2364      3.22
6225      3.40
Name: 2021-07-01 00:00:00, dtype: float64

顯示控制 pandas預防資源消耗，預設顯示列數為10(頭尾各五列)，中間資料以‘...’帶過，若想要調整顯示數量來檢視資料，可作以下控制。 :::info :bulb: Hint: 要注意的是此影響為全域，接下來的顯示數都會被影響。 ::: set_option:

1. 列數全展開:

pd.set_option("display.max_rows", None)

2. 欄數全展開:

pd.set_option("display.max_columns", None)

3. 最多顯示20列:

pd.set_option("display.max_rows", 20)

4. 最多顯示20欄:

pd.set_option("display.max_columns", 20)

5. 還原顯示數預設初始值:

pd.reset_option("^display")

資料運算

更多細節參考 sum:

加總，axis=0為整欄加總，axis=1為整列加總。

ex:計算每日股價大於100的標地數量

產生股價大於100元的布林dataframe，若大於100則顯示True(計算時視為1)，若不大於100則顯示False(計算時視為0)
price_up_10=df>100
demo_sum=price_up_10.sum(axis=1)

date
2007-04-23     70
2007-04-24     72
2007-04-25     70
2007-04-26     71
2007-04-27     71
             ... 
2021-06-25    282
2021-06-28    285
2021-06-29    283
2021-06-30    283
2021-07-01    280
Length: 3503, dtype: int64

mean & median & std:

1. mean:平均數，常用於計算均線。 demo_mean=df.mean()

0015     7.697360
0050    67.783269
0051    29.989126
0052    45.283546
0053    29.846568
          ...    
9951    84.396078
9955    30.770911
9958    29.483578
9960    24.562452
9962    12.956349
Length: 2269, dtype: float64

2. median:中位數。

demo_median=df.median()

0015     7.49
0050    62.90
0051    29.44
0052    38.77
0053    27.10
        ...  
9951    79.00
9955    20.90
9958    11.50
9960    22.30
9962    11.50
Length: 2269, dtype: float64

3. std:標準差，常用於計算乖離率。

demo_std=df.std()

0015     1.482317
0050    19.781026
0051     6.076147
0052    20.926838
0053     9.881821
          ...    
9951    54.171955
9955    21.267716
9958    33.751259
9960     8.755944
9962     6.390186
Length: 2269, dtype: float64

max & min:

1. max:最大值。

demo_max=df.max()

0015     12.40
0050    143.00
0051     58.20
0052    136.45
0053     68.80
         ...  
9951    220.00
9955    140.50
9958    141.50
9960     61.10
9962     50.40
Length: 2269, dtype: float64

2. min:最小值。

demo_min=df.min()

0015     4.15
0050    29.50
0051    13.40
0052    17.02
0053    11.85
        ...  
9951     0.00
9955    10.90
9958     5.10
9960     0.00
9962     4.95
Length: 2269, dtype: float64

cumsum & cumprod:

1. cumsum:累加。

ex:累積漲多少元。

demo_diff=df.diff()
demo_cumsum=demo_diff.cumsum()

	0015	0050	0051	0052	0053
date					
2007-04-23	NaN	NaN	NaN	NaN	NaN
2007-04-24	0.00	0.25	0.16	0.25	NaN
2007-04-25	-0.02	-0.25	-0.03	0.19	NaN
2007-04-26	0.05	-0.15	-0.03	0.20	NaN
2007-04-27	0.01	-0.35	-0.11	0.00	NaN
...	...	...	...	...	...
2021-06-25	NaN	79.10	25.57	86.56	37.18
2021-06-28	NaN	79.35	25.62	86.46	37.03
2021-06-29	NaN	79.75	25.52	86.91	37.33
2021-06-30	NaN	81.10	25.92	87.26	37.68
2021-07-01	NaN	80.45	25.62	86.61	37.08

2. cumprod:累乘。

ex:常用於計算累積報酬率。

demo_pct_change=df.pct_change()+1
demo_cumprod=demo_pct_change.cumprod()

	0015	0050	0051	0052	0053
date					
2007-04-23	NaN	NaN	NaN	NaN	NaN
2007-04-24	1.000000	1.004322	1.004874	1.006510	NaN
2007-04-25	0.997904	0.995678	0.999086	1.004948	NaN
2007-04-26	1.005241	0.997407	0.999086	1.005208	NaN
2007-04-27	1.001048	0.993950	0.996649	1.000000	NaN
...	...	...	...	...	...
2021-06-25	0.966457	2.367329	1.762108	3.236979	2.207057
2021-06-28	0.966457	2.371651	1.763631	3.234375	2.202064
2021-06-29	0.966457	2.378565	1.760585	3.246094	2.212051
2021-06-30	0.966457	2.401901	1.772769	3.255208	2.223702
2021-07-01	0.966457	2.390666	1.763631	3.238281	2.203728

cummax & cummin:

1. cummax:累積最大值，常用於計算drawdown、創新高。

demo_cummax=df.cummax()

	0015	0050	0051	0052	0053
date					
2007-04-23	9.54	57.85	32.83	38.40	NaN
2007-04-24	9.54	58.10	32.99	38.65	NaN
2007-04-25	9.54	58.10	32.99	38.65	NaN
2007-04-26	9.59	58.10	32.99	38.65	NaN
2007-04-27	9.59	58.10	32.99	38.65	NaN
...	...	...	...	...	...
2021-06-25	NaN	143.00	57.85	136.45	68.8
2021-06-28	NaN	143.00	57.90	136.45	68.8
2021-06-29	NaN	143.00	57.90	136.45	68.8
2021-06-30	NaN	143.00	58.20	136.45	68.8
2021-07-01	NaN	143.00	58.20	136.45	68.8

2. cummin:累積最小值，常用於計算drawdown、創新低。

demo_cummin=df.cummin()

0015	0050	0051	0052	0053
date					
2007-04-23	9.54	57.85	32.83	38.40	NaN
2007-04-24	9.54	57.85	32.83	38.40	NaN
2007-04-25	9.52	57.60	32.80	38.40	NaN
2007-04-26	9.52	57.60	32.80	38.40	NaN
2007-04-27	9.52	57.50	32.72	38.40	NaN
...	...	...	...	...	...
2021-06-25	NaN	29.50	13.40	17.02	11.85
2021-06-28	NaN	29.50	13.40	17.02	11.85
2021-06-29	NaN	29.50	13.40	17.02	11.85
2021-06-30	NaN	29.50	13.40	17.02	11.85
2021-07-01	NaN	29.50	13.40	17.02	11.85

quantile:

計算第c百分位數數值，常用於取標的數前c%強標地。

demo_quantile=df.iloc[-1].quantile(0.9)

126.0

corr: 計算相關性。

demo_corr=df.iloc[:,:5].corr()

0015	0050	0051	0052	0053
0015	1.000000	0.892513	0.922749	0.926133	0.823550
0050	0.892513	1.000000	0.852582	0.968580	0.989484
0051	0.922749	0.852582	1.000000	0.851140	0.870181
0052	0.926133	0.968580	0.851140	1.000000	0.983993
0053	0.823550	0.989484	0.870181	0.983993	1.000000

describe: 計算統計資料。

demo_describe=df.describe()

	0015	0050	0051	0052	0053
count	1640.000000	3503.000000	3500.000000	3395.000000	3435.000000
mean	7.697360	67.783269	29.989126	45.283546	29.846568
std	1.482317	19.781026	6.076147	20.926838	9.881821
min	4.150000	29.500000	13.400000	17.020000	11.850000
25%	7.090000	54.850000	26.497500	33.440000	23.880000
50%	7.490000	62.900000	29.440000	38.770000	27.100000
75%	8.300000	78.250000	32.252500	50.100000	33.825000
max	12.400000	143.000000	58.200000	136.450000	68.800000

移動窗格作業

shift: 資料移動，常用於前後期數值增減比較、年增率計算。

ex:收盤價向下平移一列，第一列會變NaN。

demo_shift1=df.shift()

	0015	0050	0051	0052	0053
date					
2007-04-23	NaN	NaN	NaN	NaN	NaN
2007-04-24	9.54	57.85	32.83	38.40	NaN
2007-04-25	9.54	58.10	32.99	38.65	NaN
2007-04-26	9.52	57.60	32.80	38.59	NaN
2007-04-27	9.59	57.70	32.80	38.60	NaN
...	...	...	...	...	...
2021-06-25	NaN	136.70	57.60	124.70	65.75
2021-06-28	NaN	136.95	57.85	124.30	66.30
2021-06-29	NaN	137.20	57.90	124.20	66.15
2021-06-30	NaN	137.60	57.80	124.65	66.45
2021-07-01	NaN	138.95	58.20	125.00	66.80

ex:收盤價向上平移一列，最後一列會變NaN。。

demo_shift2=df.shift(-1)

	0015	0050	0051	0052	0053
date					
2007-04-23	9.54	58.10	32.99	38.65	NaN
2007-04-24	9.52	57.60	32.80	38.59	NaN
2007-04-25	9.59	57.70	32.80	38.60	NaN
2007-04-26	9.55	57.50	32.72	38.40	NaN
2007-04-27	9.37	56.90	32.07	38.10	NaN
...	...	...	...	...	...
2021-06-25	NaN	137.20	57.90	124.20	66.15
2021-06-28	NaN	137.60	57.80	124.65	66.45
2021-06-29	NaN	138.95	58.20	125.00	66.80
2021-06-30	NaN	138.30	57.90	124.35	66.20
2021-07-01	NaN	NaN	NaN	NaN	NaN

rolling: 移動窗格作業，常結合資料運算公式做滾動式計算。

ex:計算20日移動平均線(前n筆數資料未滿10日取na，未滿20日以n日計算)。

demo_rolling=df.rolling(20,min_periods=10).mean()

0015	0050	0051	0052	0053
date					
2007-04-23	NaN	NaN	NaN	NaN	NaN
2007-04-24	NaN	NaN	NaN	NaN	NaN
2007-04-25	NaN	NaN	NaN	NaN	NaN
2007-04-26	NaN	NaN	NaN	NaN	NaN
2007-04-27	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...
2021-06-25	NaN	137.0975	55.6150	124.5325	65.8150
2021-06-28	NaN	137.1675	55.8250	124.5675	65.8725
2021-06-29	NaN	137.1925	56.0050	124.5475	65.8950
2021-06-30	NaN	137.2550	56.1575	124.5425	65.9225
2021-07-01	NaN	137.2850	56.2975	124.5550	65.9500

diff: 列數相減。

ex:取每日漲跌價。

demo_diff=df.diff()

	0015	0050	0051	0052	0053
date					
2007-04-23	NaN	NaN	NaN	NaN	NaN
2007-04-24	0.00	0.25	0.16	0.25	NaN
2007-04-25	-0.02	-0.50	-0.19	-0.06	NaN
2007-04-26	0.07	0.10	0.00	0.01	NaN
2007-04-27	-0.04	-0.20	-0.08	-0.20	NaN
...	...	...	...	...	...
2021-06-25	NaN	0.25	0.25	-0.40	0.55
2021-06-28	NaN	0.25	0.05	-0.10	-0.15
2021-06-29	NaN	0.40	-0.10	0.45	0.30
2021-06-30	NaN	1.35	0.40	0.35	0.35
2021-07-01	NaN	-0.65	-0.30	-0.65	-0.60

pct_change: 列數相除。

ex:取每日漲跌幅。

demo_pct_change=df.pct_change()

	0015	0050	0051	0052	0053
date					
2007-04-23	NaN	NaN	NaN	NaN	NaN
2007-04-24	0.000000	0.004322	0.004874	0.006510	NaN
2007-04-25	-0.002096	-0.008606	-0.005759	-0.001552	NaN
2007-04-26	0.007353	0.001736	0.000000	0.000259	NaN
2007-04-27	-0.004171	-0.003466	-0.002439	-0.005181	NaN
...	...	...	...	...	...
2021-06-25	0.000000	0.001829	0.004340	-0.003208	0.008365
2021-06-28	0.000000	0.001825	0.000864	-0.000805	-0.002262
2021-06-29	0.000000	0.002915	-0.001727	0.003623	0.004535
2021-06-30	0.000000	0.009811	0.006920	0.002808	0.005267
2021-07-01	0.000000	-0.004678	-0.005155	-0.005200	-0.008982

使用FinlabDataFrame的功能

除了使用熟悉的 Pandas 語法，還可以使用FinlabDataFrame的function!

data.get()的資料繼承FinlabDataFrame的功能，function下列:

1. average(n):取移動平均，min_periods=int(n/2)。

df[['0050','1101']].average(10)

0050	1101
date		
2007-04-23	NaN	NaN
2007-04-24	NaN	NaN
2007-04-25	NaN	NaN
2007-04-26	NaN	NaN
2007-04-27	57.750	29.90
...	...	...
2021-06-25	137.220	51.18
2021-06-28	137.130	51.15
2021-06-29	137.005	51.14
2021-06-30	137.030	51.05
2021-07-01	137.030	50.96
3503 rows × 2 columns

2. is_largest(n):取前n大。

df.iloc[-10:].is_largest(5)

	3008	3529	4966	5269	5274	6415	8454
date							
2021-06-18	True	False	False	True	True	True	True
2021-06-21	True	False	False	True	True	True	True
2021-06-22	True	False	False	True	True	True	True
2021-06-23	True	False	True	False	True	True	True
2021-06-24	True	False	False	True	True	True	True
2021-06-25	True	True	False	False	True	True	True
2021-06-28	True	False	True	False	True	True	True
2021-06-29	True	False	True	False	True	True	True
2021-06-30	True	False	True	False	True	True	True
2021-07-01	True	False	True	False	True	True	True

3. is_smallest(n):取前n小。

df.iloc[-10:].is_smallest(5)

	02001R	2443	3095	5701	6289	8101	9110	9188
date								
2021-06-18	False	True	True	True	False	True	False	True
2021-06-21	False	True	True	True	False	True	True	False
2021-06-22	True	True	True	False	True	True	False	False
2021-06-23	True	True	False	True	True	True	False	False
2021-06-24	False	True	True	True	True	True	False	False
2021-06-25	False	True	True	True	True	True	False	False
2021-06-28	False	True	True	True	True	True	False	False
2021-06-29	True	True	True	True	False	True	False	False
2021-06-30	True	True	True	True	False	True	False	False
2021-07-01	True	True	True	True	False	True	False	False

4. rise(n=1):取比前第n筆高。

df.iloc[-10:,10:15].rise()

0059	0060	0061	006201	006202
date					
2021-06-18	False	False	False	False	False
2021-06-21	False	False	False	False	False
2021-06-22	False	False	True	True	False
2021-06-23	False	False	True	True	False
2021-06-24	False	False	False	False	False
2021-06-25	False	False	True	True	False
2021-06-28	False	False	True	False	False
2021-06-29	False	False	False	False	False
2021-06-30	False	False	False	True	False
2021-07-01	False	False	False	False	False

5. fall(n=1):取比前第n筆低。

df.iloc[-10:,10:15].fall()

0059	0060	0061	006201	006202
date					
2021-06-18	False	False	False	False	False
2021-06-21	False	False	True	True	False
2021-06-22	False	False	False	False	False
2021-06-23	False	False	False	False	False
2021-06-24	False	False	True	True	False
2021-06-25	False	False	False	False	False
2021-06-28	False	False	False	True	False
2021-06-29	False	False	True	True	False
2021-06-30	False	False	False	False	False
2021-07-01	False	False	True	True	False

6. sustain(nwindow, nsatisfy=None):取滾動nwindow筆加總大於nsatisfy。 :::info :bulb: Function Detail:

    def sustain(df,nwindow, nsatisfy=None):
        nsatisfy = nsatisfy or nwindow
        return df.rolling(nwindow).sum() >= nsatisfy

::: ex:是否連兩日上漲？

df.iloc[-10:,10:15].rise().sustain(2)

	0059	0060	0061	006201	006202
date					
2021-06-18	False	False	False	False	False
2021-06-21	False	False	False	False	False
2021-06-22	False	False	False	False	False
2021-06-23	False	False	True	True	False
2021-06-24	False	False	False	False	False
2021-06-25	False	False	False	False	False
2021-06-28	False	False	True	False	False
2021-06-29	False	False	False	False	False
2021-06-30	False	False	False	False	False
2021-07-01	False	False	False	False	False

7. quantile_row(n):返回請求軸上給n定分位數的值。 ex:取近10日股價前90％分位數

df.iloc[-10:].quantile_row(0.9)

date
2021-06-18    125.55
2021-06-21    122.56
2021-06-22    122.91
2021-06-23    127.00
2021-06-24    129.50
2021-06-25    130.35
2021-06-28    130.00
2021-06-29    128.75
2021-06-30    130.10
2021-07-01    126.10
Name: 0.9, dtype: float64

視覺化

乖離率線圖:

df=data.get('price:收盤價').iloc[-400:]['2330']
mean_20=df.rolling(20).mean()
std_value=df.rolling(20).std()

up=mean_20+std_value*2
down=mean_20-std_value*2
up.plot(label='up',legend=True)
down.plot(label='down',legend=True)
mean_20.plot(label='ma_20',legend=True)
df.plot(title='bias plot',label='close',legend=True,grid=True,figsize=(20, 8))

相關性熱力圖:

df=data.get('price:收盤價')
check_list=['1101','1102','2330','2454','6263','9939']
demo_corr=df.iloc[-600:][check_list].corr()

demo_corr.style.background_gradient(cmap ='viridis')\
        .set_properties(**{'font-size': '20px'})

策略範例

了解pandas語法後，就可以著手開發策略。

1. 均線多頭

df=data.get('price:收盤價')
# 限定範圍
df=df[(df.index>'2015')&(df.index<'2019')]

cond1=df>df.rolling(5).mean()
cond2=df>df.rolling(10,min_periods=5).mean()
cond3=df>df.rolling(20,min_periods=10).mean()
cond4=df>df.rolling(60,min_periods=40).mean()

position=(df*(cond1&cond2&cond3&cond4))
position=position[position>0]
position=position.is_largest(10)

2. 突破布林通道上緣

df=data.get('price:收盤價')
mean_20=df.rolling(20).mean()
std_value=df.rolling(20).std()

up=mean_20+std_value*2

# 收盤價剛站上布林通道上緣
cond1=(df>up)&(df.shift()<up)
cond2=(df>5)&(df<200)
position=(cond1&cond2)
position=position[position>0]
position=position.is_smallest(20)

參考資源

10分鐘上手Pandas Pandas官方網站