JS74110-CSDN博客

原创上市公司业绩连续高增长预测

营业毛利率.xlsx”，“应收账款周转率.xlsx”，4个数据表2008年~2018年的年度报告数据，1.以股票代码（Stkcd）、会计期间（Accper）为键，对A1、B1、A3、A4，进行内连接，获得。3.以2015~2018年以上4个指标，分别计算其平均值，作为测试集自变量X，并以股票代码关联y1，'''现有“归属于母公司所有者的净利润.xlsx”，“每股收益、每股经营活动净现金流.xlsx”，2.以2011~2014年以上4个指标，分别计算其平均值，作为训练集自变量X，并以股票代码关联y，

2023-12-15 22:06:11 427

原创上市公司高送转预测

返回结果用一个数据框B1来表示，其中列名分别为a_code（股票代码）、b（高送转标识：1-有高送转，0-无高送转）Stkcd（股票代码）、Accper（会计期间）、Indcd（行业代码）、F090101B（每股收益）、F091001A （每股净资产）、F091301A （每股资本公积）、F091501A（每股未分配利润）a_code（股票代码，与上一关对应），8个指标的字段名称依次用c、d、e、f、g、h、i、j来表示。Stkcd（股票代码）、Trddt（交易日期）、Clsprc（收盘价），

2023-12-15 22:05:07 867

原创上市公司财务风险识别

xz=pca.transform(X1)#调用pca对象中的transform()方法，返回提取的主成分。Stkcd(股票代码)、净利润2017、净利润2018、净资产收益率、总资产净利润率、x1~x14。pca.fit(X1)#调用pca对象中的fit()方法，对待分析的数据进行拟合训练。盈利现金比率、总资产报酬率、净资产收益率、存货周转率、应收账款周转率、总资产周转率、# 股票代码、会计期间、收益率、负债率、增长率、两权分离度、实际控制人性质、

2023-12-15 22:00:25 863

原创上市公司透明度综合评价

Y=pca.fit_transform(X) #满足累计贡献率为95%的主成分数据。pca=PCA(n_components=0.95) #累计贡献率为95%gxl=pca.explained_variance_ratio_ #贡献率。# 2.基于提取的主成分计算综合得分，综合得分=提取的主成分与其累计贡献率乘积之和、# 股票代码、会计期间、收益率、负债率、增长率、两权分离度、实际控制人性质、# 高管持股数量、股东总数、兼任情况、董事人数（规模）、独立董事人数。

2023-12-15 21:54:17 358

原创股票联动与轮动布尔数据集构建

1.读取交易日历数据表，记为td,并统计获得2017-01-01~12-31全年的实际交易天数M。# index为交易日期，字段名称所有股票的“股票简称_up”，值记为0或者1的布尔值数组。# 3.获得2017年全年均在交易（交易天数为M）的股票代码,用列表code来表示。#股票代码（Stkcd）、交易日期（Trddt）、收盘价（Clsprc）M=len(ddt) #计算ddt的长度，全年的实际交易天数M。#股票代码（Stkcd）、股票简称（Stknme）#交易日期（Clddt）、星期（Daywk）

2023-12-15 21:49:22 333

原创上市公司综合能力聚类分析与量化投资检验

1.在上一关基础上，以每一类股票作为投资组合，计算各投资组合持有期为2016-05-01~2016-12-31日的收益率。# 其中股票的收益率=（持有期最大交易日的收盘价-持有期最小交易日的收盘价）/持有期最小交易日的收盘价。# 5.返回聚类结果，用序列Fs来表示，index为股票代码、值为聚类标签值（0~4），# 4.对标准化后的指标值进行k-均值聚类分析，k=5，即聚为5类。#1.数据预处理，即清洗掉<0，nan,异常值，标准化。# 投资组合的收益率=投资组合中持有期内各股票收益率之和。

2023-12-15 21:48:05 571

原创 MA、MACD、KDJ、RSI、OBV相关指标计算

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。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。

2023-12-15 21:46:30 1000

原创上市公司综合排名及投资组合构建

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。# 2.投资组合持有期为2017-05-01日至2017-12-31日，计算其收益率。# 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、# 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，# 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、# 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。# 不考虑现金红利再投资的收盘价可比价。

2023-12-15 21:43:01 972

原创上市公司净利润增长率的计算

股票代码（Stkcd）、会计年度（Accper）、净利润（B002000101）# 股票代码（Stkcd）、股票简称（Stknme）、行业名称（Nnindnme）# 字段为“2015”、“2016”、“2017”，值为当年的净利润增长率。#读取“计算机、通信和其他电子设备制造业”行业上市公司2014-2017年的。# 1.计算获得净利润增长率连续三年大于40%的上市公司股票，并返回结果。# 2.返回结构用一个数据框D来表示，其中index为上市公司股票简称，

2023-12-15 21:40:55 344

原创机器学习基本模型

data=pd.read_table('超市购买记录.txt',engine='python',sep='、',encoding = 'utf-8',header=None)tiem=['西红柿','排骨','鸡蛋','茄子','袜子','酸奶','土豆','鞋子']#商品名称，也是数据框的字段名。# 最后，给出聚类分析结果，用一个序列Fs来表示，其中index为地区名称，值为所属类别的标签值（0、1、2、3）。

2023-12-06 17:50:46 1171 1

原创常用图像绘制

intf155 = data.loc[data['站点编号']==155,['站点编号','时刻','总进站客流']]intf=data.loc[data['站点编号']==155,['站点编号','时刻','总进站客流']]intf=data.loc[data['站点编号']==155,['站点编号','时刻','总进站客流']]d1=data.loc[data['站点编号']==155,['站点编号','时刻','总进站客流']]

2023-12-05 08:47:13 965 1

原创数据框、序列定义及数据处理应用

'A2_进站人数':D1['A3_进站人数'].values,'A3_出站人数':D1['A4_出站人数'].values})sat_num=pd.DataFrame({'A1_站点编号':A1,'A2_日期':A2,'A3_进站人数':B['进站人数'].values,D1=D.groupby(['A1_站点编号'])[['A3_进站人数','A4_出站人数']].sum()B = A.groupby(['站点编号', '日期'])[['进站人数', '出站人数']].sum()

2023-12-04 23:11:55 2033

原创头歌数组定义及操作在线实验闯关

③ 返回计算结果Max_A,Min_A,cos_A,sin_A,le_A,result。#3.水平连接数组A和数组B，获得数组C，并返回计算结果C。#2.逻辑索引I对数组1,3列切片，并返回计算结果B。#④ 默认初始值0，步长为1的,末值为9的一维数组。#在函数中定义以上数组,并返回计算结果l1,l2。#3.对数组A切片取出6,7,14,16。#③ 初始值为2、末值为9、步长为2的数组。#⑤ 返回计算结果A,B,C,D。#① 3行3列元素全为1的数组。#② 3行3列元素全为0的数组。

2023-12-04 23:00:09 2878 1

原创头歌答案Python语法基础在线实验闯关

用for循环依次获得2017年11月和12月的自然日期，并分别用列表L1和L2来存储。#调用定义的函数计算长宽高分别为1,2,3的长方体,并返回计算结果t。#对字符串c切片，分别切出'h'、'he'、'hlo'#函数的输入参数为长L，宽K和高H，返回结果为表面积S和体积V。#对列表a切片，分别切出1、[1,2]、[1,3]#对元组b切片，分别切出1、(1,2)、(1,3)#70~79为中等，60~69为及格，0~59为不及格。#其中标识键用a,b,c,d来表示，并返回计算结果D。

2023-12-04 22:45:53 3617

JS74110的博客