python：pykalman 卡尔曼滤波, 与10日移动均线比较

去除 predict 方法，增加10日移动均线

希望移除代码中所有和 predict 相关的逻辑，同时在股票分析中增加10日移动均线（MA10），让图表同时展示收盘价、卡尔曼滤波股价和10日移动均线，更全面地分析股价趋势。

一、修改后的完整代码

python 复制代码

# -*- coding: utf-8 -*-
""" 让图表同时展示收盘价、卡尔曼滤波股价和 10日移动均线，分析股价趋势 """
import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pykalman import KalmanFilter
import warnings
warnings.filterwarnings('ignore')  # 忽略无关警告

# ---------------------- 1. 初始化tushare并获取A股数据 ----------------------
# 替换为你的tushare token
ts.set_token('your_tushare_token')
pro = ts.pro_api()

# 获取300308 中际旭创 近1年的日线数据
ticker = "300308.SZ"
start_date = "20250101"
end_date = "20260213"

# 获取日线数据
df = pro.daily(
    ts_code=ticker,
    start_date=start_date,
    end_date=end_date,
    adj='qfq'  # 前复权，保证股价连续性
)

# 数据预处理：tushare返回的数据是倒序，需按日期升序排列
df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d')
df = df.sort_values('trade_date').reset_index(drop=True)

# 提取收盘价和日期（A股核心字段与美股不同）
close_price = df['close'].values  # A股收盘价字段是close
dates = df['trade_date']  # 交易日期

# 检查数据是否获取成功
if len(df) == 0:
    print(" 数据获取失败，请检查token有效性或日期范围！")
else:
    print(f" 成功获取 {ticker} 共 {len(df)} 条日线数据")

# ---------------------- 2. 构建卡尔曼滤波器（移除predict相关逻辑） ----------------------
# 初始化卡尔曼滤波参数（针对A股波动特点微调）
transition_mat = np.array([[1]])       # 状态转移矩阵
observation_mat = np.array([[1]])      # 观测矩阵
transition_cov = np.array([[0.02]])    # 过程噪声
observation_cov = np.array([[1.5]])    # 观测噪声
initial_mean = np.array([close_price[0]])  # 初始状态均值
initial_cov = np.array([[1]])          # 初始状态协方差

# 初始化卡尔曼滤波器
kf = KalmanFilter(
    transition_matrices=transition_mat,
    observation_matrices=observation_mat,
    transition_covariance=transition_cov,
    observation_covariance=observation_cov,
    initial_state_mean=initial_mean,
    initial_state_covariance=initial_cov
)

# 对收盘价进行滤波（平滑降噪）
state_means, state_covariances = kf.filter(close_price)

# ---------------------- 3. 计算10日移动均线（MA10） ----------------------
# 整合数据并计算MA10
result = pd.DataFrame({
    "Date": dates,
    "Original_Close": close_price,
    "Kalman_Smoothed": state_means.flatten()
}).set_index("Date")

# 计算10日移动均线（rolling(10)：滚动窗口10天，mean()：取均值）
result['MA10'] = result['Original_Close'].rolling(window=10).mean()

# ---------------------- 4. 数据可视化（新增MA10展示） ----------------------
# 绘制A股股价对比图（适配中文显示）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文显示问题
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示问题

plt.figure(figsize=(12, 6))
# 原始收盘价
plt.plot(result["Original_Close"], label="原始收盘价", color="gray", alpha=0.6)
# 卡尔曼滤波后股价
plt.plot(result["Kalman_Smoothed"], label="卡尔曼滤波后股价", color="#FF4500", linewidth=2)
# 10日移动均线
plt.plot(result["MA10"], label="10日移动均线", color="#1E90FF", linewidth=1.5, linestyle="--")

plt.title(f"{ticker} 中际旭创 股价分析（卡尔曼滤波,10日移动均线）", fontsize=14)
plt.xlabel("日期", fontsize=12)
plt.ylabel("价格（元）", fontsize=12)
plt.legend(fontsize=10)
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

# ---------------------- 5. A股交易信号生成（保留，可结合MA10优化） ----------------------
# 逻辑：滤波股价上穿原始股价=买入信号，下穿=卖出信号（A股T+1，信号仅作参考）
result["Signal"] = 0
# 买入信号：当前滤波值>原始值 且 前一刻滤波值<=原始值
result.loc[(result["Kalman_Smoothed"] > result["Original_Close"]) & 
           (result["Kalman_Smoothed"].shift(1) <= result["Original_Close"].shift(1)), 
           "Signal"] = 1
# 卖出信号：当前滤波值<原始值 且 前一刻滤波值>=原始值
result.loc[(result["Kalman_Smoothed"] < result["Original_Close"]) & 
           (result["Kalman_Smoothed"].shift(1) >= result["Original_Close"].shift(1)), 
           "Signal"] = -1

# 输出交易信号（仅展示前10条）
signal_dates = result[result["Signal"] != 0]
print("\n 交易信号汇总（1=买入，-1=卖出）：")
if len(signal_dates) > 0:
    print(signal_dates[["Original_Close", "Kalman_Smoothed", "MA10", "Signal"]].tail(10))
else:
    print("暂无交易信号")

# 输出关键统计信息
print(f"\n 关键数据统计：")
print(f"卡尔曼滤波股价均值：{result['Kalman_Smoothed'].mean():.2f} 元")
print(f"10日移动均线最新值：{result['MA10'].iloc[-1]:.2f} 元")
print(f"最新收盘价：{result['Original_Close'].iloc[-1]:.2f} 元")

二、关键修改点解释

完全移除predict相关逻辑：
- 删除了所有 predicted_mean、predicted_cov 的计算和输出；
- 代码中不再有任何和"预测下一交易日股价"相关的内容，聚焦于现有股价的滤波和均线分析。
新增10日移动均线（MA10）计算：
- 使用 pandas 的 rolling(window=10).mean() 方法：rolling(10) 表示取连续10天的滚动窗口，mean() 计算窗口内的均值，这是计算移动均线的标准方法；
- MA10的结果存储在 result['MA10'] 列中，前9行因窗口不足会显示 NaN（正常现象）。
可视化优化：
- 图表中新增MA10的展示，用蓝色虚线（#1E90FF + linestyle="--"）区分，和卡尔曼滤波的红色实线、原始股价的灰色实线形成清晰对比；
- 标题更新为包含"10日移动均线"的描述，更贴合分析内容。
输出信息补充：
- 交易信号表格中新增 MA10 列，方便对比信号出现时的均线位置；
- 新增"关键数据统计"模块，输出卡尔曼滤波股价均值、MA10最新值、最新收盘价，便于快速掌握核心数据。

三、使用说明

MA10的特点：前9行数据为 NaN，从第10行开始才有有效数值，这是滚动窗口计算的正常结果，无需处理；
可灵活调整均线周期：如果想计算5日/20日均线，只需将 window=10 改为 window=5/window=20 即可；
信号优化（可选）：你可以基于"卡尔曼滤波股价 + MA10"构建更精准的信号，比如"卡尔曼滤波股价上穿MA10"作为买入信号。

总结

核心改动：移除所有 predict 相关逻辑，新增 rolling(window=10).mean() 计算10日移动均线；
可视化：图表同时展示原始股价、卡尔曼滤波股价、10日移动均线，趋势对比更直观；
实用性：保留了交易信号生成逻辑，且补充了关键统计数据，分析维度更完整。