import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import akshare as ak
from datetime import datetime

def get_stock_data(stock_code, start_date, end_date):
    """
    使用akshare获取股票历史数据
    
    参数:
    stock_code: 股票代码，例如 'SH600519'（贵州茅台）或 'sz000001'（平安银行）
    start_date: 开始日期，格式 'YYYY-MM-DD'
    end_date: 结束日期，格式 'YYYY-MM-DD'
    
    返回:
    包含股票历史数据的DataFrame
    """
    try:
        # 转换日期格式为akshare要求的格式
        start_date_ak = start_date.replace('-', '')
        end_date_ak = end_date.replace('-', '')
        
        # 转换股票代码格式为akshare要求的格式
        if stock_code.startswith('SH'):
            stock_code_ak = f'sh{stock_code[2:]}'
        elif stock_code.startswith('SZ'):
            stock_code_ak = f'sz{stock_code[2:]}'
        else:
            # 假设已经是正确格式
            stock_code_ak = stock_code
        
        # 使用akshare获取股票数据
        stock_df = ak.stock_zh_a_hist(symbol=stock_code_ak[2:], period="daily", 
                                     start_date=start_date_ak, end_date=end_date_ak)
        
        stock_df['日期'] = pd.to_datetime(stock_df['日期'])
        stock_df.set_index('日期', inplace=True)
        return stock_df
    except Exception as e:
        print(f"获取数据失败: {e}")
        return None

def calculate_technical_indicators(df):
    """
    计算常用技术指标
    
    参数:
    df: 包含股票数据的DataFrame
    
    返回:
    包含计算后指标的DataFrame
    """
    # 计算均线
    df['MA5'] = df['收盘'].rolling(window=5).mean()  # 5日均线
    df['MA10'] = df['收盘'].rolling(window=10).mean()  # 10日均线
    df['MA20'] = df['收盘'].rolling(window=20).mean()  # 20日均线
    df['MA60'] = df['收盘'].rolling(window=60).mean()  # 60日均线
    
    # 计算RSI指标
    def calculate_rsi(data, period=14):
        delta = data['收盘'].diff(1)
        gain = delta.where(delta > 0, 0)
        loss = -delta.where(delta < 0, 0)
        
        avg_gain = gain.rolling(window=period).mean()
        avg_loss = loss.rolling(window=period).mean()
        
        rs = avg_gain / avg_loss
        rsi = 100 - (100 / (1 + rs))
        return rsi
    
    df['RSI14'] = calculate_rsi(df, period=14)
    
    # 计算股价变化标准差（20日窗口）
    df['收盘价标准差'] = df['收盘'].rolling(window=20).std()
    
    # 计算日收益率
    df['日收益率'] = df['收盘'].pct_change()
    
    return df

def plot_stock_analysis(df, stock_code):
    """
    绘制股票分析图表
    
    参数:
    df: 包含股票数据和指标的DataFrame
    stock_code: 股票代码
    """
    # 设置中文显示
    plt.rcParams['font.family'] = ['SimHei', 'Microsoft YaHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    # 创建一个包含4个子图的画布
    fig, (ax1, ax2, ax3, ax4) = plt.subplots(4, 1, figsize=(14, 16), sharex=True)
    
    # 1. 绘制股价和均线
    ax1.plot(df.index, df['收盘'], label='收盘价', linewidth=1.5, color='black')
    ax1.plot(df.index, df['MA5'], label='MA5', linewidth=1.2, color='blue')
    ax1.plot(df.index, df['MA10'], label='MA10', linewidth=1.2, color='green')
    ax1.plot(df.index, df['MA20'], label='MA20', linewidth=1.2, color='orange')
    ax1.plot(df.index, df['MA60'], label='MA60', linewidth=1.2, color='red')
    ax1.set_title(f'{stock_code} 股价与均线走势')
    ax1.set_ylabel('价格 (元)')
    ax1.legend()
    ax1.grid(True, linestyle='--', alpha=0.7)
    
    # 2. 绘制成交量
    ax2.bar(df.index, df['成交量'], label='成交量', color='purple', alpha=0.6)
    ax2.set_title('成交量')
    ax2.set_ylabel('成交量')
    ax2.grid(True, linestyle='--', alpha=0.7)
    
    # 3. 绘制RSI
    ax3.plot(df.index, df['RSI14'], label='RSI14', linewidth=1.2, color='brown')
    ax3.axhline(y=70, color='red', linestyle='--', alpha=0.7, label='超买线')
    ax3.axhline(y=30, color='green', linestyle='--', alpha=0.7, label='超卖线')
    ax3.set_title('RSI指标')
    ax3.set_ylabel('RSI值')
    ax3.legend()
    ax3.grid(True, linestyle='--', alpha=0.7)
    
    # 4. 绘制收盘价标准差
    ax4.plot(df.index, df['收盘价标准差'], label='收盘价标准差', linewidth=1.2, color='teal')
    ax4.set_title('股价变化标准差')
    ax4.set_ylabel('标准差')
    ax4.set_xlabel('日期')
    ax4.legend()
    ax4.grid(True, linestyle='--', alpha=0.7)
    
    # 调整布局
    plt.tight_layout()
    plt.subplots_adjust(hspace=0.4)
    
    # 显示图表
    plt.show()

if __name__ == "__main__":
    # 设置参数
    stock_code = "SH600938"  # 中国工商银行
    start_date = "2025-01-01"
    end_date = datetime.now().strftime("%Y-%m-%d")
    
    print(f"正在获取 {stock_code} 从 {start_date} 到 {end_date} 的数据...")
    
    # 获取数据
    stock_data = get_stock_data(stock_code, start_date, end_date)
    
    if stock_data is not None and not stock_data.empty:
        print(f"成功获取 {len(stock_data)} 条数据")
        
        # 计算指标
        print("正在计算技术指标...")
        stock_data_with_indicators = calculate_technical_indicators(stock_data)
        
        # 显示数据预览
        print("\n数据预览:")
        print(stock_data_with_indicators.tail())
        
        # 绘图
        print("\n正在绘制图表...")
        plot_stock_analysis(stock_data_with_indicators, stock_code)
    else:
        print("获取数据失败，请检查股票代码和网络连接")

股票数据分析程序总结

程序功能

本程序实现了股票数据的获取、技术指标计算和可视化分析功能，主要包括：

1. 数据获取：使用akshare库获取指定股票的历史日线数据
2. 指标计算：使用pandas计算多种常用技术指标
3. 可视化分析：通过matplotlib绘制直观的分析图表

技术实现

1. 数据获取 (get_stock_data函数)

• 使用akshare库获取A股股票历史数据
• 支持自动转换股票代码格式（如’SH600938’转换为’sh600938’）
• 支持自动转换日期格式（如’2024-01-01’转换为’20240101’）

2. 指标计算 (calculate_technical_indicators函数)

• 均线指标：计算5日、10日、20日和60日均线
• RSI指标：计算14日相对强弱指标
• 成交量：直接从原始数据获取
• 股价变化标准差：计算20日窗口的收盘价标准差
• 日收益率：用于风险分析参考

3. 可视化分析 (plot_stock_analysis函数)

• 绘制4个子图的综合分析图表：
• 股价与多周期均线对比图
• 成交量柱状图
• RSI指标图（含超买超卖线）
• 股价变化标准差图
• 支持中文显示，确保图表可读性
• 提供网格线、图例等辅助元素

使用方法

1. 确保安装了必要的库：pandas、numpy、matplotlib、akshare
2. 修改stock_code、start_date参数可查看不同股票和时间段的数据
3. 运行程序后会自动执行数据获取、指标计算和图表绘制

优势

• 无需注册账户即可使用（避免了tqcenter需要登录的问题）
• 代码简洁易懂，便于修改和扩展
• 支持多种常用技术指标，满足基本分析需求
• 图表直观清晰，便于理解股票走势和指标变化

该程序适合股票投资者和分析师进行基本的技术分析，也可作为学习金融数据处理和可视化的参考示例。

自动还款成功！您的信用卡4740，人民币元账户于2025年12月27日自动还款RMB7415.88元，账单已结清。【中国银行】

Active Windows 10 家庭版

Windows PowerShell
版权所有 (C) Microsoft Corporation。保留所有权利。

尝试新的跨平台 PowerShell https://aka.ms/pscore6

PS C:\Users\czliu> irm https://get.activated.win | iex
————————————– —————–
Need help? Check our homepage: https://massgrave.dev

Result

PS C:\Users\czliu>
Checking OS Info [Windows 10 家庭版 | 19043.928 | AMD64]
Checking Internet Connection [Connected]
Initiating Diagnostic Tests…
Checking WPA Registry Count [5]

Installing Generic Product Key [LIU-YTMG3-N6DKC-DKB77-7M9GH-8HVX7] [Successful]
Generating GenuineTicket.xml [Successful]
Done.
Converted license Microsoft.Windows.101.X19-98868_8wekyb3d8bbwe and stored at C:\ProgramData\Microsoft\Windows\ClipSvc\Install\Migration\6bbb87ed-3a1a-4688-9d8a-3282103f441a.xml.
Successfully converted 1 licenses from genuine authorization tickets on disk.
Done.

Activating…

Windows 10 家庭版 is permanently activated with a digital license.

Press any key to Go back…

根据您提供的日志文件内容，这份名为“access.log-2025122521-可疑访问.txt”的文件记录了针对域名 192.168.31.189/ 的一系列访问请求，主要特征为“超长URL”，且多数请求来自内网IP 192.168.1.29。以下是基于日志内容的详细总结：

一、 总体情况‌

时间范围‌：日志记录的时间跨度为2025年12月23日至12月25日。
目标主机‌：所有请求均指向 192.168.31.189/，这是一个基于WordPress搭建的网站（从/wp-admin/路径可推断）。
主要特征‌：绝大多数请求被标记为“超长URL”，涉及对WordPress REST API端点的复杂查询。
请求来源‌：主要来自IP地址 192.168.1.29（内网地址），另有一条记录来自 127.0.0.1（本地回环地址）。

二、 请求模式分析‌
日志中的请求呈现出高度规律性，主要分为两个批次，均围绕 /burst/v1/data/ 下的数据分析API端点进行：

第一批请求（2025-12-23 04:57:44）‌：

针对日期范围 2025-12-16 至 2025-12-22（date_range=last-7-days）。
使用了固定的 nonce=e61dd62337。
连续访问了多个数据端点，包括：
/insights：获取核心洞察数据（访客数、页面浏览量）。
/compare：进行数据对比。
/datatable：获取数据表格，分别按referrer（引荐来源）和page_url（页面URL）分组统计。
/devicesTitleAndValue 与 /devicesSubtitle：获取设备相关数据。
所有请求均返回HTTP状态码 200（成功）。

第二批请求（2025-12-25 07:06:00）‌：

针对更新的日期范围 2025-12-18 至 2025-12-24（date_range=last-7-days）。
使用了新的 nonce=d8b8d3d049。
访问的端点与第一批类似，包括/insights、/compare、/devicesTitleAndValue、/devicesSubtitle以及两个/datatable请求（分别按referrer和page_url分组，但查询的指标metrics更为丰富，如增加了bounce_rate跳出率、conversions转化等）。
所有请求同样返回HTTP状态码 200。

其他请求‌：

在2025-12-23 06:11:58，有一条来自 127.0.0.1 的对 /wp-admin/load-styles.php 的请求，用于加载WordPress管理后台的样式文件，属于正常的管理行为。

三、 关键发现与评估‌

行为性质‌：日志中记录的请求模式，非常类似于‌网站数据分析插件（插件名可能为“Burst Statistics”或类似）在后台自动拉取统计报表数据的行为‌。/burst/v1/data/ 这一路径暗示了其与统计分析功能的相关性。
“可疑”点分析‌：文件标题中的“可疑访问”可能源于以下几点：
高频与规律性‌：在极短时间内（同秒内）发起多个复杂API请求。
内网来源‌：主要请求来自内网IP (192.168.1.29)，可能代表内部管理员的主动查询，也可能是服务器本地脚本或服务的调用。
超长URL‌：参数极其冗长，包含了大量的空值或默认值过滤器（filters参数中大量键值为空字符串），这是此类统计API查询的典型特征，但可能被简单的日志监控规则标记为异常。
安全状态‌：所有记录的请求均返回 200 状态码，‌未发现明显的攻击payload（如SQL注入、路径遍历、命令执行等常见攻击特征）‌。这些请求更像是授权用户或服务在正常使用网站的数据统计功能。

四、 总结建议‌
综上所述，该日志文件所记录的“可疑访问”‌极大概率是网站内部数据分析功能的正常操作‌，而非外部攻击行为。建议：

确认来源‌：核实IP 192.168.1.29 是否为授权的管理员或内部服务器地址。
检查插件‌：登录WordPress后台，确认是否安装了名为“Burst”或功能类似的统计插件，并检查其数据查询日志或设置。
调整监控规则‌：考虑优化日志告警规则，将此类来自可信内网IP、访问特定统计API路径且参数规范的请求加入白名单或降低告警级别，以避免误报。

如果您需要针对其中某一次具体的请求进行深入分析，可以提供更详细的要求。