Python 實戰：下載股價數據與繪製互動圖表｜Quant Theory 第 3 講筆記

2026年1月3日 · 來源頻道：Liu Peng · #量化交易 #Python #學術課

第 3 課・共 34 課

這是 Liu Peng 大學級量化交易課程第 1 週第 3 講的筆記，由概念正式轉入 Python 實作。講者在 Google Colab 上示範三件事：以 yfinance 套件下載股價數據、讀取上市公司的元數據，以及用 Plotly 把股價繪成互動線圖與陰陽燭圖——這是之後所有策略實驗的基本功。

學習重點

• 免安裝的實驗環境：Google Colab 是免費的網上 Python 平台，無須在本機安裝環境即可寫程式做數據分析。
• 隨機抽樣的程式概念：用 random 與列表推導式生成訂單序列，再按索引隨機抽取子單——對應第 1 講提過的冰山訂單情境。
• yfinance 取得兩類數據：Ticker 物件讀取公司元數據（市值、行業等），download 函數下載開高低收與成交量的歷史數據表。
• 數據結構意識：股價數據以日期為索引的二維表格存放，學會用 head、tail、shape 檢查內容與維度。
• Plotly 互動繪圖：收市價線圖、疊加成交量的雙軸圖、陰陽燭圖，滑鼠懸停與縮放讓觀察更細緻。

詳細筆記

實驗環境：Google Colab 雲端寫 Python

講者一開場便交代工具：整個示範在 Google Colab 上進行——Google 提供的免費網上編程平台，以「筆記本」形式組織程式碼，每一段程式（cell）可獨立執行並即時顯示輸出。好處是無須在自己的電腦安裝 Python 環境，開啟瀏覽器即可跟做；平台會儲存工作成果，但設有用量上限。講者動手前先重新啟動 runtime（執行環境），確保由零開始、不受之前執行殘留的變數影響——這是實驗課的好習慣：結果要可由頭重現。

熱身：隨機抽樣與列表推導式

正式處理股價之前，講者先用一節熱身，講幾個貫穿全課的 Python 基礎概念。第一步是引入套件：程式開首用 import 載入 random（隨機數生成）與 numpy（處理陣列格式數據）兩個常用函式庫。

第一個動作是生成隨機數：random.randint(0, 10) 在 0 至 10 之間隨機抽一個整數，每執行一次結果都不同。若要一次生成十個隨機數，講者用了列表推導式 List Comprehension 的寫法——把「重複執行十次」這個意圖寫成一行：

total_order = [random.randint(0, 10) for p in range(0, 10)]
iceberg_order_idx = random.sample(range(len(total_order)), 2)
iceberg_order = np.array(total_order)[iceberg_order_idx]

以上程式碼摘錄自原片教學。這裡有幾個要拆開理解的概念。range(0, 10) 產生 0 至 9 的整數序列：Python 採用零基索引 Zero-based Indexing，由 0 開始數起，而終點值不包括在內，所以 0 至 9 剛好十個數。len() 函數返回列表長度。推導式外層的方括號把重複生成的結果收集成一個列表——講者把這十個隨機數比喻為十張訂單的數量。

接着是重點動作：按索引抽樣。列表中第一個元素的索引是 0，第二個是 1，如此類推；用方括號傳入索引即可取出對應元素，例如 total_order[2] 取出第三個數。講者用 random.sample(range(len(total_order)), 2) 由 0 至 9 的索引中隨機抽兩個出來，再把這兩個索引傳入 NumPy 陣列取出對應的訂單數量。

為甚麼要這樣做？講者點出實務背景：機構把大額訂單拆細執行時，往往只公開其中幾張子單，其餘隱藏——這正是第 1 講介紹過的冰山訂單 Iceberg Order。上述程式就是在模擬「由一疊子單中隨機決定哪幾張露出水面」。程式基礎與交易概念由此扣連起來，這也是本課一貫的講法。

yfinance：一行程式取得公司元數據

熱身完畢，進入正題：分析股票數據。講者選用的工具是 yfinance——Python 生態中最普及的金融數據套件之一，專門用來從 Yahoo Finance 擷取行情與公司資料。由於 Colab 環境預設未安裝，要先以 !pip install yfinance 安裝（感嘆號是筆記本環境執行系統命令的記法），安裝後用 import yfinance as yf 載入。

第一步是按股票代號 Ticker 取得公司資料。代號是公司的識別符號，例如微軟是 MSFT。講者建立 Ticker 物件後讀取其 info 屬性：

import yfinance as yf
msft = yf.Ticker("MSFT")
msft.info["marketCap"]

以上程式碼摘錄自原片教學。info 返回的內容非常豐富：郵遞區號、行業板塊、所在城市與國家、員工人數、市值等一應俱全——講者形容這是收集公司元數據的便捷途徑。他順帶講解數據格式：這是一個字典 Dictionary，以花括號包住一連串「鍵—值」配對（key-value pairs）；想取哪項資料，就把對應的鍵傳入方括號，例如傳入 'marketCap' 便返回市值數字，傳入 'sector' 便返回行業分類。字典是之後處理各類金融數據時反覆出現的結構，值得在這裡記熟。

下載歷史股價：日期、OHLC 與數據維度

元數據之後是行情數據。講者先用 Python 的 datetime 模組取得當日日期，並以「年—月—日」的格式字串輸出；這個日期會作為下載範圍的終點，傳入 download 函數的 end 參數，把微軟的日線股價數據整批下載回來。

下載完成後，講者示範三個檢查數據的基本動作：

• data.head()：查看開首幾行，確認數據的欄目結構；
• data.tail()：查看最後幾行，確認數據更新到哪一天——講者錄影當日是 1 月 6 日，最後一行是前一個交易日，因為當日尚未收市；
• data.shape：查看維度，結果是 254 行乘 6 欄，即 254 個交易日、六項數據。

六欄分別是開市價 Open、最高價 High、最低價 Low、收市價 Close、調整收市價 Adj Close 與成交量 Volume。前四項合稱 開高低收 OHLC，是一個交易時段價格行為的完整概括；Adj Close 則把股息與拆股等公司行動回溯調整，用來計算跨期回報時較 Close 準確。每一行以一個日期作索引，整份數據本質上是以時間排序的二維表格（pandas 的 DataFrame）。

有了這張表，基本的量化量度便可順手定義。例如第 $t$ 日的簡單回報率：

其中 $P_t$ 是第 $t$ 日的收市價。一列收市價經這條式子逐日運算，就變成一列回報率——這正是之後各講建立策略與風險模型的原材料。

Plotly 互動繪圖：收市價線圖

數據到手，下一步是「看」。講者選用的繪圖工具是 Plotly 的 graph_objects 模組，特點是輸出互動圖表而非靜態圖片。第一張圖以日期為橫軸、收市價為縱軸，用 Scatter 的線條模式繪製：

import plotly.graph_objects as go
fig = go.Figure(data=go.Scatter(x=data.index, y=data['Close'], mode='lines'))
fig.show()

以上程式碼摘錄自原片教學。圖表生成後，滑鼠懸停於任何一點，會即時浮現該日的日期與價格；用滑鼠框選某段範圍可以放大，亦可還原縮小。講者特意示範了這些互動操作——對於動輒數百個交易日的序列，能隨意縮放細節比盯着一張靜態圖實用得多。

疊加成交量：雙軸圖與刻度調校

價格之外，講者把成交量也疊上同一張圖。做法是在原有圖表上以 add_trace 加入一組棒形（Bar）數據：橫軸同樣是日期，縱軸改為成交量。這裡出現一個實際問題——股價以百元計，成交量以千萬股計，兩者量級相差懸殊。若共用同一條縱軸，不是成交量棒形把價格線完全遮蓋，就是其中一方被壓扁得看不見。

解法是副軸 Secondary Y-axis：價格線對應左邊縱軸，成交量棒形對應右邊縱軸，各自有獨立刻度。講者再進一步調校觀感——透過 update_yaxes 把右軸的刻度上限調大（例如設為 0 至 5 億），成交量棒形在視覺上便會縮矮，不再遮擋上方的價格線。這個小技巧背後的觀念是：同一張圖放多組量級不同的數據時，刻度設計本身就是溝通的一部分。

講者不忘補一句：這些繪圖語法無須死記硬背，明白每一步「大致在做甚麼」即可——需要時查文件、按樣修改，是數據工作的常態。

陰陽燭圖：四個價位一支燭

最後一張圖是技術分析最常用的陰陽燭 Candlestick Chart。講者點出其本質：每支陰陽燭其實是一日價格行為的摘要，由開市價、最高價、最低價、收市價四個數字構成。因此繪製時要把 OHLC 四欄分別傳入 Candlestick 圖件的對應參數，橫軸同樣是日期。

圖成之後同樣可以縮放：框選某段月份放大，每支燭的燭身與影線便清晰可辨，方便逐一觀察價格在該時段的具體行為。至此，由安裝套件、下載數據到繪出三種圖表，一條完整的「數據 → 觀察」流程便走完了——講者以此作結，預告下一講再續。

欣利克的看法

• 下載與繪圖是「觀察」，不是「訊號」。 本講的取數據、畫線圖、畫陰陽燭，都只是把已發生的價格呈現出來，沒有任何一步構成買賣建議。初學者最易犯的錯，是把「看到圖形的形狀」當成「預測未來的依據」；按第 1 講的框架，這些只是輸入層的準備，距離經回測驗證的模型仍遠。
• Close 與 Adj Close 之別是常見誤區。 不少人隨手用 Close 計算長期回報，忽略股息與拆股會令價格出現非市場因素的斷層。Adj Close 已把這些公司行動回溯調整，跨年度分析時用錯一欄，結論可以相差甚遠。
• 免費數據源有時效與穩定性風險。 yfinance 並非 Yahoo Finance 官方產品，而是社群維護的擷取工具——Yahoo 一旦改版，套件便可能失效。影片於 2023 年初錄製，示範寫法與現時或有出入，遇錯誤宜先查套件最新文件。
• 互動圖與靜態圖各有所長。 Plotly 的懸停讀數與框選縮放適合探索數據；放進報告或印刷品則以 matplotlib 一類靜態工具較易控制版面。按用途選工具即可。
• 免費平台的限制要心中有數。 Colab 免費層的資源與時數設有上限，閒置後執行環境會被回收。小型實驗綽綽有餘，日後跑大規模回測便要考慮本機環境或付費方案。

名詞解釋

• 開高低收 OHLC：一個交易時段內開市價、最高價、最低價、收市價四個價位的統稱，是股價數據表與陰陽燭圖的基本結構。
• 陰陽燭 Candlestick：以 OHLC 四個價位記錄一段時間價格行為的圖表形式，又稱 K 線。
• 成交量 Trading Volume：指定時間內某證券實際成交的股數或合約數量，反映市場參與程度。
• 市值 Market Capitalization：股價乘以已發行股數的總額，用來量度上市公司規模。
• 冰山訂單 Iceberg Order：只顯示小部分數量的大額訂單，隱藏部分成交後逐批補充，掩飾真實交易規模。

常見問題 FAQ

電腦沒有安裝 Python，可以跟着本講做嗎？

可以。講者全程在 Google Colab 上示範，那是免費的網上編程平台，只需瀏覽器與 Google 帳戶即可使用，無須在本機安裝任何軟件。程式碼以筆記本形式逐段執行，輸出即時顯示，適合初學者邊看邊做；要留意免費層設有資源與時數上限。

收市價 Close 和調整收市價 Adj Close 有甚麼分別？

Close 是當日最後一口成交價的原始記錄；Adj Close 則把股息、拆股等公司行動的因素回溯調整，令不同時期的價格可以連貫比較。若只觀察短期價格走勢，兩者分別不大；但計算跨越除息日或拆股的長期回報時，用 Adj Close 才不易失真。

yfinance 的數據是免費的嗎？可靠嗎？

yfinance 是免費的開源套件，數據來自 Yahoo Finance 的公開頁面，供學習與研究使用綽綽有餘。但它並非官方授權的數據服務：Yahoo 改版時套件可能暫時失效，數據的完整性與即時性亦不設保證。認真的研究或實盤用途，應考慮有服務承諾的付費數據源。

為甚麼要用 Plotly 這類互動圖表？

因為股價序列動輒數百上千個數據點，靜態圖一次過把全部資訊壓在一個畫面裡，細節往往看不清。互動圖表讓你懸停讀取任何一天的確實數值、框選局部時段放大觀察，探索數據時效率高得多。當然，若要輸出到報告或印刷品，靜態繪圖工具仍然有其位置。

原影片

本文整理自以下影片，版權屬原創作者所有，建議配合原片觀看：

來源：https://www.youtube.com/watch?v=ngPjj93B5kE