手把手教你Python股票分析

发布时间：2024-12-18 16:07

《股票作手回忆录》：股票交易的心理学分析 #生活技巧# #个人理财技巧# #理财经经书籍#

微信公众号：Python金融量化
关注可了解更多的金融与Python干货。
若对你有帮助，请点赞Thanks♪(･ω･)ﾉ

前言

目前，获取股票数据的渠道有很多，而且基本上是免费的，比如，行情软件有同花顺、东方财富等，门户网站有新浪财经、腾讯财经、和讯网等。Python也有不少免费的开源api可以获取交易行情数据，如pandas自带的库，tushare和baostock等。由于pandas库不再支持yahoo数据库后变得很不好用，而baostock最早记录的数据是2006年，因此本文主要讲讲如何使用tushare获取股票交易数据和可视化分析，tushare基本上记录了股票自上市之日起所有的日交易数据，是目前分析国内A股（还支持其他非股票行情数据，如期货）比较好用的开源接口。

阅读本文之前，建议学习或回顾下【手把手教你】系列文章，熟悉掌握pandas、tushare、numpy和matplotlib等包的用法，不然后面代码阅读起来可能比较吃力。

获取股票数据

使用tushare包的get_k_data()函数来获取股票交易数据，具体可以通过命令help(ts.get_k_data)了解函数和参数含义。

#先引入后面可能用到的包（package） import pandas as pd import numpy as np import matplotlib.pyplot as plt #正常显示画图时出现的中文 from pylab import mpl #这里使用微软雅黑字体 mpl.rcParams['font.sans-serif']=['SimHei'] #画图时显示负号 mpl.rcParams['axes.unicode_minus']=False import seaborn as sns #画图用的 import tushare as ts #Jupyter Notebook特有的magic命令 #直接在行内显示图形 %matplotlib inline 123456789101112131415

小试牛刀：获取上证指数自发布以来的数据

sh=ts.get_k_data(code='sh',ktype='D', autype='qfq', start='1990-12-20') #code:股票代码，个股主要使用代码，如‘600000’ #ktype:'D':日数据；‘m’：月数据，‘Y’:年数据 #autype:复权选择，默认‘qfq’前复权 #start：起始时间 #end：默认当前时间 #查看下数据前5行 sh.head(5) 123456789

能看到的第一列是索引，对于pandas的数据结构，最后将索引设置为时间序列，方便后面可视化分析。

#将数据列表中的第0列'date'设置为索引 sh.index=pd.to_datetime(sh.date) #画出上证指数收盘价的走势 sh['close'].plot(figsize=(12,6)) plt.title('上证指数1990-2018年走势图') plt.xlabel('日期') plt.show() 1234567

上面的指数走势图还是可以清晰看出，股指分别在2007年和2015年有两波大牛市，然后又从高峰跌入谷底，目前处于下跌通道。真是辛辛苦苦28年，一夜回到解放前o(╥﹏╥)o

描述性统计

#pandas的describe()函数提供了数据的描述性统计 #count:数据样本，mean:均值，std:标准差 sh.describe().round(2) 123

结果如下表所示：

openclosehighlowvolumecount6645.006645.006645.006645.006.645000e+03mean1936.271937.521954.791916.327.017764e+07std1078.131079.511089.421065.401.018642e+08min105.50105.50105.50105.501.000000e+0125%1174.771174.801185.981162.315.103069e+0650%1744.041741.621755.691725.162.047380e+0775%2743.162744.072773.282712.301.086010e+08max6057.436092.066124.046040.718.571328e+08

从上述结果可以看出，上证指数从1990年12月20日至2018年11月7日（最后交易日是当前运行时间），一共有6645个样本，均值为1937.52点，标准差为1079.51点（波动还是比较大的），最大值是6092.06点。

#再查看下每日成交量 #2006年市场容量小，交易量比较小，我们从2007年开始看 sh.loc["2007-01-01":]["volume"].plot(figsize=(12,6)) plt.title('上证指数2007-2018年日成交量图') plt.xlabel('日期') plt.show() 123456

上图的成交量反映了一个有趣的现象，2014-2015年的大牛市很可能是天量的交易推动起来的，因为这期间实体经济并不景气，央行多次降息降准，货币宽松，资金流入股市，银行理财等影子银行在这期间疯狂扩张，场外加杠杆和配资主导了这一场牛市。感兴趣的朋友可以结合货币供给、实体经济指标、影子银行等数据一起分析，进行交叉验证。

均线分析

#这里的平均线是通过自定义函数，手动设置20,52,252日均线 #移动平均线： ma_day = [20,52,252] for ma in ma_day: column_name = "%s日均线" %(str(ma)) sh[column_name] =sh["close"].rolling(ma).mean() #sh.tail(3) 12345678

#画出2010年以来收盘价和均线图 sh.loc['2010-10-8':][["close", "20日均线","52日均线","252日均线"]].plot(figsize=(12,6)) plt.title('2010-2018上证指数走势图') plt.xlabel('日期') plt.show() 123456

上证指数的收益率和波动率

#2005年之前的数据噪音太大，主要分析2005年之后的 sh["日收益率"] = sh["close"].pct_change() sh["日收益率"].loc['2005-01-01':].plot(figsize=(12,4)) plt.xlabel('日期') plt.ylabel('收益率') plt.title('2005-2018年上证指数日收益率') plt.show() 1234567

###这里我们改变一下线条的类型 #(linestyle)以及加一些标记(marker) sh["日收益率"].loc['2014-01-01':].plot(figsize= (12,4),linestyle="--",marker="o",color="g") plt.title('2014-2018年日收益率图') plt.xlabel('日期') plt.show() 1234567

多个股票指数（或者个股）情况

#分析下常见的几个股票指数 stocks={'上证指数':'sh','深证指数':'sz','沪深300':'hs300', '上证50':'sz50','中小板指':'zxb','创业板':'cyb'} stock_index=pd.DataFrame() for stock in stocks.values(): stock_index[stock]=ts.get_k_data(stock,ktype='D', autype='qfq', start='2005-01-01')['close'] 1234567

#stock_index.head() 1'

#计算这些股票指数每日涨跌幅 tech_rets = stock_index.pct_change()[1:] #tech_rets.head() 123

#收益率描述性统计 tech_rets.describe() #结果不在此报告 123

#均值其实都大于0 tech_rets.mean()*100 #转换为% 12

对上述股票指数之间的相关性进行可视化分析：

#jointplot这个函数可以画出两个指数的”相关性系数“，或者说皮尔森相关系数 sns.jointplot('sh','sz',data=tech_rets) 123

#成对的比较不同数据集之间的相关性，而对角线则会显示该数据集的直方图 sns.pairplot(tech_rets.iloc[:,3:].dropna()) 12

returns_fig = sns.PairGrid(tech_rets.iloc[:,3:].dropna()) ###右上角画散点图 returns_fig.map_upper(plt.scatter,color="purple") ###左下角画核密度图 returns_fig.map_lower(sns.kdeplot,cmap="cool_d") ###对角线的直方图 returns_fig.map_diag(plt.hist,bins=30) 1234567

收益率与风险

金融分析上常常使用均值和标准分别刻画股票指数的收益率和风险（波动率）。

#构建一个计算股票收益率和标准差的函数 #默认起始时间为'2005-01-01' def return_risk(stocks,startdate='2005-01-01'): close=pd.DataFrame() for stock in stocks.values(): close[stock]=ts.get_k_data(stock,ktype='D', autype='qfq', start=startdate)['close'] tech_rets = close.pct_change()[1:] rets = tech_rets.dropna() ret_mean=rets.mean()*100 ret_std=rets.std()*100 return ret_mean,ret_std #画图函数 def plot_return_risk(): ret,vol=return_risk(stocks) color=np.array([ 0.18, 0.96, 0.75, 0.3, 0.9,0.5]) plt.scatter(ret, vol, marker = 'o', c=color,s = 500,cmap=plt.get_cmap('Spectral')) plt.xlabel("日收益率均值%") plt.ylabel("标准差%") for label,x,y in zip(stocks.keys(),ret,vol): plt.annotate(label,xy = (x,y),xytext = (20,20), textcoords = "offset points", ha = "right",va = "bottom", bbox = dict(boxstyle = 'round,pad=0.5', fc = 'yellow', alpha = 0.5), arrowprops = dict(arrowstyle = "->", connectionstyle = "arc3,rad=0"))

1234567891011121314151617181920212223242526272829'

stocks={'上证指数':'sh','深证指数':'sz','沪深300':'hs300', '上证50':'sz50','中小板指数':'zxb','创业板指数':'cyb'} plot_return_risk() 123

stocks={'中国平安':'601318','格力电器':'000651', '招商银行':'600036','恒生电子':'600570', '中信证券':'600030','贵州茅台':'600519'} startdate='2018-01-01' plot_return_risk() 12345

蒙特卡洛模拟分析

蒙特卡洛模拟是一种统计学方法，用来模拟数据的演变趋势。蒙特卡洛模拟是在二战期间，当时在原子弹研制的项目中，为了模拟裂变物质的中子随机扩散现象，由美国数学家冯·诺伊曼和乌拉姆等发明的一种统计方法。之所以起名叫蒙特卡洛模拟，是因为蒙特卡洛在是欧洲袖珍国家摩纳哥一个城市，这个城市在当时是非常著名的一个赌城。因为赌博的本质是算概率，而蒙特卡洛模拟正是以概率为基础的一种方法，所以用赌城的名字为这种方法命名。蒙特卡洛模拟每次输入都随机选择输入值，通过大量的模拟次数，最终得出一个累计概率分布图。

df=ts.get_k_data('sh',ktype='D', autype='qfq', start='2005-01-01') df.index=pd.to_datetime(df.date) tech_rets = df.close.pct_change()[1:] rets = tech_rets.dropna() #rets.head() 12345

#下面的结果说明，我们95%的置信，一天我们不会损失超过0.0264... rets.quantile(0.05) 12

-0.026496813699825043 1

构建蒙特卡洛模拟函数：

def monte_carlo(start_price,days,mu,sigma): dt=1/days price = np.zeros(days) price[0] = start_price shock = np.zeros(days) drift = np.zeros(days) for x in range(1,days): shock[x] = np.random.normal(loc=mu * dt, scale=sigma * np.sqrt(dt)) drift[x] = mu * dt price[x] = price[x-1] + (price[x-1] * (drift[x] + shock[x])) return price 123456789101112131415'

#模拟次数 runs = 10000 start_price = 2641.34 #今日收盘价 days = 252 mu=rets.mean() sigma=rets.std() simulations = np.zeros(runs) for run in range(runs): simulations[run] = monte_carlo(start_price, days,mu,sigma)[days-1] q = np.percentile(simulations,1) plt.figure(figsize=(8,6)) plt.hist(simulations,bins=50,color='grey') plt.figtext(0.6,0.8,s="初始价格: %.2f" % start_price) plt.figtext(0.6,0.7,"预期价格均值: %.2f" %simulations.mean()) plt.figtext(0.15,0.6,"q(0.99: %.2f)" %q) plt.axvline(x=q,linewidth=6,color="r") plt.title("经过 %s 天后上证指数模拟价格分布图" %days,weight="bold")

12345678910111213141516171819

Text(0.5,1,'经过 252 天后上证指数模拟价格分布图') 1

实际上蒙特卡洛模拟在期权定价里面还是很有用的。我们借用期权定价里对未来股票走势的假定来进行蒙特卡洛模拟。

import numpy as np from time import time np.random.seed(2018) t0=time() S0=2641.34 T=1.0; r=0.05; sigma=rets.std() M=50; dt=T/M; I=250000 S=np.zeros((M+1,I)) S[0]=S0 for t in range(1,M+1): z=np.random.standard_normal(I) S[t]=S[t-1]*np.exp((r-0.5*sigma**2)*dt+sigma*np.sqrt(dt)*z) s_m=np.sum(S[-1])/I tnp1=time()-t0 print('经过250000次模拟，得出1年以后上证指数的预期平均收盘价为：%.2f'%s_m)

12345678910111213141516171819

经过250000次模拟，得出1年以后上证指数的预期平均收盘价为：2776.85 1

%matplotlib inline import matplotlib.pyplot as plt plt.figure(figsize=(10,6)) plt.plot(S[:,:10]) plt.grid(True) plt.title('上证指数蒙特卡洛模拟其中10条模拟路径图') plt.xlabel('时间') plt.ylabel('指数') plt.show() 123456789

plt.figure(figsize=(10,6)) plt.hist(S[-1], bins=120) plt.grid(True) plt.xlabel('指数水平') plt.ylabel('频率') plt.title('上证指数蒙特卡洛模拟') 123456

Text(0.5,1,'上证指数蒙特卡洛模拟') 1

关于CuteHand

能告诉你每天星座运势，查天气、附近酒店、股票行情，讲笑话、小故事，聊天互动聊天，不定期分享原创经济金融干货，手把手教你使用Python做金融数据分析。分享知识，点亮智慧，欢迎关注CuteHand，一起学习，一起进步!

精彩回顾

Python金融数据分析系列：

【手把手教你】Python金融财务分析
【手把手教你】Python获取财经数据和可视化分析
【手把手教你】玩转Python量化金融工具之NumPy
【手把手教你】玩转Python金融量化利器之Pandas

经济金融分析框架与思维：
大势观澜与研判逻辑
经济危机–明斯基时刻
共克时艰，你做好准备了吗？

网址：手把手教你Python股票分析 https://www.yuejiaxmz.com/news/view/509459

上一篇: 税前工资3700税后是多少啊？薪

下一篇: MySQL 8.0.16 告别m