2024年大数据最全【基本面的量化分析与投资的回报可能 - 上篇】_pyfinance，大数据开发编程基础班

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

df_20214_66 = df_20214[df_20214[df_20214.columns[-1]] > 66]
df_20221_66 = df_20221[df_20221[df_20221.columns[-1]] > 66]
df_20222_66 = df_20222[df_20222[df_20222.columns[-1]] > 66]

4. 我们来看看在过去的半年里表现一直很亮眼的候选人的名单：

set_stocklist = set(list_20214) & set(list_20221) & set(list_20222)   # 看看哪些股票同时在这3张表内
df_result_list = pd.DataFrame({'ts\_code':list(set_stocklist)})   # 创建一个列名为ts\_code的dataframe
df_result = pd.merge(df_result_list, df_20222, on='ts\_code')    # 与最后一期表合并筛选出这几支股票都是哪些
df_result = df_result.sort_values(by=df_result.columns[-1], ascending=False).reset_index(drop=True)   # 排序整理一下

5. 截至到这里我们发现，在2021年~2022年中的表现来看，我们的候选人从我的3张表中筛选出来的概率只有10%

代码及分析 - 股票行情

1. 以下的展示代码可以通过导师的这个帖子来学习获得，请自行阅读获取。
2. 首先我们来封装一个从tushare上获取数据的并以时间排序的数据。

def get\_data(code,start='2021-01-01',end=''):
    if code.startswith('399'):   # 399开头的指数数据，用于区分股票数据
        df=pro.index_daily(ts_code=code,start_date=start,end_date=end)
    else:
        df=ts.pro_bar(code,start_date=start,end_date=end,adj='qfq',freq='D')
    df=df.sort_values('trade\_date', ascending=True)   # 按照时间正序排列，因为tushare给我们的是倒序排列
    df.index=pd.to_datetime(df.trade_date)   # 以时间轴为index
    ret=df.close/df.close.shift(1)-1   # 计算每日收益率
    #返回TSeries序列
    return TSeries(ret.dropna())

3. 将重要的指标进行封装，有什么不明白的地方请参阅本贴。还有一个可能大家会遇到的问题就是计算标准差这里，很多指标会用到它，但是设计的时候又不让大家传freq=的参数。建议大家pip install pyfinance库后，去pyfinance的文件夹找一个叫做returns.py的文件，把牵扯到anlzd_stdev()的公式，统统将参数freq=250进行固定年化设置。

def performance(code):
    tss=get_data(code)
    benchmark=get_data('399300.SZ').loc[tss.index]
    dd={}
    #收益率
    #年化收益率
    dd['年化收益率']=tss.anlzd_ret()
    #累积收益率
    dd['累计收益率']=tss.cuml_ret()
    #alpha和beta
    dd['alpha']=tss.alpha(benchmark)
    dd['beta']=tss.beta(benchmark)
    #风险指标
    #年化标准差
    dd['年化标准差']=tss.anlzd_stdev(freq=250)
    #下行标准差
    dd['下行标准差']=tss.semi_stdev(freq=250)
    #最大回撤
    dd['最大回撤']=tss.max_drawdown()
    #信息比率和特雷诺指数
    dd['信息比率']=tss.info_ratio(benchmark)
    dd['特雷纳指数']=tss.treynor_ratio(benchmark)
    #风险调整收益率
    dd['夏普比率']=tss.sharpe_ratio()
    dd['索提诺比率']=tss.sortino_ratio(freq=250)
    dd['calmar比率']=tss.calmar_ratio()
    df=pd.DataFrame(dd.values(),index=dd.keys()).round(4)
    return df

4. 最后将分析逻辑进行封装，获取最后的分析数据矩阵。

def analysis():
    df=pd.DataFrame(index=performance('600110.SH').index)
    name = df_result.name.values[:]
    code = df_result.ts_code.values[:]
    stocks = dict(zip(name,code))
    for name,code in stocks.items():
        try:
            df[name] = performance(code).values
        except:
            continue
    return df

5. 最终的输出的结果是这样的：
   

总结

1. 从我们的最终结果来看，这13支股票的最大回撤相当的惊人。不难看出最近大A表现得非常难看，与大环境有很大的关系：欧洲打仗，能源暴涨，通货膨胀，国内疫情，最重磅的还有美国持续大力度加息。我们其实是可以通过对大盘的数据进行分析来规避一定的损失，在后期我希望我有机会可以跟大家分享我的理解和心得。
2. 这次分析我们有拿未来数据来套娃，因为毕竟基本面分析是有一定的滞后性的，所以我们要计算我们有多大的概率从中筛选出好的标的。第三季度财报下个月已经快出炉了，后面的策略按照个人的理解可以稍微进行调整。我们也可以通过技术指标分析来进行筛选是否进行投资，如何投资，投资多少。
3. 希望我的这个思路可以对大家有所启迪。

参考资料

1. 【手把手教你】使用pyfinance进行证券收益分析
2. 【手把手教你如何从Tushare库下载股票数据，并保存在硬盘当中，第一篇数据过滤】
3. 我已经把基本面数据上传到了“下载”这里，有需要的朋友可以自行下载。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取