最近国际外汇市场上USD/JPY美元兑日元再度成为焦点。行情在 157 附近反复拉锯市场一边关注日本央行可能采取的动作一边评估美日政策协调的实际边界。对于做数据分析的开发者来说这类实时行情新闻背后其实藏着一个很好的练手场景能不能用 Python 把汇率行情拉下来自动计算技术指标再画成一张可以跟踪的走势面板本文就围绕这个场景从公开数据源说到指标计算从可视化讲到简单的区间预警完整演示一个「日元汇率走势分析面板」的搭建过程。文章不会判断汇率未来涨跌也不讨论政策干预的合理性只看技术实现数据获取、清洗、指标计算、绘图和工程化封装。适合有 Python 基础、对金融数据分析感兴趣的读者尤其是想学习 pandas 时间序列处理和 matplotlib 可视化的开发者。文中涉及的代码我会尽量给出完整版本方便你直接复制运行。需要说明的是所有代码和输出都用于技术学习与演示不构成任何投资建议。1. 汇率分析项目为什么值得动手做1.1 汇率数据对数据分析学习很友好金融数据里汇率是结构最规整、语义最清晰的序列数据之一。每一行代表一个时间点字段包含开盘价、最高价、最低价、收盘价、成交量非常好理解。和股票数据相比汇率市场的数据维度少基本没有股本、除权除息、财报披露等复杂事件非常适合作为时间序列分析、指标计算和可视化的入门数据集。以 USD/JPY 为例它代表 1 美元可以兑换多少日元。当报价从 150 涨到 157说明美元相对日元升值日元相对美元贬值。这个方向感的建立是后续分析所有指标的基础。1.2 实际业务中的汇率分析场景汇率分析并不只是金融机构的需求很多业务场景都会用到跨境电商卖家需要跟踪结算货币的价格波动选择合适的时机结汇。出口企业需要预测汇率对利润的影响做套期保值决策。数据分析平台需要监控汇率异常波动触发风控提醒。个人投资者和量化爱好者需要基于行情数据回测策略。在这些场景下手动去行情网站看数字低效且难形成历史对比。用 Python 写一套自动化脚本每天定时拉数据、算指标、出图是性价比很高的做法。1.3 这个项目能学到什么完成本文的项目后你会掌握从公开数据源获取汇率历史数据的方法。使用 pandas 进行日期索引、缺失值处理和列计算。计算移动平均线、RSI、ATR 等常见技术指标。使用 matplotlib 绘制包含多子图的 K 线走势面板。用分位数和移动窗口实现简单的区间预警。将代码封装成类和方法提升可维护性。下面我们直接进入环境准备环节。2. 环境准备与版本说明2.1 运行环境清单本项目主要依赖以下 Python 库库名称用途pandas数据清洗、时间序列处理numpy数值计算matplotlib基础绘图mplfinance蜡烛图绘制yfinance获取 Yahoo Finance 外汇数据akshare获取国内财经数据接口版本不需要完全一致只需确保能正常运行。本文示例环境如下Python 3.10 pandas 2.x numpy 1.26 matplotlib 3.8 mplfinance 0.12.10a10 yfinance 0.2.40 akshare 1.14如果你本机还没有安装这些库可以使用下面的命令安装pip install pandas numpy matplotlib mplfinance yfinance akshare如果你的网络环境下载较慢可以指定国内镜像源例如pip install pandas numpy matplotlib mplfinance yfinance akshare -i https://pypi.tuna.tsinghua.edu.cn/simple2.2 关于数据接口的网络说明yfinance 访问的是 Yahoo Finance 的公开接口在国内网络环境下有时会超时或返回异常。如果你在运行时遇到网络问题建议确保本机网络可以稳定访问境外站点。代码中做好异常捕获和降级处理。也可以优先使用 akshare 等国内数据源。网上有些资料会建议设置代理这里不做展开。对于离线学习我们还可以准备一份本地 CSV 数据让整个流程不依赖网络也能跑通。后续章节会给出两种数据加载方式。2.3 项目结构规划为了后续扩展方便建议按下面的结构组织项目usdjpy_analysis/ ├── data/ # 存放原始数据 │ └── usdjpy_daily.csv ├── output/ # 输出图表和结果 │ └── usdjpy_panel.png ├── main.py # 主程序入口 └── usdjpy_utils.py # 数据获取与指标计算模块先创建好data和output目录避免运行代码时因为目录不存在而报错mkdir -p usdjpy_analysis/data usdjpy_analysis/output3. 汇率数据的获取与预处理3.1 使用 yfinance 获取 USD/JPY 历史行情yfinance 是一个轻量级的财经数据库可以获取美股、外汇、加密货币等行情数据。对 USD/JPY 来说Yahoo Finance 的代码是JPYX。下面是一个基础拉取示例# 文件路径usdjpy_utils.py import yfinance as yf import pandas as pd def fetch_usdjpy_from_yf(start_date2023-01-01, end_date2024-12-31): 从 Yahoo Finance 获取 USD/JPY 日线数据 ticker yf.Ticker(JPYX) df ticker.history(startstart_date, endend_date, interval1d) if df is None or df.empty: raise RuntimeError(yfinance 返回数据为空请检查网络或参数) # 只保留需要的列 df df[[Open, High, Low, Close, Volume]].copy() df.index.name date df.columns [open, high, low, close, volume] df[date] df.index.date return df这里有几个细节需要说明ticker.history()返回的 DataFrame 索引是 DatetimeIndex正好适合时间序列分析。汇率数据里的 Volume 通常为 0 或极小值因为真正的即期外汇成交量在 Yahoo 接口中不可见。df[date] df.index.date是为了方便后续保存到 CSV 后再读取时仍然能保留日期列。调用方式if __name__ __main__: df fetch_usdjpy_from_yf() print(df.head()) print(df.tail()) df.to_csv(data/usdjpy_daily.csv, encodingutf-8-sig)如果这一步网络不通你会得到RuntimeError。这时不要慌看 3.3 节的本地数据读取方案。3.2 使用 akshare 获取汇率数据akshare 是国内常用的财经数据接口库支持多个数据源。不同版本中汇率历史数据的接口名称略有差异常见的一种是currency_histimport akshare as ak import pandas as pd def fetch_usdjpy_from_ak(start_date20230101, end_date20241231): 从 akshare 获取 USD/JPY 日线数据接口参数随版本调整 df ak.currency_hist(symbolUSDJPY, perioddaily, start_datestart_date, end_dateend_date) # 实际列名可能包含中文需要按版本做重命名 rename_map {日期: date, 开盘: open, 最高: high, 最低: low, 收盘: close} df df.rename(columnsrename_map) df[date] pd.to_datetime(df[date]) df df.sort_values(date).reset_index(dropTrue) return df注意akshare 接口更新频繁具体字段可能随版本变化。如果你运行时报错优先看官方文档或使用dir(ak)搜索currency相关函数。为了代码更健壮我建议在工具模块里做一个数据源的自动降级优先 yfinance失败时尝试 akshare再失败时读取本地 CSV。这样不管是网络环境还是接口变更都不会导致脚本直接中断。3.3 离线本地数据读取方案如果你不想依赖网络可以先准备一份 CSV 文件。字段约定如下date,open,high,low,close,volume 2024-11-01,152.10,152.35,151.80,151.95,0 2024-11-04,151.90,152.40,151.55,152.20,0读取代码很简单import pandas as pd def load_local_csv(filepathdata/usdjpy_daily.csv): 从本地 CSV 加载汇率数据 df pd.read_csv(filepath, parse_dates[date]) df df.set_index(date).sort_index() return df在后面的实战中我会先用这种方式保证代码可以离线运行。3.4 数据预处理要点拿到原始数据后有几件事必须做排序日期索引按升序排列确保指标计算顺序正确。去重同一日期可能出现多条记录需要保留最后一条或去重。缺失值处理周末外汇市场休市所以周五到周一之间没有数据这属于正常现象。类型转换open、high、low、close 必须都是数值类型不能是字符串。一个比较通用的清洗函数可以这样写def clean_price_data(df): 汇率数据清洗 df df.copy() if date in df.columns: df[date] pd.to_datetime(df[date]) df df.set_index(date).sort_index() # 数值列转换 for col in [open, high, low, close]: df[col] pd.to_numeric(df[col], errorscoerce) # 去重 df df[~df.index.duplicated(keeplast)] # 删除价格为空的行 df df.dropna(subset[open, high, low, close]) return df这个函数无论数据来自 yfinance、akshare 还是本地 CSV都可以统一处理。4. 技术指标计算从移动平均到 ATR4.1 为什么要算技术指标技术指标的作用是把原始价格序列压缩成更易读的信号。比如原始行情可能上下跳动但 20 日移动平均线能平滑掉短期噪音帮助我们观察中期趋势。再比如 RSI 指标用 0 到 100 的数值表达一段时间内涨跌力量的强弱虽然不能预测未来但可以辅助判断当前行情的超买超卖状态。需要注意的一个原则是指标只是对历史数据的数学加工不是预测工具。在分析面板中指标是给人看的状态参考而不是自动交易信号。4.2 移动平均线 MA移动平均线是最基础的趋势指标。20 日均线代表过去 20 个交易日的平均收盘价60 日均线代表更长周期的趋势。import pandas as pd def add_moving_average(df, windows(5, 20, 60)): 计算移动平均线 df df.copy() for w in windows: df[fma{w}] df[close].rolling(windoww).mean() return dfpandas 的rolling()方法会从当前行向前取 w 个数据计算平均前 w-1 行因为数据不足结果会是 NaN。作图时这些 NaN 会被自动跳过不影响显示。4.3 RSI 相对强弱指标RSI 是衡量涨跌动量的指标。常见参数是 14 日计算思路是统计最近 N 日上涨幅度的平均值和下跌幅度的平均值然后根据两者比例映射到 0-100。def add_rsi(df, period14): 计算 RSI df df.copy() delta df[close].diff() gain delta.clip(lower0) loss -delta.clip(upper0) avg_gain gain.rolling(windowperiod).mean() avg_loss loss.rolling(windowperiod).mean() rs avg_gain / avg_loss df[rsi] 100 - (100 / (1 rs)) return df这里有一个常见误区计算 RSI 时如果直接使用delta.clip(lower0)会将下跌日的 gain 设为 0这是正确的同样loss只保留负跌幅的绝对值。有些资料会用指数平滑移动平均而不是简单滚动平均那是另一种变体趋势差别不大。RSI 的常规解读RSI 超过 70通常认为短期超买。RSI 低于 30通常认为短期超卖。在强趋势行情中RSI 可能长时间停留在高位或低位不能单独作为买卖依据。4.4 ATR 平均真实波幅ATR 用于衡量价格波动幅度。它不关心方向只关心行情有多“剧烈”。在汇率分析中ATR 可以帮助判断当前市场是否处于高波动状态从而决定仓位或预警阈值。ATR 的计算分两步先算真实波幅 TRTR max(high - low, abs(high - prev_close), abs(low - prev_close))再对 TR 取 N 日移动平均。def add_atr(df, period14): 计算 ATR df df.copy() prev_close df[close].shift(1) tr pd.concat([ df[high] - df[low], (df[high] - prev_close).abs(), (df[low] - prev_close).abs() ], axis1).max(axis1) df[atr] tr.rolling(windowperiod).mean() return df从 USD/JPY 这样的汇率序列来看当 ATR 从低位持续抬升时说明市场波动正在放大外围消息或政策预期可能正在影响价格。4.5 布林带 Bollinger Bands布林带由中轨和上下轨组成。中轨是 N 日移动平均上下轨是移动平均加减 K 倍标准差。它展示的是价格相对于近期均值的位置和波动区间。def add_bollinger_bands(df, period20, num_std2): 计算布林带 df df.copy() mid df[close].rolling(period).mean() std df[close].rolling(period).std() df[boll_mid] mid df[boll_upper] mid num_std * std df[boll_lower] mid - num_std * std return df当价格贴近上轨说明偏离均值较远贴近下轨则相反。这一信息可以结合 ATR 使用判断异常波动是否在扩大。5. 完整实战构建 USD/JPY 分析面板这一节我们完成一个可运行的完整项目。核心功能是读取数据 → 计算指标 → 绘制四子图面板 → 输出汇总表。5.1 主程序流程先看整个程序的调用关系main.py | -- 读取数据本地 CSV 优先在线接口降级 | -- 指标计算 | -- 绘图输出output/usdjpy_panel.png | -- 生成汇总表output/latest_summary.csv5.2 完整代码实现首先创建usdjpy_utils.py包含数据读取和指标计算函数# 文件路径usdjpy_utils.py import pandas as pd def load_local_csv(filepathdata/usdjpy_daily.csv): 加载本地 CSV 汇率数据 df pd.read_csv(filepath, parse_dates[date]) return clean_price_data(df) def clean_price_data(df): 汇率数据清洗 df df.copy() if date in df.columns: df[date] pd.to_datetime(df[date]) df df.set_index(date).sort_index() for col in [open, high, low, close]: df[col] pd.to_numeric(df[col], errorscoerce) df df[~df.index.duplicated(keeplast)] df df.dropna(subset[open, high, low, close]) return df def add_all_indicators(df): 统一添加技术指标 df df.copy() df[ma20] df[close].rolling(20).mean() df[ma60] df[close].rolling(60).mean() delta df[close].diff() gain delta.clip(lower0) loss -delta.clip(upper0) avg_gain gain.rolling(14).mean() avg_loss loss.rolling(14).mean() rs avg_gain / avg_loss df[rsi] 100 - (100 / (1 rs)) prev_close df[close].shift(1) tr pd.concat([ df[high] - df[low], (df[high] - prev_close).abs(), (df[low] - prev_close).abs() ], axis1).max(axis1) df[atr] tr.rolling(14).mean() df[boll_mid] df[close].rolling(20).mean() df[boll_upper] df[boll_mid] 2 * df[close].rolling(20).std() df[boll_lower] df[boll_mid] - 2 * df[close].rolling(20).std() return df def build_summary(df): 生成最新交易日汇总 latest df.iloc[-1] prev df.iloc[-2] recent_high df[high].tail(20).max() recent_low df[low].tail(20).min() summary { 日期: latest.name.date(), 收盘价: round(latest[close], 2), 涨跌幅: round((latest[close] / prev[close] - 1) * 100, 2), MA20: round(latest[ma20], 2) if pd.notna(latest[ma20]) else None, RSI14: round(latest[rsi], 2) if pd.notna(latest[rsi]) else None, ATR14: round(latest[atr], 2) if pd.notna(latest[atr]) else None, 20日最高: round(recent_high, 2), 20日最低: round(recent_low, 2), } return summary然后创建main.py# 文件路径main.py import pandas as pd import matplotlib.pyplot as plt import matplotlib.dates as mdates import mplfinance as mpf from usdjpy_utils import load_local_csv, add_all_indicators, build_summary def draw_panel(df, output_pathoutput/usdjpy_panel.png): 绘制四子图分析面板 plot_df df.copy().dropna(subset[ma20, ma60]) if plot_df.empty: raise ValueError(有效数据不足请检查时间范围) # 给 mplfinance 追加指标 apds [ mpf.make_addplot(plot_df[ma20], colorblue, width1.2, labelMA20), mpf.make_addplot(plot_df[ma60], colororange, width1.2, labelMA60), mpf.make_addplot(plot_df[boll_upper], colorgray, linestyle--, width0.8), mpf.make_addplot(plot_df[boll_lower], colorgray, linestyle--, width0.8), mpf.make_addplot(plot_df[atr], panel1, colorpurple, ylabelATR, width1), mpf.make_addplot(plot_df[rsi], panel2, colorgreen, ylabelRSI, width1), ] fig, axes mpf.plot( plot_df, typecandle, volumeFalse, styleyahoo, addplotapds, returnfigTrue, figsize(12, 10), panel_ratios(5, 2, 2), titleUSD/JPY Daily Analysis Panel, warn_too_much_data10000, ) # RSI 参考线 axes[3].axhline(70, colorred, linestyle--, alpha0.5) axes[3].axhline(30, colorgreen, linestyle--, alpha0.5) fig.savefig(output_path, dpi150, bbox_inchestight) plt.close(fig) print(f图表已保存{output_path}) def main(): # 1. 读取数据 try: df load_local_csv(data/usdjpy_daily.csv) except Exception as e: print(本地数据读取失败请检查 data 目录, e) return # 2. 指标计算 df add_all_indicators(df) # 3. 绘图 draw_panel(df, output/usdjpy_panel.png) # 4. 汇总表 summary build_summary(df) summary_df pd.DataFrame([summary]) summary_df.to_csv(output/latest_summary.csv, indexFalse, encodingutf-8-sig) print(最新行情汇总) print(summary_df.to_string(indexFalse)) if __name__ __main__: main()5.3 准备示例数据并运行为了让离线也能跑可以先造一份 120 行左右的示例数据。下面是一个快速生成模拟数据的脚本你可以运行后得到data/usdjpy_daily.csv# 文件路径make_sample_data.py import pandas as pd import numpy as np np.random.seed(42) dates pd.date_range(2024-01-01, periods120, freqB) close np.linspace(150, 155, 120) np.random.normal(0, 0.6, 120) open_ close np.random.normal(0, 0.3, 120) high np.maximum(open_, close) np.random.uniform(0.1, 0.8, 120) low np.minimum(open_, close) - np.random.uniform(0.1, 0.8, 120) df pd.DataFrame({ date: dates, open: open_.round(2), high: high.round(2), low: low.round(2), close: close.round(2), volume: 0 }) df.to_csv(data/usdjpy_daily.csv, indexFalse, encodingutf-8-sig) print(df.head())运行顺序python make_sample_data.py python main.py预期输出包括一行“图表已保存”以及类似下面的汇总表日期 收盘价 涨跌幅 MA20 RSI14 ATR14 20日最高 20日最低 2024-06-14 155.32 0.45 154.80 52.30 1.25 156.10 153.20注意这里的 MA20、RSI、ATR 需要滚动窗口积累足够数据才会出现所以前 19 行可能没有 MA20 值这是正常现象。5.4 图表解读思路面板中四个子图分别是最上方K 线和 MA20、MA60、布林带用于观察价格趋势。第二排ATR 曲线用于观察波动放大或收窄。第三排RSI 曲线附带 70/30 参考线用于观察超买超卖状态。当 RSI 高于 70 同时 ATR 处于近期高位说明行情不仅上涨而且波动在加大。这通常意味着市场分歧明显消息面可能比较剧烈。但不代表一定会回调分析时要注意避免因果倒置。6. 进阶功能汇率区间预警与状态提示分析面板解决了“看”的问题但实际使用中我们更希望程序主动提示异常状态。比如价格突破 20 日区间时或者 RSI 进入超买超卖区时能输出告警信息。6.1 基于分位数的区间判断一个简单做法是计算最近 60 日的收盘价分位数观察当前价格处于历史什么位置。def price_position(df, window60): 当前价格在近 window 日中的百分位 df df.copy() recent_close df[close].rolling(window).apply( lambda x: (x.iloc[-1] - x.min()) / (x.max() - x.min()) * 100, rawFalse ) df[position] recent_close return dfposition越接近 100说明当前价格越接近区间高点越接近 0说明越接近区间低点。6.2 生成状态提醒结合 RSI、ATR 和价格分位可以生成一段可读性较高的状态文本def generate_alert(df): 生成简单的行情状态提醒 latest df.iloc[-1] rsi latest[rsi] atr latest[atr] pos latest[position] alerts [] if pd.notna(rsi): if rsi 70: alerts.append(RSI 高于 70短期超买信号) elif rsi 30: alerts.append(RSI 低于 30短期超卖信号) if pd.notna(atr): atr_ma df[atr].rolling(20).mean().iloc[-1] if pd.notna(atr_ma) and atr atr_ma * 1.2: alerts.append(ATR 明显放大市场波动正在增强) if pd.notna(pos): if pos 80: alerts.append(价格处于近期区间高位) elif pos 20: alerts.append(价格处于近期区间低位) return alerts这段逻辑并不是交易建议只是对状态的客观描述。实际项目中如果需要接入钉钉、企业微信、邮件通知可以把generate_alert返回的列表作为消息内容发送。6.3 定时运行本地学习阶段可以用 cronLinux/macOS或 Windows 计划任务每天定时运行main.py。例如 Linux 下每天 18:00 运行的 crontab 配置0 18 * * 1-5 cd /path/to/usdjpy_analysis /usr/bin/python3 main.py logs/run.log 21Windows 用户可以搜索“任务计划程序”创建基本任务后触发时间选择“每天”操作选择“启动程序”程序填python.exe路径参数填main.py起始于项目目录即可。7. 常见问题与排查思路7.1 yfinance 获取数据为空问题现象常见原因解决思路ticker.history()返回空 Dataframe网络无法访问境外接口切换到 akshare 或本地 CSV返回数据只有最近几天网络不稳定导致部分请求失败增加重试逻辑限制时间范围代码报 YFChartErrorYahoo 接口结构变化更新 yfinance 版本或改用其他接口建议在工具函数里加一层异常捕获和重试例如import time def fetch_with_retry(func, retries3, sleep_seconds2): for i in range(retries): try: return func() except Exception as e: print(f第 {i1} 次请求失败{e}) time.sleep(sleep_seconds) raise RuntimeError(数据获取失败请检查网络和数据源)7.2 pandas 日期索引相关报错错误信息通常是KeyError: date或DatetimeIndex相关类型问题。出现原因往往是 CSV 中日期列没有正确解析。比如日期格式为2024/01/05或者存在空行。解决方案分两步df[date] pd.to_datetime(df[date], errorscoerce) df df.dropna(subset[date]) df df.set_index(date)再加上sort_index()保证时间顺序统一。7.3 图表中文乱码matplotlib 默认字体中可能没有中文字体导致标题或图例显示为方框。解决方法是设置支持中文的字体plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, PingFang SC] plt.rcParams[axes.unicode_minus] False注意这一行需要在绘图之前执行。如果系统没有中文字体最简单的方式是图表中的标注尽量使用英文例如本文示例代码就主要使用英文标签。7.4 rolling 窗口前面的指标是 NaN这是正常的因为移动平均和动量类指标需要足够的历史数据。处理方式有两种绘图时用dropna()去掉无值行。写数据时保留 NaN方便后续分析。不要用fillna(0)粗暴填充否则会污染指标计算结果。7.5 数据源接口变化导致运行失败akshare 的接口更新比较频繁两个月前可用的函数名可能已经不适用。建议在代码里对接口调用做一层适配并且优先使用相对稳定的本地 CSV 存储机制。一个通用的做法是def get_historical_data(): # 1. 读本地缓存 # 2. 没过期直接返回 # 3. 过期则重新拉取并覆盖缓存 pass这样即使远程接口临时变动本地仍有可用数据。8. 最佳实践与工程建议8.1 数据获取与存储分离强烈建议把“数据获取”和“数据计算/绘图”拆开。一次拉取后保存到本地 CSV 或 SQLite后续分析脚本读本地文件。这样做有几个好处减少对公共接口的请求压力。避免接口临时故障影响分析流程。方便回测时使用固定历史数据集。如果数据量变大可以把 CSV 换成分区存储比如按年份建表data/ ├── usdjpy_2023.csv ├── usdjpy_2024.csv └── usdjpy_2025.csv8.2 指标计算使用统一函数入口把所有技术指标计算收敛到一个add_all_indicators()函数中而不是在 main 脚本里散落各种 rolling 和 shift。这样每次增加新指标时只需要修改一个函数也方便写单元测试。8.3 关于模板代码和命名规范日期列统一命名为date价格列统一为open/high/low/close/volume。指标列使用ma20、rsi、atr这类简写注释里写清全称和参数。文件输出统一放到output/不要和源码混在一起。写清日志方便知道脚本何时运行、是否成功。8.4 合规与免责声明金融数据看似公开但不同数据源有不同的使用条款。尤其是涉及商业用途时要注意确认数据授权范围。本文代码只用于个人学习和演示不对数据准确性作担保。如果你在正式项目中发布分析结果建议明确写出数据来源和更新时间。指标计算的参数。分析结论的局限性。不构成投资建议。8.5 关于预测类结论的边界分析面板展示的是历史统计状态而不是对未来走势的确定性预测。工程实践中最容易被质疑的就是“模型预测 XX 点位”。如果报表里要体现方向性判断务必给出置信区间和失效条件。对汇率这种受宏观数据、央行政策、地缘事件影响很大的品种短期内技术的指示作用通常弱于消息面。作为数据分析工程师更合适的做法是展示风险和波动状态辅助决策者关注可能的风险点。9. 总结与下一步学习路线通过本文的实战我们已经完成了一个完整的汇率分析面板。从数据获取、字段清洗到移动平均、RSI、ATR、布林带等指标计算再到四子图可视化最后还实现了简单的状态提醒。这套流程不只是针对 USD/JPY换成 EUR/USD、GBP/JPY 同样适用只需要调整数据代码和参数即可。如果你想把这套项目继续加深可以考虑以下几个方向第一接入更多数据源。除了 Yahoo Finance 和 akshare还可以尝试通过财经网站提供的公开 CSV 下载接口或者使用自己公司内部的合规数据服务。第二引入新闻情绪分析。汇率行情节点往往伴随重要经济数据发布或央行表态。你可以把当时的主要财经新闻标题抓下来做简单的关键词分类并与行情波动做对照。但这个方向需要注意内容版权和使用条款。第三学习时间序列建模。从移动平均、指数平滑再到 ARIMA、GARCH理解不同模型在波动率预测上的应用。需要注意的是模型输出都必须配验证不能拿着历史拟合结果当成未来预期。第四完善工程化。给项目添加日志、异常告警、数据库存储、Web 展示看板。把一次性脚本升级成可持续运行的监控服务是走向真实业务系统的重要一步。最后提醒一句技术分析工具是提升效率的手段不是预测市场的魔法棒。带着怀疑精神做回测用足够的样本验证结论比追求某个指标的“灵丹妙药”更重要。希望这篇文章能帮你迈出汇率数据分析的第一步。如果你在运行代码时遇到问题欢迎按文章里的排查顺序逐步定位也建议在自己的机器上把示例数据路径和网络环境先确认好再逐步替换成真实行情数据。