利用jupyter进行股票数据分析

1.需求：股票分析

• 使用tushare包获取某股票的历史行情数据。
• 输出该股票所有收盘比开盘上涨3%以上的日期。
• 输出该股票所有开盘比前日收盘跌幅超过2%的日期。
• 假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？

2.开始操作

2.1导入所需要的包

import tushare as ts
import pandas as pd
from pandas import DataFrame,Series
import numpy as np

2.2数据获取

#获取某只股票的历史行情数据
#code:字符串形式的股票代码
df = ts.get_k_data(code='600519',start='2000-01-01')
df
#将互联网上获取的股票数据存储到本地
df.to_csv('./maotai.csv')#调用to_xxx方法将df中的数据写入到本地进行存储
#将本地存储的数据读入到df
df = pd.read_csv('./maotai.csv')
df.head()

输出结果：

2.3对数据进行初步处理

#删除df中指定的一列
df.drop(labels='Unnamed: 0',axis=1,inplace=True)
#查看每一列的数据类型
df.info()

输出结果为：

#将date列转为时间序列类型
df['date'] = pd.to_datetime(df['date'])
df.info()

输出结果为：

#将date列作为源数据的行索引
df.set_index('date',inplace=True)
df.head()

输出结果为：

3.对数据进行分析

3.1输出该股票所有收盘比开盘上涨3%以上的日期 

#伪代码：（收盘-开盘）/开盘 > 0.03
(df['open'] - df['close']) / df['open'] > 0.03

#在分析的过程中如果产生了boolean值则下一步马上将布尔值作为源数据的行索引
 #如果布尔值作为df的行索引，则可以取出true对应的行数据，忽略false对应的行数据
df.loc[(df['open'] - df['close']) / df['open'] > 0.03] #获取了True对应的行数据（满足需求的行数据）

df.loc[(df['open'] - df['close']) / df['open'] > 0.03].index #df的行数据

输出结果为：

3.2输出该股票所有开盘比前日收盘跌幅超过2%的日期 

#伪代码：(开盘-前日收盘)/前日收盘 < -0.02
(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02
#将布尔值作为源数据的行索引取出True对应的行数据
df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02]

df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02].index

 4.对数据进一步分析

• 需求：假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？
• 分析：
  • 时间节点：2010-2020
  • 一手股票：100支股票
  • 买：
    • 一个完整的年需要买入1200支股票
  • 卖：
    • 一个完整的年需要卖出1200支股票
  • 买卖股票的单价：
    • 开盘价

new_df = df['2010-01':'2020-02']
new_df
#买股票：找每个月的第一个交易日对应的行数据（捕获到开盘价）==》每月的第一行数据
#根据月份从原始数据中提取指定的数据
#每月第一个交易日对应的行数据
df_monthly = new_df.resample('M').first()#数据的重新取样
df_monthly
#买入股票花费的总金额
cost = df_monthly['open'].sum()*100
cost
#卖出股票到手的钱
#特殊情况：2020年买入的股票卖不出去
new_df.resample('A').last()
#将2020年最后一行切出去
df_yearly = new_df.resample('A').last()[:-1]
df_yearly
#卖出股票到手的钱
resv = df_yearly['open'].sum()*1200
resv
#最后手中剩余的股票需要估量其价值计算到总收益中
#使用昨天的收盘价作为剩余股票的单价
last_monry = 200*new_df['close'][-1]
#计算总收益
resv+last_monry-cost