数据分析的种类

描述性数据分析：属于初级数据分析，常见的分析方法有对比分析法，平均分析法，交叉分析法
探索性数据分析和验证性数据分析：属于高级数据数据分析，常见的分析方法有相关分析，因子分析，回归分析，这部分就是人工智能的线性回归呀，等一些

数据分析在公司的位置就相当于一个企业的舵手，利用数据的力量准确的分析出企业应该走向何方！！！
数据分析在企业的日常经营分析中的主要三大作用

现状分析：主要分析现阶段企业的整体运营状况，常以日报，周报，月报的形式体现。
原因分析：就是针对于企业某一个现状进行分析，常以专题的形式向老板汇报
预测分析：针对于公司的历史运行数据，对公司的未来的走势进行预测，通常在制定企业季度，年度等计划时进行，或者需要招商引资，需要做出报表。

平摊分析种类
1），聚集分析：n个操作所构成的序列的总时间在最坏情况下为T(n) 平摊代价为：T(n)/n
2），记账法:平摊代价高的操作，当做存储，用来补偿平摊代价低得操作。
3），势能法：平摊代价=实际代价+i点的势能-（i-1）点的势能
平摊分析总结
平摊分析可用来证明在一系列操作中，即使单一的操作具有较大的代价，通过对所有操作求平均后，平均代价还是很小的。平摊分析与平均情况分析的不同之处在于它不牵涉到概率。这种分析保证了在最坏情况下每个操作具有平均性能。

1.移动平均线定义
移动平均线（Moving Average，简称MA）是利用统计分析的方法，将一定时期内的价格加以平均并将不同时间的平均值连接起来，便得到了移动平均线。移动平均线是用来观察价格波动趋势的技术指标之一，可帮助投资者确认现有的价格趋势，判断未来潜在的价格走势，发现价格即将反转的信号
2.移动平均线的种类
移动平均线的计算方法包含算术平均法、加权平均法和指数平滑移动法三种。根据计算方法的不同，移动均线可分为简单移动平均线（Simple Moving Average，简称SMA）、加权移动平均线（Weighted Moving Average，简称WMA）和指数平均数指标（Exponential Moving Average）。
3.移动平均线的周期
根据计算时间的长短，移动平均线又可分为短期、中期和长期移动平均线。最常见的移动平均线分别为5日、10日、20日、50日、100日、200日及250日。其中，5日和10日通常被视为短期移动平均线的计算周期；中期移动平均线计算周期通常为20日及50日；长期移动平均线则大多以100日、200日甚至250日为计算周期。
4.简单移动平均线案例
创建简单移动平均线策略，周期15天的简单移动平均线策略

买入与卖出算法：

收盘价大于sma，买入
收盘价小于等于sma，卖出


   #self.data.close是表示收盘价
        #收盘价大于sma，买入
        if self.data.close>self.sma:
            self.buy()
        
        #收盘价小于等于sma，卖出
        if self.data.close<=self.sma:
            self.sell()

# -*- coding: utf-8 -*-
"""
Created on Wed May 13 14:37:09 2020

@author: 觉醒2020
"""

# =============================================================================
# #框架使用流程
# #1.创建cerebro
# #cerebro = bt.Cerebro(**kwargs)
# #2.增加数据
# #cerebro.adddata(data)
# #3.增加策略
# #cerebro.addstrategy(MyStrategy, myparam1=value1, myparam2=value2)
# #4.增加其他元素
# #例如增加观察者addobserver (or addobservermulti)
# #5.改变broker
# #cerebro.broker = broker
# #6.接收通知
# #Cerebro.notify_store
# #运行cerebro
# #result = cerebro.run(**kwargs)
# #创建图表
# #cerebro.plot()
# =============================================================================


from __future__ import (absolute_import, division, print_function,
                        unicode_literals)

import datetime
import backtrader as bt # 引入backtrader框架



#简单移动平均线策略
#买入与卖出算法：
#   收盘价大于sma，买入
#   收盘价小于等于sma，卖出


class StrategyClass(bt.Strategy):
    '#简单移动平均线策略'
    
    def __init__(self):
        #sma源码位于indicators\sma.py
        #指标必须要定义在策略类中的初始化函数中
        #简单移动平均线
        self.sma=bt.ind.SimpleMovingAverage(period=15)
        
    def next(self):
        #self.data.close是表示收盘价
        #收盘价大于sma，买入
        if self.data.close>self.sma:
            self.buy()
        
        #收盘价小于等于sma，卖出
        if self.data.close<=self.sma:
            self.sell()
            

cerebro=bt.Cerebro()
datapath=".\\datas\\test\\000001.XSHE"
data=bt.feeds.GenericCSVData(dataname=datapath,
                             fromdate = datetime.datetime(2018, 1, 1),
                             todate = datetime.datetime(2020, 3, 20),
                             nullvalue=0.0,
                             dtformat=('%Y-%m-%d'),
                             datetime=0,
                             high=3,
                             low=4,
                             open=1,
                             close=2,
                             volume=5,
                             openinterest=-1)
cerebro.adddata(data)

cerebro.addstrategy(StrategyClass)
#设置金额，默认是100000
cerebro.broker.set_cash(200000)
cerebro.run(maxcpu=1)
cerebro.plot()


运行结果

 平摊分析种类
1），聚集分析：n个操作所构成的序列的总时间在最坏情况下为T(n) 平摊代价为：T(n)/n
2），记账法:平摊代价高的操作，当做存储，用来补偿平摊代价低得操作。
3），势能法：平摊代价=实际代价+i点的势能-（i-1）点的势能
平摊分析总结
平摊分析可用来证明在一系列操作中，即使单一的操作具有较大的代价，通过对所有操作求平均后，平均代价还是很小的。平摊分析与平均情况分析的不同之处在于它不牵涉到概率。这种分析保证了在最坏情况下每个操作具有平均性能。