可视化神器Plotly绘制金融图表

公众号：尤而小屋

作者：Peter

编辑：Peter

大家好，我是Peter~

好久没有更新关于plotly的文章。

什么是Plotly?

Plotly是一个基于JavaScript的绘图库，可以创建各种类型的图表，包括散点图、折线图、面积图、条形图、误差线、箱线图、直方图、热图、子图、多轴图、极坐标图和气泡图等。

它提供了非常多的编程接口，使用户能够自定义数据、形状、颜色等属性。

1 基于plotly绘制金融图形

plainenglish.io/blog/a-simp...

本文就给大家介绍如何使用plotly绘制各种金融图形，具体内容：

In [1]:

python 复制代码

import pandas as pd
import numpy as np

import plotly_express as px
import plotly.graph_objects as go

from datetime import datetime

# yfinance 是一个流行的开源库，用于访问雅虎财经上可用的财务数据
import yfinance as yf

2 导入数据

网络OK的话，可以使用下面的代码直接从yfinance直接下载数据，然后保存到data.csv文件中。

In [2]:

shell 复制代码

# name = "AAPL"  # 指定公司名字

# apple = yf.download(name, start="2021-01-01",end="2023-11-15")
# apple.to_csv("data.csv",index=False)

在这里直接读取已经保存的data.csv：

In [3]:

ini 复制代码

df = pd.read_csv("data.csv")
df.head()

3 线型图-Close

3.1 基础线型图

观察指标随着时间的变化趋势

In [4]:

ini 复制代码

fig = px.line(df,x="Date",y="Close")

# 设置图表的标题和其他参数  
fig.update_layout(title='Close of APPLE', 
                  xaxis=dict(title='Date'), 
                  yaxis=dict(title='Close'),
                  title_x=0.5,  # X位置 
                  title_y=0.95)  # Y位置  
    
fig.show()

基于graph_objects实现

In [5]:

ini 复制代码

fig = go.Figure(data=[go.Scatter(x=df["Date"].tolist(), y=df["Close"].tolist())])
  
# 设置图表的标题和其他参数  
fig.update_layout(title='Close of APPLE', 
                  xaxis=dict(title='Date'), # x-y标题的两种写法
                  yaxis_title='Close',
                  title_x=0.5,  # X位置 
                  title_y=0.9)  # Y位置  
    
fig.show()

3.2 进阶线型图：指定x轴区间

In [6]:

ini 复制代码

fig = px.line(df,
              x="Date",
              y="Close",
              range_x = ["2021-06-01","2021-11-17"] # 优化点：指定x轴显示范围
             )
 
fig.update_layout(title='Close of APPLE', 
                  xaxis=dict(title='Date'), 
                  yaxis=dict(title='Close'),
                  title_x=0.5,  
                  title_y=0.95)  
    
fig.show()

上图中，x轴在指定的区间内显示

3.3 进阶线型图：隐藏日期或时间段

可以是隐藏具体的某天，也可以是隐藏周末，或者每天中的非交易时间段等：

In [7]:

ini 复制代码

# 1-隐藏时间段

fig = px.line(
    df,
    x="Date",
    y="Close",
    range_x = ["2021-06-01", "2021-07-15"]  # 指定区间
)

fig.update_xaxes(rangebreaks=
                 [dict(bounds=["sat","sun"]),  #  优化点：隐藏周六和周日
                  dict(values=["2021-06-04","2021-06-09","2021-06-22","2021-07-05"]) # 隐藏具体日期
                 ])

fig.show()

python 复制代码

# 2-隐藏非交易时间段

fig = px.line(
    df,
    x="Date",
    y="Close",
    range_x = ["2021-06-01", "2021-07-15"]
)

fig.update_xaxes(rangebreaks=
                 [dict(bounds=[15,9]),  #  优化点：排除下午15点到第二天9点的时间h
                 ])

fig.show()

因为本文的数据是以日为单位，没有精确到小时，所以没有看到实际效果。

3.4 进阶线型图：是否开启区间滑块

In [9]:

ini 复制代码

fig = px.line(df,
              x="Date",
              y="Close"
             )

# 区间滑块的开启或者关闭；【默认】关闭滑动区间
fig.update_xaxes(rangeslider_visible=True)  
    
fig.update_layout(title='Close of APPLE', 
                  xaxis=dict(title='Date'), 
                  yaxis=dict(title='Close'),
                  title_x=0.5,  
                  title_y=0.95)  
    
fig.show()

3.5 进阶线型图：滑块和时间按钮显示

In [10]:

ini 复制代码

fig = px.line(df,
              x="Date",
              y="Close"
             )


fig.update_xaxes(rangeslider_visible=True,  # 优化1： 区间滑块【默认】关闭滑动区间
                 rangeselector=dict(buttons=list([    # 优化2：时间按钮
                        dict(count=1, label="1m", step="month", stepmode="backward"),  # 往前推一个月
                        dict(count=6, label="6m", step="month", stepmode="backward"),  # 往前推6个月
                        dict(count=1, label="YTD", step="year", stepmode="todate"),  # 只显示今年数据
                        dict(count=1, label="1y", step="year", stepmode="backward"),  # 显示过去一年的数据
                        dict(step="all")   # 显示全部数据
                     ]))
                )  
    
fig.update_layout(title='Close of APPLE with Rangeslider & Buttons', 
                  xaxis=dict(title='Date'), 
                  yaxis=dict(title='Close'),
                  title_x=0.5,  
                  title_y=0.95)  
    
fig.show()

4 柱状图-Volume

Volume一般用柱状图来显示

4.1 基础柱状图

In [11]:

ini 复制代码

# 为了显示方便，在这里取了前面100个数据点
fig = px.bar(df[:100],x="Date",y="Volume")   

# 设置标题及参数  
fig.update_layout(title='Volume of APPLE', 
                  xaxis=dict(title='Date'), 
                  yaxis=dict(title='Volume'),
                  title_x=0.5,  # X位置 
                  title_y=0.95)  # Y位置  
    
fig.show()

下面是基于基于graph_objects的实现：

In [12]:

ini 复制代码

# 基于graph_objects实现：使用完整数据

fig = go.Figure(data=[go.Bar(x=df["Date"].tolist(), y=df["Volume"].tolist())])

fig.update_layout(title='Volume of APPLE', 
                  xaxis=dict(title='Date'), 
                  yaxis_title='Volume',
                  title_x=0.5,  
                  title_y=0.9)  
    
fig.show()

4.2 进阶柱状图

柱子的颜色深浅代表成交量的大小

In [13]:

ini 复制代码

# 为了显示方便，在这里取前100个数据点
fig = px.bar(df[:100], x="Date", y="Volume", color="Volume")     

# 设置标题及参数  
fig.update_layout(title='Volume of APPLE', 
                  xaxis=dict(title='Date'), 
                  yaxis=dict(title='Volume'),
                  title_x=0.5,  # X位置 
                  title_y=0.95)  # Y位置  
    
fig.show()

5 直方图-Open

5.1 基础直方图histogram

In [14]:

ini 复制代码

fig = px.histogram(
    df,
    x="Date",
    y="Open",
    histfunc="avg"
)

fig.update_layout(
    title='Open of APPLE with Histogram', 
    xaxis=dict(title='Date'), 
    yaxis_title='Open',
    title_x=0.5,  
    title_y=0.95
)  
    
fig.show()

可以看到上面的图形很紧凑，展示效果很差；下面我们进行调整：

5.2 进阶直方图：柱体设置

In [15]:

ini 复制代码

fig = px.histogram(
    df,
    x="Date",
    y="Open",
    histfunc="avg"
)

# 优化点：x轴按月显示
fig.update_traces(xbins_size="M1")  

# 优化点：x轴刻度设置
fig.update_xaxes(
    showgrid=False, 
    dtick="M1",  # 按月显示
    ticklabelmode="period",   # instant  period
    tickformat="%b\n%Y"   # 标签显示模式
)

fig.update_layout(
    title='Open of APPLE with Histogram', 
    xaxis=dict(title='Date'), 
    yaxis_title='Open',
    title_x=0.5,  
    title_y=0.95,
    bargap=0.1  # 优化点：每个柱状图间隔
)  

fig.show()

5.3 进阶直方图：添加轨迹图

In [16]:

ini 复制代码

fig = px.histogram(
    df,
    x="Date",
    y="Open",
    histfunc="avg"
)

# 优化点：x轴按月显示
fig.update_traces(xbins_size="M1")  

# 优化点：x轴刻度设置
fig.update_xaxes(
    showgrid=False, 
    dtick="M1",  # 按月显示
    ticklabelmode="period",   # instant  period
    tickformat="%b\n%Y"   # 标签显示模式
)

fig.update_layout(
    title='Open of APPLE with Histogram', 
    xaxis=dict(title='Date'), 
    yaxis_title='Open',
    title_x=0.5,  
    title_y=0.95,
    bargap=0.05  # 优化点：每个柱状图间隔
)  

# 重点优化：添加轨迹
fig.add_trace(go.Scatter(
    mode="lines",
    x=df["Date"],
    y=df["Open"],
    name="Open Trace of APPLE"
))
    
fig.show()

6 Candlestick图

In [17]:

df.columns

Out[17]:

css 复制代码

Index(['Date', 'Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume'], dtype='object')

6.1 默认图形

In [18]:

bash 复制代码

fig = go.Figure(data=[go.Candlestick(
    x=df['Date'],  # 日期
    open=df['Open'],  # 开盘、最高价、最低价、收盘价
    high=df['High'],
    low=df['Low'],
    close=df['Close'])])


fig.show()

6.2 自定义xy轴信息

In [19]:

ini 复制代码

fig = go.Figure(data=[go.Candlestick(
    x=df['Date'],  # 日期
    open=df['Open'],  # 开盘、最高价、最低价、收盘价
    high=df['High'],
    low=df['Low'],
    close=df['Close'])])


fig.update_layout(
    title='Candlestick of APPLE With Rangeslider', 
    xaxis=dict(title='Date'), 
    yaxis=dict(title='Candlestick'),
    title_x=0.5,  
    title_y=0.92,
    xaxis_rangeslider_visible=True  # 【默认】显示x轴的滑动条
)  

fig.show()

6.3 不带滑动块的K线

In [20]:

ini 复制代码

fig = go.Figure(data=[go.Candlestick(
    x=df['Date'],
    open=df['Open'], 
    high=df['High'],
    low=df['Low'], 
    close=df['Close']
)])

fig.update_layout(
    title='Candlestick of APPLE Without Rangeslider', 
    xaxis=dict(title='Date'), 
    yaxis=dict(title='Candlestick'),
    title_x=0.5,  
    title_y=0.92,
    xaxis_rangeslider_visible=False  # 隐藏x轴的滑动条
)  

fig.show()

6.4 自定义颜色

在绘制k线图的时候，默认每天的涨跌使用的是红绿色，其实可以使用自定义的颜色：

In [21]:

ini 复制代码

fig = go.Figure(data=[go.Candlestick(
    x=df['Date'],
    open=df['Open'], 
    high=df['High'],
    low=df['Low'], 
    close=df['Close'],
    increasing_line_color="cyan",  # 自定义涨跌颜色
    decreasing_line_color="gray"
)])

fig.update_layout(
    title='Candlestick of APPLE With Custom Colors', 
    xaxis=dict(title='Date'), 
    yaxis=dict(title='Candlestick'),
    title_x=0.5,  
    title_y=0.92 
)  

fig.show()

6.5 添加自定义区间、文本和标注

In [22]:

ini 复制代码

fig = go.Figure(data=[go.Candlestick(
    x=df['Date'],
    open=df['Open'], 
    high=df['High'],
    low=df['Low'], 
    close=df['Close']
)])

fig.update_layout(
    title="Candlestick of APPLE",
    yaxis_title="AAPL STOCK",
    # 添加shape
    shapes = [dict(
        x0='2021-08-09', x1='2021-11-09', # x轴范围
        y0=0, y1=1, 
        xref='x', yref='paper',
        line_width=2)],
    # 添加文本
    annotations=[dict(
        x='2023-01-06', y=0.05, 
        xref='x', yref='paper',
        showarrow=False, 
        xanchor='left', 
        text='Increase Period Begins')])  

fig.show()

6.6 隐藏周六周日

In [23]:

ini 复制代码

fig = go.Figure(data=[go.Candlestick(
    x=df['Date'],  # 日期
    open=df['Open'],  # 开盘、最高价、最低价、收盘价
    high=df['High'],
    low=df['Low'],
    close=df['Close'])])

fig.update_layout(xaxis_rangeslider_visible=False)  # x轴滑动块不显示

fig.update_xaxes(rangebreaks=[dict(bounds=["sat", "mon"])])  # 隐藏周六周日


fig.show()

7 添加滑动均值Moving

In [24]:

scss 复制代码

df['MA20'] = df['Close'].rolling(window=3).mean()
df['MA5'] = df['Close'].rolling(window=3).mean()

In [25]:

ini 复制代码

fig = go.Figure(data=[go.Candlestick(
    x=df['Date'],  # 日期
    open=df['Open'],  # 开盘、最高价、最低价、收盘价
    high=df['High'],
    low=df['Low'],
    close=df['Close'],
    # showlegend=False  # 如果想不显示图例trace0，使用该语句
)])

fig.add_trace(go.Scatter(x=df['Date'], 
                         y=df['MA5'],
                         opacity=0.7,
                         line=dict(color='blue', width=2),
                         name='MA 5'))
fig.add_trace(go.Scatter(x=df['Date'], 
                         y=df['MA20'],
                         opacity=0.7,
                         line=dict(color='orange', width=2),
                         name='MA 20'))

fig.show()

8 MACD指标

MACD图是一种股票技术分析图，其计算方法是根据收盘时股价或指数的快速（短期，一般是12天）和慢速（长期，一般是26天）移动平均值（EMA）之间的差值来得出。它表示股票市场趋势的变化：

当MACD线上穿信号线（零线）时，表示中短期上涨信号；
当MACD线下穿信号线时，表示中短期下跌信号

pandas中是通过使用pd.ewm计算移动平均值。

In [26]:

ini 复制代码

# 针对收盘价Close的操作

short = 12
long = 26  

df["Short_EWM"] = df["Close"].ewm(span=short).mean()
df["Long_EWM"] = df["Close"].ewm(span=long).mean()

In [27]:

bash 复制代码

df["MACD"] = df["Short_EWM"] - df["Long_EWM"]

然后根据MACD曲线计算信号线：

signal_line是MACD指标中的一部分，表示的是讯号线。它是将MACD线（即DIF和DEM的差异）通过一个特定长度（一般是9）的EMA平滑处理后得到的曲线。讯号线的作用是用来反映市场趋势的变化，当讯号线向上穿过MACD线时，通常被认为是买入信号；当讯号线向下穿过MACD线时，通常被认为是卖出信号。

In [28]:

ini 复制代码

m = 9

df['Signal_Line'] = df['MACD'].ewm(span=m).mean()

In [29]:

bash 复制代码

df["Flag"] = df['MACD'] - df['Signal_Line']

In [30]:

shell 复制代码

# fig.add_trace(go.Scatter(x=df['Date'], y=df['MACD'], name='MACD Line'))
# fig.add_trace(go.Scatter(x=df['Date'], y=df['Signal_Line'], name='Signal Line'))
# fig.add_trace(go.Bar(x=df['Date'], y=df["Flag"],name='Histogram', marker_color="green"))

In [31]:

ini 复制代码

# 绘制MACD曲线图
trace1 = go.Scatter(x=df['Date'], y=df['MACD'], mode='lines', name='MACD Line')
trace2 = go.Scatter(x=df['Date'], y=df['Signal_Line'], mode='lines', name='Signal Line')
trace3 = go.Bar(x=df['Date'], y=df["Flag"],name='Histogram', marker_color=(df["Flag"].apply(lambda x: "green" if x >= 0 else "red")))
layout = go.Layout(title='MACD Curve', xaxis=dict(title='Date'), yaxis=dict(title='Value'))

fig = go.Figure(data=[trace1, trace2,trace3], layout=layout)    

fig.show()

9 布林线

布林线（Boll）指标是股市技术分析的常用工具之一，通过计算股价的"标准差"，再求股价的"信赖区间"。

该线通常由上、中、下三条线组成，其中上下两条线指的就是股票价格的压力线以及支撑线，而中间的一条线是股价平均线。

在股票行情图中，这三条线会随着股价的波动而波动。布林线指标的应用可以反映股票价格的波动情况。

In [32]:

python 复制代码

def calculate_bollinger_bands(df, window_size=20, num_std=2):
    """
    功能：计算布林线的上、下限
    参数：
        df：给定数据
        window_size：表示计算移动平均线和标准差时所使用的时间窗口大小
        num_std：标准差倍数-用于确定上轨和下轨的宽度
    """
    rolling_mean = df['Close'].rolling(window=window_size).mean() 
    rolling_std = df['Close'].rolling(window=window_size).std()
    upper_band = rolling_mean + (rolling_std * num_std)
    lower_band = rolling_mean - (rolling_std * num_std)
    return upper_band, lower_band

In [33]:

ini 复制代码

upper_band, lower_band = calculate_bollinger_bands(df)

fig = go.Figure()

# 添加收盘价Close折线图
fig.add_trace(go.Scatter(x=df.Date, y=df['Close'], name='Close Price',line=dict(color="yellow")))  # 黄色-均线
# 添加上、下轨迹 upper_band, lower_band
fig.add_trace(go.Scatter(x=df.Date, y=upper_band, name='Upper Band', line=dict(color='red')))    # 上限-红色
fig.add_trace(go.Scatter(x=df.Date, y=lower_band, name='Lower Band', line=dict(color='blue')))  # 下限-蓝色

# 设置图形布局
fig.update_layout(title='Apple Stock Bollinger Bands', xaxis_title='Date', yaxis_title='Price')

# 显示图形
fig.show()