金融量化项目案例 -- 股票分析

博客地址：https://www.cnblogs.com/zylyehuo/

  • 股票分析
    • 使用tushare包获取某股票的历史行情数据。
    • 输出该股票所有收盘比开盘上涨3%以上的日期。
    • 输出该股票所有开盘比前日收盘跌幅超过2%的日期。

开发环境

  • anaconda
    • 集成环境：集成好了数据分析和机器学习中所需要的全部环境
    • 安装目录不可以有中文和特殊符号
  • jupyter
    • anaconda提供的一个基于浏览器的可视化开发工具

tushare财经数据接口包

!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tushare


import tushare as ts
import pandas as pd
from pandas import DataFrame,Series
import numpy as np

获取某只股票的历史行情数据

# code:字符串形式的股票代码
df = ts.get_k_data(code='600519',start='2000-01-01')
df

将互联网上获取的股票数据存储到本地

df.to_csv('./maotai.csv')  # 调用to_xxx方法将df中的数据写入到本地进行存储

将本地存储的数据读入到df

df = pd.read_csv('./maotai.csv')
df.head()

对读取出来的数据进行相关的处理

删除df中指定的一列

# 在 drop 函数中：axis=0 表示行  axis=1 表示列
# inplace=True 将操作直接应用到源数据中
df.drop(labels='Unnamed: 0',axis=1,inplace=True)

查看每一列的数据类型

# df['date'].dtype
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5289 entries, 0 to 5288
Data columns (total 7 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   date    5289 non-null   object 
 1   open    5289 non-null   float64
 2   close   5289 non-null   float64
 3   high    5289 non-null   float64
 4   low     5289 non-null   float64
 5   volume  5289 non-null   float64
 6   code    5289 non-null   int64  
dtypes: float64(5), int64(1), object(1)
memory usage: 289.4+ KB

将date列转为时间序列类型

df['date'] = pd.to_datetime(df['date'])
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5289 entries, 0 to 5288
Data columns (total 7 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   date    5289 non-null   datetime64[ns]
 1   open    5289 non-null   float64       
 2   close   5289 non-null   float64       
 3   high    5289 non-null   float64       
 4   low     5289 non-null   float64       
 5   volume  5289 non-null   float64       
 6   code    5289 non-null   int64         
dtypes: datetime64[ns](1), float64(5), int64(1)
memory usage: 289.4 KB

将date列作为源数据的行索引

df.set_index('date',inplace=True)
df.head()

输出该股票所有收盘比开盘上涨3%以上的日期

# 伪代码：（收盘-开盘）/开盘 > 0.03
(df['open'] - df['close']) / df['open'] > 0.03
​
# 在分析的过程中如果产生了boolean值则下一步马上将布尔值作为源数据的行索引
# 如果布尔值作为df的行索引，则可以取出true对应的行数据，忽略false对应的行数据
df.loc[(df['open'] - df['close']) / df['open'] > 0.03]  # 获取了True对应的行数据（满足需求的行数据）

df.loc[(df['open'] - df['close']) / df['open'] > 0.03].index  # df的行数据

DatetimeIndex(['2006-12-14', '2006-12-18', '2007-01-12', '2007-01-18',
               '2007-01-19', '2007-01-24', '2007-02-01', '2007-03-06',
               '2007-04-12', '2007-04-13',
               ...
               '2021-12-29', '2022-01-13', '2022-01-28', '2022-03-07',
               '2022-10-10', '2022-10-19', '2022-10-24', '2022-10-27',
               '2023-04-12', '2023-08-28'],
              dtype='datetime64[ns]', name='date', length=798, freq=None)

输出该股票所有开盘比前日收盘跌幅超过2%的日期

# 伪代码：(开盘-前日收盘)/前日收盘 < -0.02
(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02
# 将布尔值作为源数据的行索引取出True对应的行数据
# df['close'].shift(1) 将整列数据下移，用NaN补空
df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02]
​
df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02].index

DatetimeIndex(['2001-09-12', '2002-06-26', '2002-12-13', '2004-07-01',
               '2004-10-29', '2006-08-21', '2006-08-23', '2007-01-25',
               '2007-02-01', '2007-02-06', '2007-03-19', '2007-05-21',
               '2007-05-30', '2007-06-05', '2007-07-27', '2007-09-05',
               '2007-09-10', '2008-03-13', '2008-03-17', '2008-03-25',
               '2008-03-27', '2008-04-22', '2008-04-23', '2008-04-29',
               '2008-05-13', '2008-06-10', '2008-06-13', '2008-06-24',
               '2008-06-27', '2008-08-11', '2008-08-19', '2008-09-23',
               '2008-10-10', '2008-10-15', '2008-10-16', '2008-10-20',
               '2008-10-23', '2008-10-27', '2008-11-06', '2008-11-12',
               '2008-11-20', '2008-11-21', '2008-12-02', '2009-02-27',
               '2009-03-25', '2009-08-13', '2010-04-26', '2010-04-30',
               '2011-08-05', '2012-03-27', '2012-08-10', '2012-11-22',
               '2012-12-04', '2012-12-24', '2013-01-16', '2013-01-25',
               '2013-09-02', '2014-04-25', '2015-01-19', '2015-05-25',
               '2015-07-03', '2015-07-08', '2015-07-13', '2015-08-24',
               '2015-09-02', '2015-09-15', '2017-11-17', '2018-02-06',
               '2018-02-09', '2018-03-23', '2018-03-28', '2018-07-11',
               '2018-10-11', '2018-10-24', '2018-10-25', '2018-10-29',
               '2018-10-30', '2019-05-06', '2019-05-08', '2019-10-16',
               '2020-01-02', '2020-02-03'],
              dtype='datetime64[ns]', name='date', freq=None)

需求

============================================
假如我从2010年1月1日开始，每月第一个交易日买入一手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？
============================================
  • 分析：
    • 时间节点：2010-2020
    • 一手股票：100支股票
    • 买：
      • 一个完整的年需要买入1200支股票
    • 卖：
      • 一个完整的年需要卖出1200支股票
    • 买卖股票的单价：开盘价
new_df = df['2010-01':'2020-02']  # 必须得是时间序列才能这样切
new_df


new_df.head(2)

买股票

# 找每个月的第一个交易日对应的行数据（捕获到开盘价）==> 每月的第一行数据
# M：根据月份从原始数据中提取指定的数据
# 每月第一个交易日对应的行数据
df_monthly = new_df.resample('M').first()  # 数据的重新取样
df_monthly


# 买入股票花费的总金额
cost = df_monthly['open'].sum()*100
cost

2397463.1

卖股票

# 卖出股票到手的钱
# 特殊情况：2020年买入的股票卖不出去（要到每年最后一个交易日才能卖出所有股票）
new_df.resample('A').last()
# 将最后一行2020年的数据切出去
# A：根据年份从原始数据中提取指定的数据
df_yearly = new_df.resample('A').last()[:-1]
df_yearly


# 卖出股票到手的钱
resv = df_yearly['open'].sum()*1200
resv

2798833.1999999997

# 最后手中剩余的股票需要估量其价值计算到总收益中
# 使用昨天的收盘价作为剩余股票的单价
last_money = 200*new_df['close'][-1]
last_money

190237.2

# 计算总收益
resv+last_money-cost

591607.2999999998
posted @ 2023-10-01 09:21  zylyehuo  阅读(38)  评论(0)  编辑  收藏  举报