stock的一些基础处理

首先先导入apple的股票，这里已经把股票下载为csv文件了，直接用panda来加载

import pandas as pd
stocks=pd.read_csv("1Appl2010-2021.csv",header=[0,1])
stocks

接着我们可以查看股票的列名

也可以用to_flat_index()方法将其扁平化，方便查看

#convert multi index to one tuple
stocks.columns=stocks.columns.to_flat_index()
stocks.columns

这里用loc方法截取Close这一列的所有数据

import pandas as pd
stocks=pd.read_csv("1Appl2010-2021.csv",header=[0,1])
stocks.loc[:,'Close'] 

这里用copy方法先把Close这列信息传给close

import pandas as pd
stocks=pd.read_csv("2spy_aapl_ko_2010-2021.csv",header=[0,1])
close=stocks.loc[:,'Close'].copy()
close

然后我们可以用seaborn样式画个图，清晰得知这三个股票的走势差距

close.AAPL.div(close.iloc[0,0])#与第一位的值进行比较

差距除了图像上也可以从树枝上体现，这里用的div方法，将这列数值与第一个值进行一个除法得出比值

normclose=close.div(close.iloc[0]).mul(100)
plt.style.use("seaborn")

normclose.plot(figsize=(15,8),fontsize=12)

这里的normclose表示了之后的值的相对于第一排的变化率，mul（100）相当于乘以100，所以这里其实是一个百分比

aapl['lag1']=aapl.shift(periods=1)

shift方法就是将数值往下拉一格，移动多少取决于period

这里用sub方法，将原数组减去移动后数组，得出difference记作diff

aapl['Diff']=aapl.AAPL.sub(aapl.lag1)
aapl

aapl['% Change']=aapl.AAPL.div((aapl.lag1)).sub(1).mul(100)
aapl

这里用原数组除以移动后数组后减去1然后乘以100，就是为了得到变化的百分比形式

这里用了pct_change方法，直接得到aapl除以移动后的aapl数据的百分比

del aapl['Diff2']

如果要删除数据的话直接用del

aapl.rename(columns={'% Change':'Change'},inplace=True)
aapl

 rename方法可用来改变列名和行名

若是要将数据按照时间分段列出来可以用

 

我们可以根据日期来分割信息

ret=aapl.pct_change().dropna()
ret

dropna方法可以去除掉那些为空值的

info方法可以得知表格的各个属性

通过hist方法可以看出aapl大致区间在于0左右

 

 var_daily_ret=ret.var()
var_daily_ret

得到方差

import numpy as np
std_daily_ret=np.sqrt(var_daily_ret)
std_daily_ret

得到每天的标准差

ret.std()

annual_mean_ret=daily_mean_ret*252
annual_mean_ret

得到每年的平均值

annual_var_ret=var_daily_ret*252
annual_var_ret

得到每年的方差

annual_std_ret=np.sqrt(var_daily_ret)
annual_std_ret

得到每年的标准差

 import pandas as pd
stocks=pd.read_csv("3spy_aapl_ko_ibm_dis_msft_2010-2021.csv",header=[0,1])
close=stocks.loc[:,'Close'].copy()
close

normclose=close.div(close.iloc[0]).mul(100)
plt.style.use("seaborn")

normclose.plot(figsize=(15,8),fontsize=12)

这与之前的相似，但是多了许多股票

用T方法可以让列和行反过来

summary.plot.scatter(x='std',y='mean',figsize=(12,8),s=50,fontsize=15)
for i in summary.index:
    plt.annotate(i,xy=(summary.loc[i,'std']+0.002,summary.loc[i,'mean']+0.002),size=15)

由图中我们可以看到这些股票的标准差和平均值的方位，标准差越小说明越稳定，因此我们最好选用SPY

cov和corr方法分别是协方差

import seaborn as sns
plt.figure(figsize=(12,8))
sns.set(font_scale=1.4)
sns.heatmap(ret.corr(),cmap='Reds',annot=True,annot_kws={'size':15},vmax=0.6)
plt.show()

通过热图我们可以看出这些股票的协方差的值的变化，

simplereturns=df.pct_change().dropna()
simplereturns

simplereturns.mean()

simplereturns就是简单的将每年的数值与前一年进行一个比值，得出变化

logreturns更加准确，用原数组除以移动后数组后再取平均值

spy.rolling(window=10,min_periods=5).max().head(15)

这里用了rolling方法，window相当于确定一个大范围，min_periods就是运行的最小区间

spy["SMA50"]=spy.Close.rolling(window=50,min_periods=50).mean()

 

 spy.plot(figsize=(12,8),fontsize=15)
plt.legend(loc='upper left',fontsize=15)

这里可以得知以50个数据得平均值的曲线

 

可以看出数量越大，取得得曲线就越平滑

index.day_name和index.quarter分别表示为星期几和月季度来表示

这里可以通过set_index改变序号

 也可以通过fillna方法中ffill和bfill分别向前向后调整数据

这里d_returns跟之前一样处理得到比值

然后我们运用consum累加函数得到比值的和

通过累加的比值和我们画出的曲线可以表达出来股票的上升走势

通过cummax方法我们可以得到累加和的最大值

由此我们可以得到提款drawdown

 对此我们可以进行索引得到精准的时间序号

apple.drawdowns.max()apple.drawdowns.idxmax()apple.loc[(apple.index==2696)]

apple['drawdowns%']=(apple['drawdowns']/apple['cummax'])
apple

也可以通过百分比来精确得知其变化率

最后我们可以得到变化率最大值的索引，之后就可以看看当天的具体变化

apple['drawdowns%'].max()

apple['drawdowns%'].idxmax()

apple.loc[(apple.index==828)]