机器学习--基于主成分分析（PCA)的优质股票推荐

一、背景

     在证券市场股票很多，就比如在我们国内某证券市场就有三千多只股票，那如何作为一个新手，我们如何从这三千多只股票中选出几只优质股票进行投资呢？如果我们一个一个的去了解每只股票对应公司的资产，营收情况等情况显然很费事，并且不容易综合比较出优质股。那么这时就计算机帮忙，帮我们选出优质股票。具体怎么帮呢？这就涉及到了我们今天要说的内容PCA优质股票推荐

二、主成分分析PCA原理

    主成分分析PCA本质是用来选取主要成分的，即主要特征的。并不是用来做优质股票选取的。那我们如何就使用PCA来完成优质股票推荐呢？

1.PCA作用

我们拿到一堆预先处理好的数据（即做过空值填充，分布不平衡处理等）后，首先取其中与我们特定任务有关的一部分字段（即部分数据，如：X1，X2，X3，X4），这些数据之间可能存在着相关性，即数据之间存在着内部联系。 那么这些字段我们是不能直接拿来用的，要先去掉他们的相关性。那如何去掉这些相关性呢？常见的一种手段就是PCA

     PCA的思路是保持特征尽量不变(主体成分，这里一般指方差)的情况下，用一些不存在相关性的字段（Y1，Y2，Y3)代替原来的字段(X1，X2，X3，X4）。其中Y1，Y2，Y3保留的特征（即方差）依次从大到小。在大多数情况下，原来可能一百多个字段X，PCA分析后，只需要几个字段Y就能保留原来大部分的特征。

      那怎么就能使用PCA来做排名呢？比如收入有很多因素构成，原来用X1，X2，X3，X4，因素之间存在着相关性，我们现在用Y1，Y2，Y3来表达。那现在看哪个城市人的收入高，把每个城市对应的Y1，Y2，Y3值加起来就可以表示该城市的收入情况了，但前面我们又说过他们三字段保留的特征多少不一样，Y1更重要些，所以我们不能直接让他三相加，而是把他三乘以PCA得到的他三权重值再求和，这样就可以表达每个城市的收入情况了，从而进行排名。

三、数据获取

     我们这里从Tushare金融大数据社区获取数据。这里的数据我们不能直接离线下载。需要使用代码去获取（前提我们要在该网站注册了，有一定的积分）。

我们首先去Tushare网站注册并完善资料，就有了120积分，就可以有权限下载数据了

其次，我们在python开发环境中安装对应的Tushare库，即pip install  tushare

接下来我们就可以写代码去获取数据了（获取每个公司的营收，资产和财务的部分字段）

import tushare as ts
import pandas as pd
#tushare API 初始化
#you token就是我们在tushare注册后，tushare给我们的一个下载币，登陆网站找到自己的下载币名字
ts.set_token('you token')
#构造一个实例对象，去获取社区中的数据
pro = ts.pro_api()
#股票基本信息获取，并保持为Excel文件  fields就是指定需要哪些字段
stkcode = pro.stock_basic(exchange='', list_status='L', 
                          fields='ts_code,symbol,name,area,industry')
stkcode.to_excel('stkcode.xlsx')
#从利润表中获取营业收入、营业利润、利润总额、净利润指标数据
income= pro.income_vip(period='20221231',
        fields='ts_code,revenue,operate_profit,total_profit,n_income_attr_p')

income=income.drop_duplicates(subset=['ts_code'])
#从资产负债表中获取资产总计、固定资产指标数据
balance = pro.balancesheet_vip(period='20221231',
                               fields='ts_code,total_assets,fix_assets')
balance=balance.drop_duplicates(subset=['ts_code'])
#从财务指标表中获取净资产收益率、每股净资产、每股资本公积、每股收益指标数据
indicator=pro.fina_indicator_vip(period='20221231',
                                 fields='ts_code,roe,bps,capital_rese_ps,eps')
indicator=indicator.drop_duplicates(subset=['ts_code'])
#数据集成，以代码为键，内连接，并把集成后的数据导出Excel
tempdata=pd.merge(income,balance,how='inner',on='ts_code')
Data=pd.merge(tempdata,indicator,how='inner',on='ts_code')
Data.to_excel('Data.xlsx')

有了这些字段以后，我们就可以使用PCA来完成优质股票的推荐了

#读取数据，其中第0列为标识列（股票代码）
import pandas as pd
data=pd.read_excel('Data.xlsx')
#筛选指标值大于0的数据以及去掉nan值
data=data[data>0]
data=data.dropna()
#数据标准化，注意标准化的数据需要去掉第0列（股票代码，标识列），这里数据标准化方法采用均值-方差法，
from sklearn.preprocessing import StandardScaler  
X=data.iloc[:,1:]
scaler = StandardScaler()
scaler.fit(X) 
X=scaler.transform(X)  
#对标准化之后的指标数据X做主成分分析，提取其主成分，要求累计贡献率在95%以上
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
#综合得分等于提取的各个主成分与其贡献率的加权求和
import numpy as np
F=np.zeros((len(Y)))       #预定义综合得分数组F
for i in range(len(gxl)):
    f=Y[:,i]*gxl[i]         #第i个主成分与第i个主成分贡献率的乘积
    F=F+f                     #数组累积求和
fs1=pd.Series(F,index=data['ts_code'].values) #构建序列,值为综合得分F,index为股票代码
Fscore1=fs1.sort_values(ascending=False)   #结果排名,降序