1. 如何用python 取所有股票一段時間歷史數據
各種股票軟體，例如通達信、同花順、大智慧，都可以實時查看股票價格和走勢，做一些簡單的選股和定量分析，但是如果你想做更復雜的分析，例如回歸分析、關聯分析等就有點捉襟見肘，所以最好能夠獲取股票歷史及實時數據並存儲到資料庫，然後再通過其他工具，例如SPSS、SAS、EXCEL或者其他高級編程語言連接資料庫獲取股票數據進行定量分析，這樣就能實現更多目的了。
2. 用Python 進行股票分析 有什麼好的入門書籍或者課程嗎
個人覺得這問題問的不太對，說句不好的話，你是來搞編程的還是做股票的。
當然，如果題主只是用來搜集資料，看數據的話那還是可以操作一波的，至於python要怎麼入門，個人下面會推薦一些入門級的書籍，通過這些書籍，相信樓主今後會有一個清晰的了解（我們以一個完全不會編程的的新手來看待）。
《Learn Python The Hard Way》，也就是我們所說的笨辦法學python，這絕對是新手入門的第一選擇，裡面話題簡練，是一本以練習為導向的教材。有淺入深，而且易懂。
其它的像什麼，《Python源碼剖析》，《集體智慧編程》，《Python核心編程（第二版）》等題主都可以適當的選擇參讀下，相信都會對題主有所幫助。
最後，還是要重復上面的話題，炒股不是工程學科，它有太多的變數，對於現在的智能編程來說，它還沒有辦法及時的反映那些變數，所以，只能當做一種參考，千萬不可過渡依賴。
結語：pyhton相對來說是一種比較高端的學科，需要有很強的邏輯能力。所以入門是非常困難的，如果真的要學習，是需要很大的毅力去堅持下去的，而且不短時間就能入門了，要有所心理准備。
3. Python和金融分析的關系量化交易內容深度
Python是一種腳本語言，就是程序員用的代碼語言。
Python的功能不可以說不大，在金融數據分析裡面有著很方便的應用。
但是需要你專門去學Python，不然看到一堆代碼只會懵逼。
4. 怎樣用 Python 寫一個股票自動交易的程序
方法一
前期的數據抓取和分析可能python都寫好了，所以差這交易指令介面最後一步。對於股票的散戶，正規的法子是華寶，國信，興業這樣願意給介面的券商，但貌似開戶費很高才給這權利，而且只有lts，ctp這樣的c++介面，沒python版就需要你自己封裝。
方法二
是wind這樣的軟體也有直接的介面，支持部分券商，但也貴，幾萬一年是要的。
方法三
滑鼠鍵盤模擬法，很復雜的，就是模擬鍵盤滑鼠去操作一些軟體，比如券商版交易軟體和大智慧之類的。
方法四
就是找到這些軟體的關於交易指令的底層代碼並更改，不過T+1的規則下，預測准確率的重要性高於交易的及時性，花功夫做數據分析就好，交易就人工完成吧
5. 怎樣用 Python 寫一個股票自動交易的程序
概率炒股法：
下面方法買漲不買跌，同時避免被套，缺點，手續費比較高，但完全可以吃完整個牛市，熊市不會被套。
用python獲取股票價格，如tushare，如果發現股票當天漲幅在大盤之上（2點30到2點50判斷），買入持有一天，下跌當天就別買，你可以用概率論方法，根據資金同時持有5支，10支或20支，這樣不怕停盤影響，理論上可以跑贏大盤。好處：避免人為沖動，缺點手續費高
還有一種是操作etf，如大盤50etf,etf300,中小板etf,創業板etf，當天2.30分判斷那個etf上漲就買入那支，買入漲幅最大的，不上漲什麼都不買，持有一天，第二天上午判斷一下，如果下跌超過2%賣掉。好處：不會踩地雷，缺點：漲隨大盤,我比較推薦這個方法，外圍的風險比較小。
具體的python程序我有，比上面復雜，有止贏止損位，資金管理，監視管理，我用在實盤當中，自動化下單也已解決。
我覺得程序的成敗不在一日之功，在於長期穩定賺錢，如運行十年，過多的數據分析也無意義，因為預測未來永遠是一個概率問題，不是百分之百確定的，如果你的程序能在長時間多次數上戰勝市場，你的程序就能趨向大數定理。
否則一時的回撤會讓你停止程序自動執行，而無法趨向大數定理中的穩定概率。
如果有一個程序能百分之99確定，那麼基本上肯定是分析了內幕交易數據，和徐x一樣，每次重倉一支股，這種手法應該是得到了內幕，也就不需要什麼程序來交易了。
巴菲特的交易模式實質上也是內幕交易的一種，因為他靠的是外在分析，實地考查，估計這是尋找內幕的手段，現在做大了，這種效果就不靈了，收益也下降了，美國經濟也下滑了，所以巴菲特的未來是必定是暗淡的，因為內幕交易的池子有限，資金量大了不好操作。
想想如果巴菲特生在蘇聯，印度，日本等等其他國家，他可能在街頭要飯，美國二戰後經濟環境加傾向內幕造就了他，而不是炒股技術有多神。所以巴菲特不屑於程序化交易。
巴菲特及不少美國式的股神實際上是倖存者偏差造成的，你想想蘇聯的股神在那裡？為什麼一個都沒有？（「沉默的數據」、「死人不會說話」）
我覺得未來真正能成股神必定是程序，不是人，因為一個好的程序策略可以用一輩子，實現長期穩定增長，當然前提是社會經濟環境穩定，不會出現類似蘇聯的動亂，也不會出現日本式的惡性通脹（對貨幣m2有點擔心）。
太多的股票讓股民每天沉浸在選股的游戲中，選股造就了券商的行情軟體，實際上很多數據都是沒有用的，所有的關鍵是按操作方法永遠執行下去才能趨向穩定概率，否則今天換一種明天換一種方法，今天按kdj，明天按macd，後天按boll，大後天按ddx，大大後天按自編指標，多條件選股，最後錢都交手續費或止損不及時被套牢了。這時券商收傭金的目的也就達到了，每年券商收的傭金比股市分紅要高。不管行情如何，只要多請幾個股評員，總有方向說對的，玩個概率游戲讓大家頻繁交易，券商的收入只會增不會降。所以千萬別信股評，玩的是概率游戲，如同預測硬幣的正反，請十個股評師必定有個能預測三次正確的神股評。你信這個神股評，後面可能是三次都不準，呵呵。所以券商和行情軟體總會在收盤或午休時彈出各種消息或評價，說實在的這種東西沒有一分錢的價值。可能早就寫好了上漲的說法是模塊a，下跌的說法是模板b，平市的說法是模板c,只是填上當天數據即可，都是八股文，都是馬後炮，一樣的事件上午說成是上漲理由，下午說成是下跌理由。
程序的策略經過測試後的關鍵在於穩定執行，長期穩定執行，長期長期穩定穩定執行執行，重要的事說三遍。
人性無法戰勝的弱點是執行力，小學生都懂的天天向上，每日進步，世間有幾人能做到？而穩定幾十年執行更是難上加難，如同背英語單詞一樣，理論上一天背一百個，一百天就可以一萬詞，但十年，二十年過去了，你可能還是三千詞以下。
用程序的目的就是百分之百執行到位，沒有折扣，真正戰勝人性的弱點，和t+1沒有關系。
另外通過一定方法降低手續費也可以使你的資金活得更久，如把上面的日模型改為周或月模型。
6. 新人發帖求助，python使用tushare股票分析包方法報錯
阿誰粉包的粉碗和單杯粉碗根基是個放置，仍是用雙杯的粉碗做咖啡就可以，我一般用雙杯粉碗只接一杯咖啡，因為1817的雙杯粉量自己就不多單杯粉量就更少，再加上水溫失蹤的快。所以用雙杯碗做一杯仍是能接管的。單杯太淡咯！
7. 如何用python炒股
你就是想找個軟體或者券商的介面去上傳交易指令，你前期的數據抓取和分析可能python都寫好了，所以差這交易指令介面最後一步。對於股票的散戶，正規的法子是華寶，國信，興業這樣願意給介面的券商，但貌似開戶費很高才給這權利，而且只有lts，ctp這樣的c++介面，沒python版就需要你自己封裝。還有的法是wind這樣的軟體也有直接的介面，支持部分券商，但也貴，幾萬一年是要的，第三種就是走野路子，滑鼠鍵盤模擬法，很復雜的，就是模擬鍵盤滑鼠去操作一些軟體，比如券商版交易軟體和大智慧之類的。還有一種更野的方法，就是找到這些軟體的關於交易指令的底層代碼並更改，我網路看到的，不知道是不是真的可行。。散戶就這樣，沒資金就得靠技術，不過我覺得T+1的規則下，預測准確率的重要性高於交易的及時性，花功夫做數據分析就好，交易就人工完成吧
8. 如何用Python和機器學習炒股賺錢
相信很多人都想過讓人工智慧來幫你賺錢，但到底該如何做呢？瑞士日內瓦的一位金融數據顧問 Gaëtan Rickter 近日發表文章介紹了他利用 Python 和機器學習來幫助炒股的經驗，其最終成果的收益率跑贏了長期處於牛市的標准普爾 500 指數。雖然這篇文章並沒有將他的方法完全徹底公開，但已公開的內容或許能給我們帶來如何用人工智慧炒股的啟迪。
我終於跑贏了標准普爾 500 指數 10 個百分點！聽起來可能不是很多，但是當我們處理的是大量流動性很高的資本時，對沖基金的利潤就相當可觀。更激進的做法還能得到更高的回報。
這一切都始於我閱讀了 Gur Huberman 的一篇題為《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的論文。該研究描述了一件發生在 1998 年的涉及到一家上市公司 EntreMed（當時股票代碼是 ENMD）的事件：
「星期天《紐約時報》上發表的一篇關於癌症治療新葯開發潛力的文章導致 EntreMed 的股價從周五收盤時的 12.063 飆升至 85，在周一收盤時接近 52。在接下來的三周，它的收盤價都在 30 以上。這股投資熱情也讓其它生物科技股得到了溢價。但是，這個癌症研究方面的可能突破在至少五個月前就已經被 Nature 期刊和各種流行的報紙報道過了，其中甚至包括《泰晤士報》！因此，僅僅是熱情的公眾關注就能引發股價的持續上漲，即便實際上並沒有出現真正的新信息。」
在研究者給出的許多有見地的觀察中，其中有一個總結很突出：
「（股價）運動可能會集中於有一些共同之處的股票上，但這些共同之處不一定要是經濟基礎。」
我就想，能不能基於通常所用的指標之外的其它指標來劃分股票。我開始在資料庫裡面挖掘，幾周之後我發現了一個，其包含了一個分數，描述了股票和元素周期表中的元素之間的「已知和隱藏關系」的強度。
我有計算基因組學的背景，這讓我想起了基因和它們的細胞信號網路之間的關系是如何地不為人所知。但是，當我們分析數據時，我們又會開始看到我們之前可能無法預測的新關系和相關性。
如果你使用機器學習，就可能在具有已知和隱藏關系的上市公司的寄生、共生和共情關系之上搶佔先機，這是很有趣而且可以盈利的。最後，一個人的盈利能力似乎完全關乎他在生成這些類別的數據時想出特徵標簽（即概念（concept））的強大組合的能力。
我在這類模型上的下一次迭代應該會包含一個用於自動生成特徵組合或獨特列表的單獨演算法。也許會基於近乎實時的事件，這可能會影響那些具有隻有配備了無監督學習演算法的人類才能預測的隱藏關系的股票組。