『Plotly实战指南』--在金融数据可视化中的应用（上） ...

在当今复杂多变的金融市场中，金融数据分析的重要性不言而喻。
无论是投资者、金融机构照旧研究人员，都需要通过对海量金融数据的分析来洞察市场趋势、评估风险并做出明智的决策。
据彭博社统计，专业投资者均匀需要处理超过200组差别维度的市场数据。
传统静态图表已难以满足现代金融分析的深度需求，而交互式可视化工具正成为量化交易员和金融分析师的新标配。
Plotly凭借其三重核心优势崭露头角：

• 沉浸式交互体验：支持坐标轴缩放/平移/悬停查看数据点
  
• 动态相应机制：可实时绑定命据更新与图表刷新
  
• 全平台兼容性：生成的图表能无缝嵌入Jupyter Notebook/Dash应用/Web页面
  

本文的主要目的是探讨怎样使用Plotly高效实现金融数据的可视化与分析。
1. 股票K线图

股票K线图是股票市场分析中最常用且最重要的图表之一，它能够直观地展示股票价格在一定时间内的波动情况。
Plotly提供了plotly.graph_objects.Candlestick方法，可以方便地绘制 K线图。
首先，我们创建一些模拟K线的数据：

1. import pandas as pd
2. import numpy as np
3. from datetime import datetime, timedelta
6. def generate_k_line_data(num_days):
7.     # 初始化日期列表
8.     start_date = datetime.now()
9.     dates = [start_date + timedelta(days=i-num_days/2) for i in range(num_days)]
11.     # 初始化价格和成交量
12.     open_prices = np.random.uniform(100, 200, num_days)
13.     high_prices = open_prices + np.random.uniform(0, 10, num_days)
14.     low_prices = open_prices - np.random.uniform(0, 10, num_days)
15.     close_prices = np.random.uniform(low_prices, high_prices)
16.     volumes = np.random.randint(10000, 100000, num_days)
18.     # 创建 DataFrame
19.     data = {
20.         'Date': dates,
21.         'Open': open_prices,
22.         'High': high_prices,
23.         'Low': low_prices,
24.         'Close': close_prices,
25.         'Volume': volumes
26.     }
27.     df = pd.DataFrame(data)
28.     return df

复制代码

使用函数generate_k_line_data，创建60条测试数据。

1. data = generate_k_line_data(60)
2. data.head()

复制代码

有了数据，Plotly绘制K线图很方便：

1. import plotly.graph_objects as go
3. fig = go.Figure(
4.     data=[
5.         go.Candlestick(
6.             x=data["Date"],
7.             open=data["Open"],
8.             high=data["High"],
9.             low=data["Low"],
10.             close=data["Close"],
11.         )
12.     ]
13. )
15. fig.update_layout(
16.     title="股票 K 线图",
17.     xaxis_title="日期",
18.     yaxis_title="价格",
19.     xaxis_rangeslider_visible=False,
20. )
22. fig.show()

复制代码

其中红色和绿色分别表现涨跌的K线。
2. 叠加技术指标

除了基本的 K 线图外，技术指标的添加能够为股票走势分析提供更丰富的信息。
比方，移动均匀线（MA）、MACD 和 RSI 等常用技术指标可以通过Plotly的add_trace方法叠加到K线图上。
以下是团结移动均匀线和RSI指标的代码示例：

1. # 计算移动平均线
2. data["MA5"] = data["Close"].rolling(window=5).mean()
3. data["MA10"] = data["Close"].rolling(window=10).mean()
5. # 计算 RSI 指标
6. delta = data["Close"].diff()
7. gain = (delta.where(delta > 0, 0)).rolling(window=4).mean()
8. loss = (-delta.where(delta < 0, 0)).rolling(window=4).mean()
9. rs = gain / loss
10. data["RSI"] = 100 - (100 / (1 + rs))
12. # 绘制 K 线图并叠加移动平均线
13. fig = go.Figure(
14.     data=[
15.         go.Candlestick(
16.             x=data["Date"],
17.             open=data["Open"],
18.             high=data["High"],
19.             low=data["Low"],
20.             close=data["Close"],
21.         )
22.     ]
23. )
25. fig.add_trace(go.Scatter(x=data["Date"], y=data["MA5"], mode="lines", name="MA5"))
26. fig.add_trace(go.Scatter(x=data["Date"], y=data["MA10"], mode="lines", name="MA10"))
28. # 绘制 RSI 指标图
29. fig.add_trace(
30.     go.Scatter(x=data["Date"], y=data["RSI"], mode="lines", name="RSI", yaxis="y2")
31. )
33. fig.update_layout(
34.     title="股票 K 线图与技术指标",
35.     xaxis_title="日期",
36.     yaxis_title="价格",
37.     yaxis2=dict(title="RSI", overlaying="y", side="right"),
38.     xaxis_rangeslider_visible=False,
39. )
41. fig.show()

复制代码

在上述代码中，我们首先计算了 5日和 10日移动均匀线，并将其作为新的列添加到数据中。
接着，我们计算了 RSI 指标，并将其绘制在与K线图共享x轴的右侧y轴上。
通过add_trace方法，我们可以将多个技术指标叠加到 K线图上，从而更全面地分析股票走势。
3. 成交量加K线组合图

成交量是股票市场分析中的一个重要指标，它反映了市场的活跃程度。
将成交量柱状图与 K 线图组合展示，可以更直观地观察价格与成交量之间的关系。
Plotly的子图功能允许我们将多个图表组合在一起，并实现多图联动的效果。
通过共享 x 轴，我们可以确保 K 线图和成交量柱状图在时间上保持同等。
以下是使用子图实现多图联动的代码示例：

1. from plotly.subplots import make_subplots
3. # 创建子图
4. fig = make_subplots(
5.     rows=2,
6.     cols=1,
7.     shared_xaxes=True,
8.     vertical_spacing=0.4,
9.     subplot_titles=("K 线图", "成交量"),
10. )
12. # 绘制 K 线图
13. fig.add_trace(
14.     go.Candlestick(
15.         x=data["Date"],
16.         open=data["Open"],
17.         high=data["High"],
18.         low=data["Low"],
19.         close=data["Close"],
20.     ),
21.     row=1,
22.     col=1,
23. )
25. # 绘制成交量柱状图
26. fig.add_trace(go.Bar(x=data["Date"], y=data["Volume"], name="成交量"), row=2, col=1)
28. fig.show()

复制代码

4. 成交量颜色

末了，再做一个改进，给成交量柱状图加上颜色，让它和K线图一样反应涨跌情况。

1. # 绘制成交量柱状图并根据涨跌设置颜色
2. fig.add_trace(
3.     go.Bar(
4.         x=data["Date"],
5.         y=data["Volume"],
6.         name="成交量",
7.         marker_color=np.where(data["Close"] > data["Open"], "green", "red"),
8.     ),
9.     row=2,
10.     col=1,
11. )

复制代码

只要修改上一节代码中添加成交量柱状图的那一段代码即可。

5. 总结

本文我们深入探讨了Plotly在金融数据可视化中的应用，重点展示了怎样逐步使用 Plotly 绘制股票走势分析图表。
Plotly的核心价值在于其高效性、灵活性和强大的交互性，这些特性使其成为金融范畴中不可或缺的数据可视化工具。
末了，希望大家能够多动手实践，将所学知识应用到实际的金融数据分析中。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。