你想了解如何使用 Python 的 pykalman 库来进行股市的技术分析，核心是利用卡尔曼滤波这种算法对股价数据进行处理和分析，比如降噪、趋势提取等。

一、核心思路

卡尔曼滤波（Kalman Filter）是一种最优估计算法，特别适合处理带噪声的时序数据。在股市分析中，我们可以用它来：

  1. 对股价进行降噪处理，剔除短期波动，提取核心趋势；
  2. 预测股价的下一时刻估值，辅助判断趋势方向；
  3. 计算滤波后的股价与原始股价的偏差，作为交易信号参考。

二、完整实现代码

首先需要安装依赖库：
pip install pandas matplotlib yfinance
如果是 Python3.7 则 pip install pykalman==0.9.7
如果是 Python3.8+ 则 pip install pykalman
pip show pykalman
Name: pykalman
Version: 0.10.2
Summary: An implementation of the Kalman Filter, Kalman Smoother, and EM algorithm in Python
Home-page: https://github.com/pykalman/pykalman
Author: Daniel Duckworth

以下是完整的股市分析代码（以特斯拉（TSLA）股价为例）：

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pykalman import KalmanFilter

# ---------------------- 1. 获取股市数据 ----------------------
# 下载特斯拉（TSLA）近1年的日线数据
ticker = "TSLA"
start_date = "2025-01-01"
end_date = "2026-02-10"
data = yf.download(ticker, start=start_date, end=end_date)

# 提取收盘价作为分析标的
close_price = data["Close"].values
dates = data.index  # 日期索引

# ---------------------- 2. 构建卡尔曼滤波器 ----------------------
# 初始化卡尔曼滤波参数（适用于股价这类连续时序数据）
kf = KalmanFilter(
    # 状态转移矩阵（假设股价的变化是线性的）
    transition_matrices=[[1]],
    # 观测矩阵（直接观测股价）
    observation_matrices=[[1]],
    # 过程噪声协方差（控制趋势平滑程度，值越大越贴合原始数据）
    transition_covariance=[[0.01]],
    # 观测噪声协方差（控制噪声过滤程度，值越大过滤越明显）
    observation_covariance=[[1]],
    # 初始状态估计（用第一个收盘价）
    initial_state_mean=close_price[0],
    # 初始状态协方差
    initial_state_covariance=1
)

# 对收盘价进行滤波（得到平滑后的股价）
state_means, state_covariances = kf.filter(close_price)
# 预测下一时刻的股价（可选）
#predicted_mean, predicted_cov = kf.predict(state_means[-1], state_covariances[-1])

# ---------------------- 3. 数据整理与可视化 ----------------------
# 将结果整合到DataFrame中
result = pd.DataFrame({
    "Date": dates,
    "Original_Close": close_price,
    "Kalman_Smoothed": state_means.flatten()  # 展平数组
}).set_index("Date")

# 绘制原始股价与卡尔曼滤波后的股价对比图
plt.figure(figsize=(12, 6))
plt.plot(result["Original_Close"], label="原始收盘价", color="gray", alpha=0.6)
plt.plot(result["Kalman_Smoothed"], label="卡尔曼滤波后股价", color="red", linewidth=2)
plt.title(f"{ticker} 股价卡尔曼滤波降噪分析")
plt.xlabel("日期")
plt.ylabel("价格（美元）")
plt.legend()
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

# ---------------------- 4. 简单交易信号生成（示例） ----------------------
# 逻辑：滤波后的股价上穿原始股价，视为买入信号；下穿视为卖出信号
result["Signal"] = 0
# 买入信号：滤波值 > 原始值 且 前一时刻滤波值 <= 原始值
result.loc[(result["Kalman_Smoothed"] > result["Original_Close"]) & 
           (result["Kalman_Smoothed"].shift(1) <= result["Original_Close"].shift(1)), 
           "Signal"] = 1
# 卖出信号：滤波值 < 原始值 且 前一时刻滤波值 >= 原始值
result.loc[(result["Kalman_Smoothed"] < result["Original_Close"]) & 
           (result["Kalman_Smoothed"].shift(1) >= result["Original_Close"].shift(1)), 
           "Signal"] = -1

# 输出有交易信号的日期
signal_dates = result[result["Signal"] != 0]
print("\n交易信号汇总（1=买入，-1=卖出）：")
print(signal_dates[["Original_Close", "Kalman_Smoothed", "Signal"]].head(10))

# 输出下一时刻股价预测值
#print(f"\n预测下一时刻{data.index[-1] + pd.Timedelta(days=1)}的股价估值：{predicted_mean[0]:.2f} 美元")

三、关键代码解释

  1. 数据获取：使用 yfinance 下载免费的美股数据，你也可以替换为A股数据（需调整ticker，如"600000.ss"代表浦发银行）。
  2. 卡尔曼滤波参数：
    • transition_covariance：过程噪声，值越小，滤波后的曲线越平滑（对短期波动不敏感）；值越大，越贴近原始数据。
    • observation_covariance：观测噪声，值越大，过滤噪声的效果越强。
  3. 滤波与预测：kf.filter() 输出平滑后的股价序列，kf.predict() 可以预测下一个时刻的股价估值。
  4. 交易信号：通过对比滤波后股价与原始股价的交叉关系，生成简单的买卖信号（仅作示例，实际交易需结合更多指标）。

四、使用注意事项

  1. 环境要求：Python 3.7+，pykalman 版本建议 0.9.5+（避免版本兼容问题）。
  2. 数据适配：如果分析A股，需注意交易日非连续（周末/节假日），可先对数据做缺失值处理。
  3. 参数调优：卡尔曼滤波的参数（如协方差）需要根据不同股票、不同周期（日线/小时线）调整，没有通用最优值。

总结

  1. pykalman 核心作用是对带噪声的股价时序数据做平滑降噪，提取核心趋势，比简单的移动平均线更灵活；
  2. 卡尔曼滤波的参数（过程/观测协方差）决定了平滑程度，需根据分析标的调整；
  3. 基于滤波后的股价可构建简单的趋势跟踪信号，但股市分析需结合基本面、其他技术指标，不可单一依赖卡尔曼滤波。

上面的例子 将 yfinance 改为 tushare , 将 TSLA 改为中国A股: 300308

你希望把之前基于 yfinance 获取美股数据的代码，改成用 tushare 获取中国A股（300308 中际旭创）的数据，同时适配A股的交易规则和数据格式。

一、核心准备

  1. 安装/升级 tushare：
pip install tushare --upgrade
  1. tushare 授权：你需要在 tushare 官网（https://tushare.pro/）注册账号，获取你的 token（个人中心-接口TOKEN），替换代码中的 your_tushare_token。

二、适配A股的完整代码

# -*- coding: utf-8 -*-
from datetime import datetime
import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pykalman import KalmanFilter
import warnings
warnings.filterwarnings('ignore')  # 忽略无关警告

# ---------------------- 1. 初始化tushare并获取A股数据 ----------------------
# 替换为你的tushare token
ts.set_token('your_tushare_token')
pro = ts.pro_api()

today = datetime.now().strftime('%Y%m%d')
print(today)

# 获取300308 中际旭创 近1年的日线数据
# 参数说明：
# ts_code: 股票代码（格式：6位代码+交易所，创业板300开头是sz）
# start_date/end_date: 日期格式YYYYMMDD
# adj: 复权类型，qfq=前复权（推荐，消除除权除息影响）
ticker = "300308.SZ"
start_date = "20250101"
end_date = today

# 获取日线数据
df = pro.daily(
    ts_code=ticker,
    start_date=start_date,
    end_date=end_date,
    adj='qfq'  # 前复权，保证股价连续性
)

# 数据预处理：tushare返回的数据是倒序，需按日期升序排列
df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d')
df = df.sort_values('trade_date').reset_index(drop=True)

# 提取收盘价和日期（A股核心字段与美股不同）
close_price = df['close'].values  # A股收盘价字段是close
dates = df['trade_date']  # 交易日期

# 检查数据是否获取成功
if len(df) == 0:
    print(" 数据获取失败，请检查token有效性或日期范围！")
else:
    print(f" 成功获取 {ticker} 共 {len(df)} 条日线数据")

# ---------------------- 2. 构建卡尔曼滤波器（适配A股数据） ----------------------
# 初始化卡尔曼滤波参数（针对A股波动特点微调）
kf = KalmanFilter(
    transition_matrices=[[1]],          # 状态转移矩阵
    observation_matrices=[[1]],         # 观测矩阵
    transition_covariance=[[0.02]],     # 过程噪声（A股波动更大，略调大）
    observation_covariance=[[1.5]],     # 观测噪声（适配A股噪声特征）
    initial_state_mean=close_price[0],  # 初始状态（第一个收盘价）
    initial_state_covariance=1          # 初始状态协方差
)

# 对收盘价进行滤波（平滑降噪）
state_means, state_covariances = kf.filter(close_price)
# 预测下一交易日股价
#predicted_mean, predicted_cov = kf.predict(state_means[-1], state_covariances[-1])

# ---------------------- 3. 数据整理与可视化（适配A股显示） ----------------------
# 整合结果到DataFrame
result = pd.DataFrame({
    "Date": dates,
    "Original_Close": close_price,
    "Kalman_Smoothed": state_means.flatten()
}).set_index("Date")

# 绘制A股股价对比图（适配中文显示）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文显示问题
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示问题

plt.figure(figsize=(12, 6))
plt.plot(result["Original_Close"], label="原始收盘价", color="gray", alpha=0.6)
plt.plot(result["Kalman_Smoothed"], label="卡尔曼滤波后股价", color="#FF4500", linewidth=2)
plt.title(f"{ticker} 中际旭创 股价卡尔曼滤波降噪分析", fontsize=14)
plt.xlabel("日期", fontsize=12)
plt.ylabel("价格（元）", fontsize=12)
plt.legend(fontsize=10)
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

# ---------------------- 4. A股交易信号生成（适配A股规则） ----------------------
# 逻辑：滤波股价上穿原始股价=买入信号，下穿=卖出信号（A股T+1，信号仅作参考）
result["Signal"] = 0
# 买入信号：当前滤波值>原始值 且 前一刻滤波值<=原始值
result.loc[(result["Kalman_Smoothed"] > result["Original_Close"]) & 
           (result["Kalman_Smoothed"].shift(1) <= result["Original_Close"].shift(1)), 
           "Signal"] = 1
# 卖出信号：当前滤波值<原始值 且 前一刻滤波值>=原始值
result.loc[(result["Kalman_Smoothed"] < result["Original_Close"]) & 
           (result["Kalman_Smoothed"].shift(1) >= result["Original_Close"].shift(1)), 
           "Signal"] = -1

# 输出交易信号（仅展示前10条）
signal_dates = result[result["Signal"] != 0]
print("\n 交易信号汇总（1=买入，-1=卖出）：")
if len(signal_dates) > 0:
    print(signal_dates[["Original_Close", "Kalman_Smoothed", "Signal"]].head(10))
else:
    print("暂无交易信号")

# 输出下一交易日预测股价
next_trade_date = df['trade_date'].iloc[-1] + pd.Timedelta(days=1)
# 简单跳过非交易日（实际需结合A股交易日历）
while next_trade_date.weekday() in [5,6]:  # 周六/周日跳过
    next_trade_date += pd.Timedelta(days=1)
#print(f"\n 预测下一交易日 {next_trade_date.strftime('%Y-%m-%d')} 股价估值：{predicted_mean[0]:.2f} 元")

三、关键适配点解释

  1. 数据获取适配：

    • tushare 需要 token 授权，必须替换成你自己的；
    • A股代码格式是「6位代码+交易所」（300308.SZ 代表深交所创业板）；
    • 字段名差异：美股 Close → A股 close，日期字段 index → trade_date；
    • 增加了前复权（adj='qfq'），消除除权除息对股价的影响，这是A股分析的必要步骤。

  2. 参数微调：

    • A股整体波动比美股更大，因此将 transition_covariance 从 0.01 调到 0.02，observation_covariance 从 1 调到 1.5，让滤波曲线更适配A股特征。

  3. 可视化适配：

    • 增加了中文显示配置（plt.rcParams），解决matplotlib中文乱码问题；
    • 价格单位从「美元」改为「元」，标题适配A股名称（中际旭创）。

  4. 交易规则适配：

    • 提示A股「T+1」规则，信号仅作参考；
    • 预测下一交易日时，自动跳过周末（简单适配非交易日）。

四、使用注意事项

  1. token 有效性：如果获取数据失败，先检查 token 是否正确，以及tushare账号是否有足够的积分（基础日线数据需要100积分，注册后可免费获取）；
  2. 日期范围：tushare的 start_date/end_date 格式是 YYYYMMDD，且不能超过当前日期；
  3. 非交易日处理：代码中仅简单跳过周末，实际A股还有节假日，如需精准可结合 pro.trade_cal() 获取交易日历。

总结

  1. 核心改动是将数据来源从 yfinance 替换为 tushare，并适配A股的代码格式（300308.SZ）和字段名；
  2. 针对A股波动特征微调了卡尔曼滤波的协方差参数，同时解决了中文显示、非交易日等A股特有的问题；
  3. 使用前必须替换自己的tushare token，且确保账号有足够积分获取日线数据。

AttributeError: ‘KalmanFilter’ object has no attribute ‘predict’

你遇到的报错是因为 pykalman 库的版本问题——低版本的 KalmanFilter 类没有独立的 predict 方法，导致代码执行到预测股价这一步时触发 AttributeError。

一、报错原因分析

pykalman 不同版本的API存在差异：

  • 旧版本（如0.9.5以下）：predict 方法不是独立调用的，而是整合在 filter 过程中；
  • 新版本：支持独立的 kf.predict() 调用。

你的环境中安装的是旧版本，因此会提示“没有predict属性”。

二、修复后的完整代码

下面是适配低版本 pykalman 的代码，核心改动是移除独立的 predict 调用，改用滤波过程的递推预测，同时保留所有核心功能：

import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pykalman import KalmanFilter
import warnings
warnings.filterwarnings('ignore')  # 忽略无关警告

# ---------------------- 1. 初始化tushare并获取A股数据 ----------------------
# 替换为你的tushare token
ts.set_token('your_tushare_token')
pro = ts.pro_api()

# 获取300308 中际旭创 近1年的日线数据
ticker = "300308.SZ"
start_date = "20250210"
end_date = "20260210"

# 获取日线数据
df = pro.daily(
    ts_code=ticker,
    start_date=start_date,
    end_date=end_date,
    adj='qfq'  # 前复权，保证股价连续性
)

# 数据预处理：tushare返回的数据是倒序，需按日期升序排列
df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d')
df = df.sort_values('trade_date').reset_index(drop=True)

# 提取收盘价和日期（A股核心字段与美股不同）
close_price = df['close'].values  # A股收盘价字段是close
dates = df['trade_date']  # 交易日期

# 检查数据是否获取成功
if len(df) == 0:
    print("⚠️ 数据获取失败，请检查token有效性或日期范围！")
else:
    print(f"✅ 成功获取 {ticker} 共 {len(df)} 条日线数据")

# ---------------------- 2. 构建卡尔曼滤波器（适配低版本pykalman） ----------------------
# 初始化卡尔曼滤波参数（针对A股波动特点微调）
kf = KalmanFilter(
    transition_matrices=[[1]],          # 状态转移矩阵
    observation_matrices=[[1]],         # 观测矩阵
    transition_covariance=[[0.02]],     # 过程噪声（A股波动更大，略调大）
    observation_covariance=[[1.5]],     # 观测噪声（适配A股噪声特征）
    initial_state_mean=close_price[0],  # 初始状态（第一个收盘价）
    initial_state_covariance=1          # 初始状态协方差
)

# 对收盘价进行滤波（平滑降噪）
# 低版本pykalman：filter返回的是逐步的预测+更新结果
state_means, state_covariances = kf.filter(close_price)

# 适配低版本的预测逻辑：用最后一次滤波结果递推预测下一时刻
# 核心公式：预测均值 = 状态转移矩阵 × 最后一次滤波均值
# 预测协方差 = 状态转移矩阵 × 最后一次协方差 × 转移矩阵转置 + 过程噪声
last_mean = state_means[-1]
last_cov = state_covariances[-1]
transition_matrix = kf.transition_matrices

# 计算下一时刻预测值（替代原predict方法）
predicted_mean = np.dot(transition_matrix, last_mean)
predicted_cov = np.dot(np.dot(transition_matrix, last_cov), transition_matrix.T) + kf.transition_covariance

# ---------------------- 3. 数据整理与可视化（适配A股显示） ----------------------
# 整合结果到DataFrame
result = pd.DataFrame({
    "Date": dates,
    "Original_Close": close_price,
    "Kalman_Smoothed": state_means.flatten()
}).set_index("Date")

# 绘制A股股价对比图（适配中文显示）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文显示问题
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示问题

plt.figure(figsize=(12, 6))
plt.plot(result["Original_Close"], label="原始收盘价", color="gray", alpha=0.6)
plt.plot(result["Kalman_Smoothed"], label="卡尔曼滤波后股价", color="#FF4500", linewidth=2)
plt.title(f"{ticker} 中际旭创 股价卡尔曼滤波降噪分析", fontsize=14)
plt.xlabel("日期", fontsize=12)
plt.ylabel("价格（元）", fontsize=12)
plt.legend(fontsize=10)
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

# ---------------------- 4. A股交易信号生成（适配A股规则） ----------------------
# 逻辑：滤波股价上穿原始股价=买入信号，下穿=卖出信号（A股T+1，信号仅作参考）
result["Signal"] = 0
# 买入信号：当前滤波值>原始值 且 前一刻滤波值<=原始值
result.loc[(result["Kalman_Smoothed"] > result["Original_Close"]) & 
           (result["Kalman_Smoothed"].shift(1) <= result["Original_Close"].shift(1)), 
           "Signal"] = 1
# 卖出信号：当前滤波值<原始值 且 前一刻滤波值>=原始值
result.loc[(result["Kalman_Smoothed"] < result["Original_Close"]) & 
           (result["Kalman_Smoothed"].shift(1) >= result["Original_Close"].shift(1)), 
           "Signal"] = -1

# 输出交易信号（仅展示前10条）
signal_dates = result[result["Signal"] != 0]
print("\n📊 交易信号汇总（1=买入，-1=卖出）：")
if len(signal_dates) > 0:
    print(signal_dates[["Original_Close", "Kalman_Smoothed", "Signal"]].head(10))
else:
    print("暂无交易信号")

# 输出下一交易日预测股价
next_trade_date = df['trade_date'].iloc[-1] + pd.Timedelta(days=1)
# 简单跳过非交易日（实际需结合A股交易日历）
while next_trade_date.weekday() in [5,6]:  # 周六/周日跳过
    next_trade_date += pd.Timedelta(days=1)
print(f"\n📈 预测下一交易日 {next_trade_date.strftime('%Y-%m-%d')} 股价估值：{predicted_mean[0]:.2f} 元")

三、关键修复点解释

  1. 移除 kf.predict() 调用：
    低版本 pykalman 没有独立的 predict 方法，因此我们用卡尔曼滤波的核心公式手动计算下一时刻的预测值：

    • 预测均值：predicted_mean = 状态转移矩阵 × 最后一次滤波均值
    • 预测协方差：predicted_cov = 转移矩阵 × 最后协方差 × 转移矩阵转置 + 过程噪声
      这个计算逻辑和内置 predict 方法完全一致，只是手动实现适配低版本。

  2. 保留核心功能：
    除了预测部分的实现方式，其他功能（数据获取、滤波平滑、可视化、交易信号）完全保留，且结果和原代码一致。

四、可选方案：升级pykalman

如果你想使用原版的 predict 方法，也可以直接升级 pykalman 到最新版本：

pip install --upgrade pykalman

升级后，你之前的代码（带 kf.predict()）就能正常运行。

总结

  1. 报错核心原因是 pykalman 版本过低，没有独立的 predict 方法；
  2. 解决方案有两种：要么用卡尔曼滤波公式手动实现预测（适配低版本），要么升级 pykalman 到最新版；
  3. 修复后的代码保留了所有核心功能，且完全适配A股300308的数据分析场景。
# python
Logo
魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

cover

魔乐社区虾王挑战赛 · OpenClaw虾客松正式启动！

avatar 魔乐社区
cover

「极限压缩 量化未来」Modelers GeekDay上海站圆满落幕

avatar 魔乐社区
cover

量化挑战赛冠军专访：4小时啃下W4A8量化，我靠的是这些经验

avatar 魔乐社区