Convert Figma logo to code with AI

pythonstock logostock

stock，股票系统。使用python进行开发。

6,578
2,214
6,578
68
View on GitHub

Top Related Projects

FinMind's avatar

FinMind

2,099

Open Data, more than 50 financial data. 提供超過 50 個金融資料(台股為主)，每天更新 https://finmind.github.io/

shidenggui's avatar

easytrader

7,823

提供同花顺客户端/国金/华泰客户端/雪球的基金、股票自动程序化交易以及自动打新，支持跟踪 joinquant /ricequant 模拟交易 和 实盘雪球组合, 量化交易组件

vnpy's avatar

vnpy

25,149

基于Python的开源量化交易平台开发框架

waditu's avatar

tushare

12,780

TuShare is a utility for crawling historical data of China stocks

akfamily's avatar

akshare

8,990

AKShare is an elegant and simple financial data interface library for Python, built for human beings! 开源财经数据接口库

bbfamily's avatar

abu

11,801

阿布量化交易系统(股票，期权，期货，比特币，机器学习) 基于python的开源量化交易，量化投资架构

Quick Overview

The pythonstock/stock repository is a Python-based stock market analysis and prediction system. It utilizes machine learning algorithms and technical indicators to analyze historical stock data and generate predictions for future stock prices. The project aims to provide a comprehensive toolkit for stock market enthusiasts and researchers.

Pros

  • Comprehensive set of technical indicators and analysis tools
  • Integration with popular data sources for real-time and historical stock data
  • Modular architecture allowing for easy extension and customization
  • Includes both traditional statistical methods and machine learning approaches

Cons

  • Limited documentation and user guides
  • Some dependencies may be outdated or require manual updates
  • Lack of extensive testing and validation of prediction accuracy
  • May require significant computational resources for large-scale analysis

Code Examples

  1. Fetching historical stock data:
from pythonstock import data_fetcher

symbol = "AAPL"
start_date = "2022-01-01"
end_date = "2023-01-01"

historical_data = data_fetcher.get_historical_data(symbol, start_date, end_date)
print(historical_data.head())
  1. Calculating technical indicators:
from pythonstock import indicators

close_prices = historical_data['Close']
sma_20 = indicators.simple_moving_average(close_prices, window=20)
rsi_14 = indicators.relative_strength_index(close_prices, window=14)

print("SMA(20):", sma_20[-1])
print("RSI(14):", rsi_14[-1])
  1. Training a machine learning model:
from pythonstock import ml_models

X, y = ml_models.prepare_data(historical_data)
model = ml_models.train_lstm_model(X, y)

future_prediction = ml_models.predict_future(model, X[-1])
print("Predicted price for next day:", future_prediction)

Getting Started

To get started with pythonstock/stock:

  1. Clone the repository:

    git clone https://github.com/pythonstock/stock.git
cd stock

  2. Install dependencies:

    pip install -r requirements.txt

  3. Run the example script:

    python examples/basic_analysis.py

This will perform a basic analysis on a sample stock and display the results. Refer to the documentation for more advanced usage and customization options.

Competitor Comparisons

FinMind logo

FinMind

2,099

Open Data, more than 50 financial data. 提供超過 50 個金融資料(台股為主)，每天更新 https://finmind.github.io/

Pros of FinMind

  • More comprehensive data sources, including global markets and cryptocurrencies
  • Better documentation and API reference
  • Active development and regular updates

Cons of FinMind

  • Steeper learning curve due to more complex features
  • Requires API key for some data sources

Code Comparison

FinMind example:

from FinMind.data import DataLoader

dl = DataLoader()
df = dl.taiwan_stock_daily(
    stock_id="2330",
    start_date="2020-01-01",
    end_date="2020-12-31"
)

Stock example:

import tushare as ts

df = ts.get_hist_data('600000', start='2020-01-01', end='2020-12-31')

FinMind offers a more structured approach with a dedicated DataLoader class, while Stock relies on the tushare library for data retrieval. FinMind's code is more explicit in specifying the data source (taiwan_stock_daily), whereas Stock's code is more concise but less descriptive.

Both projects aim to provide financial data analysis tools, but FinMind offers a broader range of data sources and more advanced features. Stock focuses primarily on the Chinese market and may be easier to use for beginners. The choice between the two depends on the specific requirements of the user's project and their familiarity with financial data analysis.

shidenggui logo

easytrader

7,823

提供同花顺客户端/国金/华泰客户端/雪球的基金、股票自动程序化交易以及自动打新，支持跟踪 joinquant /ricequant 模拟交易 和 实盘雪球组合, 量化交易组件

Pros of easytrader

  • More focused on automated trading functionality
  • Supports multiple Chinese brokers and trading platforms
  • Actively maintained with recent updates

Cons of easytrader

  • Limited to Chinese stock markets and brokers
  • Less comprehensive market analysis tools
  • Steeper learning curve for non-Chinese users

Code comparison

easytrader:

import easytrader

user = easytrader.use('ths')
user.connect(broker_type='universal_client')
user.buy('162411', price=0.55, amount=100)

stock:

from QUANTAXIS import QA_fetch_stock_day_adv
import QUANTAXIS as QA

data = QA_fetch_stock_day_adv('000001', '2017-01-01', '2017-07-01')
QA.QA_util_log_info('data: '+str(data))

Key differences

easytrader focuses on executing trades through various Chinese brokers, while stock provides a broader set of tools for stock market analysis and backtesting. easytrader is more suitable for automated trading in Chinese markets, whereas stock offers a more comprehensive suite of functions for market analysis and strategy development across different markets.

vnpy logo

vnpy

25,149

基于Python的开源量化交易平台开发框架

Pros of vnpy

  • More comprehensive and feature-rich trading platform
  • Supports multiple asset classes (stocks, futures, options, etc.)
  • Active development with frequent updates and contributions

Cons of vnpy

  • Steeper learning curve due to its complexity
  • Requires more system resources to run efficiently
  • May be overkill for users focused solely on stock trading

Code Comparison

vnpy:

from vnpy.event import EventEngine
from vnpy.trader.engine import MainEngine
from vnpy.trader.ui import MainWindow, create_qapp

def main():
    qapp = create_qapp()
    event_engine = EventEngine()
    main_engine = MainEngine(event_engine)

stock:

import tushare as ts
import pandas as pd

def get_stock_data(code, start_date, end_date):
    df = ts.get_k_data(code, start=start_date, end=end_date)
    return pd.DataFrame(df)

The code snippets highlight the difference in scope between the two projects. vnpy provides a more comprehensive trading platform with event-driven architecture, while stock focuses on simpler stock data retrieval and analysis using libraries like Tushare.

waditu logo

tushare

12,780

TuShare is a utility for crawling historical data of China stocks

Pros of Tushare

  • More comprehensive data sources, including financial statements and real-time quotes
  • Better documentation and community support
  • Regularly updated with new features and data types

Cons of Tushare

  • Requires a token for full access to data
  • May have slower performance for large data requests
  • Learning curve can be steeper for beginners

Code Comparison

Tushare:

import tushare as ts
ts.set_token('your_token_here')
df = ts.get_stock_basics()

Stock:

from stock import Stock
stock = Stock('000001')
df = stock.get_k_data()

Key Differences

  • Tushare offers a wider range of financial data beyond just stocks
  • Stock focuses specifically on Chinese A-shares market
  • Tushare requires authentication, while Stock is more straightforward to use
  • Stock provides some built-in analysis tools, whereas Tushare is primarily for data retrieval

Use Cases

  • Tushare: Suitable for comprehensive financial analysis and research projects
  • Stock: Better for quick analysis of Chinese stocks and simple portfolio management

Both libraries serve the purpose of accessing Chinese stock market data, but Tushare offers a more extensive dataset at the cost of slightly more complex setup and usage.

akfamily logo

akshare

8,990

AKShare is an elegant and simple financial data interface library for Python, built for human beings! 开源财经数据接口库

Pros of akshare

  • More comprehensive data sources, covering a wider range of financial markets and instruments
  • Actively maintained with frequent updates and new features
  • Better documentation and examples for ease of use

Cons of akshare

  • Steeper learning curve due to its extensive API and features
  • May be overkill for simple stock analysis tasks
  • Requires more setup and dependencies

Code comparison

akshare:

import akshare as ak

stock_zh_a_spot_df = ak.stock_zh_a_spot()
print(stock_zh_a_spot_df)

stock:

from stock import Stock

stock = Stock('000001')
print(stock.get_k_data())

Key differences

  • akshare provides a more extensive API with access to various financial data sources
  • stock focuses primarily on Chinese A-share market data
  • akshare offers more flexibility in data retrieval and analysis
  • stock provides a simpler interface for basic stock data operations

Use cases

akshare is better suited for:

  • Comprehensive financial market analysis
  • Multi-asset class research
  • Building complex trading systems

stock is more appropriate for:

  • Quick analysis of Chinese A-share stocks
  • Simple portfolio tracking
  • Educational purposes for beginners in stock market analysis

Both libraries have their merits, and the choice between them depends on the specific requirements of your project and your level of expertise in financial data analysis.

bbfamily logo

abu

11,801

阿布量化交易系统(股票，期权，期货，比特币，机器学习) 基于python的开源量化交易，量化投资架构

Pros of abu

  • More comprehensive and feature-rich, offering a wider range of trading strategies and analysis tools
  • Better documentation and examples, making it easier for users to understand and implement the system
  • Active development and community support, with regular updates and improvements

Cons of abu

  • Higher complexity, which may be overwhelming for beginners or those seeking a simpler solution
  • Requires more computational resources due to its extensive features and analysis capabilities
  • Steeper learning curve compared to stock's more straightforward approach

Code Comparison

abu:

from abupy import AbuFactorBuyBreak, AbuFactorAtrNStop, AbuFactorPreAtrNStop, AbuFactorCloseAtrNStop
buy_factors = [{'class': AbuFactorBuyBreak, 'xd': 20, 'rs': False}]
sell_factors = [
    {'class': AbuFactorAtrNStop, 'stop_loss_n': 1.0, 'stop_win_n': 3.0},
    {'class': AbuFactorPreAtrNStop, 'pre_atr_n': 1.5},
    {'class': AbuFactorCloseAtrNStop, 'close_atr_n': 1.5}
]

stock:

from strategy import ma_strategy
from data import get_stock_data

data = get_stock_data('AAPL')
signals = ma_strategy(data, short_window=50, long_window=200)

Convert Figma logo designs to code with AI

Visual Copilot

Introducing Visual Copilot: A new AI model to turn Figma designs to high quality code using your components.

Try Visual Copilot

README

说明，项目迁移到了Gitee 啦，最后一次修改，2023-06-02 执行存档

项目迁移到这里了：此项目后续更新访问这里：

https://gitee.com/pythonstock/stock

github项目后续就Archives存档了，不再更新了！

csdn的pythonstock专栏地址，相关资料都在这里有说明：

https://blog.csdn.net/freewebsys/category_9285317.html

pythonstock V2 项目简介

特别说明：股市有风险投资需谨慎，本项目只能用于Python代码学习，股票分析，投资失败亏钱不负责，不算BUG。

项目地址：https://github.com/pythonstock/stock
PythonStock V2 是基于Python的pandas，akshare，bokeh，tornado，stockstats，ta-lib等框架开发的全栈股票系统。
项目创建于2017年7月17日，每月不定期更新。
1）可以直接使用docker直接本地部署运行，整个项目在docker hub上压缩后200MB，本地占用500MB磁盘空间。
2）使用Docker解决了Python库安装问题，使用Mariadb（MySQL）存储数据。借助akshare抓取数据。
3）使用cron做定时任务，每天进行数据抓取计算，每天18点开始进行数据计算，计算当日数据，使用300天数据进行计算，大约需要15分钟计算完毕。
4）股票数据接口防止被封，按天进行数据缓存，储存最近3天数据，每天定时清除，同时使用read_pickle to_pickle 的gzip压缩模式存储。
5）使用tornado开发web系统，支持每日股票数据-东财，龙虎榜-个股上榜-新浪，数据中心-大宗交易行情等。
6）数据展示系统，是通用数据展示系统，配置字典模板之后，页面自动加载数据，并完成数据展示，后续自己开发的指标数据可以加入进去。
7）增加曲线数据分析，在查看股票中，可以直接跳转到东方财富页面查看相关信息，点击指标之后使用Bokeh将多达 17 个指标的数据绘图，进行图表展示。
8) 2.0 最大的更新在于替换tushare库（因部分库不能使用），使用akshare进行数据抓取。

基础库版本

1，pandas使用【 1.3.5 】版本，升级了
2，numpy使用【 1.21.5 】版本，升级了
3，akshare使用【 1.3.50 】版本，升级了
4，bokeh使用【 2.4.2 】版本，升级了
5，stockstats使用【 0.3.2 】版本

2.0 说明 image image

bokeh 绘图指标数据：

image

然后根据3个指标进行股票数据计算：


KDJ:
1，超买区：K值在80以上，D值在70以上，J值大于90时为超买。一般情况下，股价有可能下跌。投资者应谨慎行事，局外人不应再追涨，局内人应适时卖出。
2，超卖区：K值在20以下，D值在30以下为超卖区。一般情况下，股价有可能上涨，反弹的可能性增大。局内人不应轻易抛出股票，局外人可寻机入场。

RSI:
1．当六日指标上升到达80时，表示股市已有超买现象，如果一旦继续上升，超过90以上时，则表示已到严重超买的警戒区，股价已形成头部，极可能在短期内反转回转。
2．当六日强弱指标下降至20时，表示股市有超卖现象，如果一旦继续下降至10以下时则表示已到严重超卖区域，股价极可能有止跌回升的机会。

CCI
1、当CCI＞﹢100时，表明股价已经进入非常态区间——超买区间，股价的异动现象应多加关注。
2、当CCI＜﹣100时，表明股价已经进入另一个非常态区间——超卖区间，投资者可以逢低吸纳股票。

购买条件结果表：guess_indicators_lite_buy_daily
购买条件结果表：guess_indicators_lite_sell_daily

每日股票指标数据计算17个指标如下（数据表 guess_indicators_daily）：

计算指标说明
1，交易量delta指标分析The Volume Delta (Vol ∆)
2，计算n天差可以计算，向前n天，和向后n天的差。
3，n天涨跌百分百计算可以看到，-n天数据和今天数据的百分比。
4, CR指标http://wiki.mbalib.com/wiki/CR%E6%8C%87%E6%A0%87 价格动量指标 CR跌穿a、b、c、d四条线，再由低点向上爬升160时，为短线获利的一个良机，应适当卖出股票。 CR跌至40以下时，是建仓良机。而CR高于300~400时，应注意适当减仓。
5，最大值，最小值计算区间最大值 volume max of three days ago, yesterday and two days later stock["volume_-3,2,-1_max"] volume min between 3 days ago and tomorrow stock["volume_-31_min"] 实际使用的时候使用 -22 可计算出5天的最大，最小值。
6, KDJ指标http://wiki.mbalib.com/wiki/%E9%9A%8F%E6%9C%BA%E6%8C%87%E6%A0%87 随机指标(KDJ)一般是根据统计学的原理，通过一个特定的周期（常为9日、9周等）内出现过的最高价、 最低价及最后一个计算周期的收盘价及这三者之间的比例关系，来计算最后一个计算周期的未成熟随机值RSV， 然后根据平滑移动平均线的方法来计算K值、D值与J值，并绘成曲线图来研判股票走势。 （3）在使用中，常有J线的指标，即3乘以K值减2乘以D值（3K－2D＝J），其目的是求出K值与D值的最大乖离程度， 以领先KD值找出底部和头部。J大于100时为超买，小于10时为超卖。
7，SMA指标http://wiki.mbalib.com/wiki/Sma 简单移动平均线（Simple Moving Average，SMA） 可以动态输入参数，获得几天的移动平均。
8, MACD指标http://wiki.mbalib.com/wiki/MACD 平滑异同移动平均线(Moving Average Convergence Divergence，简称MACD指标)，也称移动平均聚散指标 MACD 则可发挥其应有的功能，但当市场呈牛皮盘整格局，股价不上不下时，MACD买卖讯号较不明显。 当用MACD作分析时，亦可运用其他的技术分析指标如短期 K，D图形作为辅助工具，而且也可对买卖讯号作双重的确认。
9, BOLL指标http://wiki.mbalib.com/wiki/BOLL 布林线指标(Bollinger Bands)
10, RSI指标http://wiki.mbalib.com/wiki/RSI 相对强弱指标（Relative Strength Index，简称RSI），也称相对强弱指数、相对力度指数 2）强弱指标保持高于50表示为强势市场，反之低于50表示为弱势市场。 （3）强弱指标多在70与30之间波动。当六日指标上升到达80时，表示股市已有超买现象，如果一旦继续上升，超过90以上时，则表示已到严重超买的警戒区，股价已形成头部，极可能在短期内反转回转。
11, W%R指标http://wiki.mbalib.com/wiki/%E5%A8%81%E5%BB%89%E6%8C%87%E6%A0%87 威廉指数（Williams%Rate）该指数是利用摆动点来度量市场的超买超卖现象。
12, CCI指标http://wiki.mbalib.com/wiki/%E9%A1%BA%E5%8A%BF%E6%8C%87%E6%A0%87 顺势指标又叫CCI指标，其英文全称为“Commodity Channel Index”， 是由美国股市分析家唐纳德·蓝伯特（Donald Lambert）所创造的，是一种重点研判股价偏离度的股市分析工具。 1、当CCI指标从下向上突破﹢100线而进入非常态区间时，表明股价脱离常态而进入异常波动阶段， 中短线应及时买入，如果有比较大的成交量配合，买入信号则更为可靠。 2、当CCI指标从上向下突破﹣100线而进入另一个非常态区间时，表明股价的盘整阶段已经结束， 将进入一个比较长的寻底过程，投资者应以持币观望为主。 CCI, default to 14 days
13, TR、ATR指标http://wiki.mbalib.com/wiki/%E5%9D%87%E5%B9%85%E6%8C%87%E6%A0%87 均幅指标（Average True Ranger,ATR）均幅指标（ATR）是取一定时间周期内的股价波动幅度的移动平均值，主要用于研判买卖时机。
14, DMA指标http://wiki.mbalib.com/wiki/DMA DMA指标（Different of Moving Average）又叫平行线差指标，是目前股市分析技术指标中的一种中短期指标，它常用于大盘指数和个股的研判。 DMA, difference of 10 and 50 moving average stock[‘dma’]
15, DMI，+DI，-DI，DX，ADX，ADXR指标http://wiki.mbalib.com/wiki/DMI 动向指数Directional Movement Index,DMI） http://wiki.mbalib.com/wiki/ADX 平均趋向指标（Average Directional Indicator，简称ADX） http://wiki.mbalib.com/wiki/%E5%B9%B3%E5%9D%87%E6%96%B9%E5%90%91%E6%8C%87%E6%95%B0%E8%AF%84%E4%BC%B0 平均方向指数评估（ADXR）实际是今日ADX与前面某一日的ADX的平均值。ADXR在高位与ADX同步下滑，可以增加对ADX已经调头的尽早确认。 ADXR是ADX的附属产品，只能发出一种辅助和肯定的讯号，并非入市的指标，而只需同时配合动向指标(DMI)的趋势才可作出买卖策略。 在应用时，应以ADX为主，ADXR为辅。
16, TRIX，MATRIX指标http://wiki.mbalib.com/wiki/TRIX TRIX指标又叫三重指数平滑移动平均指标（Triple Exponentially Smoothed Average）
17, VR，MAVR指标http://wiki.mbalib.com/wiki/%E6%88%90%E4%BA%A4%E9%87%8F%E6%AF%94%E7%8E%87 成交量比率（Volumn Ratio，VR）（简称VR），是一项通过分析股价上升日成交额（或成交量，下同）与股价下降日成交额比值， 从而掌握市场买卖气势的中期技术指标。

使用方法（依赖docker）

使用 mariadb 和 stock 两个镜像

mkdir -p /data/mariadb/data
docker pull pythonstock/pythonstock:latest
docker pull mariadb:latest

docker run --name mariadb -v /data/mariadb/data:/var/lib/mysql \
    -e MYSQL_ROOT_PASSWORD=mariadb -p 3306:3306 -d mariadb:latest

docker run -itd --link=mariadb --name stock  \
    -v /data/notebooks:/data/notebooks \
    -p 8888:8888 \
    -p 9999:9999 \
    pythonstock/pythonstock:latest

直接启动stock ，使用其他 mysql 数据库，需要配置变量方式：

docker run -itd --name stock  \
    -v /data/notebooks:/data/notebooks \
    -p 8888:8888 \
    -p 9999:9999 \
    -e MYSQL_HOST=127.0.0.1 \
    -e MYSQL_USER=root \
    -e MYSQL_PWD=mariadb \
    -e MYSQL_DB=stock_data \
    pythonstock/pythonstock:latest

或者使用docker compose

安装docker-compose https://www.runoob.com/docker/docker-compose.html

sudo curl -L "https://github.com/docker/compose/releases/download/1.27.4/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose

docker-compose up -d

要想修改文件进行调试，增加当前目录映射，加入到stock里面：

        volumes:
            - "./jobs:/data/stock/jobs"
            - "./libs:/data/stock/libs"
            - "./web:/data/stock/web"

进入镜像：

docker exec -it stock bash 
sh /data/stock/jobs/cron.daily/run_daily

说明，启动容器后，会调用。run_init.sh 进行数据初始化，同时第一次执行后台执行当日数据。 以后每日18点（只有18点左右才有今日的数据）进行股票数据抓取并计算。

本地访问端口

http://localhost:9999 股票系统

股票系统设计

相关博客资料： https://blog.csdn.net/freewebsys/category_9285317.html

数据分析清洗使用pandas，numpy。 http://pandas.pydata.org/

数据存储到磁盘上，使用Mysql数据库。存储股票数据。 https://pypi.python.org/pypi/mysqlclient

web框架使用tornado http://www.tornadoweb.org/en/stable/

tornado web系统 http://docs.pythontab.com/tornado/introduction-to-tornado/

架构设计

全系使用python实现。因为都是python的类库，互相之间调用方便。 从数据抓取，数据处理，到数据展示数据运算都是python实现。

最终的数据都到前端展示出来。主要分为4个文件夹。

jobs 抓取数据并存储实现类。

libs 通用工具类。

web 前端展示框架。

supervisor 进程管理工具。

应用部署

需要mysql数据库启动。项目放到/data/stock 目录。

CREATE DATABASE IF NOT EXISTS `stock_data` CHARACTER SET utf8 COLLATE utf8_general_ci;

使用 :

http://docs.sqlalchemy.org/en/latest/core/reflection.html

更新日志

15 发布一个 2.0 的版本 - 2021-10-11

构建基础版本 pythonstock/pythonstock:base-2021-09 在这个镜像的基础上使用 akshare 1.1.9 折腾几个月，终于把2.0 弄好了，为啥弄2.0 因为之前发现 tushare的数据不能抓取了。需要注册成 pro 版本，但是pro 还有积分限制。 诸多不便吧，于是换成了 akshare 库了，大改了，需要找到相关的新库。然后在些代码。 删除掉了 ta-lib 安装了之后从来没有用到，jupyter 也是没有用。占空间影响下载心情。将镜像进一步减小。

14 bokeh 升级到 2.4.0 版本

目录 /usr/local/lib/python3.7/site-packages 使用脚本进行升级。

13 升级ak到v1.0.80 做好每日东方财经数据

https://www.akshare.xyz/zh_CN/latest/data/stock/stock.html#id1 限量: 单次返回所有 A 股上市公司的实时行情数据

600开头的股票是上证A股，属于大盘股，其中6006开头的股票是最早上市的股票， 6016开头的股票为大盘蓝筹股；900开头的股票是上证B股； 000开头的股票是深证A股，001、002开头的股票也都属于深证A股， 其中002开头的股票是深证A股中小企业股票；200开头的股票是深证B股； 300开头的股票是创业板股票；400开头的股票是三板市场股票。

过滤包括：600，6006，601，000，001，002，且不包括ST的股票数据。

增加数据库utf8 参数 --character-set-server=utf8mb4 --collation-server=utf8mb4_unicode_ci

12 升级基础镜像到3.7 python，保障 akshare 0.6.10 以上版本支持

发现 akshare 要求升级python 3.7 以上版本才可以，需要升级基础镜像。 然后 akshare 就可以升级到 0.9.65 的最新版本了。 新版本就可以按照日期进行查询，解决 TypeError: stock_zh_a_daily() got an unexpected keyword argument 'start_date' 这个问题了。

11 使用 akshare 做相关股票数据抓取

中国的股市开盘时间为：每周一至周五的上午9:30——11：30， 下午13:00——15:00。中国股市收盘时间为：每周一至周五的下午3点。

实时行情数据 接口: stock_zh_a_spot 目标地址: http://vip.stock.finance.sina.com.cn/mkt/#hs_a 描述: A 股数据是从新浪财经获取的数据, 重复运行本函数会被新浪暂时封 IP, 建议增加时间间隔 限量: 单次返回所有 A 股上市公司的实时行情数据

历史行情数据 日频率 接口: stock_zh_a_daily 目标地址: https://finance.sina.com.cn/realstock/company/sh600006/nc.shtml(示例) 描述: A 股数据是从新浪财经获取的数据, 历史数据按日频率更新; 注意其中的 sh689009 为 CDR, 请 通过 stock_zh_a_cdr_daily 接口获取 限量: 单次返回指定 A 股上市公司指定日期间的历史行情日频率数据

10 增加东方财经弹窗窗口、增加指标计算弹窗窗口

发现了一个东方财富的页面，是给pc端用的。 可以做个弹出框放到系统中。不进行调整了，长宽高可以做的小点。使用iframe引入界面。否则有跨域和样式问题。

修改指标页面，改成窗口弹窗，做页面适配，方便查看。

9，增加日历

古老的jquery 代码：
		$( ".date-picker" ).datepicker({
			language: 'zh-CN', //设置语言
            format:"yyyymmdd",
            showOtherMonths: true,
            selectOtherMonths: false,
            autoclose: true,
			todayHighlight: true
        });
针对日期类型的搜索条件增加日历

https://www.bootcss.com/p/bootstrap-datetimepicker/ 不是使用jQuery的时间。

8，发现MariaDb 版本不兼容问题，最后切换成mysql,使用 mysql:5.7 镜像

相关数据执行只支持到10.5.4，版本可以使用，但是10.5.8 就有问题了。 限制死了版本。看来软件也不能瞎升级，都用最新的有问题。可以解决数据问题。 使用 mysql:5.7 镜像，更通用些，不折腾mariaDb了。

7，解决 Bokeh JS兼容问题。

升级 bokeh 到 2.1.1 版本

https://pypi.org/project/bokeh/#files

升级JS，因为 lib 包升级导致问题。

6，升级 bokeh 到 2.1.1 版本


https://pypi.org/project/bokeh/#files

5，解决日志打印问题


配置 main.py 
tornado.options.parse_command_line()

然后启动配置参数：
/usr/local/bin/python3 /data/stock/web/main.py -log_file_prefix=/data/logs/web.log

4，解决跑数据问题

# 通过数据库链接 engine。
def conn():
    try:
        db = MySQLdb.connect(MYSQL_HOST, MYSQL_USER, MYSQL_PWD, MYSQL_DB, charset="utf8")
        # db.autocommit = True
    except Exception as e:
        print("conn error :", e)
    db.autocommit(on=True)
    return db.cursor()

之前升级过代码，造成 db.cursor() 问题。

3，增加多字段排序

1，点击是单个字段进行排序。

2，按照【shift】，点击多个，即可完成多字段排序。

3，服务端分页排序。

4，按照多个字段进行筛选查询。

2，使用pandas处理重复数据

https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.drop_duplicates.html

    data = get_data(year, quarter)
    # 处理重复数据，保存最新一条数据。
    data.drop_duplicates(subset="code", keep="last")

1，web使用datatable显示报表

通用数据配置，在 libs/stock_web_dic.py 配置数据之后，可以实现动态加载菜单，根据数据库表的行列显示数据。

不用一个表一个表进行开发，通用数据展示。