优质投资组合构建、MA、MACD、KDJ、RSI、OBV相关指标计算及预测模型在线实验闯关

2201_76039426

于 2024-11-07 12:12:25 发布

阅读量2k

点赞数 8

文章标签：数据仓库

本文链接：https://blog.csdn.net/2201_76039426/article/details/143590879

版权

文章目录

第1关：基于总体规模与投资效率指标的上市公司综合评价

#********** Begin **********#
#1.读取上市公司总体规模与投资效率方面指标数据"data.xlsx",字段信息依次为：
#  股票代码、会计期间、营业收入、营业利润、利润总额、净利润、资产总计、
#  固定资产净额、资产收益率、每股净资产、每股资本公积、每股收益
#  基于数据，对2016年上市公司进行综合排名，找出优质公司股票。
#2.筛选指标值大于0的数据以及去掉空值
#3.数据标准化，这里可以采用均值-方差法
#4.对标准化后的数据进行主成成分分析，要求累计贡献率在95%以上，并提取主成分
#5.计算综合得分：所提取的主成分与其贡献率乘积之和
#6.读取上市公司基本信息表：“TRD_Co.xlsx”，字段名称依次为：股票代码、股票简称
#7.返回两种形式的排名结果Fscore1和Fscore2，数据结构均为序列，数据结果排序均为降序
#  其中第1种形式的index为股票代码，值为综合得分。
#      第2种形式的index为股票简称，值为综合得分。
def return_values():

    import pandas as pd
    #1 读取数据
    data=pd.read_excel('data.xlsx')
    data2=data.iloc[data.iloc[:,1].values=='2016-12-31',[ 0,2,3,4,5,6,7,8,9,10,11]]
    data2=data2[data2>0]
    data2=data2.dropna()
    from sklearn.preprocessing import StandardScaler  
    X=data2.iloc[:,1:]
    scaler = StandardScaler()
    scaler.fit(X) 
    X=scaler.transform(X)  
    from sklearn.decomposition import PCA 
    pca=PCA(n_components=0.95)      #累计贡献率为95%
    Y=pca.fit_transform(X)            #满足累计贡献率为95%的主成分数据
    gxl=pca.explained_variance_ratio_   #贡献率
    import numpy as np
    F=np.zeros((len(Y)))
    for i in range(len(gxl)):
        f=Y[:,i]*gxl[i]
        F=F+f
    fs1=pd.Series(F,index=data2['Stkcd'].values)
    Fscore1=fs1.sort_values(ascending=False)   #降序，True为升序
    co=pd.read_excel('TRD_Co.xlsx')
    Co=pd.Series(co['Stknme'].values,index=co['Stkcd'].values)
    Co1=Co[data2['Stkcd'].values]
    fs2=pd.Series(F,index=Co1.values)
    Fscore2=fs2.sort_values(ascending=False)   #降序，True为升序




    return (Fscore1,Fscore2)

#********** End **********#

第2关：投资组合构建及收益率计算

#********** Begin **********#
# -*- coding: utf-8 -*-
# 1.在上一关的基础上，获得综合排名前30个股票代码，并构建投资组合
# 2.投资组合持有期为2017-05-01日至2017-12-31日，计算其收益率。
# 3.读取2017年股票日交易数据表“trd_2017.xlsx”，其字段信息如下：
#   股票代码、交易日期、收盘价、考虑现金红利再投资的收盘价可比价、
#   不考虑现金红利再投资的收盘价可比价
# 4.注意事项：
# 4.1 每只股票的收益率计算方法为：
#     以该股票持有期内首个交易日考虑现金红利再投资的收盘价可比价p1买入，
#     持有期内最后交易日的考虑现金红利再投资的收盘价可比价p2卖出，
#     收益率计算公式为：(p2-p1)/p1
# 4.2 投资组合的收益率为该组合内所有股票收益率之和
# 5.返回投资组合总收益率： r_total
def return_values():
    import pandas as pd
    import step7_13
    trd=pd.read_excel('trd_2017.xlsx')
    re = step7_13.return_values()
    Fscore1=re[0]
    #预定义每个股票的收益率序列
    r_list=[]
    for i in range(30):
        #获取排名第i个股票代码
        code=Fscore1.index[i]
        #获取排名第i个股票代码的交易数据
        dt=trd.iloc[trd.iloc[:,0].values==code,:]
        #获取排名第i个股票代码2017年度的交易数据，并按交易日期升序排序
        I1=dt['Trddt'].values>='2017-05-01'
        I2=dt['Trddt'].values<='2017-12-31'
        dtt=dt.iloc[I1&I2,:].sort_values('Trddt')
        #数据是否为空条件判断
        if len(dtt)>1:
            #获取排名第i个股票代码的
        #首个和最后一个交易日的考虑现金红利再投资的收盘价可比价
                p1=dtt.iloc[0,3]
                p2=dtt.iloc[len(dtt)-1,3]
                #计算排名第i个股票代码的收益率,并添加到r_list中
                r_list.append((p2-p1)/p1)
    r_total=sum(r_list)  #计算总收益率


    return r_total
 
 #********** END **********#

第3关：移动平均线指标的计算

#今有部分股票交易数据表“trd_data”，字段名称为：
# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额
# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，
# 计算收盘价5、10、20日移动平均价格，
# 返回计算结果，结果用一个数据框ma表示，第1-3列依次为5、10、20日移动平均价格
def return_values():
    import pandas as pd
    data=pd.read_excel('trd_data.xlsx')#题目数据
    d=data[data.iloc[:,0].values==601668]
    d=d[d.iloc[:,1].values>='2017-01-01']
    d=d[d.iloc[:,1].values<='2018-01-01']
    d.index=range(len(d)) #索引重新排序
    #2.移动平均线指标的计算
    ma5=d['收盘价'].rolling(5).mean() #计算5日的移动平均
    ma10=d['收盘价'].rolling(10).mean() #计算10日的移动平均
    ma20=d['收盘价'].rolling(20).mean() #计算20日的移动平均
    #3.合并数据并保存Excel表
    ma={'MA5':ma5,'MA10':ma10,'MA20':ma20} 
    ma=pd.DataFrame(ma)  

    

    return ma

第4关：指数平滑异同平均线指标的计算

#今有部分股票交易数据表“trd_data”，字段名称为：
# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额
# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，
# 计算MACD指标，公式参考书本
# 返回计算结果，结果用一个数据框macd表示。
#注意：读取的交易数据表，需按照日期的升序进行排序
def return_values():
    import pandas as pd
    data=pd.read_excel('trd_data.xlsx')#题目数据
    d=data[data.iloc[:,0].values==601668]
    d=d[d.iloc[:,1].values>='2017-01-01']
    d=d[d.iloc[:,1].values<='2018-01-01']
    d.index=range(len(d)) #索引重新排序
    #2.平滑异同平均线MACD指标值
    import numpy as np
    #指数平滑移动平均
    ema12=pd.DataFrame.ewm(d['收盘价'],span=12).mean() 
    ema26=pd.DataFrame.ewm(d['收盘价'],span=26).mean()
    dif=ema12-ema26
    dea=np.zeros((len(dif))) #以dif为长度做全为0的数组
    macd=np.zeros((len(dif)))
    
    for t in range(len(dif)):
        if t==0:
            dea[t]=dif[t]
        if t>0:
            dea[t]=(2*dif[t]+8*dea[t-1])/10
        macd[t]=2*(dif[t]-dea[t])
    #3.合并数据并保存Excel表 
    macd={'MACD':macd}
    macd=pd.DataFrame(macd) 
    
    
    
    return macd

第5关：随机指标K、D、J的计算

#今有部分股票交易数据表“trd_data”，字段名称为：
# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额
# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，
# 计算KDJ指标，公式参考书本
# 返回计算结果，结果用一个数据框KDJ表示,
# 其中第1列为交易日期，2-4列分别为K、D、J指标值
#注意：读取的交易数据表，需按照日期的升序进行排序
def return_values():
    import pandas as pd
    A = pd.read_excel('trd_data.xlsx')#题目数据
    d=A[A.iloc[:,0].values==601668]
    d=d[d.iloc[:,1].values>='2017-01-01']
    d=d[d.iloc[:,1].values<='2018-01-01']
    d.index=range(len(d)) #索引重新排序
    #2.平滑异同平均线MACD指标值
    #计算移动周期内的最大值和最小值
    import numpy as np 
    Lmin=d['最低价'].rolling(9).min() #周期数为9
    Lmax=d['最高价'].rolling(9).max()
    rsv=(d['收盘价'].values-Lmin)/(Lmax-Lmin)
    K=np.zeros((len(rsv)))
    D=np.zeros((len(rsv)))
    J=np.zeros((len(rsv)))
    for t in range(9,len(d)):
        if t==0:
            K[t]=rsv[t]
            D[t]=rsv[t]
        if t>0:
            K[t]=2/3*K[t-1]+1/3*rsv[t]
            D[t]=2/3*D[t-1]+1/3*K[t]
        J[t]=3*D[t]-2*K[t]
    #3.合并数据并保存Excel表
    kdj={'D':D,'J':J,'K':K}
    kdj=pd.DataFrame(kdj)
    date={'交易日期':d['Trddt'].values}
    date=pd.DataFrame(date)
    KDJ=date.join(kdj)
    
    

    return KDJ

第6关：计算相对强弱RSI指标

# -*- coding: utf-8 -*-
#今有部分股票交易数据表“trd_data”，字段名称为：
# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额
# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，
#计算出的三个指标RSI6、RSI12、RSI24用数据框Data储存
#Data的前三列的指标数分别为 交易日期、 RSI6、RSI12、RSI24,
'''注意：读取的交易数据表，需按照日期的升序进行排序，即:2017年开始日期到结束日期，不按照命名要求进行命名
则无法检测答题结果是否准确'''
def return_values():
    import pandas as pd
    A = pd.read_excel('trd_data.xlsx')#题目数据
    a1=A['Trddt'].values>='2017-01-01'
    a2=A['Trddt'].values<='2017-12-31'
    data1=A.iloc[a1&a2,:].sort_values('Trddt')
    data1=data1.loc[data1['Stkcd']==601668,:]
    data1.index=range(len(data1))  #规范索引
    #预定义涨跌标识向量z
    import numpy as np
    z=np.zeros(len(data1)-1)
    #涨跌标识向量赋值
    z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values>=0]=1 #涨
    z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌
    #涨情况统计
    zhang=pd.Series(z==1) #转化为序列
    #6天移动计算涨数
    zhang1=zhang.rolling(6).sum()
    zhang1=zhang1.values   #转化为数组
    #12天移动计算涨数
    zhang2=zhang.rolling(12).sum()
    zhang2=zhang2.values   #转化为数组
    #24天移动计算涨数
    zhang3=zhang.rolling(24).sum()
    zhang3=zhang3.values   #转化为数组
    #跌情况统计
    die=pd.Series(z==-1) #转化为序列
    #6天移动计算跌数
    die1=die.rolling(6).sum()
    die1=die1.values   #转化为数组
    #12天移动计算跌数
    die2=die.rolling(12).sum()
    die2=die2.values   #转化为数组
    #24天移动计算跌数
    die3=die.rolling(24).sum()
    die3=die3.values   #转化为数组
    #RSI指标计算
    rsi6=np.zeros((len(data1)))
    rsi12=np.zeros((len(data1)))
    rsi24=np.zeros((len(data1)))
    for t in range(6-1,len(data1)-1):
        rsi6[t]=zhang1[t]/(zhang1[t]+die1[t])
    for i in range(12-1,len(data1)-1):
        rsi12[i]=zhang2[i]/(zhang2[i]+die2[i])  
    for j in range(24-1,len(data1)-1):
        rsi24[j]=zhang3[j]/(zhang3[j]+die3[j])
    #将计算出的指标与交易日期利用字典整合起来
    rsi={'RSI6':rsi6,'RSI12':rsi12,'RSI24':rsi24}
    rsi=pd.DataFrame(rsi)    
    date={'交易日期':data1['Trddt'].values}
    date=pd.DataFrame(date)
    RSI=date.join(rsi)
    
    return RSI

第7关：乖离率指标BIAS的计算

#今有部分股票交易数据表“trd_data”，字段名称为：
# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额
# 读取股票代码601668,2017-01-01至2018-01-01的交易数据
#计算出的三个指标Bias5、Bias10、Bias520用数据框Data储存
#Data的前三列的指标数分别为Bias5、Bias10、Bias520,请按照左侧提供的公式进行计算。
#注意：读取的交易数据表，需按照日期的升序进行排序
def return_values():
    import pandas as pd
    A = pd.read_excel('trd_data.xlsx')#题目数据
    data=A
    a1=data['Trddt'].values>='2017-01-01'
    a2=data['Trddt'].values<='2017-12-31'
    data1=data.iloc[a1&a2,:].sort_values('Trddt')
    data1=data1.loc[data1['Stkcd']==601668,:]
    data1.index=range(len(data1))
    #预定义乖利率指标
    import numpy as np
    bias5=np.zeros((len(data1)))
    bias10=np.zeros((len(data1)))
    bias20=np.zeros((len(data1)))
    
    #计算5天移动平均价格和BIAS指标计算
    man5=data1.iloc[:,5].rolling(5).mean()
    for t in range(5-1,len(data1)):
        bias5[t]=(data1.iloc[t,5]-man5[t])/man5[t]
    
    #计算10天移动平均价格和BIAS指标计算
    man10=data1.iloc[:,5].rolling(10).mean()
    for i in range(10-1,len(data1)):
        bias10[i]=(data1.iloc[i,5]-man10[i])/man10[i]
    
    #计算20天移动平均价格和BIAS指标计算
    man20=data1.iloc[:,5].rolling(20).mean()
    for j in range(20-1,len(data1)):
        bias20[j]=(data1.iloc[j,5]-man20[j])/man20[j]
        
    #将计算出的指标与交易日期利用字典整合起来
    bias={'BIAS5':bias5,'BIAS10':bias10,'BIAS20':bias20}
    bias=pd.DataFrame(bias)  
    Data = bias
    
    return Data

第8关：能量潮指标OBV的计算

#今有部分股票交易数据表“trd_data”，字段名称为：
# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额
# 读取股票代码601668,2017-01-01至2017-12-31的交易数据
#计算能量潮OBV指标，请根据左边所提供的公式来进行计算
#能量潮指标OBV的计算结果用一个数据框L来表示，
#注意：读取的交易数据表，需按照日期的升序进行排序

def result():
    import pandas as pd
    A = pd.read_excel('trd_data.xlsx')#题目数据
    data=A
    a1=data['Trddt'].values>='2017-01-01'
    a2=data['Trddt'].values<='2017-12-31'
    data1=data.iloc[a1&a2,:].sort_values('Trddt')
    data1=data1.loc[data1['Stkcd']==601668,:]
    data1.index=range(len(data1))
    #预定义能量潮指标
    import numpy as np
    obv=np.zeros((len(data1)))
    for t in range(len(data1)):
        if t==0:
            obv[t]=data1['交易量'].values[t]
        if t>0:
            if data1['收盘价'].values[t]>=data1['收盘价'].values[t-1]:
                obv[t]=obv[t-1]+data1['交易量'].values[t]
            if data1['收盘价'].values[t]<data1['收盘价'].values[t-1]:
                obv[t]=obv[t-1]-data1['交易量'].values[t]
                
    #将计算出的能量潮指标与交易日期利用字典整合起来
    obv={'OBV':obv}
    obv=pd.DataFrame(obv)   
    L=obv 
    return L

第9关：涨跌趋势指标的定义及计算

#今有部分股票交易数据表“trd_data”，字段名称为：
# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额
# 读取股票代码601668,2017-01-01至2018-01-01的交易数据
'''计算出涨跌趋势指标其方法如下：下一日收盘价减去当日收盘价，
若大于0，则下日股价呈现上涨趋势，用1表示，反之则股价呈现下跌趋势，用-1表示'''
#计算结果用数据框Y进行储存，
#注意：读取的交易数据表，需按照日期的升序进行排序
def result():
    import pandas as pd
    A = pd.read_excel('trd_data.xlsx')#题目数据
    data=A
    a1=data['Trddt'].values>='2017-01-01'
    a2=data['Trddt'].values<='2017-12-31'
    data1=data.iloc[a1&a2,:].sort_values('Trddt')
    data1=data1.loc[data1['Stkcd']==601668,:]
    data1.index=range(len(data1))
    #预定义因变量y和标识变量z
    import numpy as np
    y=np.zeros((len(data1)))
    z=np.zeros((len(y)-1))
    for t in range(len(z)):
        z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values>0]=1 #涨
        z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values==0]=0 #平
        z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌
        y[t]=z[t]
    Y={'涨跌趋势':y}
    Y=pd.DataFrame(Y)
    return Y

第10关：基于技术指标的股票价格涨跌趋势预测模型构建（支持向量机模型）

#请结合前几题所计算出的各种技术分析指标，构建出股票价格涨跌趋势预测模型
#技术分析指标为自变量，涨跌趋势指标为因变量
##提取训练（1-11月）和测试数据（12月）
#数据标准化
#支持向量机模型
#计算模型准确率和预测准确率分别用sc和Rs储存,模型使用支持向量机模型

#若不按照命名要求进行命名则无法检测答题结果是否准确
def result():
    import pandas as pd
    data1=pd.read_excel('Y.xlsx')  #跌涨趋势指标
    data1.drop('Unnamed: 0', axis=1, inplace=True)
    data2=pd.read_excel('MA.xlsx') #移动平均线指标
    data2.drop('Unnamed: 0', axis=1, inplace=True)
    data3=pd.read_excel('MACD.xlsx') #平滑异同平均线指标
    data3.drop('Unnamed: 0', axis=1, inplace=True)
    data4=pd.read_excel('KDJ.xlsx')  #随机指标
    data4.drop('Unnamed: 0', axis=1, inplace=True)
    data5=pd.read_excel('RSI.xlsx')  #相对强弱指标
    data5.drop('Unnamed: 0', axis=1, inplace=True)
    data6=pd.read_excel('BIAS.xlsx') #乖离率指标
    data6.drop('Unnamed: 0', axis=1, inplace=True)
    data7=pd.read_excel('OBV.xlsx')  #能量潮指标
    data7.drop('Unnamed: 0', axis=1, inplace=True)
    #将指标与交易日期以及股价的涨跌趋势整合起来
    zh=pd.concat([data3,data4,data5,data6,data7,data1],axis=1)
    zh.drop('交易日期',axis=1,inplace=True)
    zh=pd.concat([data2,zh],axis=1)
    zh1=zh.dropna()
    #提取训练和测试数据
    x1=zh1['交易日期']<='2017-11-30'
    index=x1.values==True
    index1=x1.values==False
    x_train=zh1.iloc[index,1:15]
    y_train=zh1.iloc[index,15]
    x_test=zh1.iloc[index1,1:15]
    y_test=zh1.iloc[index1,15]
    #数据标准化
    from sklearn.preprocessing import StandardScaler
    scaler = StandardScaler()
    scaler.fit(x_train)
    x_train=scaler.transform(x_train)
    x_test=scaler.transform(x_test)
    
    #支持向量机模型
    from sklearn import svm
    clf= svm.SVC(kernel='rbf', C=5)
    clf.fit(x_train,y_train)
    sc=clf.score(x_train,y_train)
    result=clf.predict(x_test)
    Z=result-y_test
    Rs=len(Z[Z==0])/len(Z)
    
    return [sc,Rs]