Python3
Jupyter Notebook
使用tushare包的get_k_data()函数来获取交易数据，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 npimport 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']=Falseimport 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
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: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)
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()
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)结果如下表所示：
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()
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)#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()
日收益率可视化#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()
###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()
分析多只指数#分析下常见的几个指数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']#stock_index.head()#计算这些指数每日涨跌幅tech_rets = stock_index.pct_change()[1:]#tech_rets.head()#收益率描述性统计tech_rets.describe()#结果不在此报告#均值其实都大于0tech_rets.mean()*100 #转换为%对上述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)
#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())
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)
收益率与风险#构建一个计算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'))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()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()
蒙特卡洛模拟分析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()#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)-0.0264968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#模拟次数runs = 10000start_price = 2641.34 #今日收盘价days = 252mu=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')Text(0.5,1,'经过 252 天后上证指数模拟价格分布图')
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走势的假定来进行蒙特卡洛模拟。import numpy as npfrom time import timenp.random.seed(2018)t0=time()S0=2641.34T=1.0; r=0.05; sigma=rets.std()M=50;dt=T/M; I=250000S=np.zeros((M+1,I))S[0]=S0for 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])/Itnp1=time()-t0print('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)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%matplotlib inlineimport matplotlib.pyplot as pltplt.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()
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')Text(0.5,1,'上证指数蒙特卡洛模拟')
本教程是使用python3.6版本写的，不同版本代码可能不相兼容。
本教程涉及到Python中的tushare、pandas、numpy、seaborn和matplotlib包，需要提前安装。
Python安装新的包（库）可以通过win+R进入cmd模式，输入pip install xxx，如pip install tushare。