1700510750
1700510751
图18-10 EUR/USD历史数据
1700510752
1700510753
下面我们就编写一段Python代码，将这些输入导入数据库。
1700510754
1700510755
建立数据库。
1700510756
1700510757
mysql＞ CREATE DATABASE FOREX;
1700510758
1700510759
建立数据表。
1700510760
1700510761
mysql＞ USE FOREX;mysql＞ CREATE TABLE EURUSD_1M(DT DATETIME,OPEN DECIMAL(10,4),HIGH DECIMAL(10,4),LOW DECIMAL(10,4),CLOSE DECIMAL(10,4));
1700510762
1700510763
编写Python代码并导入数据，编辑insert.py文件。
1700510764
1700510765
#!/usr/bin/pythonimport os,sys,MySQLdbtry: db=MySQLdb.connect(host=‘localhost’, user=‘root’, passwd=‘111111’, db=‘FOREX’) cursor=db.cursor() counter=0 input_file=open(‘/ml/EURUSD.txt’,‘r’) cursor.execute(‘USE FOREX;’) for line in input_file: counter=counter + 1 date=line.split(‘,’)[1] time=line.split(‘,’)[2] open_value=line.split(‘,’)[3] high_value=line.split(‘,’)[4] low_value=line.split(‘,’)[5] close_value=line.split(‘,’)[6] if date !=’＜DTYYYYMMDD＞’: datetime=date[0:4] + ‘-‘ + date[4:6] + ‘-‘ + date[6:8] + ‘ ‘ + time[0:2] + ‘:’ + time[2:4] + ‘:’ + time[4:6] sql=‘INSERT INTO EURUSD_1M VALUES(‘ + ‘”’ + datetime + ‘”’ + ‘,’ + open_value + ‘,’ + high_value + ‘,’ + low_value + ‘,’ + close_value + ‘);’ cursor.execute(sql) if counter%2000==0: db.commit() db.commit()except MySQLdb.Error,e: print “Error %s” %(e.args[0]) exit(1)cursor.close()db.close()
1700510766
1700510767
调用insert.py文件。
1700510768
1700510769
python insert.py
1700510770
1700510771
这个部分需要多花一些时间。在这个文件中有超过544万条数据，建议将MySQL调整到AUTOCOMMIT=0的状态，然后每2000条提交一次。
1700510772
1700510773
wc-l /root/Desktop/EURUSD.txt5447761 /root/Desktop/EURUSD.txt
1700510774
1700510775
2．观察数据
1700510776
1700510777
数据完全导入后，可以用聚合函数来观察，看看这些数据在一天内的波动是如何分布的。
1700510778
1700510779
使用vim命令编辑query.py文件。
1700510780
1700510781
vim query.py
1700510782
1700510783
编写Python代码，对每天的振幅进行统计。
1700510784
1700510785
#!/usr/bin/pythonimport os,sys,MySQLdb try: db=MySQLdb.connect(host=‘localhost’, user=‘root’, passwd=‘111111’, db=‘FOREX’) cursor=db.cursor() #result_set=cursor.fetchall() #print result_set counter=0 input_file=open(‘/ml/EURUSD.txt’,‘r’) cursor.execute(‘USE FOREX;’) sql=‘SELECT PIPS, COUNT(*)DAYS FROM (SELECT DATE_FORMAT(DT,”%Y-%m-%d”)AS THE_DATE,(MAX(HIGH)-MIN(LOW))*10000 AS PIPS FROM EURUSD_1M GROUP BY DATE_FORMAT(DT,”%Y-%m-%d”))AS TEMP GROUP BY PIPS;’; cursor.execute(sql); result=cursor.fetchall() for row in result: print str(row[0])+ ‘,’ + str(row[1])except MySQLdb.Error,e: print “Error %s” %(e.args[0]) exit(1)cursor.close()db.close()
1700510786
1700510787
调用query.py文件。
1700510788
1700510789
python query.py＞amp_group.csv
1700510790
1700510791
下载该文件并使用Excel打开。如图18-11所示，在这个Excel文件中，A列是每天的波动幅度（单位是“点”，即“pip”），B列是在这4848个交易日中有多少天有对应的波动幅度。
1700510792
1700510793
1700510794
1700510795
1700510796
图18-11 波幅统计表
1700510797
1700510798
如果感觉这样不够直观，那就画幅柱状图来看看。如图18-12所示，横坐标是波动的点数，纵坐标是波动点数对应的天数。这个图形中间凸起的部分看上去有点像正态分布，中点在80左右（平均值不是80，实际的平均值比80要大），极高波幅日的出现是小概率事件，绝大部分交易日的波幅都在225个点以内。大部分日子的波幅比较小，就是左侧的这个高点，中点在9附近。
1700510799