pyecharts绘制K线

最近想扩展一下vnpy，优化一些功能和代码的性能。在看backtesting部分代码的时候，发现，vnpy其实回测功能挺弱的，可以自己扩展一下。随之而来的就是一个回测结果可视化的问题。vnpy原生的回测结果没有绘制k线，所以也就没有指标的可视化和开仓平仓的可视化，只有随后交易结果的可视化。笔者自己其实有点点不习惯，没有看到策略的可视化回测结果，有点点不开心，所以打算自己做一下。首先就是选择可视化的工具，pyecharts应该是一个首选了，而且现在发展的越来越好了。

那么，首先来尝试一下k线部分pyechats官方的代码吧。

下面的代码来自官网哦

http://pyecharts.org

from pyecharts import Kline   v1 = [[2320.26, 2320.26, 2287.3, 2362.94], [2300, 2291.3, 2288.26, 2308.38],       [2295.35, 2346.5, 2295.35, 2345.92], [2347.22, 2358.98, 2337.35, 2363.8],       [2360.75, 2382.48, 2347.89, 2383.76], [2383.43, 2385.42, 2371.23, 2391.82],       [2377.41, 2419.02, 2369.57, 2421.15], [2425.92, 2428.15, 2417.58, 2440.38],       [2411, 2433.13, 2403.3, 2437.42], [2432.68, 2334.48, 2427.7, 2441.73],       [2430.69, 2418.53, 2394.22, 2433.89], [2416.62, 2432.4, 2414.4, 2443.03],       [2441.91, 2421.56, 2418.43, 2444.8], [2420.26, 2382.91, 2373.53, 2427.07],       [2383.49, 2397.18, 2370.61, 2397.94], [2378.82, 2325.95, 2309.17, 2378.82],       [2322.94, 2314.16, 2308.76, 2330.88], [2320.62, 2325.82, 2315.01, 2338.78],       [2313.74, 2293.34, 2289.89, 2340.71], [2297.77, 2313.22, 2292.03, 2324.63],       [2322.32, 2365.59, 2308.92, 2366.16], [2364.54, 2359.51, 2330.86, 2369.65],       [2332.08, 2273.4, 2259.25, 2333.54], [2274.81, 2326.31, 2270.1, 2328.14],       [2333.61, 2347.18, 2321.6, 2351.44], [2340.44, 2324.29, 2304.27, 2352.02],       [2326.42, 2318.61, 2314.59, 2333.67], [2314.68, 2310.59, 2296.58, 2320.96],       [2309.16, 2286.6, 2264.83, 2333.29], [2282.17, 2263.97, 2253.25, 2286.33],       [2255.77, 2270.28, 2253.31, 2276.22]] kline = Kline("K 线图示例") kline.add("日K", ["2017/7/{}".format(i + 1) for i in range(31)], v1) kline.render()

首先，k线在pyechats里面定义为Kline类。这里先是写好了k线的数据，v1.我们注意到，数据的结构是一个列表的列表，里面的每一个列表是open close low high，也就是oclh格式。非常符合我们做量化的风格。

有了数据之后是实例化k线对象，传个图像的名称就可以了。然后就是关键的add方法，其实就是往图像里面插入数据，我们可以看一下add的实现：

def __add(self, name, x_axis, y_axis, **kwargs):         """         :param name:             系列名称，用于 tooltip 的显示，legend 的图例筛选。         :param x_axis:             x 坐标轴数据。         :param y_axis:             y 坐标轴数据。数据中，每一行是一个『数据项』，每一列属于一个『维度』。             数据项具体为 [open, close, lowest, highest] （即：[开盘值, 收盘值,              最低值, 最高值]）。         :param kwargs:         """

在Kline类里面，add其实调用了__add，其中，name参数其实就是一个图例，然后是x坐标的数据，y坐标的数据。

然后就是render方法就可以获得一个html格式的结果，用浏览器打开就可以了。

大概是下面这样：

图片来自pyecharts官网。

此外还可以增加一些别的设置，这些设置都是通过add方法中设置一些关键字来完成，比如：

kline.add(

"日K",

["2017/7/{}".format(i + 1) for i in range(31)],

v1,

mark_point=["max"],

is_datazoom_show=True,

)

这里，我们发现多了mark_point和is_datazoom_show的一个设置，其中，mark_point是用来标记处最大值，而is_datazoom_show是用来标记出是否具有伸缩坐标轴功能的。

同样的，坐标轴伸缩方向可以通过datazoom_orient来设置：

kline.add(

"日K",

["2017/7/{}".format(i + 1) for i in range(31)],

v1,

mark_point=["max"],

is_datazoom_show=True,

datazoom_orient="vertical",

)

此外，还可以在图上画一些别的线,比如close价的最大值。

kline.add(

"日K",

["2017/7/{}".format(i + 1) for i in range(31)],

v1,

mark_line=["max"],

mark_line_symbolsize=0,

datazoom_orient="vertical",

mark_line_valuedim="close",

)

那么，接下来我们来看一下如何改进这个k先的绘制方法吧，我们从一个pandas开始。后面的代码就是笔者自己写的哦。

我们现在有一个pandas, 里面的数据如下：

还有一列ma10没有放上去，其实就是5日均线和10日均线。

def backtesting_plot(table_name, indicator_name_list):

# data preparation

da = pd.DataFrame(data=table_name)

da['volume'] = da['volume'].apply(lambda vol: vol if vol > 0 else 0)

date = da["datetime"].apply(lambda x: str(x)).tolist()

k_plot_value = da.apply(lambda record: [record['open'], record['close'], record['low'], record['high']], axis=1).tolist()

# K chart

kline = Kline()

kline.add("Backtesting Result", date, k_plot_value)

indicator_lines = Line()

for indicator_name in indicator_name_list:

indicator_lines.add(indicator_name, date, da[indicator_name].tolist())

# trading volume bar chart

bar = Bar()

bar.add("volume", date, da["volume"],

tooltip_tragger="axis", is_legend_show=False, is_yaxis_show=False, yaxis_max=5*max(da["volume"]))

# buy and sell

v1 = date[10]

v2 = da['high'].iloc[10]

es = EffectScatter("buy")

es.add("buy", [v1], [v2])

v1 = date[18]

v2 = da['high'].iloc[18]

es.add( "sell",  [v1],  [v2], symbol="pin",)

overlap = Overlap()

overlap.add(kline)

overlap.add(indicator_lines,)

overlap.add(bar,yaxis_index=1, is_add_yaxis=True)

overlap.add(es)

overlap.render(path='tt.html')

我们看一下上面这个函数，首先我们从pandas中拿出数据，转换成pyecharts能接受的list格式。要提醒大家的是，这里的datetime也要转化成字符串格式。

然后就是实例化Kline和技术指标的Line

# K chart

kline = Kline()

kline.add("Backtesting Result", date, k_plot_value)

indicator_lines = Line()

for indicator_name in indicator_name_list:

indicator_lines.add(indicator_name, date, da[indicator_name].tolist())

然后用bar来制作成交量。这样的话基本就形成了。

但是我们进一步希望能够在k线图上绘制出买卖信号发生的信息，也就是交易发出的时间点，那么我们用es来添加，这里随便使用了10和18天作为一个买卖时间点。

我们做了这么多的图怎么让他们一起显示出来呢？这里就要用到overlap了，也就是叠加的类。

overlap = Overlap()

overlap.add(kline)

overlap.add(indicator_lines,)

overlap.add(bar,yaxis_index=1, is_add_yaxis=True)

overlap.add(es)

overlap.render(path='tt.html')

我们最后来看一下结果怎么样：

可以说相当漂亮了。笔者圈起来的就是我们绘制的时候设置的buy和sell两个点。

数据平台

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。