用python来分析一波股票

原创

mb5fed6ec4336ce 2021-01-05 08:45:03 ©著作权

文章标签 python 文章分类 Python 后端开发

©著作权归作者所有：来自51CTO博客作者mb5fed6ec4336ce的原创作品，请联系作者获取转载授权，否则将追究法律责任

用python来分析一波股票

李子文日常学python
Python是一门广泛在各个行业应用的语言，包括计算机，生物学，金融。可以说，python除了不会生孩子，其他啥都行。本文将使用python来玩转股票数据，让你见识Python的强大。

所使用的工具

python3.6
Juypter notebook（交互式IDE，推荐使用）
numpy，pandas用于数据分析
matplotlib，seaborn用于数据可视化
pandas_datareader用于获取股票数据

数据获取

我们可以从pandas_datareader获取股票数据。首先需要安装这个库


pip install pandas
pip install pandas-datareader

然后就可以访问数据了


from pandas_datareader.data import DataReader
datas = DataReader(name='BABA', data_source='yahoo', start='2015-01-01', end='2018-01-01')

由于数据是从雅虎财经获取不稳定，这里我就先把本次实验所用到的数据下载了下来放在百度网盘，大家有需要的可以进行下载（链接: https://pan.baidu.com/s/1czzR03vuX0-O2lmMJT2otw 密码: 5jxj）

在这里，我首先把数据存为了csv文件，让我们首先看看阿里巴巴前几年的股票数据吧。


import pandas as pd 
file = 'BABA.csv'   #csv文件
index = 'Date'      #将日期作为索引列
alibaba = pd.read_csv(file, index_col=index)    #读取csv文件数据

然后我们简单的查看一下阿里巴巴的股票数据


alibaba.head(n = 5)  #查看前5行数据

下面是股票数据的前5行，我们可以看到每天的开盘价，收盘价，最高值，最低值，成交量等。股票数据.png

然后再查看一下这些数据的描述，获取对数据的直观感受。


alibaba.describe()

这是对数据的统计量的一些分析，可以看到总共有789行数据，最高值和最低值相差不大。

历史趋势分析

在分析之前，我们先导入所需要的Python科学计算库。


# 数据分析
import numpy as np
import pandas as pd
from pandas import Series, DataFrame

# 可视化
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

我们首先分析股票的闭盘价的总体趋势。


alibaba['Adj Close'].plot(legend = True)
plt.title('Alibaba Adj Close')
plt.ylim([50,200])
plt.xlabel('Date')
plt.ylabel('Price')

可以看到，虽然中间也有小小的波动，闭盘价总体趋势是上升的，这表明阿里巴巴的市值一直在上升。

然后我们了解一下每天阿里巴巴股票的日收益率，毕竟，在股市赚钱，主要靠的就是低买高卖得到的收益。


size = (10,8)
alibaba['daily-return'].plot(figsize = size,linestyle = '--',marker = 'o') #折线图，原点表示最大最小点
plt.title('Alibaba daily return')
plt.xlabel('Date')
plt.ylabel('daily return rate')

每天的收益率不是稳定的，证明股市有风险，需要谨慎对待。

实用小知识：pct_change()函数将每个元素与其前一个元素进行比较，并计算变化百分比。默认情况下，pct_change()对列进行操作; 如果想应用到行上，那么可使用axis = 1参数。

我们再使用密度图和直方图查看一下日收益率的总体情况。


data = alibaba['daily-return'].dropna() #清除异常值
bins = 50 #分为50个区间
#在同一张图上画出分布直方图和密度图
sns.distplot(data, bins  = bins, color = 'red',hist = True, kde = True) 
plt.title('Alibaba daily return distribution')
plt.xlabel('daily-return')
plt.ylabel('probablity')
plt.xlim([-0.05,0.1])

从图中我们可以看出，总体收益率基本稳定在0左右，盈或者损是对称的。

风险分析

在风险分析里，我们对比几家互联网行业的大公司，看看它们的股票有什么差异，这里我选的5家公司是苹果，谷歌，亚马逊，微软，Facebook，时间是2015年到2017年。（大家也可以从前面的百度网盘里面的链接获取哦。）

读取top5.csv文件获取数据，按时间进行排序，并进行查看。


file = "top5.csv"
index = 'Date'
top_tech_df = pd.read_csv(file，index_col = index)  #读取数据
top_tech_df=top_tech_df.sort_index()    #按索引，也就是时间排序
top_tech_df.head(n = 5)

这里的数据指的是股票的闭盘价，这是前5条数据。

首先综合比对一下这5家公司，看看谁更厉害。


top_tech_df.plot(kind = 'line')      #折线图
plt.title('five company adj close picture')
plt.xlabel('Date')
plt.ylabel('price')
plt.legend()     #添加图例

可以看到谷歌和亚马逊，闭盘价始终高于其他三家公司，而这两家也是貌似有点关系，你升我也升，你降我也降。

上面图中看到其他三家貌似是平稳发展的，其实由于图的比例太大，导致相对平缓，真实的情况其实是此起彼伏，也有很大波动，下面查看一下。


another_company = ['AAPL','FB','MSFT']
top_tech_df[another_company].plot()
plt.title('another company adj close picture')
plt.xlabel('Date')
plt.ylabel('price')
plt.legend()

从上面了解到谷歌和亚马逊的闭盘价变化有着某种相似性，我们再来看看它们的日收益率之间的关系。


#使用pct_change()获得日收益率
top_tech_dr = top_tech_df.pct_change()
sns.jointplot("AMZN",'FB',top_tech_dr,kind='scatter',color = 'red',size=8)
plt.title('joint with AMZN and FB')

谷歌和亚马逊的收益率也好像是正相关的，这可以作为预测这两家股票发展的一个参考因素。