Python实战项目—金融量化分析（数据的简单预处理）

曾经终败给现在 2023-10-01 16:32 0阅读 0赞

实现需要导入的包：  
import tushare as ts  
import pandas as pd  
import matplotlib.pyplot as plt  
%matplotlib inline  
注：tushare,财经数据接口包

### 1.使用tushare包导入某只股票的历史数据 ###

我们不妨以同花顺这只股票为例（300033）  
df=ts.get\_k\_data(code=‘300033’,start=‘2000-01-01’,end=‘2022-01-21’)  
df  
其中，code是股票代码，start是开始时间，end是结束时间。如果不知道开始时间，可以设置一个比较早的时间。  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16][]  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 1][]  
运行结果如上，共计2916条数据。

接下来，我们可以把数据存储到文件中去，调用to\_xxx将数据写入文件中  
df.to\_csv(’./300033.csv’)  
然后重新导入文件：  
df=pd.read\_csv(’./300033.csv’)  
df  
运行后发现：  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 2][]  
多了一列，我们可以删除第一列的数据，删除方法常见的两种：  
**方法一：直接del df\[‘column-name’\]**  
**方法二：采用drop方法，有下面三种等价的表达式：**  
*1.df= df.drop(‘column\_name’, 1)*  
输入:df,drop(‘num’,axix=1),不改变内存，及输入df的时候，它还是显示原数据；  
*2.df.drop(‘column\_name’,axis=1, inplace=True)*  
输入:df.drop(‘num’,axix=1，inplace=True),改变内存，及输入df的时候，它显示改变后的数据；  
*3. df.drop(\[df.columns\[\[0,1, 3\]\]\], axis=1,inplace=True)*  
输入：df.drop(\[df.columns\[\[0,1\]\]\],axis=1,inpalce=True)  
总结：凡是会对原数组作出修改并返回一个新数组的，往往都有一个 inplace可选参数。如果手动设定为True（默认为False），那么原数组直接就被替换。也就是说，采用inplace=True之后，原数组名（如2和3情况所示）对应的内存值直接改变；而采用inplace=False之后，原数组名对应的内存值并不改变，需要将新的结果赋给一个新的数组或者覆盖原数组的内存位置（如1情况所示）。

**通过pandas删除列：  
1.del df\[‘columns’\] \#改变原始数据  
2.df.drop(‘columns’,axis=1)\#删除不改表原始数据，可以通过重新赋值的方式赋值该数据  
3.df.drop(‘columns’,axis=1,inplace=‘True’) \#改变原始数据**

言归正传，我们采用drop函数，这样我们就删除了第一行无用的数据。  
df=df.drop(labels=‘Unnamed: 0’,axis=1)\#drop中反过来，0表示行，1表示列，inplace=Ture表示将操作赋予到原数据中  
df  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 3][]  
使用to\_datetime将date列转化为时间序列：  
df\[‘date’\]=pd.to\_datetime(df\[‘date’\])  
df  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 4][]  
便于查看，我们把日期设置为索引序列：  
df=df.set\_index(‘date’)  
df  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 5][]

### 2.输出收盘比开盘涨超3%的日期 ###

date=df.loc\[(df\[‘close’\]-df\[‘open’\])/df\[‘open’\]>0.03\]\#获取True对应的行数据  
date  
在分析的过程中如果产生了布尔值，则下一步将布尔值作为源数据的行索引；如果布尔值作为原数据的行索引，则可以取出True对应的值，忽略False对应的值。  
接下来，将数据生成存储到文件中去。  
date.to\_csv(’./300033上涨3%的日期汇总.csv’)

### 3.输出开盘价比昨日收盘价跌幅超过2%的日期 ###

思考这样一个问题，昨日的收盘价怎么和开盘价放到一列？  
我们可以增加一列收盘价，并把收盘价下移一天：  
df\[‘yesterday\_close’\]=df\[‘close’\].shift(1)  
df  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 6][]  
date=df.loc\[(df\[‘open’\]-df\[‘yesterday\_close’\])/df\[‘yesterday\_close’\]<-0.02\]\#开盘价比起昨天收盘价跌幅超过2%  
date  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 7][]  
date.to\_csv(’./300033开盘比前日收盘价跌超2%的日期.csv’)

### 4.假如我从2010年1月1日起，每个月第一个交易日买入十手股票，每年最后一个交易日卖出，那么到昨天，我的收益是多少？ ###

首先我们要知道，一手股票是100股，一年总共买入12000股。  
我们首先计算成本价格：  
1.取出日期内的数据：  
new\_df=df\[‘2010-01-01’:‘2022-01-23’\]  
new\_df  
2.找出每月的第一个交易日：  
Month\_first=new\_df.resample(‘M’).first()  
3.计算总花费：  
cost=Month\_first\[‘open’\].sum()\*1000 \#花费的总价格  
接下来我们计算收益，要注意2022年的股票还没有卖出，需要估价，利用昨天的收盘价进行估价。  
Annual\_last=new\_df.resample(‘A’).last()\[:-1\]\#将2022年最后一行切出去  
计算收益：  
earn=Annual\_last\[‘open’\].sum()*12000+2000*new\_df\[‘close’\]\[-1\]  
print(earn-cost)  
![e91d6b61b23040ffb33353d37a52ca5f.png][]

### 5.绘制五日均线和三十日均线 ###

首先需要理解，什么是均线？  
对于每一个交易日，都可以计算前N天的移动平均值，然后把这些移动均值联系起来，成为一条线，叫做N日移动平均线，移动平均线常用有5天，10天，30天，60天，120天，240天的指标。  
均线计算方法：MA=(C1+C2+…+Cn)/n  
五日均线：  
MA5=df\[‘close’\].rolling(5).mean()  
MA30=df\[‘close’\].rolling(30).mean()  
pandas中提供了pandas.DataFrame.rolling这个函数来实现滑动窗口值计算，下面是这个函数的原型：  
DataFrame.rolling(window, min\_periods=None, center=False, win\_type=None, on=None, axis=0, closed=None)  
绘图如下：  
plt.plot(MA5)  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 8][]  
plt.plot(MA30)  
![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 9][]

[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/fe393d3aa0004371b692314fdf9418de.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 1]: https://img-blog.csdnimg.cn/758ff48f9b0a459fbdd3f060cd32ce27.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 2]: https://img-blog.csdnimg.cn/b2f4bbd274f24e8585aaecba9b34ec9d.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 3]: https://img-blog.csdnimg.cn/50823bf3040d4f40a33cc47223fe0650.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 4]: https://img-blog.csdnimg.cn/f81b1ee057f8428bbb3926b15b01918b.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 5]: https://img-blog.csdnimg.cn/88afba899a114530867c742e4cbebceb.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 6]: https://img-blog.csdnimg.cn/a20bc62f514445a9801520a8655711ef.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 7]: https://img-blog.csdnimg.cn/c682ec24362a4b0a803331c779c75aa3.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16
[e91d6b61b23040ffb33353d37a52ca5f.png]: https://img-blog.csdnimg.cn/e91d6b61b23040ffb33353d37a52ca5f.png
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 8]: https://img-blog.csdnimg.cn/7a0b01426ef14f009b0a0d0e273d2b5d.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5peF6YCU5Lit55qE5a69fg_size_20_color_FFFFFF_t_70_g_se_x_16 9]: https://img-blog.csdnimg.cn/51634bea00f44665854620681ea0431b.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5peF6YCU5Lit55qE5a69fg==,size_20,color_FFFFFF,t_70,g_se,x_16