后端数据分析数据可视化金融科技【免费下载链接】stockstock股票系统。使用python进行开发。项目地址https://gitcode.com/gh_mirrors/st/stock点击查看免费下载导读本文以 PythonStock V2下称 stock 项目为核心系统讲解一个基于 Python 生态pandas、akshare、bokeh、tornado、stockstats 等构建的全栈股票系统的完整技术脉络从 Docker 一键部署、cron 定时任务与每日 18 点数据抓取计算到 17 个技术指标的批量计算、KDJ/RSI/CCI 买卖信号二次筛选再到基于 Tornado DataTables Bokeh 的通用数据展示与绘图。读完本文你将掌握这套数据抓取 → 数据处理 → 指标计算 → Web 展示全流程的实现思路与可复制的部署方法。特别说明股市有风险投资需谨慎本项目只能用于 Python 代码学习与股票分析投资失败亏钱不负责不算 BUG。一、项目定位与整体架构1.1 项目简介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README 存档时间为 2023-06-02。项目具备以下核心特性Docker 一键部署整个项目在 Docker Hub 上压缩后约 200MB本地占用约 500MB 磁盘空间可直接本地部署运行。存储与数据源使用 MariadbMySQL存储数据借助 akshare 抓取数据用 Docker 解决 Python 库安装问题。定时任务使用 cron 做定时任务每天进行数据抓取计算每天 18 点开始计算当日数据使用 300 天数据进行计算大约需要 15 分钟计算完毕。防封缓存机制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。Tornado 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-大宗交易行情等数据展示。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展示后续自己开发的指标数据可以加入进去。曲线数据分析查看股票时可跳转东方财富页面点击指标后使用 Bokeh 将多达 17 个指标的数据绘图展示。2.0 最大更新替换 tushare 库因部分库不能使用改用 akshare 进行数据抓取。1.2 基础库版本依赖库版本pandas1.3.5numpy1.21.5akshare1.3.50bokeh2.4.2stockstats0.3.21.3 目录架构设计全系统使用 Python 实现从数据抓取、数据处理到数据展示、数据运算都是 Python 实现最终数据都到前端展示。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。这一目录划分直接对应代码库数据抓取与指标计算脚本位于 jobs如 18h_daily_job.py、guess_indicators_daily_job.py、basic_job.py通用工具类位于 libs如 common.py 提供数据库连接、缓存读写等公共方法stock_web_dic.py 提供 Web 通用数据字典配置Web 展示框架位于 webTornado 应用 main.py 及各 Handler进程管理配置位于 supervisor。二、Docker 部署从拉镜像到本地调试2.1 使用 mariadb 和 stock 两个镜像项目依赖 Docker 部署需要使用 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_PASSWORDmariadb -p 3306:3306 -d mariadb:latest docker run -itd --linkmariadb --name stock \ -v /data/notebooks:/data/notebooks \ -p 8888:8888 \ -p 9999:9999 \ pythonstock/pythonstock:latest其中--linkmariadb让 stock 容器通过主机名mysqldb访问数据库。从 libs/common.py 源码可以看到数据库配置默认值正是mysqldbMYSQL_HOST os.environ.get(MYSQL_HOST) if (os.environ.get(MYSQL_HOST) ! None) else mysqldb MYSQL_USER os.environ.get(MYSQL_USER) if (os.environ.get(MYSQL_USER) ! None) else root MYSQL_PWD os.environ.get(MYSQL_PWD) if (os.environ.get(MYSQL_PWD) ! None) else mysqldb MYSQL_DB os.environ.get(MYSQL_DB) if (os.environ.get(MYSQL_DB) ! None) else stock_data即支持通过环境变量MYSQL_HOST / MYSQL_USER / MYSQL_PWD / MYSQL_DB覆盖数据库连接配置兼容开发模式与 Docker 模式。2.2 直连外部 MySQL环境变量方式如果直接启动 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_HOST127.0.0.1 \ -e MYSQL_USERroot \ -e MYSQL_PWDmariadb \ -e MYSQL_DBstock_data \ pythonstock/pythonstock:latestlibs/common.py 中根据这些环境变量拼出 SQLAlchemy 连接串MYSQL_CONN_URL mysqlmysqldb:// MYSQL_USER : MYSQL_PWD MYSQL_HOST :3306/ MYSQL_DB ?charsetutf8mb4可见连接固定使用 3306 端口与charsetutf8mb4字符集。2.3 使用 docker-compose 一键启动在仓库根目录 docker-compose.yml 中直接执行docker-compose up -d如果想要修改文件进行调试可以增加当前目录映射将宿主机的 jobs、libs、web 三个目录挂载进 stock 容器volumes: - ./jobs:/data/stock/jobs - ./libs:/data/stock/libs - ./web:/data/stock/web这与镜像内约定的代码目录/data/stock保持一致run_init.sh 中设置了export PYTHONPATH/data/stock。2.4 进入镜像手动执行任务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会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。从 jobs/run_init.sh 可以看到初始化流程的完整实现export PYTHONIOENCODINGutf-8 export LANGzh_CN.UTF-8 export PYTHONPATH/data/stock ... sleep 120 # 等待 mysqldb 启动 /usr/local/bin/python3 /data/stock/jobs/basic_job.py /data/logs/run_init.log printenv | grep -v no_proxy /etc/environment # 解决环境变量输出问题 nohup bash /data/stock/jobs/cron.daily/run_daily # 第一次后台执行日数据 /usr/sbin/cron -f # 启动 cron 服务前台2.5 本地访问端口http://localhost:9999 股票系统Tornado 服务监听端口在 web/main.py 中定义port 9999与 Docker 的-p 9999:9999端口映射对应。三、应用部署与数据库初始化3.1 数据库准备需要 MySQL 数据库启动项目放到/data/stock目录。首次部署创建数据库CREATE DATABASE IF NOT EXISTS stock_data CHARACTER SET utf8 COLLATE utf8_general_ci;实际上 jobs/basic_job.py 会自动完成数据库创建先尝试连接stock_data库执行select 1失败则连接mysql系统库执行CREATE DATABASE IF NOT EXISTS保证容器冷启动时数据库可用create_sql CREATE DATABASE IF NOT EXISTS %s CHARACTER SET utf8 COLLATE utf8_general_ci % common.MYSQL_DB3.2 数据写入与主键约束libs/common.py 提供通用的数据入库方法insert_db/insert_other_db使用 SQLAlchemy 的data.to_sql写入列类型统一转为NVARCHAR(length255)并通过inspect.get_pk_constraint检查主键若不存在则执行ALTER TABLE ... ADD PRIMARY KEY从而保证重跑数据时索引唯一if insp.get_pk_constraint(table_name)[constrained_columns] []: with engine_mysql.connect() as con: con.execute(ALTER TABLE %s ADD PRIMARY KEY (%s); % (table_name, primary_keys))3.3 数据重跑机制common.run_with_args支持三种命令行参数模式libs/common.py无参数默认跑当日数据若在每天 12 点之前运行则自动回退到昨天数据python xxx.py 2017-07-01指定单个日期重跑python xxx.py 2017-07-01 10指定起始日期并循环重跑 N 天历史数据。if len(sys.argv) 3: tmp_year, tmp_month, tmp_day sys.argv[1].split(-) loop int(sys.argv[2]) tmp_datetime datetime.datetime(int(tmp_year), int(tmp_month), int(tmp_day)) for i in range(0, loop): tmp_datetime_new tmp_datetime datetime.timedelta(daysi) run_fun(tmp_datetime_new)四、每日数据抓取akshare 接口与定时任务4.1 每日任务脚本 run_daily每日数据流水线由 jobs/cron.daily/run_daily 驱动依次执行两个 Python 脚本并清理 20 天前的历史缓存/usr/local/bin/python3 /data/stock/jobs/18h_daily_job.py /data/logs/daily.${DATE}.log /usr/local/bin/python3 /data/stock/jobs/guess_indicators_daily_job.py /data/logs/daily.${DATE}.log # 清除前 20 天数据原文注释为前3天脚本按 20 天执行清理 DATE_20date -d -20 days %Y-%m-%d rm -f /data/cache/hist_data_cache/${MONTH_20}/${DATETIME_20}对应容器内的 cron 调度配置可参考 jobs/cron.hourly/run_hourly、jobs/cron.minutely/run_1minute 等目录结构README 明确每日 18 点只有 18 点左右才有当日数据执行抓取计算。4.2 数据源与股票代码过滤18h_daily_job.py 通过 akshare 抓取三类核心数据数据类型akshare 接口数据来源每日股票实时行情ak.stock_zh_a_spot_em()东方财富龙虎榜-个股上榜统计ak.stock_sina_lhb_ggtj(recent_day5)新浪财经大宗交易每日统计ak.stock_dzjy_mrtj(start_date, end_date)东方财富数据中心股票代码过滤规则README 原文600 开头的股票是上证 A 股属于大盘股其中 6006 开头是最早上市的股票6016 开头为大盘蓝筹股900 开头是上证 B 股000 开头是深证 A 股001、002 开头也都属于深证 A 股其中 002 开头是深证 A 股中小企业股票200 开头是深证 B 股300 开头是创业板股票400 开头是三板市场股票。代码过滤包括600、6006、601、000、001、002且不包括 ST 的股票数据。源码中对应三个过滤函数def stock_a(code): if code.startswith(600) or code.startswith(6006) or code.startswith(601) \ or code.startswith(000) or code.startswith(001) or code.startswith(002): return True def stock_a_filter_st(name): # name.find(ST) -1 才保留 def stock_a_filter_price(latest_price): # np.isnan 过滤无价格退市股票数据抓取后按date删除当日老数据再重新入库保证幂等del_sql DELETE FROM stock_zh_ah_name where date %s % datetime_int common.insert(del_sql) common.insert_db(data, stock_zh_ah_name, True, date,code)4.3 历史行情缓存机制为防止股票数据接口被封libs/common.py 实现了按天、按股票的 gzip pickle 缓存bash_stock_tmp /data/cache/hist_data_cache/%s/%s/ # 月目录/日目录 cache_file cache_dir %s^%s.gzip.pickle % (date_end, code) if os.path.isfile(cache_file): return pd.read_pickle(cache_file, compressiongzip) else: stock ak.stock_zh_a_hist(symbolcode, start_datedate_start, end_datedate_end, adjust) stock.to_pickle(cache_file, compressiongzip)缓存按月/日目录组织、每次取约 100 天指标计算时date_start date_end - 100 天行情配合每日清理脚本实现储存最近数据、定时清除的防封策略。4.4 pandas 处理重复数据README 更新日志第 2 条给出重复数据处理示例取指定期间数据后按 code 去重、保留最新一条data get_data(year, quarter) # 处理重复数据保存最新一条数据。 data.drop_duplicates(subsetcode, keeplast)该用法在指标计算脚本中同样出现jobs/guess_indicators_daily_job.py 中data data.drop_duplicates(subsetcode, keeplast)保证插入数据库前无重复记录。五、17 个技术指标的计算体系每日股票指标数据计算结果存储在数据表guess_indicators_daily共计算 17 个指标实现位于 jobs/guess_indicators_daily_job.py基于stockstats库stockstats.StockDataFrame.retype(stock)批量计算计算指标说明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3n 天涨跌百分比计算可以看到 -n 天数据和今天数据的百分比4CR 指标价格动量指标。CR 跌穿 a、b、c、d 四条线再由低点向上爬升 160 时为短线获利良机应适当卖出CR 跌至 40 以下时是建仓良机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如volume_-3,2,-1_max、区间最小值如volume_-3~1_min实际使用 -2~2 可计算 5 天的最大、最小值6KDJ 指标随机指标通过特定周期常为 9 日内最高价、最低价及收盘价比例计算 RSV再以平滑移动平均计算 K、D、J 值J 即 3K2D以领先 KD 找出底部和头部J 大于 100 时为超买小于 10 时为超卖7SMA 指标简单移动平均线可动态输入参数获得几天的移动平均8MACD 指标平滑异同移动平均线当市场呈牛皮盘整格局时 MACD 买卖讯号较不明显可运用短期 K、D 图形作辅助并对买卖讯号作双重确认9BOLL 指标布林线指标 (Bollinger Bands)10RSI 指标相对强弱指标高于 50 表示强势市场低于 50 表示弱势市场多在 70 与 30 之间波动六日指标上升到达 80 表示超买超过 90 为严重超买警戒区11W%R 指标威廉指数 (Williams %R)利用摆动点度量市场超买超卖现象12CCI 指标顺势指标研判股价偏离度默认 14 天从下向上突破 100 进入非常态区间应及时买入从上向下突破 -100 进入另一个非常态区间应以持币观望为主13TR、ATR 指标均幅指标 (Average True Range)取一定周期内股价波动幅度的移动平均值主要用于研判买卖时机14DMA 指标平行线差指标 (Different of Moving Average)中短期指标常用于大盘指数和个股研判即 10 与 50 移动平均之差stock[dma]15DMI、DI、-DI、DX、ADX、ADXR 指标动向指数及其衍生指标ADXR 是今日 ADX 与前面某一日 ADX 的平均值在高位与 ADX 同步下滑可提前确认 ADX 调头应用时以 ADX 为主、ADXR 为辅16TRIX、MATRIX 指标三重指数平滑移动平均指标 (Triple Exponentially Smoothed Average)17VR、MAVR 指标成交量比率 (Volume Ratio)通过分析股价上升日与下降日成交额比值掌握市场买卖气势的中期技术指标计算时实际产出的列清单jobs/guess_indicators_daily_job.py 中stock_column包括adx, adxr, boll, boll_lb, boll_ub, cci, cci_20, close_-1_r, close_-2_r, cr, cr-ma1, cr-ma2, cr-ma3, dma, dx, kdjd, kdjj, kdjk, macd, macdh, macds, mdi, pdi, rsi_12, rsi_6, trix, trix_9_sma, vr, vr_6_sma, wr_10, wr_6。从实现看apply_guess对每只股票取最近约 100 天历史行情通过common.get_hist_data_cache走缓存交给 stockstats 重定型后取每个指标的最新值tail(1)并对np.isinf/np.isnan统一置 0concat_guess_data将计算结果与当日行情pd.merge合并stat_all_batch以 100 条为一批batch_size 100分批处理全市场股票每批执行删除老数据 → 查询当日股票 → 计算指标 → 入库guess_indicators_daily主键date, code的流程最后统一保留两位小数。六、KDJ / RSI / CCI 买卖信号筛选README 给出基于 3 个指标的买卖规则项目据此生成两张结果表guess_indicators_lite_buy_daily购买条件结果表与guess_indicators_lite_sell_daily卖出条件结果表实现见 jobs/guess_indicators_daily_job.py 的stat_all_lite_buy/stat_all_lite_sell。6.1 KDJ 指标规则超买区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。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、反弹可能性增大局内人不应轻易抛出股票局外人可寻机入场。补充J 大于 100 时为超买小于 10 时为超卖。6.2 RSI 指标规则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。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 以下则表示已到严重超卖区域股价极可能有止跌回升的机会。6.3 CCI 指标规则当 CCI100 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。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。6.4 源码中的筛选 SQL买入候选超买信号的 SQL 条件SELECT date,code,name,latest_price,quote_change,ups_downs,volume,turnover, amplitude,high,low,open,closed,quantity_ratio,turnover_rate,pe_dynamic,pb, kdjj,rsi_6,cci FROM stock_data.guess_indicators_daily WHERE date %s and kdjk 80 and kdjd 70 and kdjj 90卖出候选超卖信号的 SQL 条件SELECT date,code,name,latest_price,quote_change,ups_downs,volume,turnover, amplitude,high,low,open,closed,quantity_ratio,turnover_rate,pe_dynamic,pb, kdjj,rsi_6,cci FROM stock_data.guess_indicators_daily WHERE date %s and kdjk 20 and kdjd 30 and kdjj 10两次筛选均先DELETE当日旧结果再drop_duplicates(subsetcode, keeplast)后写入对应结果表主键date, code。源码注释中保留了可调的扩展参数如kdjj 100 and rsi_6 80 and cci 100可按需调整阈值提前获得股票增长信号。七、Tornado Web 展示系统7.1 路由与端口web/main.py 基于 Tornado 构建应用路由配置如下路由Handler功能/、/stock/HomeHandler首页展示各依赖库版本号/test_akshare、/test2TestHandler / Test2HandlerJS 测试页面/stock/api_datadataTableHandler.GetStockDataHandlerDataTables 报表数据接口/stock/datadataTableHandler.GetStockHtmlHandler通用数据展示页面/data/editordataEditorHandler.GetEditorHtmlHandler数据编辑页面/data/editor/savedataEditorHandler.SaveEditorHandler数据保存接口/stock/data/indicatorsdataIndicatorsHandler.GetDataIndicatorsHandler股票指标数据Bokeh 绘图数据Web 启动命令README 更新日志第 5 条给出日志配置方式/usr/local/bin/python3 /data/stock/web/main.py -log_file_prefix/data/logs/web.log对应源码 web/main.py 中tornado.options.parse_command_line()接收该参数。7.2 通用数据展示配置字典即可上线核心设计是通用数据展示系统在 libs/stock_web_dic.py 中配置StockWebData(mode, type, name, table_name, columns, column_names, primary_key, order_by)之后页面自动加载数据完成展示不用一个表一个表开发。已内置的五张数据表配置modetypenametable_namequery1股票基本数据每日股票数据-东财stock_zh_ah_namequery1股票基本数据龙虎榜-个股上榜-新浪stock_sina_lhb_ggtjquery1股票基本数据数据中心-大宗交易stock_dzjy_mrtjquery2每日数据猜想股票指标 lite 猜想买入guess_indicators_lite_buy_dailyquery2每日数据猜想股票指标 lite 猜想卖出guess_indicators_lite_sell_dailyquery2每日数据猜想股票指标猜想原始数据guess_indicators_daily以每日股票数据-东财为例columns 与中文列名一一对应columns[date,code,name,latest_price,quote_change,ups_downs,volume,turnover, amplitude,high,low,open,closed,quantity_ratio,turnover_rate,pe_dynamic,pb], column_names[日期,代码,名称,最新价,涨跌幅,涨跌额,成交量,成交额, 振幅,最高,最低,今开,昨收,量比,换手率,动态市盈率,市净率],配置加载时会自动在代码列后插入查看股票链接跳转东方财富WEB_EASTMONEY_URL http://quote.eastmoney.com/%s.html并校验 columns 与 column_names 长度一致。7.3 DataTables 多字段排序与筛选README 更新日志第 3 条总结了表格交互能力1点击单个字段进行排序。 2按住【shift】点击多个字段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。Web 前端静态资源jquery.dataTables.min.js、buttons.dataTables.min.css 等位于 web/static 目录配合 web/dataTableHandler.py 实现服务端分页与排序。7.4 Bokeh 指标绘图查看股票时可直接跳转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。Bokeh 相关代码入口为 web/chartHandler.py 与 web/tornado_bokeh_embed.py前端模板 web/templates/stock_indicators.html 负责展示。README 还记录了 bokeh 的升级过程升级到 2.1.1 后解决 JS 兼容问题因 lib 包升级导致最终稳定在 2.4.2并配套 web/static/update_bokeh.sh 升级脚本。八、版本演进与工程经验更新日志要点README 的更新日志记录了项目从 1.0 到 2.0 的关键决策对理解当前代码很有价值15发布 2.0 版本2021-10-11。构建基础镜像 pythonstock/pythonstock:base-2021-09使用 akshare 1.1.9。起因是 tushare 数据不能抓取、pro 版本有积分限制于是换用 akshare 并大改代码同时删除从未用到的 ta-lib、去掉未使用的 jupyter进一步减小镜像体积。14bokeh 升级到 2.4.0 版本。依赖安装于/usr/local/lib/python3.7/site-packages使用脚本升级。13升级 ak 到 v1.0.80做好每日东方财经数据。增加数据库 utf8 参数--character-set-serverutf8mb4 --collation-serverutf8mb4_unicode_ci。12升级基础镜像到 Python 3.7。akshare 要求 Python 3.7 以上升级后 akshare 支持按日期查询解决了TypeError: stock_zh_a_daily() got an unexpected keyword argument start_date问题。11使用 akshare 做相关股票数据抓取。中国股市开盘时间周一至周五 9:30—11:30、13:00—15:00收盘为下午 3 点。实时行情接口stock_zh_a_spot新浪财经重复运行会被暂时封 IP建议增加时间间隔单次返回所有 A 股实时行情历史行情日频率接口stock_zh_a_daily其中 sh689009 为 CDR需通过 stock_zh_a_cdr_daily 接口获取。10增加东方财经弹窗窗口、指标计算弹窗窗口。东方财富页面通过 iframe 引入避免跨域和样式问题指标页面改成窗口弹窗做页面适配。9增加日历。日期类型搜索条件使用 jQuery datepicker设置语言 zh-CN、格式yyyymmdd、todayHighlight: true等。8发现 MariaDB 版本不兼容问题最终切换成 mysql:5.7 镜像。相关数据执行只支持到 10.5.410.5.8 就有问题因此限制版本使用 mysql:5.7 更通用。7解决 Bokeh JS 兼容问题升级 bokeh 到 2.1.1升级 JS。5解决日志打印问题配置tornado.options.parse_command_line()启动时传-log_file_prefix/data/logs/web.log。4解决跑数据问题通过数据库链接 engine见上文 libs/common.py 的conn()函数设置db.autocommit(onTrue)避免升级代码造成 db.cursor() 问题。2使用 pandas 处理重复数据drop_duplicates(subsetcode, keeplast)。1web 使用 DataTables 显示报表在 libs/stock_web_dic.py 配置数据后动态加载菜单、根据数据库表的行列显示数据。另外容器日志与进程管理可参考 supervisor/supervisord.conf 与 startStock.sh仓库还保留了 docker/Dockerfile、根目录 Dockerfile 与 nginx.conf可进一步了解镜像构建与反向代理配置。九、小结PythonStock V2 提供了一个全 Python 化的股票系统参考实现akshare 负责数据抓取实时行情、龙虎榜、大宗交易、历史行情gzip pickle 缓存防封cron run_daily 定时驱动 18 点数据计算stockstats 批量产出 17 个技术指标KDJ/RSI/CCI 规则二次筛选出买卖候选Tornado DataTables stock_web_dic 配置驱动通用报表Bokeh 完成指标绘图。其通用数据展示配置化数据可重跑缓存与主键幂等写入等设计思路均可迁移到其他金融数据采集与分析场景。赞分享后端数据分析数据可视化金融科技【免费下载链接】stockstock股票系统。使用python进行开发。项目地址https://gitcode.com/gh_mirrors/st/stock点击查看免费下载相关推荐股票系统gh_mirrors/st/stock数据库设计详解MySQL与Pandas数据处理技巧股票系统gh_mirrors/st/stock数据库设计详解MySQL与Pandas数据处理技巧 引言股票数据处理的双重挑战 你是否曾面临过股票数据存储效率后端数据分析数据可视化金融科技PythonStock股票分析系统量化投资实战指南PythonStock是一个功能强大的开源股票数据分析系统基于Python技术栈开发集成了数据采集、处理、分析和可视化功能。该系统采用Docker容器化部署后端数据分析数据可视化金融科技PythonStock解锁全栈股票数据分析新维度为什么选择PythonStock 在当今数据驱动的投资环境中掌握高效的数据分析工具已成为投资决策的关键。PythonStock作为基于Python的全栈股票后端数据分析数据可视化金融科技上一篇ERPNext开源ERP终极指南中小企业数字化转型的3种部署方案下一篇Citra图形设置终极指南从模糊到高清的完整解决方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/27 10:10:51 · 阅读 1.2k PythonStock V2 全栈股票系统实战指南：基于 akshare、pandas 与 Tornado 的数据抓取、指标计算与可视化部署
后端数据分析数据可视化金融科技【免费下载链接】stockstock股票系统。使用python进行开发。项目地址https://gitcode.com/gh_mirrors/st/stock点击查看免费下载导读本文以 PythonStock V2下称 stock 项目为核心系统讲解一个基于 Python 生态pandas、akshare、bokeh、tornado、stockstats 等构建的全栈股票系统的完整技术脉络从 Docker 一键部署、cron 定时任务与每日 18 点数据抓取计算到 17 个技术指标的批量计算、KDJ/RSI/CCI 买卖信号二次筛选再到基于 Tornado DataTables Bokeh 的通用数据展示与绘图。读完本文你将掌握这套数据抓取 → 数据处理 → 指标计算 → Web 展示全流程的实现思路与可复制的部署方法。特别说明股市有风险投资需谨慎本项目只能用于 Python 代码学习与股票分析投资失败亏钱不负责不算 BUG。一、项目定位与整体架构1.1 项目简介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README 存档时间为 2023-06-02。项目具备以下核心特性Docker 一键部署整个项目在 Docker Hub 上压缩后约 200MB本地占用约 500MB 磁盘空间可直接本地部署运行。存储与数据源使用 MariadbMySQL存储数据借助 akshare 抓取数据用 Docker 解决 Python 库安装问题。定时任务使用 cron 做定时任务每天进行数据抓取计算每天 18 点开始计算当日数据使用 300 天数据进行计算大约需要 15 分钟计算完毕。防封缓存机制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。Tornado 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-大宗交易行情等数据展示。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展示后续自己开发的指标数据可以加入进去。曲线数据分析查看股票时可跳转东方财富页面点击指标后使用 Bokeh 将多达 17 个指标的数据绘图展示。2.0 最大更新替换 tushare 库因部分库不能使用改用 akshare 进行数据抓取。1.2 基础库版本依赖库版本pandas1.3.5numpy1.21.5akshare1.3.50bokeh2.4.2stockstats0.3.21.3 目录架构设计全系统使用 Python 实现从数据抓取、数据处理到数据展示、数据运算都是 Python 实现最终数据都到前端展示。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。这一目录划分直接对应代码库数据抓取与指标计算脚本位于 jobs如 18h_daily_job.py、guess_indicators_daily_job.py、basic_job.py通用工具类位于 libs如 common.py 提供数据库连接、缓存读写等公共方法stock_web_dic.py 提供 Web 通用数据字典配置Web 展示框架位于 webTornado 应用 main.py 及各 Handler进程管理配置位于 supervisor。二、Docker 部署从拉镜像到本地调试2.1 使用 mariadb 和 stock 两个镜像项目依赖 Docker 部署需要使用 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_PASSWORDmariadb -p 3306:3306 -d mariadb:latest docker run -itd --linkmariadb --name stock \ -v /data/notebooks:/data/notebooks \ -p 8888:8888 \ -p 9999:9999 \ pythonstock/pythonstock:latest其中--linkmariadb让 stock 容器通过主机名mysqldb访问数据库。从 libs/common.py 源码可以看到数据库配置默认值正是mysqldbMYSQL_HOST os.environ.get(MYSQL_HOST) if (os.environ.get(MYSQL_HOST) ! None) else mysqldb MYSQL_USER os.environ.get(MYSQL_USER) if (os.environ.get(MYSQL_USER) ! None) else root MYSQL_PWD os.environ.get(MYSQL_PWD) if (os.environ.get(MYSQL_PWD) ! None) else mysqldb MYSQL_DB os.environ.get(MYSQL_DB) if (os.environ.get(MYSQL_DB) ! None) else stock_data即支持通过环境变量MYSQL_HOST / MYSQL_USER / MYSQL_PWD / MYSQL_DB覆盖数据库连接配置兼容开发模式与 Docker 模式。2.2 直连外部 MySQL环境变量方式如果直接启动 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_HOST127.0.0.1 \ -e MYSQL_USERroot \ -e MYSQL_PWDmariadb \ -e MYSQL_DBstock_data \ pythonstock/pythonstock:latestlibs/common.py 中根据这些环境变量拼出 SQLAlchemy 连接串MYSQL_CONN_URL mysqlmysqldb:// MYSQL_USER : MYSQL_PWD MYSQL_HOST :3306/ MYSQL_DB ?charsetutf8mb4可见连接固定使用 3306 端口与charsetutf8mb4字符集。2.3 使用 docker-compose 一键启动在仓库根目录 docker-compose.yml 中直接执行docker-compose up -d如果想要修改文件进行调试可以增加当前目录映射将宿主机的 jobs、libs、web 三个目录挂载进 stock 容器volumes: - ./jobs:/data/stock/jobs - ./libs:/data/stock/libs - ./web:/data/stock/web这与镜像内约定的代码目录/data/stock保持一致run_init.sh 中设置了export PYTHONPATH/data/stock。2.4 进入镜像手动执行任务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会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。从 jobs/run_init.sh 可以看到初始化流程的完整实现export PYTHONIOENCODINGutf-8 export LANGzh_CN.UTF-8 export PYTHONPATH/data/stock ... sleep 120 # 等待 mysqldb 启动 /usr/local/bin/python3 /data/stock/jobs/basic_job.py /data/logs/run_init.log printenv | grep -v no_proxy /etc/environment # 解决环境变量输出问题 nohup bash /data/stock/jobs/cron.daily/run_daily # 第一次后台执行日数据 /usr/sbin/cron -f # 启动 cron 服务前台2.5 本地访问端口http://localhost:9999 股票系统Tornado 服务监听端口在 web/main.py 中定义port 9999与 Docker 的-p 9999:9999端口映射对应。三、应用部署与数据库初始化3.1 数据库准备需要 MySQL 数据库启动项目放到/data/stock目录。首次部署创建数据库CREATE DATABASE IF NOT EXISTS stock_data CHARACTER SET utf8 COLLATE utf8_general_ci;实际上 jobs/basic_job.py 会自动完成数据库创建先尝试连接stock_data库执行select 1失败则连接mysql系统库执行CREATE DATABASE IF NOT EXISTS保证容器冷启动时数据库可用create_sql CREATE DATABASE IF NOT EXISTS %s CHARACTER SET utf8 COLLATE utf8_general_ci % common.MYSQL_DB3.2 数据写入与主键约束libs/common.py 提供通用的数据入库方法insert_db/insert_other_db使用 SQLAlchemy 的data.to_sql写入列类型统一转为NVARCHAR(length255)并通过inspect.get_pk_constraint检查主键若不存在则执行ALTER TABLE ... ADD PRIMARY KEY从而保证重跑数据时索引唯一if insp.get_pk_constraint(table_name)[constrained_columns] []: with engine_mysql.connect() as con: con.execute(ALTER TABLE %s ADD PRIMARY KEY (%s); % (table_name, primary_keys))3.3 数据重跑机制common.run_with_args支持三种命令行参数模式libs/common.py无参数默认跑当日数据若在每天 12 点之前运行则自动回退到昨天数据python xxx.py 2017-07-01指定单个日期重跑python xxx.py 2017-07-01 10指定起始日期并循环重跑 N 天历史数据。if len(sys.argv) 3: tmp_year, tmp_month, tmp_day sys.argv[1].split(-) loop int(sys.argv[2]) tmp_datetime datetime.datetime(int(tmp_year), int(tmp_month), int(tmp_day)) for i in range(0, loop): tmp_datetime_new tmp_datetime datetime.timedelta(daysi) run_fun(tmp_datetime_new)四、每日数据抓取akshare 接口与定时任务4.1 每日任务脚本 run_daily每日数据流水线由 jobs/cron.daily/run_daily 驱动依次执行两个 Python 脚本并清理 20 天前的历史缓存/usr/local/bin/python3 /data/stock/jobs/18h_daily_job.py /data/logs/daily.${DATE}.log /usr/local/bin/python3 /data/stock/jobs/guess_indicators_daily_job.py /data/logs/daily.${DATE}.log # 清除前 20 天数据原文注释为前3天脚本按 20 天执行清理 DATE_20date -d -20 days %Y-%m-%d rm -f /data/cache/hist_data_cache/${MONTH_20}/${DATETIME_20}对应容器内的 cron 调度配置可参考 jobs/cron.hourly/run_hourly、jobs/cron.minutely/run_1minute 等目录结构README 明确每日 18 点只有 18 点左右才有当日数据执行抓取计算。4.2 数据源与股票代码过滤18h_daily_job.py 通过 akshare 抓取三类核心数据数据类型akshare 接口数据来源每日股票实时行情ak.stock_zh_a_spot_em()东方财富龙虎榜-个股上榜统计ak.stock_sina_lhb_ggtj(recent_day5)新浪财经大宗交易每日统计ak.stock_dzjy_mrtj(start_date, end_date)东方财富数据中心股票代码过滤规则README 原文600 开头的股票是上证 A 股属于大盘股其中 6006 开头是最早上市的股票6016 开头为大盘蓝筹股900 开头是上证 B 股000 开头是深证 A 股001、002 开头也都属于深证 A 股其中 002 开头是深证 A 股中小企业股票200 开头是深证 B 股300 开头是创业板股票400 开头是三板市场股票。代码过滤包括600、6006、601、000、001、002且不包括 ST 的股票数据。源码中对应三个过滤函数def stock_a(code): if code.startswith(600) or code.startswith(6006) or code.startswith(601) \ or code.startswith(000) or code.startswith(001) or code.startswith(002): return True def stock_a_filter_st(name): # name.find(ST) -1 才保留 def stock_a_filter_price(latest_price): # np.isnan 过滤无价格退市股票数据抓取后按date删除当日老数据再重新入库保证幂等del_sql DELETE FROM stock_zh_ah_name where date %s % datetime_int common.insert(del_sql) common.insert_db(data, stock_zh_ah_name, True, date,code)4.3 历史行情缓存机制为防止股票数据接口被封libs/common.py 实现了按天、按股票的 gzip pickle 缓存bash_stock_tmp /data/cache/hist_data_cache/%s/%s/ # 月目录/日目录 cache_file cache_dir %s^%s.gzip.pickle % (date_end, code) if os.path.isfile(cache_file): return pd.read_pickle(cache_file, compressiongzip) else: stock ak.stock_zh_a_hist(symbolcode, start_datedate_start, end_datedate_end, adjust) stock.to_pickle(cache_file, compressiongzip)缓存按月/日目录组织、每次取约 100 天指标计算时date_start date_end - 100 天行情配合每日清理脚本实现储存最近数据、定时清除的防封策略。4.4 pandas 处理重复数据README 更新日志第 2 条给出重复数据处理示例取指定期间数据后按 code 去重、保留最新一条data get_data(year, quarter) # 处理重复数据保存最新一条数据。 data.drop_duplicates(subsetcode, keeplast)该用法在指标计算脚本中同样出现jobs/guess_indicators_daily_job.py 中data data.drop_duplicates(subsetcode, keeplast)保证插入数据库前无重复记录。五、17 个技术指标的计算体系每日股票指标数据计算结果存储在数据表guess_indicators_daily共计算 17 个指标实现位于 jobs/guess_indicators_daily_job.py基于stockstats库stockstats.StockDataFrame.retype(stock)批量计算计算指标说明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3n 天涨跌百分比计算可以看到 -n 天数据和今天数据的百分比4CR 指标价格动量指标。CR 跌穿 a、b、c、d 四条线再由低点向上爬升 160 时为短线获利良机应适当卖出CR 跌至 40 以下时是建仓良机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如volume_-3,2,-1_max、区间最小值如volume_-3~1_min实际使用 -2~2 可计算 5 天的最大、最小值6KDJ 指标随机指标通过特定周期常为 9 日内最高价、最低价及收盘价比例计算 RSV再以平滑移动平均计算 K、D、J 值J 即 3K2D以领先 KD 找出底部和头部J 大于 100 时为超买小于 10 时为超卖7SMA 指标简单移动平均线可动态输入参数获得几天的移动平均8MACD 指标平滑异同移动平均线当市场呈牛皮盘整格局时 MACD 买卖讯号较不明显可运用短期 K、D 图形作辅助并对买卖讯号作双重确认9BOLL 指标布林线指标 (Bollinger Bands)10RSI 指标相对强弱指标高于 50 表示强势市场低于 50 表示弱势市场多在 70 与 30 之间波动六日指标上升到达 80 表示超买超过 90 为严重超买警戒区11W%R 指标威廉指数 (Williams %R)利用摆动点度量市场超买超卖现象12CCI 指标顺势指标研判股价偏离度默认 14 天从下向上突破 100 进入非常态区间应及时买入从上向下突破 -100 进入另一个非常态区间应以持币观望为主13TR、ATR 指标均幅指标 (Average True Range)取一定周期内股价波动幅度的移动平均值主要用于研判买卖时机14DMA 指标平行线差指标 (Different of Moving Average)中短期指标常用于大盘指数和个股研判即 10 与 50 移动平均之差stock[dma]15DMI、DI、-DI、DX、ADX、ADXR 指标动向指数及其衍生指标ADXR 是今日 ADX 与前面某一日 ADX 的平均值在高位与 ADX 同步下滑可提前确认 ADX 调头应用时以 ADX 为主、ADXR 为辅16TRIX、MATRIX 指标三重指数平滑移动平均指标 (Triple Exponentially Smoothed Average)17VR、MAVR 指标成交量比率 (Volume Ratio)通过分析股价上升日与下降日成交额比值掌握市场买卖气势的中期技术指标计算时实际产出的列清单jobs/guess_indicators_daily_job.py 中stock_column包括adx, adxr, boll, boll_lb, boll_ub, cci, cci_20, close_-1_r, close_-2_r, cr, cr-ma1, cr-ma2, cr-ma3, dma, dx, kdjd, kdjj, kdjk, macd, macdh, macds, mdi, pdi, rsi_12, rsi_6, trix, trix_9_sma, vr, vr_6_sma, wr_10, wr_6。从实现看apply_guess对每只股票取最近约 100 天历史行情通过common.get_hist_data_cache走缓存交给 stockstats 重定型后取每个指标的最新值tail(1)并对np.isinf/np.isnan统一置 0concat_guess_data将计算结果与当日行情pd.merge合并stat_all_batch以 100 条为一批batch_size 100分批处理全市场股票每批执行删除老数据 → 查询当日股票 → 计算指标 → 入库guess_indicators_daily主键date, code的流程最后统一保留两位小数。六、KDJ / RSI / CCI 买卖信号筛选README 给出基于 3 个指标的买卖规则项目据此生成两张结果表guess_indicators_lite_buy_daily购买条件结果表与guess_indicators_lite_sell_daily卖出条件结果表实现见 jobs/guess_indicators_daily_job.py 的stat_all_lite_buy/stat_all_lite_sell。6.1 KDJ 指标规则超买区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。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、反弹可能性增大局内人不应轻易抛出股票局外人可寻机入场。补充J 大于 100 时为超买小于 10 时为超卖。6.2 RSI 指标规则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。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 以下则表示已到严重超卖区域股价极可能有止跌回升的机会。6.3 CCI 指标规则当 CCI100 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。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。6.4 源码中的筛选 SQL买入候选超买信号的 SQL 条件SELECT date,code,name,latest_price,quote_change,ups_downs,volume,turnover, amplitude,high,low,open,closed,quantity_ratio,turnover_rate,pe_dynamic,pb, kdjj,rsi_6,cci FROM stock_data.guess_indicators_daily WHERE date %s and kdjk 80 and kdjd 70 and kdjj 90卖出候选超卖信号的 SQL 条件SELECT date,code,name,latest_price,quote_change,ups_downs,volume,turnover, amplitude,high,low,open,closed,quantity_ratio,turnover_rate,pe_dynamic,pb, kdjj,rsi_6,cci FROM stock_data.guess_indicators_daily WHERE date %s and kdjk 20 and kdjd 30 and kdjj 10两次筛选均先DELETE当日旧结果再drop_duplicates(subsetcode, keeplast)后写入对应结果表主键date, code。源码注释中保留了可调的扩展参数如kdjj 100 and rsi_6 80 and cci 100可按需调整阈值提前获得股票增长信号。七、Tornado Web 展示系统7.1 路由与端口web/main.py 基于 Tornado 构建应用路由配置如下路由Handler功能/、/stock/HomeHandler首页展示各依赖库版本号/test_akshare、/test2TestHandler / Test2HandlerJS 测试页面/stock/api_datadataTableHandler.GetStockDataHandlerDataTables 报表数据接口/stock/datadataTableHandler.GetStockHtmlHandler通用数据展示页面/data/editordataEditorHandler.GetEditorHtmlHandler数据编辑页面/data/editor/savedataEditorHandler.SaveEditorHandler数据保存接口/stock/data/indicatorsdataIndicatorsHandler.GetDataIndicatorsHandler股票指标数据Bokeh 绘图数据Web 启动命令README 更新日志第 5 条给出日志配置方式/usr/local/bin/python3 /data/stock/web/main.py -log_file_prefix/data/logs/web.log对应源码 web/main.py 中tornado.options.parse_command_line()接收该参数。7.2 通用数据展示配置字典即可上线核心设计是通用数据展示系统在 libs/stock_web_dic.py 中配置StockWebData(mode, type, name, table_name, columns, column_names, primary_key, order_by)之后页面自动加载数据完成展示不用一个表一个表开发。已内置的五张数据表配置modetypenametable_namequery1股票基本数据每日股票数据-东财stock_zh_ah_namequery1股票基本数据龙虎榜-个股上榜-新浪stock_sina_lhb_ggtjquery1股票基本数据数据中心-大宗交易stock_dzjy_mrtjquery2每日数据猜想股票指标 lite 猜想买入guess_indicators_lite_buy_dailyquery2每日数据猜想股票指标 lite 猜想卖出guess_indicators_lite_sell_dailyquery2每日数据猜想股票指标猜想原始数据guess_indicators_daily以每日股票数据-东财为例columns 与中文列名一一对应columns[date,code,name,latest_price,quote_change,ups_downs,volume,turnover, amplitude,high,low,open,closed,quantity_ratio,turnover_rate,pe_dynamic,pb], column_names[日期,代码,名称,最新价,涨跌幅,涨跌额,成交量,成交额, 振幅,最高,最低,今开,昨收,量比,换手率,动态市盈率,市净率],配置加载时会自动在代码列后插入查看股票链接跳转东方财富WEB_EASTMONEY_URL http://quote.eastmoney.com/%s.html并校验 columns 与 column_names 长度一致。7.3 DataTables 多字段排序与筛选README 更新日志第 3 条总结了表格交互能力1点击单个字段进行排序。 2按住【shift】点击多个字段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。Web 前端静态资源jquery.dataTables.min.js、buttons.dataTables.min.css 等位于 web/static 目录配合 web/dataTableHandler.py 实现服务端分页与排序。7.4 Bokeh 指标绘图查看股票时可直接跳转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。Bokeh 相关代码入口为 web/chartHandler.py 与 web/tornado_bokeh_embed.py前端模板 web/templates/stock_indicators.html 负责展示。README 还记录了 bokeh 的升级过程升级到 2.1.1 后解决 JS 兼容问题因 lib 包升级导致最终稳定在 2.4.2并配套 web/static/update_bokeh.sh 升级脚本。八、版本演进与工程经验更新日志要点README 的更新日志记录了项目从 1.0 到 2.0 的关键决策对理解当前代码很有价值15发布 2.0 版本2021-10-11。构建基础镜像 pythonstock/pythonstock:base-2021-09使用 akshare 1.1.9。起因是 tushare 数据不能抓取、pro 版本有积分限制于是换用 akshare 并大改代码同时删除从未用到的 ta-lib、去掉未使用的 jupyter进一步减小镜像体积。14bokeh 升级到 2.4.0 版本。依赖安装于/usr/local/lib/python3.7/site-packages使用脚本升级。13升级 ak 到 v1.0.80做好每日东方财经数据。增加数据库 utf8 参数--character-set-serverutf8mb4 --collation-serverutf8mb4_unicode_ci。12升级基础镜像到 Python 3.7。akshare 要求 Python 3.7 以上升级后 akshare 支持按日期查询解决了TypeError: stock_zh_a_daily() got an unexpected keyword argument start_date问题。11使用 akshare 做相关股票数据抓取。中国股市开盘时间周一至周五 9:30—11:30、13:00—15:00收盘为下午 3 点。实时行情接口stock_zh_a_spot新浪财经重复运行会被暂时封 IP建议增加时间间隔单次返回所有 A 股实时行情历史行情日频率接口stock_zh_a_daily其中 sh689009 为 CDR需通过 stock_zh_a_cdr_daily 接口获取。10增加东方财经弹窗窗口、指标计算弹窗窗口。东方财富页面通过 iframe 引入避免跨域和样式问题指标页面改成窗口弹窗做页面适配。9增加日历。日期类型搜索条件使用 jQuery datepicker设置语言 zh-CN、格式yyyymmdd、todayHighlight: true等。8发现 MariaDB 版本不兼容问题最终切换成 mysql:5.7 镜像。相关数据执行只支持到 10.5.410.5.8 就有问题因此限制版本使用 mysql:5.7 更通用。7解决 Bokeh JS 兼容问题升级 bokeh 到 2.1.1升级 JS。5解决日志打印问题配置tornado.options.parse_command_line()启动时传-log_file_prefix/data/logs/web.log。4解决跑数据问题通过数据库链接 engine见上文 libs/common.py 的conn()函数设置db.autocommit(onTrue)避免升级代码造成 db.cursor() 问题。2使用 pandas 处理重复数据drop_duplicates(subsetcode, keeplast)。1web 使用 DataTables 显示报表在 libs/stock_web_dic.py 配置数据后动态加载菜单、根据数据库表的行列显示数据。另外容器日志与进程管理可参考 supervisor/supervisord.conf 与 startStock.sh仓库还保留了 docker/Dockerfile、根目录 Dockerfile 与 nginx.conf可进一步了解镜像构建与反向代理配置。九、小结PythonStock V2 提供了一个全 Python 化的股票系统参考实现akshare 负责数据抓取实时行情、龙虎榜、大宗交易、历史行情gzip pickle 缓存防封cron run_daily 定时驱动 18 点数据计算stockstats 批量产出 17 个技术指标KDJ/RSI/CCI 规则二次筛选出买卖候选Tornado DataTables stock_web_dic 配置驱动通用报表Bokeh 完成指标绘图。其通用数据展示配置化数据可重跑缓存与主键幂等写入等设计思路均可迁移到其他金融数据采集与分析场景。赞分享后端数据分析数据可视化金融科技【免费下载链接】stockstock股票系统。使用python进行开发。项目地址https://gitcode.com/gh_mirrors/st/stock点击查看免费下载相关推荐股票系统gh_mirrors/st/stock数据库设计详解MySQL与Pandas数据处理技巧股票系统gh_mirrors/st/stock数据库设计详解MySQL与Pandas数据处理技巧 引言股票数据处理的双重挑战 你是否曾面临过股票数据存储效率后端数据分析数据可视化金融科技PythonStock股票分析系统量化投资实战指南PythonStock是一个功能强大的开源股票数据分析系统基于Python技术栈开发集成了数据采集、处理、分析和可视化功能。该系统采用Docker容器化部署后端数据分析数据可视化金融科技PythonStock解锁全栈股票数据分析新维度为什么选择PythonStock 在当今数据驱动的投资环境中掌握高效的数据分析工具已成为投资决策的关键。PythonStock作为基于Python的全栈股票后端数据分析数据可视化金融科技上一篇ERPNext开源ERP终极指南中小企业数字化转型的3种部署方案下一篇Citra图形设置终极指南从模糊到高清的完整解决方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考