股票投资小常识：头部：股价上涨至某价位时便遇阻力而下滑。挂进：买进股票的意思。挂出：卖出股票的意思

Pyecharts简介

Echarts 是百度基于JavaScript 开源的可视化图表库，而 Pyecharts 相当于是 Python+echarts，即使用 Python 语言调用 echarts 的开源库，可以制作非常精美的图表。实际上 Python 可视化库有很多，包括 Matplotlib、Seaborn、Bokeh 、Pygal、 Plotly 和 Pyecharts等等。其中 Matplotlib 是大家入门数据分析的最基本可视化工具；Seaborn 实际上是 matplotlib 的一个封装，提供了很多统计分析的基本图表；Bokeh、Pygal、Plotly 和 Pyecharts 等功能相似，可以输出非常精美的可视化图表，尤其是 Plotly 和 Pyecharts ，均支持动态可交互效果，但代码相对复杂。这些可视化库基本上都支持主流 Notebook 环境，Jupyter Notebook 和 JupyterLab，可以轻松集成至 Flask，Django 等主流 Web 框架。关于高级可视化库之间的优劣对比在此不做深入探究，读者可根据个人需要和编程习惯选择相应的库进行学习，本文将重点介绍 Pyecharts 及其在金融量化上的应用，代码均在Jupyter notebook上运行。关于Pyechart更详细完整的介绍可以参见其官网：Pyecharts。

01版本与安装

Pyecharts 分为 v0.5.X（旧版） 和 v1 （新版）两个版本，两个不兼容，v1 是一个全新的版本。直接使用pip安装可获取最新版本：pip install pyecharts，如需使用旧版本，需要指定安装版本号，如：pip install pyecharts=0.5.11。本文使用的是1.9.1版的pyecharts，v0.5版本编程代码可参考公众号历史文章。

查看电脑系统和库版本watermark是第三方库需要先安装,在cmd（如安装的是anaconda，直接打开anaconda prompt）上输入：pip install watermark%load_ext watermark%watermark 查看电脑版本%watermark -p pyecharts,pandas,numpy,matplotlib,talib,backtrader,jupyter

pyecharts: 1.9.1pandas: 1.3.2numpy: 1.20.3matplotlib: 3.3.4talib: 0.4.19backtrader: 1.9.76.123jupyter: 1.0.0

02模块导入与调用

图表的类在charts，*表示导入全部，一般不建议这么写，可根据图表类型导入，如柱状图和折线图：from pyecharts.charts import Bar,Line。配置项通过options（缩写为opts），用于修饰图表,进阶还可调用Javascript 的代码，导入JsCode：from pyecharts.commons.utils import JsCode。theme可以定制主题，导入：from pyecharts.globals import ThemeType，一般使用默认的ThemeType.WHITE。导入Faker可以使用自带的数据画图。

frompyecharts.chartsimport*frompyechartsimportoptionsasoptsfrom pyecharts.fakerimportFaker

03图表配置项

Pyecharts使用 options对图表的配置项进行设置，根据个人需要，为图表添加（减少）元素，美化和修饰图表。配置项非常多，包括全局配置项（set_global_opts）22个大类和系列配置项(结合数据系列进行配置)17个大类，每一个配置类下又有众多的参数设置。配置项为制作精美的图表提供了相当完善的功能选择，但是对新手来说相当不友好，各种类和参数选择让人眼花缭乱和望而生畏（老版本0.5.11在这方面简洁很多）。这里建议大家结合常用的图表类型模板学习几个常用的配置项,其他配置项基本上使用默认参数即可。

图片来源：https://pyecharts.org//zh-cn/global_options

pyecharts 对配置项基本上都采用 XXXOpts/XXXItems 以及 dict 两种数据形式进行调用，下面介绍几个常用的配置项。(1)全局配置项，通过set_global_opts 方法设置

• InitOpts：初始化配置项，一般在图表函数内加载，如Bar(init_opts=opts.InitOpts(width=900px,height=600px,设置图表画布宽width高height（数字+px）,theme: str = "white"图表主题));
• TitleOpts：标题配置项title_opts=opts.TitleOpts(title=,subtitle=,pos_left=)，其中主标题title,副标题subtitle, title 组件离容器左侧的距离,pos_left = 可选left, center, right或如20、20%。离右侧距离,pos_right= None,顶部距离pos_top = None,可选top, middle, bottom或数字或百分比。底部距离，pos_bottom: = None,);
• DataZoomOpts：区域缩放配置项,默认不显示， datazoom_opts=opts.DataZoomOpts(is_show=True或False,type_: str = "slider"或"inside" ,range_start=:数据窗口范围的起始百分比：0 ~ 100表示 0% ~ 100%,range_end=:数据窗口范围结束百分比,xaxis_index= number表示控制一个轴，Array表示控制多个轴,yaxis_index=同xaxis_index的设置，位置pos_left同title);
• LegendOpts：图例配置项，默认不显示，legend_opts=opts.LegendOpts(is_show: bool = True是否显示,位置pos_left同title,orient= 布局朝向,可选：horizontal, vertical,);
• VisualMapOpts：视觉映射配置项，默认不显示，visualmap_opts=opts.VisualMapOpts(is_show: bool = True,type_: str = "color",映射过渡类型可选"color", "size"，min_ = 0,max_ = 100,分别指定 visualMapPiecewise 组件的最小值和最大值,orient = "vertical"或"horizontal",split_number: int = 5,对于连续型数据，自动平均切分成几段,is_piecewise: bool = False,是否分段，pieces=[]指定每一段范围，如[{"min": 1500},{"min": 900, "max": 1500},{"max": 1500} ]);

(2)系列配置项

• ItemStyleOpts：图元样式配置项，itemstyle_opts=opts.ItemStyleOpts(color=图形颜色，颜色可以使用 RGB 表示，比如 rgb(128, 128, 128)，如果想要加上 alpha 通道表示不透明度，可以使用 RGBA，比如 rgba(128, 128, 128, 0.5)，也可以使用十六进制格式，比如 ccc,color0:阴线图形的颜色,border_color=图形的描边颜色,border_color0=阴线图形的描边颜色,opacity=图形透明度,支持从 0 到 1 的数字为 0 时不绘制该图形,area_color=区域的颜色)， 参考十六进制颜色转换；
• LabelOpts：标签配置项， label_opts=opts.LabelOpts(is_show: bool = True是否显示标签,position=标签的位置,可选 [top，left，right，bottom，inside，insideLeft，insideRightinsideTop，insideBottom， insideTopLeft，insideBottomLeft insideTopRight，insideBottomRight], formatter=模板变量有 {a}, {b}，{c}，{d}，{e}，分别表示系列名，数据名，数据值等,折线（区域）图、柱状（条形）图、K线图 : {a}（系列名称），{b}（类目值），{c}（数值）, {d}（无）散点图（气泡）图 : {a}（系列名称），{b}（数据名称），{c}（数值数组）, {d}（无）地图 : {a}（系列名称），{b}（区域名称），{c}（合并数值）, {d}（无）饼图、仪表盘、漏斗图: {a}（系列名称），{b}（数据项名称），{c}（数值）, {d}（百分比）示例：formatter: {b}: {@score});
• LineStyleOpts：线样式配置项，linestyle_opts=opts.ItemStyleOpts(is_show= True是否显示,color=线条颜色, width= 1,线宽,curve = 线的弯曲度，0 表示完全不弯曲,type_: str = "solid", 线的类型可选：solid, dashed, dotted,);
• SplitLineOpts：分割线配置项, 在全局配置项中使用.set_global_opts(yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show = True显示分割线)))。

可视化实战案例

本文主要介绍直角坐标系图表及其应用案例，其余图表将在下一次推文中介绍。直角坐标系图表继承自 RectChart 拥有一些相同或相似的方法。

股票投资小常识：业绩虽然在投机里面没有那么重要，但是也不要选择会退市的股票，也不要选择业绩大幅下降的股票。

• 新增 X 轴数据.add_xaxis(xaxis_data=list数据)
• 翻转 XY 轴数据,.reversal_axis()
• 扩展 X/Y 轴,.extend_axis(xaxis_data=扩展X坐标数据项,xaxis=扩展 X 坐标轴配置项,yaxis=新增 Y 坐标轴配置项)
• 新增 Y 轴数据.add_yaxis(series_name=,y_axis=序列数据,xaxis_index= 使用的 x 轴的 index，在单个图表实例中存在多个 x 轴的时候有用yaxis_index = 使用的 y 轴的 index，label_opts=标签配置项，markpoint_opts=标记点配置项,markline_opts=标记线配置项,tooltip_opts=提示框组件配置项)

导入数据分析和量化常用库importpandasaspdimport numpyasnpimport talibastaimport tushareasts导入pyechartsfrom pyecharts.chartsimport*frompyechartsimportoptionsasoptsfrom pyecharts.commons.utilsimportJsCode

01折线图Line

折线图是考察金融时间序列数据趋势最常用的图表之一。下面使用tushare旧接口在线获取股票交易数据进行可视化分析。

股票数据可视化分析实例获取A股交易数据def get_price(code=sh,start=2000-01-01,end=2022-03-07):    df=ts.get_k_data(code,start,end)    df.index=pd.to_datetime(df.date)    将成交量单位改为10000手并取整数    df[volume]=(df[volume]/10000).apply(int)returndf[[open,close,high,low,volume]]sh=get_price()sh.head()

最基本折线图，全使用默认参数。

g=(Line()  .add_xaxis(sh.index.strftime(%Y%m%d).tolist())  .add_yaxis(,sh.close))g.render_notebook()

添加全局和系列配置项。

不同点位设置不同颜色des=sh.close.describe()v1,v2,v3=np.ceil(des[25%]),np.ceil(des[50%]),np.ceil(des[75%])pieces=[{"min": v3,"color":"red"},        {"min": v2,"max": v3,"color":"blue"},        {"min": v1,"max": v2,"color":"black"},        {"max": v1,"color":"green"},]链式调用作用域()g = (    Line({width:100%,height:480px})设置画布大小，px像素    .add_xaxis(xaxis_data=sh.index.strftime(%Y%m%d).tolist())x数据    .add_yaxis(        series_name="",序列名称        y_axis=sh.close.values.tolist(),添加y数据        is_smooth=True, 平滑曲线        is_symbol_show=False,不显示折线的小圆圈        label_opts=opts.LabelOpts(is_show=False),        linestyle_opts=opts.LineStyleOpts(width=2),线宽        markpoint_opts=opts.MarkPointOpts(data=[添加标记符               opts.MarkPointItem(type_=max, name=最大值),               opts.MarkPointItem(type_=min, name=最小值),],symbol_size=[100,30]),        markline_opts=opts.MarkLineOpts(添加均值辅助性                data=[opts.MarkLineItem(type_="average")], ))    .set_global_opts(全局参数设置        title_opts=opts.TitleOpts(title=上证指数走势, subtitle=2000年-2022年,pos_left=center),        tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),        visualmap_opts=opts.VisualMapOpts(视觉映射配置            orient ="horizontal",split_number =4,            pos_left=center,is_piecewise=True,            pieces=pieces,),)    .set_series_opts(        markarea_opts=opts.MarkAreaOpts(标记区域配置项            data=[                opts.MarkAreaItem(name="牛市", x=("20050606","20071016")),                opts.MarkAreaItem(name="牛市", x=("20140312","20150612")),],)))使用jupyter notebook显示图形g.render_notebook()

高阶应用：股价收益率与波动率可视化

此处代码较长省略。完整代码见Python金融量化知识星球。

02柱状图Bar

股票投资小常识：纳斯达克(NASDAQ)股票市场是世界上主要的股票市场中成长速度最快的市场,而且它是首家电子化的股票市场。

下面以上证指数和创业板指数2010-2022年的年收益率构建柱状图，比较考察不同指数在各年的收益率情况。

indexs={上证综指:sh,创业板:cyb}index_price=pd.DataFrame({index:get_price(code).close for index,code in indexs.items()}).dropna()index_price.head()

指数年度收益率柱状图index_ret=index_price/index_price.shift(1)-1ss=index_ret.to_period(Y)sss=(ss.groupby(ss.index).apply(lambda x: ((1+x).cumprod()-1).iloc[-1])*100).round(2)

使用全部默认参数下的年收益率柱状图。

g=(Bar()   .add_xaxis(sss.index.strftime(%Y).tolist())   .add_yaxis("", sss[上证综指].tolist()))g.render_notebook()

添加全局配置项和系列配置项，使图表反映更多细节，同时可以根据时间段进行区域缩放。

g = (Bar()    .add_xaxis(sss.index.strftime(%Y).tolist())    .add_yaxis("上证综指", sss[上证综指].tolist(),gap="0%")    .add_yaxis("创业板", sss[创业板].tolist(),gap="0%")     添加全局配置项    .set_global_opts(title_opts=opts.TitleOpts(title="指数月收益率"),                datazoom_opts=opts.DataZoomOpts(),区域缩放配置项                yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value}%")))    .set_series_opts(添加序列配置项        label_opts=opts.LabelOpts(is_show=True,formatter={c}%)))g.width ="100%"设置画布比例g.render_notebook()

高阶应用：2021年全球资产收益率对比分析。

此处代码较长省略。完整代码见Python金融量化知识星球。

03K线图Kline

K线图是对证券交易行情可视化的最基本图表之一，也是我们股票量化分析的最基本工具。

计算指标def get_data(code,start=2021-01-01,end=):    df=get_price(code,start,end)    df[ma5]=df.close.rolling(5).mean()    df[ma20]=df.close.rolling(20).mean()    df[macd],df[macdsignal],df[macdhist]=ta.MACD(df.close,fastperiod=12,slowperiod=26,signalperiod=9)returndf.dropna().round(2)

df=get_data(sh)df.head()

使用默认参数可以得到最基本的K线图。

g = (Kline()        .add_xaxis(df[2022:].index.strftime(%Y%m%d).tolist())         y轴数据，默认open、close、low、high，转为list格式        .add_yaxis("",y_axis=df[[open, close, low, high]][2022:].values.tolist())    )g.render_notebook()

添加全局和系列配置项，强化细节展示。

def draw_kline(data):    g = (Kline()        .add_xaxis(data.index.strftime(%Y%m%d).tolist())         y轴数据，默认open、close、high、low，转为list格式        .add_yaxis(series_name="",            y_axis=data[[open,close,low,high]].values.tolist(),            itemstyle_opts=opts.ItemStyleOpts(                color="red",阳线红色                color0="green",阴线绿色                border_color="red",                border_color0="green",),            markpoint_opts=opts.MarkPointOpts(data=[添加标记符                opts.MarkPointItem(type_=max, name=最大值),                opts.MarkPointItem(type_=min, name=最小值),]),            添加辅助性，如某期间内最大max最小值min均值average            markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average",                                        value_dim="close")], ),)        .set_global_opts(            datazoom_opts=[opts.DataZoomOpts()],滑动模块选择            title_opts=opts.TitleOpts(title="股票K线图",pos_left=center),))returng

draw_kline(df).render_notebook()

高阶应用：K线图叠加成交量和技术指标。

完整代码见Python金融量化知识星球。def kline_volume_ta(data):  pass

kline_volume_ta(df).render_notebook()

04散点图Scatter

散点图通常用来反映两个变量之间的统计关系。pyecharts还支持展示多变量随着时间的变动趋势。

创业板和上证综指历年收益率数据sss.head()

g= (    Scatter()    .add_xaxis([str(d) for d in sss.index.year])    .add_yaxis("上证综指(%)",sss[上证综指].tolist())    .add_yaxis("创业板(%)", sss[创业板].tolist())    .set_global_opts(        title_opts=opts.TitleOpts(title="指数历年收益率"),        visualmap_opts=opts.VisualMapOpts(type_="size", is_show=False),        xaxis_opts=opts.AxisOpts(type_="category",            axisline_opts=opts.AxisLineOpts(is_on_zero=False),            ),        yaxis_opts=opts.AxisOpts(is_show=False,)) )g.width ="100%"g.render_notebook()

g = (Scatter().add_xaxis(sss[上证综指].tolist()).add_yaxis("", sss[创业板].tolist(),symbol_size=20,label_opts=opts.LabelOpts(is_show=False)).set_global_opts(title_opts=opts.TitleOpts(上证综指 VS 创业板),tooltip_opts=opts.TooltipOpts(is_show=False),xaxis_opts=opts.AxisOpts(name=上证综指,type_="value",splitline_opts=opts.SplitLineOpts(is_show=True),axislabel_opts=opts.LabelOpts(formatter={value}%)),yaxis_opts=opts.AxisOpts(name=创业板,type_="value",splitline_opts=opts.SplitLineOpts(is_show=True),axislabel_opts=opts.LabelOpts(formatter={value}%),)))g.width ="100%"g.render_notebook()

05热力图HeatMap

热力图实际上是个三维结构，考察两个特征维度下值的变动趋势。热力图可以应用在指数周期变化和热点板块轮动分析等。下面以指数近10年来月收益率的涨跌幅为例构建热力图。

heat_data=(index_price/index_price.shift(1)-1).to_period(M)heat_data=heat_data.groupby(heat_data.index).apply(lambda x: ((((1+x).cumprod()-1).iloc[-1])*100).round(2))heat_data=heat_data[2011:2021]heat_data.tail()

构建热力图的难点在于数据项value的值。

value= [[i,j,heat_data[上证综指][str(2011+i)+-+str(1+j)]]foriinrange(11)forjinrange(12)]year=[str(i)foriinrange(2011,2022)]month=[str(i)+月foriinrange(1,13)]g= (HeatMap()    .add_xaxis(year)    .add_yaxis("", month,value,        label_opts=opts.LabelOpts(is_show=True, position="inside"),)    .set_global_opts(        title_opts=opts.TitleOpts(title="上证综指月收益率(%)"),        visualmap_opts=opts.VisualMapOpts(is_show=False,min_=-30,max_=30,)))g.render_notebook()

高阶应用：根据涨跌幅范围设置不同显示颜色

不同点位设置不同颜色代码省略。完整代码见Python金融量化知识星球。

结语

本文简单介绍了 Pyecharts （V1）基本情况、安装、模块调用和参数设置，并以股票交易数据为例，为大家展示了使用 Pyehcarts 构建直角坐标系下常用的图表，包括折线图、柱状图、K线图和热力图等。下一篇推文将进一步介绍Pyecharts其他图表的构建方法，包括日历图、仪表盘、地图、关系图等等，同时分享这些常见的图表在金融量化上的应用实例。

股票投资小常识：能达到15%的年化收益持续30年，就是投资大师；能达到20%的年化收益率持续50年，就是股神（巴菲特、芒格），只是，大部分投资者并不满足这样的回报率，所以，股票市场永远都是少数人赚钱的地方。