学习记录652@python时间序列分析之自相关ACF图绘制

原理

import tushare as ts
ts.set_token('你的token')
df=ts.get_k_data('399300', index=True,start='2016-01-01', end='2016-12-31')
df.head()

本接口即将停止更新，请尽快使用Pro版接口：https://tushare.pro/document/2

	date	open	close	high	low	volume	code
0	2016-01-04	3725.86	3470.41	3726.25	3469.01	115370674.0	sz399300
1	2016-01-05	3382.18	3478.78	3518.22	3377.28	162116984.0	sz399300
2	2016-01-06	3482.41	3539.81	3543.74	3468.47	145966144.0	sz399300
3	2016-01-07	3481.15	3294.38	3481.15	3284.74	44102641.0	sz399300
4	2016-01-08	3371.87	3361.56	3418.85	3237.93	185959451.0	sz399300

import numpy as np
# 基于价格的原始收益率
df['r']=(df['close'] - df['close'].shift(1)) / df['close'].shift(1)

# df['close'].shift(1) 下移一行
# 对数收益率定义为ln(e/s),其中e为下一期价格，s为上一期价格
df['rtn']=np.log(df['close'] / df['close'].shift(1))
df=df.dropna()
df.head()

	date	open	close	high	low	volume	code	r	rtn
1	2016-01-05	3382.18	3478.78	3518.22	3377.28	162116984.0	sz399300	0.002412	0.002409
2	2016-01-06	3482.41	3539.81	3543.74	3468.47	145966144.0	sz399300	0.017544	0.017391
3	2016-01-07	3481.15	3294.38	3481.15	3284.74	44102641.0	sz399300	-0.069334	-0.071855
4	2016-01-08	3371.87	3361.56	3418.85	3237.93	185959451.0	sz399300	0.020392	0.020187
5	2016-01-11	3303.12	3192.45	3342.48	3192.45	174638387.0	sz399300	-0.050307	-0.051617

import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf
%matplotlib inline
fig = plt.figure(figsize=(10,5))
ax1=fig.add_subplot(111)
fig = plot_acf(df['rtn'],ax=ax1,lags=50) #最高50阶
plt.show()

1阶的自相关系数为负值，2阶自相关系数为正值，如果从股票现象来分析的话，今天股票和昨天股票的涨跌和昨天股票涨跌成负相关，今天和前天成正相关，理论上来说是比较何理的，比如昨天涨了，但是今天动力不足，或者利好出货，很有可能下跌，然后明天再次卷土重来，当然要得出这个结论还需要进行很多验证才行，但是感觉上来说，是成立的。