Python玩转股票数据以及简单交易策略
python股票量化交易入门到实践
python股票量化交易入门到实践1、量化交易的简介在传统的股票交易中，决策通常是基于人工分析和经验做出的。
这种方式容易受到情感因素和偏见的影响，导致投资决定不够准确和科学。
量化交易就是一种使用数学模型和算法进行交易决策的方法。
它可以通过分析历史数据和市场行情，制定出更为准确的投资策略，并快速执行交易指令，降低了人为干预对交易的影响。
2、Python在量化交易中的应用Python作为一门高级编程语言，具有语法简单、学习成本低、强大的数据处理能力等特点。
因此，Python在量化交易领域得到了广泛应用。
Python中有许多专门针对量化交易的库，如pandas、numpy、scipy等，可帮助投资者方便地获取和处理股票数据，进行有效的策略回测和优化。
而且Python也支持多线程、异步IO等特性，能够快速处理海量数据和实时行情。
3、Python在股票数据获取中的应用股票数据是量化交易的基础，如何获取可靠的股票数据是量化交易的第一步。
Python可以通过一些库和API获取股票数据，如tuShare、baostock等。
以tuShare为例，通过编写Python代码，就可以获取股票的历史行情数据、财务数据等，并进行自定义分析。
4、Python在策略回测中的应用策略回测是量化交易过程中非常重要的环节，它可以验证投资策略是否有效，并对策略进行相应的修改和优化。
Python中有一些专门用于策略回测的库，如backtrader、zipline等。
这些库可以帮助投资者快速编写策略，并进行模拟交易，观察策略的表现和收益情况。
5、Python在实盘交易中的应用实盘交易是最终目的，也是量化交易的核心环节。
Python可以与各大券商提供的API进行对接，实现自动化下单和交易，减少人为干预，提高交易效率和准确性。
在实盘交易中，Python还可结合机器学习和深度学习等技术进行更加精确的交易决策。
6、总结Python作为一门强大而又简洁的编程语言，在量化交易领域具有广泛的应用前景。
通过Python实现股票数据分析与基本交易策略
通过Python实现股票数据分析与基本交易策略本文将介绍如何使用Python进行股票数据分析，并提供基本交易策略的实现。
首先，我们需要获取股票数据。
我们可以使用pandas_datareader包中的DataReader函数从雅虎财经、谷歌财经和Quandl等网站获取数据。
我们可以使用以下代码获取股票数据：import pandas_datareader as webdf = web.DataReader('AAPL', data_source='yahoo',start_date='2010-01-01', end_date='2021-01-01')print(df.head())这将获取自2010年1月1日至2021年1月1日之间Apple Inc.（AAPL）的股票数据。
我们还可以使用matplotlib可视化数据：import matplotlib.pyplot as pltplt.plot(df['Close'])plt.title('AAPL stock price')plt.xlabel('Date')plt.ylabel('Price')plt.show()接下来，我们可以使用pandas和ta-lib等技术分析库实现基本交易策略。
我们可以使用以下示例代码来计算技术指标MACD：import pandas as pdimport talibdf['macd'], df['macd_signal'], df['macd_histogram'] =talib.MACD(df['Close'])我们还可以使用以下示例代码来实现移动止损策略：df['average_true_range'] = talib.ATR(df['High'], df['Low'], df['Close'], timeperiod=14)position = 0buy_price = 0stop_loss_price = 0take_profit_price = 0for i in range(len(df)):atr = df['average_true_range'][i]close = df['Close'][i]if position == 0:if close > df['Close'][i - 1]:position = 1buy_price = closestop_loss_price = buy_price - 2 * atrtake_profit_price = buy_price + 3 * atrelif position == 1:if close < stop_loss_price or close > take_profit_price:position = 0else:stop_loss_price = max(stop_loss_price, buy_price - 1 * atr)take_profit_price = min(take_profit_price, buy_price + 2 * atr)df['position'] = 0df['position'] = df['position'].where(position == 0, 1)plt.plot(df['Close'])plt.plot(df.index, df['Close'][df['position'] == 1], 'g^')plt.plot(df.index, df['Close'][df['position'] == -1], 'rv')plt.title('AAPL stock price with stop loss')plt.xlabel('Date')plt.ylabel('Price')plt.show()通过这些示例代码，我们可以了解如何使用Python进行股票数据分析和基本交易策略的实现。
python股票高频交易策略
python股票高频交易策略摘要：一、Python 股票高频交易策略概述二、Python 股票高频交易策略的实现1.高频交易常见策略1.做市交易2.收报机交易2.利用Python 实现高频交易策略1.使用Python 的request 库连接API 接口2.通过Python 模拟官方客户端发送数据3.使用Python 调用鼠标键盘模拟手工交易三、实现Python 股票高频交易策略的注意事项1.获取交易接口2.确保程序稳定性和安全性3.优化交易策略以提高收益正文：一、Python 股票高频交易策略概述Python 股票高频交易策略是指利用Python 编程语言实现的股票交易策略，它主要应用于高速、高频次的股票交易场景。
通过Python 编写的高频交易策略可以自动执行交易操作，从而提高交易效率和收益。
这种策略对于散户和机构投资者都有一定的参考价值，但在实际操作中，需要考虑策略的稳定性、安全性和有效性。
二、Python 股票高频交易策略的实现（1）高频交易常见策略1.做市交易：做市交易是一种常见的高频交易策略，它通过提交限价买入或卖出委托来赚取买卖盘的差价。
做市商在交易过程中为头寸提供流动性，流动性越强，可交易的几率就越大。
2.收报机交易：收报机交易是指利用报价机的高频报价进行交易。
通过对报价进行分析和处理，可以发现市场的微小价格波动，从而实现快速的买入和卖出操作。
（2）利用Python 实现高频交易策略1.使用Python 的request 库连接API 接口：要实现高频交易策略，首先需要获取交易接口。
可以使用Python 的request 库来连接API 接口，发送和接收交易数据。
2.通过Python 模拟官方客户端发送数据：在获取交易接口后，可以通过Python 模拟官方客户端发送数据，实现自动交易。
这种方法较为简单，但需要注意数据的真实性和稳定性。
3.使用Python 调用鼠标键盘模拟手工交易：除了模拟官方客户端发送数据，还可以使用Python 调用鼠标键盘模拟手工交易。
Python与金融分析应用Python进行投资和交易策略
Python与金融分析应用Python进行投资和交易策略Python与金融分析应用——Python进行投资和交易策略Python作为一种高级编程语言，逐渐在金融领域的应用中扮演重要的角色。
其强大的数据分析和计算能力，使得Python成为了金融行业的首选工具之一。
本文将探讨Python在金融分析中的应用，并介绍如何利用Python进行投资和交易策略的制定。
1. Python在金融分析中的应用1.1 数据获取和清洗在金融分析中，数据的获取和清洗是非常重要的一步。
Python提供了丰富的数据处理库，例如Pandas和Numpy，可以帮助我们方便地进行数据读取、清洗和转换。
通过Python，我们可以从各种金融数据源中获取数据，并对数据进行格式化处理，以便进行后续的分析和建模。
1.2 数据分析和建模Python拥有众多优秀的数据分析和建模库，例如Scikit-learn和Statsmodels。
这些库提供了丰富的统计分析方法和机器学习算法。
我们可以通过Python对金融数据进行各种统计指标的计算、回归分析、时间序列分析等，并基于这些分析结果制定投资和交易策略。
1.3 可视化分析数据可视化是金融分析中不可或缺的环节，通过图表和可视化工具，我们可以更加直观地展示数据的规律和趋势。
Python的Matplotlib和Seaborn等库提供了丰富的绘图函数和工具，可以帮助我们生成各种类型的图表，例如线性图、柱状图和散点图等，以便更好地理解和分析金融数据。
2. 利用Python进行投资策略制定2.1 数据获取和处理首先，我们需要从金融数据源中获取所需的数据，例如股票价格、市场指数和财务数据等。
通过Python的数据处理库，我们可以对这些数据进行清洗和格式化，以便进行后续的分析。
2.2 技术指标计算技术指标是投资分析中常用的工具，可以帮助我们判断证券价格的趋势和变动。
通过Python，我们可以计算各种技术指标，例如移动平均线、相对强弱指标（RSI）和布林带等。
python股票交易策略
在Python中实现股票交易策略通常涉及数据分析和机器学习。
以下是一个简单的例子，展示了如何使用Python来编写一个基本的股票交易策略。
1. 安装必要的库：首先，你需要安装几个Python库来获取股票数据和进行数据分析。
可以使用以下命令来安装：```bashpip install yfinance pandas numpy scikit-learn matplotlib```2. 获取股票数据：使用`yfinance`库来获取股票数据。
例如，以下代码获取苹果公司（股票代码：AAPL）的历史股价数据：```pythonimport yfinance as yf# 获取苹果公司的历史股价数据data = yf.download('AAPL', start='2020-01-01', end='2023-07-01')```3. 分析股票数据：使用`pandas`库来处理和分析数据。
例如，计算移动平均线（MA）：```pythonimport pandas as pd# 计算5日和20日移动平均线data['5_day_ma'] = data['Close'].rolling(window=5).mean()data['20_day_ma'] = data['Close'].rolling(window=20).mean()```4. 定义交易策略：根据移动平均线交叉来定义一个简单的交易策略。
当短期移动平均线向上穿过长期移动平均线时买入，当短期移动平均线向下穿过长期移动平均线时卖出。
```python# 定义交易信号data['signal'] = 0.0data['signal'][data['5_day_ma'] > data['20_day_ma']] = 1.0data['signal'][data['5_day_ma'] < data['20_day_ma']] = -1.0# 计算策略的收益率data['strategy_return'] = data['signal'].shift(1) * data['Close'].pct_change()```5. 评估策略：使用`numpy`库计算策略的累积收益率，并绘制结果：```pythonimport numpy as npimport matplotlib.pyplot as plt# 计算累积收益率data['cumulative_return'] = (1 + data['strategy_return']).cumprod()# 绘制结果plt.figure(figsize=(12, 6))plt.plot(data['cumulative_return'], label='Cumulative Return')plt.plot(data['Close'], label='Close Price')plt.legend()plt.show()```这个例子展示了一个简单的交易策略，但请注意，真实的股票交易市场有很多复杂因素，这个策略可能无法在实际交易中获得稳定的收益。
如何使用Python进行股票分析？
如何使用Python进行股票分析？在当今的金融市场中，股票投资是一种常见的理财方式。
而随着科技的发展，利用编程语言如 Python 进行股票分析变得越来越流行。
Python 强大的数据分析和处理能力，为投资者提供了更深入、更全面的股票分析手段。
接下来，让我们一起探索如何使用 Python 进行股票分析。
首先，我们需要获取股票数据。
在 Python 中，可以通过多种途径获取股票数据。
一些常见的金融数据接口，如 Tushare、Yahoo Finance 等，都能为我们提供丰富的股票历史价格、成交量等数据。
以 Tushare 为例，我们需要先注册并获取一个 token，然后通过相应的 API 调用获取数据。
｀｀｀pythonimport tushare as tspro ＝ tspro_api(＇your_token'）df ＝ prodaily(ts_code=＇600519SH'， start_date=＇20200101'，end_date=＇20230701'）｀｀｀获取到数据后，接下来就是数据的预处理。
这一步骤包括清理缺失值、异常值处理、数据标准化等操作。
比如，对于缺失值，我们可以根据具体情况选择删除含有缺失值的行，或者使用合适的方法进行填充，如均值填充、线性插值等。
｀｀｀pythonimport pandas as pd删除含有缺失值的行df ＝ dfdropna(）或者进行填充dffillna(dfmean(）， inplace=True)｀｀｀在完成数据预处理后，我们可以进行基本的数据分析。
比如，计算股票的日收益率。
｀｀｀pythondf'return' ＝ df'close'pct_change(）｀｀｀通过绘制股票价格走势图，直观地了解股票的价格变动趋势。
｀｀｀pythonimport matplotlibpyplot as pltpltplot(df'date'， df'close'）pltxlabel(＇Date'）pltylabel(＇Price'）plttitle(＇Stock Price Trend'）pltshow(）｀｀｀除了价格走势，成交量也是一个重要的分析指标。
Python中的股票交易策略
Python中的股票交易策略在当今信息时代，人们越来越重视个人财务管理和投资理财。
作为一种流行的投资工具，股票交易既具有风险又有较好的回报潜力。
然而，对于大多数投资者来说，制定有效的股票交易策略并非易事。
幸运的是，Python编程语言提供了丰富的工具和库，为投资者开发和实施股票交易策略提供了便利。
一、数据获取与处理1. 股票数据获取在开始制定股票交易策略之前，我们首先需要获取相应的股票数据。
Python中有多个库可以帮助我们在互联网上获取股票数据，例如pandas-datareader库可以从Yahoo Finance等数据源中获取历史股票价格和交易量等信息。
2. 数据处理和分析获取到的股票数据需要经过数据处理和分析，以便进行后续的策略制定。
我们可以使用pandas库对数据进行清洗、整理和计算。
例如，我们可以计算股票的每日涨跌幅、均值、标准差等统计指标，帮助我们更好地理解股票的走势和波动情况。
二、技术分析策略1. 移动平均线策略移动平均线是一种常用的技术分析指标，可以帮助我们识别股票价格的趋势。
根据不同的移动平均线交叉情况，我们可以制定买入和卖出的策略。
在Python中，我们可以使用TA-Lib库来计算不同周期的移动平均线，并通过比较不同均线的交叉情况来进行交易决策。
2. 相对强弱指标（RSI）相对强弱指标是一种常用的超买超卖指标，用于判断股票的价格是否已经超过了正常范围，从而帮助我们制定适时的买卖策略。
Python 中的ta库提供了计算RSI指标的函数，我们可以通过设置阈值来确定买入和卖出的时机。
三、基本面分析策略1. 财务指标分析除了技术分析策略外，基本面分析也是股票交易中重要的一部分。
通过对财务指标的分析，我们可以了解公司的盈利能力、偿债能力、成长性等方面的情况。
Python中的pandas库可以帮助我们进行简单的财务指标计算和数据可视化，从而辅助基本面分析。
2. 事件驱动策略事件驱动策略是一种基于公共信息影响的交易策略。
python 简单策略
python 简单策略作为一门高端编程语言，Python 在金融领域中应用越来越广泛，尤其是在实现简单策略方面。
本文将着重讲述 Python 编程语言的使用，来实现一个简单的策略。
1. 确定交易策略首先，我们需要选择一个交易策略，在这里，我们选择双均线策略。
这一策略基于移动平均数线的交叉，当短期移动平均线向上穿过长期移动平均线时，就产生了买入信号，而当短期移动平均线向下穿过长期移动平均线时则产生了卖出信号。
2. 收集数据对于这种基于移动平均数线的交易策略，我们需要获取市场数据。
我们可以通过各种方式收集该数据，比如说，我们可以从 Yahoo! Finance 上下载股票数据，或者通过免费的数据源 yfinance 来获取。
3. 实现策略当我们完成数据的获取后，我们需要实现交易策略。
首先，我们需要计算出双均线策略中的移动平均线，接着我们需要确定交易信号。
最后，我们需要处理交易信号并记录每一次交易的情况。
以下是 Python 代码的实现过程：```import yfinance as yfdef MovingAverageCrossStrategy(stock, short_window,long_window):# 获取股票数据data = yf.download(stock)# 计算短期和长期移动平均线data['Short_MA'] =data['Close'].rolling(short_window).mean()data['Long_MA'] =data['Close'].rolling(long_window).mean()# 产生交易信号data['Signal'] = 0.0data['Signal'][short_window:] =np.where(data['Short_MA'][short_window:] >data['Long_MA'][short_window:], 1.0, 0.0)data['Signal'][short_window:] =np.where(data['Short_MA'][short_window:] <data['Long_MA'][short_window:], -1.0,data['Signal'][short_window:])# 计算每次交易的收益data['Positions'] = data['Signal'].diff()data['Buy_Sell_Price'] = np.where(data['Positions'] == 1, data['Open'], np.where(data['Positions'] == -1, data['Open'], np.nan))data['Buy_Sell_Price'] = data['Buy_Sell_Price'].ffill() data['PnL'] = data['Signal'] * (data['Open'] -data['Buy_Sell_Price'])data['Cumulative_PnL'] = data['PnL'].cumsum()# 绘制图表data[['Open', 'Short_MA', 'Long_MA']].plot(figsize=(10, 5))plt.show()return data```在这里，我们定义了一个名为 MovingAverageCrossStrategy 的函数，它接受三个参数：股票代码，短期移动平均线期数和长期移动平均线期数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Python 玩转股票数据以及简单交易策略前面的文档《Python获取股票历史数据并分析》详细说明如何获取股票数据，并进行了简单的分布分析。
今天我们将详细讲解如何玩转历史数据，基础数据来源于《Python获取股票历史数据并分析》。
为了取数和查询方便，我把所有的历史交易数据放在了sqlite3数据库文件中，这也是python自带的数据库，操作很方便。
当然你也可以把数据放在其他数据库中。
本文将使用Python来可视化股票数据，比如绘制K线图，并且探究各项指标的含义和关系，最后使用移动平均线方法初探投资策略。
下面开始玩转数据，数据导入为了数据的存储和读取方便，我们预先把历史数据存在路径为'E:\myprog\TestData.db的sqlite文件中。
要分析先从这个数据文件中读取。
我们把股票编码为600866的2017-02-01至2017-06-01的交易数据读取到stdata中。
以上显示了前9行数据，要得到数据的更多信息，可以使用.info()方法。
它告诉我们该数据一共有72行，索引是时间格式，日期从2017-02-01至2017-06-01。
总共有16列，并列出了每一列的名称和数据格式，并且没有缺失值。
除了index,code是object类型外，其他的都是float型。
我们可以将index转化为datetime类型stdata.index= pd.to_datetime(stdata.index) 变化后如下：至此，我们完成了股票数据的导入和清洗工作，接下来将使用可视化的方法来观察这些数据。
数据观察首先，我们观察数据的列名，其含义对应如下：这些指标总体可分为两类：●价格相关指标⏹当日价格：开盘、收盘价，最高、最低价⏹价格变化：价格变动和涨跌幅⏹均价：5、10、20日均价●成交量相关指标⏹成交量⏹换手率：成交量/发行总股数×100%⏹成交量均量：5、10、20日均量由于这些指标都是随时间变化的，所以让我们先来观察它们的时间序列图。
时间序列图以时间为横坐标，每日的收盘价为纵坐标，做折线图，可以观察股价随时间的波动情况。
这里直接使用DataFrame数据格式自带的做图工具，其优点是能够快速做图，并自动优化图形输出形式。
stdata[['close','turnover']].plot(figsize=(33,8),secondary_y='close',grid=True)这是换手率、收盘价的时间序列图，右轴是收盘价，左轴是换手率，随着股价的从7.5跌倒4.8，换手率也下降了很多。
如果我们将每日的开盘、收盘价和最高、最低价以折线的形式绘制在一起，难免显得凌乱，也不便于分析。
那么有什么好的方法能够在一张图中显示出这四个指标？这就是K线图。
K线图相传K线图起源于日本德川幕府时代，当时的商人用此图来记录米市的行情和价格波动，后来K线图被引入到股票市场。
每天的四项指标数据用如下蜡烛形状的图形来记录，不同的颜色代表涨跌情况。
Matplotlib.finance模块提供了绘制K线图的函数candlestick_ohlc()，但如果要绘制比较美观的K线图还是要下点功夫的。
下面定义了pandas_candlestick_ohlc()函数来绘制适用于本文数据的K线图，其中大部分代码都是在设置坐标轴的格式。
这里可以画日K线，周K线、月K线、年K线等4中K线图下为日K线：周K线：这里红色代表上涨，绿色代表下跌。
股票中关注的不是价格的绝对值，而是相对变化量。
有多种方式可以衡量股价的相对值，最简单的方法就是将股价除以初始时的价格。
stdata['return'] = stdata['close'] / stdata.close.iloc[0]stdata['return'].plot(grid=True)第二种方法是计算每天的涨跌幅，但计算方式有两种：这两者可能导致不同的分析结果，样例数据中的涨跌幅使用的是第一个公式，并乘上了100%。
stdata['p_change'].plot(grid=True,figsize=(12,7)).axhline(y=0, color='black', lw=2)为了解决第二种方法中的两难选择，我们引入第三种方法，就是计算价格的对数之差，公式如下:close_price = stdata['close']log_change = np.log(close_price) - np.log(close_price.shift(1))log_change.plot(grid=True).axhline(y=0,color='black',lw=2)相关关系在观察了价格的走势之后，我们来看看各指标之间的关系。
下面挑选了部分代表性的指标，并使用pandas.scatter_matrix()函数，将各项指标数据两两关联做散点图，对角线是每个指标数据的直方图。
small = stdata[['close','price_change','ma20','volume','v_ma20','turnover']]pd.scatter_matrix(small)如下图，图中可以明显发现成交量（volume）和换手率（turnover）有非常明显的线性关系，其实换手率的定义就是：成交量除以发行总股数，再乘以100%。
所以下面的分析中我们将换手率指标去除，这里使用了相关性关系来实现数据降维上面的散点图看着有些眼花缭乱，我们可以使用numpy.corrcof()来直接计算各指标数据间的相关系数。
small = stdata[['close','price_change','ma20','volume','v_ma20','turnover']]cov = np.corrcoef(small.T)cov如果觉得看数字还是不够方便，我们继续将上述相关性矩阵转换成图形，如下图所示，其中用颜色来代表相关系数。
我们发现位于（0，2）位置的相关系数非常大，查看数值达到0.89。
这两个强烈正相关的指标是收盘价和img = plt.matshow(cov,cmap=plt.cm.winter)plt.colorbar(img,ticks=[-1,0,1])plt.show()以上我们用矩阵图表的方式在多个指标中迅速找到了强相关的指标。
接着做出收盘价和成交量的折线图，因为它们的数值差异很大，所以我们采用两套纵坐标体系来做图。
stdata[['close','ma20']].plot(secondary_y='ma20', grid=True)根据20日均线判断股价日后的走势极为重要。
股票交易策略吴军老师曾讲述他的投资经验，大意是说好的投资方式不是做预测，而是能在合适的时机做出合适的应对和决策。
同样股市也没法预测，我们能做的是选择恰当的策略应对不同的情况。
好的指标是能驱动决策的。
在上面的分析中我们一直没有使用的一类指标是5、10、20日均价，它们又称为移动平均值，下面我们就使用这项指标来演示一个简单的股票交易策略。
（警告：这里仅仅是演示说明，并非投资建议）为了得到更多的数据来演示，我们使用pandas_datareader直接从雅虎中下载最近一段时间的谷歌股票数据。
import datetimeimport pandas_datareader.data as web# 设置股票数据的时间跨度start = datetime.datetime(2016,10,1)end = datetime.date.today()# 从yahoo中获取google的股价数据。
goog = web.DataReader("GOOG","yahoo",start,end)#修改索引和列的名称，以适应本文的分析goog.index.rename('date',inplace=True)goog.rename(columns={'Open':'open','High':'high','Low':'low','Close':'close'},inplace=True)goog.head()数据中只有每天的价格和成交量，所以我们需要自己算出5日均价和10日均价，并将均价的折线图（也称移动平均线）与K线图画在一起。
goog["ma5"] = np.round(goog["close"].rolling(window = 5,center = False).mean(),2)goog["ma20"] = np.round(goog["close"].rolling(window = 20,center = False).mean(),2)goog = goog['2017-01-01':]pandas_candlestick_ohlc(goog,['ma5','ma20'])如果，我们用以及存好的数据，则不需要计算ma5、ma20，pandas_candlestick_ohlc(stdata,stick = "day",otherseries=['ma5','ma20'])观察上图，我们发现5日均线与K线图较为接近，而20日均线则更平坦，可见移动平均线具有抹平短期波动的作用，更能反映长期的走势。
比较5日均线和20日均线，特别是关注它们的交叉点，这些是交易的时机。
移动平均线策略，最简单的方式就是：当5日均线从下方超越20日均线时，买入股票，当5日均线从上方越到20日均线之下时，卖出股票。
为了找出交易的时机，我们计算5日均价和20日均价的差值，并取其正负号，作于下图。
当图中水平线出现跳跃的时候就是交易时机。
goog['ma5-20'] = goog['ma5'] - goog['ma20']goog['diff'] = np.sign(goog['ma5-20'])goog['diff'].plot(ylim=(-2,2)).axhline(y=0,color='black',lw=2)为了更方便观察，上述计算得到的均价差值，再取其相邻日期的差值，得到信号指标。