下面的代码是通过东财的 api 的获取数据，然后对数据进行线性回归，求得不同时间段的线性回归数据，包括线性回归期望值、残差标准差、斜率、截距、相关系数、P 值、标准误差。

import pandas as pd import requests import numpy as np import json from scipy import stats from datetime import datetime, timedelta # 通过东方财富api获取K线数据 def json_to_dfcf(secid, fields1, fields2, klt, fqt, beg, end, lmt): # 参数参考我的东方财富api文档 url = f'http://push2his.eastmoney.com/api/qt/stock/kline/get?&secid={secid}&fields1={fields1}&fields2={fields2}&klt={klt}&fqt={fqt}&beg={beg}&end={end}&lmt={lmt}' response = requests.get(url) data = response.json()['data']['klines'] # 获取json数据下的'data'，再获取'data'下的'klines'数据 data = [x.split(',') for x in data] # 数据以','，将数据循环的放到pandas中 df = pd.DataFrame(data, columns=['close'],dtype=float) return df print(json_to_dfcf('0.000001','f1','f53',101,1,20230101,20230314,0)) json_to_dfcf('0.000001','f2','f53',101,1,20230101,20230314,0).to_csv('东方财富.csv') # 东方财富api获取指数、股票、场内基金的线性回归期望值和残差标准差等 def linear_regression_dfcf(symbol, years_list): # 参数分别为代码，种类和调取数据年份列表 df_list = [] for many_years in years_list: # 将调取年份列表放入循环 # 获取指定股票近多少年的收盘价数据 today = datetime.now().date() # 获取当前时间 start_date = (today - timedelta(days=365*many_years)).strftime('%Y%m%d') # 获取多少年之前的时间 end_date = today.strftime('%Y%m%d') # 对今天的时间设置取结束时间，总设定格式 y = json_to_dfcf(symbol,'f1','f53',101,1,start_date,end_date,0)["close"] # 调取自定义函数中的"close"列 x = np.arange(len(y)) slope, intercept, r_value, p_value, std_err = stats.linregress(x, y) expected_value = intercept + slope * len(y) # 计算期望值 residuals = y - (intercept + slope * x) # 残差 std_residuals = np.std(residuals) # 残差标准差 # 构建结果DataFrame index=[f"{many_years}year_expected_value", f"{many_years}year_std_residuals", f"{many_years}year_slope", f"{many_years}year_intercept", f"{many_years}year_r_value", f"{many_years}year_p_value", f"{many_years}year_std_err"] data = [expected_value, std_residuals, slope, intercept, r_value, p_value, std_err] # 上面数据分别表示线性回归期望值、残差标准差、斜率、截距、相关系数、P值、标准误差 result_df = pd.DataFrame(data=[data], index=[symbol], columns=index) df_list.append(result_df) result = pd.concat(df_list, axis=1) return result # 通过读取excel中的列“代码”(注意导入的是str,不是int）,进行怎么，需要借助自定义函数dustom_functions(code, kind) def get_circulate_xslx_str(kind, file_index_code,sheet): # 参数为导入的excel表格和第几张表 codes = pd.read_excel(file_index_code, sheet_name=sheet, engine='openpyxl')['代码'].astype(str).tolist() # 读取csv文件，选择“代码”列，并将其转换为列表。int导入的是整数型 all_data = pd.DataFrame() for code in codes: ratios = dustom_functions(code,kind) # 假设有一个名为get_valuation_ratios的函数，返回指定股票的估值比率数据。 all_data = pd.concat([all_data, ratios]) return all_data # 调取自定义函数，进行循环获取数据 def dustom_functions(code, kind): if kind == 'api线性回归': return linear_regression_dfcf(code, [7,3,1]) print(linear_regression_dfcf('1.000300', [7,3,1])) print(get_circulate_xslx_str('api线性回归','测试.xlsx',0)) # 注意，需要更改测试中的代码，在东财api中需要加入市场，比如0.000001 代码说明

代码主要是对于 Python 中常用的数据处理、Web 开发、爬虫和机器学习等领域的应用进行了展示。具体包括：

使用 pandas、requests、numpy、json、scipy 等库对于数据进行处理和分析。

自定义函数 json_to_dfcf，通过东方财富 api 获取 K 线数据，并将数据放到 pandas 中。

自定义函数 linear_regression_dfcf，通过东方财富 api 获取指数、股票、场内基金的线性回归期望值和残差标准差等。

自定义函数 get_circulate_xslx_str，通过读取 excel 中的列“代码”，进行循环获取数据。

调用自定义函数 dustom_functions，进行循环获取数据。

其中，代码中的一些具体细节需要注意，比如：

在使用 selenium 包时，需要改用 Edge 浏览器的框架。

在调用自定义函数 get_circulate_xslx_str 时，需要注意导入的是 str，而不是 int 类型的数据。

在调用自定义函数 linear_regression_dfcf 时，需要将代码加入市场，比如 0.000001。

随着人工智能和高新科技的深度发展，AlphaGo和李世石的人机大战掀起了人工智能的火热浪潮，科技领域的不断发展赋予了时代不一样的意义，这正如互联网证券服务的创新，为传统金融拓宽了新的发展思路。大数据行情平台云财经现已推出一款核心产品 -- 龙头挖掘机，该产品以智能化挖掘龙头个股服务为自身特色，致力于利用最前沿的大数据技术帮助广大投资者解决选股难的问题。

相信很多投资者在投资的过程中会都会遇到这样的困惑：明明很看好一个题材，但是不知道和这个题材相关的股票有哪些?就算知道相关股票有哪些，但是由于相关股票太多，也不知道该选择哪只股票好?正是由于这样，龙头挖掘机依托于云财经独有的大数据金融生态架构，利用人工智能技术对股票资金面、消息面、市场情绪等多个维度进行大数据挖掘，用户只需输入题材名称，然后点击“挖掘”即可得到一份客观科学的关联股票报告，一般而言，相关性越高的股票越容易成为该概念的龙头股。

2016年11月9日，世界瞩目的美国总统大选在如火如荼的进行中，川普一路领先，部分嗅觉敏锐的投资人可能想知道A股中哪些股票可能和川普有关系，这时候只需要打开云财经官方网站，在左侧菜单栏“市场热点”中选择进入“龙头挖掘机”服务，在龙头挖掘机检索框中输入关键字“川普”，便可得到的结果：川大智胜、澳柯玛、桂发祥、西部黄金等。当天10点半左右川大智胜被大资金拉到接近涨停，西部黄金当日同样涨停。事实证明，云财经的大数据系统和智能算法完美匹配高胜率个股。

部分投资人对大数据智能选股可能会产生质疑，用户“斗笠翁”认为：“炒股很多的是心理的博弈，否则程序化交易岂不是稳赚不赔了，如果有系统性风险，比如发生黑天鹅事件，恐怕也会遭殃。”在此需要特别强调的是，云财经“龙头挖掘机”智能选股仅是一款高精度匹配的个股挖掘工具，其匹配结果是基于云财经的大数据系统和智能算法自动匹配得出，仅供参考和研究，并不等同于其它自动买卖的程序化交易炒股服务。同时由于智能匹配的结果是动态的，消息面、资金面的变化可能会导致不同时期搜索同一个关键词，匹配的结果和排名不一致，这亦属于正常现象。

去年，谷歌阿尔法狗（AlphaGo）完胜围棋大师后，“人工智能”的概念着实火了一把，AI居然能拥有超过人类围棋最高水准的智慧，让人们着实惊叹。都说“投资如下棋”，于是很多人开始联想，假如把电脑人工智能运用到二级市场上炒股会有怎样的表现呢？

披着“人工智能”外衣的量化选股软件

近日，有股民向反映，市场上出现了一种人工智能炒股的系统，该系统采用AI技术帮助股民选择股票。

根据该股民提供的线索，找到了这个名为Alpha智能决策系统的人工智能选股工具，并根据软件介绍中的二维码，添加了对方客服的微信。

根据对方客服提供的信息，该人工智能选股工具是运用人工智能技术，结合21年股市大数据和价值因子建立量化模型，运用华尔街最新顶级投资算法，生成具备深度学习和自我优化的量化智能投资系统。 该客服介绍说，股民买卖股票时，通常会犯一些人性的弱点，而人工智能就能克服这些人性的弱点，依靠程序模型，到点执行。 对此，记者向客服表示想试用一下该人工智能炒股软件。打开对方提供的链接，发现该人工智能炒股软件只是一个简单的股票筛选软件，通过选择不同的指标后筛选出相关的股票，这种功能在东方财富等炒股软件中很常见，只是通过一种简单的量化方法选股。

区分伪人工智能警惕非法荐股机构 事实上，自从“人工智能”大热以来，市面上已然有大量伪人工智能概念。比如，对话式儿童智能机器人，其实多数是预设语音程序的玩具。这些产品不过是“穿了个马甲”，把简单预设程序的机器人称为人工智能，或是把自动化设备偷换概念称之为人工智能。

目前，业界对于人工智能还没有准确的定义，接受度较广的就是人工智能需要具有自主学习的能力，因此有产品钻这个空子，也不可避免。因此许多神乎其神的人工智能炒股软件，则只是用基本的量化方法选股而已。

北京高溪资产执行总裁陈继豪认为，人工智能炒股和量化交易有些像，量化交易模型的建立也是基于对过往数据的统计分析，对未来行情有一个预判。

九鼎德盛经济研究院院长张保盈认为，现在有一些人工智能炒股软件的机构，他们不具有证券投资咨询资格，往往采取冒充人工智能的方式，来参与股票的推荐以及买卖。法律上来讲，没有证券投资咨询资格的公司从事股票推荐或者是投资建议是严格禁止的。

张保盈表示，人工智能炒股软件不是谁都可以发展，需要有相关资格的机构才可以参与，所以投资者应该警惕这些非法荐股机构，相关部门也应该加强监管，避免非法机构对这个市场的无序扰动。 趋势？

陈继豪：“目前很多新的人工智能在市场上并没有广泛应用。其实，人工智能只是一种辅助工具，投资者想要获取投资收益还得研究市场的基本面、竞争优势、未来发展趋势等，而想单纯通过人工智能炒股软件获取投资收益，以目前的情况来说是比较难的。

” 张保盈：“国内人工智能炒股软件，目前还属于初步发展的阶段，但它是未来市场的一个发展的趋势。未来，人工智能投资获胜的概率可能将大于人的投资获胜概率，金融投资分析方面，分析师可能会走向后台来运用人工智能进行投资分析。人工智能炒股软件，是建立在大数据基础之上的一种技术分析工具，它依靠程序的算法，通过积累并分析大量往年的股票交易数据、经验等，形成对未来市场行情的判断。由于大量的数据，人们很难进行记忆和比对，利用人工智能进行数据分析可以提高投资的效率。” 缺陷？

陈继豪：“人工智能数据分析能力强大，但也存在一定的局限性。人工智能是基于以往数据逻辑来推演未来的行情的走势，但是无法预测未来事件带来的某些风险。由于人工智能不可能去上市公司调研，所以研究企业基本面就非常困难。因为企业的基本面会经常变化，比如企业重组等因素，这些数据还要人工输入才能做到。

目前人工智能只能针对技术分析，对趋势进行一些判断。所以觉得人工智能炒股有一定的市场，但不一定能够主导市场。” 前海开源首席经济学家杨德龙：“目前市场中的确出现了一些智能投顾、AI炒股软件之类的应用，其实它是用一种统计、量化的方法来做选股。听起来很神，但它的实际投资效果还是需要时间验证的。

” 延展：人工智能目前具有深度的应用 个人助理：主要是应用语音识别的功能，比如手机上的siri，微软的小冰，亚马逊的智能音箱echo，Googlehome等。 安防：主要是智能监控、安保机器人。

自驾领域：主要是智能汽车、无人驾驶、公共交通等，比如Uber，特斯拉。

医疗健康：主要是智能医生、医疗健康的检测诊断还有智能医疗设备，比如Enlitic尝试运用深度学习诊断癌症等恶性肿瘤、IntuitiveSirgical致力于发展手术机器人还有碳云智能建立的健康管理平台等。

电商零售：这方面，阿里巴巴、京东、亚马逊都在积极开发在仓储物流、智能导购和客服方面的应用。

金融：包括智能投顾、智能客服、安防监控和金融监管。 教育：有智能评测、个性化辅导及儿童陪伴。

上一篇：钢铁股票走势今天还有山东钢铁股票走势

下一篇：炒股高手是怎样炼成的与超短线买卖股票技巧