微信公众号：Python金融量化
请注意，可以了解更多的金融和Python干货。若对你有帮助，请点赞Thanks()
前言现在有很多获取股票数据的渠道，基本上是免费的。 例如，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、和信网等。 Python也有不少免费的开源api，包括pandas附带的库、tushare和baostock等，可以获取交易行情数据。 pandas库自从不支持雅虎数据库以来就很难使用了，但由于baostock最初记录的数据是2006年，因此本文主要介绍如何使用tushare获取股票交易数据和可视化分析。 tushare基本上从股票上市之日起就记录了所有的日交易数据，目前正在分析国内a股(也支持期货等其他非股市数据)
在阅读本文之前，建议学习和回顾【手把手教你】系列文章，熟悉pandas、tushare、numpy、matplotlib等软件包的使用方法。 否则，你可能会很难阅读后面的代码。
获取股票数据tushare包中的get_k_data (使用函数获取股票交易数据。 具体而言，可以使用help(ts.get_k_data )命令了解函数和参数的含义。
#后可能使用的软件包(package ) importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt )正常画画时出现的中文from py lab import 使用MicrosoftYahoo字体mpl.rcparams [ ' font.sans-serif ' ]=[ ' simhei ' ] #绘图时使用减号mpl.rcparams [ ' axes.unicon=显示falson jupyter notebook特有的幻灯片命令#图形%在线直接显示%matplotlib inline的小试牛刀：获取上证指数发布以来的数据
sh=ts.get_k_data(code='sh '，ktype='D '，autype='qfq '，start='1990-12-20 ' ) #code:股票代码， 股‘m’:月数据，‘y’:年数据#autype:复权选择，默认‘qfq’前复权#start :开始时间#end :默认当前时间#查看以下数据的前5行sh.head(5 ()
#将数据列表中的第0列“date”设置为索引sh.index=PD.to _ datetime (sh.date ) )上证指数收盘价的趋势sh['close'].plot ) fig sizzze
从上面的指数走势图也可以看出，股价指数分别在2007年和2015年有两大牛市，之后从xydpj跌至谷底，目前处于下跌之路。 真是辛苦了28年，一夜之间回到了解放前的o(((o ) )
下表列出了描述性统计#pandas的describe (函数为数据描述性统计#count:数据示例、mean:平均值、std:标准差sh.describe ).round(2) )的结果。
openclosehighlowvolumecount 6645.006645.006645.006.645000 e 03 mean 1936.271937.521954.791916.327.017766666 4.771174.801185.981162.315.103069 e 065044.041741.621755.6955 301.086010 e08 max 6057.436092.046040.718.57132224 可以看出，上证指数从1990年12月20日至2018年11月7日(最后一个交易日为当前运行时间)，共有6645个样本，平均值为1990年12月20日
#另外，看看每天的成交量吧。 #2006年市场容量小，交易量比较小。 从2007年开始查看sh.loc [ ' 2007-01-01 ' : ] [ ' volume ' ].plot [ fig size=(12，6 ) ]PLT .
上图的成交量反映了有趣的现象。 2014-2015年的大牛市很可能是由天量交易推动的。 在此期间，实体经济不景气，央行多次举行降息降准、货币宽松、资金流入股市、银行理财等影子银行
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) #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() 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() ###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() 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'] #stock_index.head() #计算这些股票指数每日涨跌幅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) #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")) 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，由美国数学家温暖的面包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() #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) -0.026496813699825043构建蒙特卡洛模拟函数：
def monte_dldbz(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_dldbz(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股票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') 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
大势观澜与研判逻辑
经济危机–明可靠的身影时刻
共克时艰，你做好准备了吗？