编程语言
首页 > 编程语言> > Python的tushare库实现沪深300指数数据分析———CAMP模型.

Python的tushare库实现沪深300指数数据分析———CAMP模型.

作者:互联网

(1)筛选
使用作业1的程序

  1. 完成对沪深300指数成分股过去2015年1月-2018年1月三年的数据分析
  2. 按alpha从大到小,选择出30只alpha最高的股票形成股票池1,以备进一步分析

(2)预测

  1. 对沪深300指数成分股2018年1月-2021年1月三年的数据分析
  2. 选择出30只alpha最高的股票形成股票池2
  3. 观察股票池1和股票池2的重合度
  4. 分别计算股票池1在2015-2018时间段和2018-2021时间段的Alpha均值,观察Alpha均值的变化
  5. 对观察结果进行思考与分析

股票基础信息获取网站
![在这里插入图片描述](https://www.icode9.com/i/ll/?i=20210405112019579.png?x-oss-
process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDQzNjMxOQ==,size_16,color_FFFFFF,t_70)

将沪深300的成分股的基础信息整合到txt文件中
![在这里插入图片描述](https://www.icode9.com/i/ll/?i=20210405111953557.png?x-oss-
process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDQzNjMxOQ,size_16,color_FFFFFF,t_70)
将获取的股票基础信息整理成csv文件便于在Python中读取
![在这里插入图片描述](https://www.icode9.com/i/ll/?i=20210405112101693.png?x-oss-
process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDQzNjMxOQ
,size_16,color_FFFFFF,t_70)

使用tushare库爬取股票交易数据,建立CAMP模型,进行分析,废话不多话,直接上代码!

    """
    python3.7
    -*- coding: UTF-8 -*-
    @Project -> File   :Code -> CAMP
    @IDE    :PyCharm
    @Author :YangShouWei
    @USER: 296714435
    @Date   :2021/4/6 15:41:37
    @LastEditor:
    """
    
    import pandas as pd
    import tushare as ts
    import matplotlib.pyplot as plt
    import statsmodels.api as sm
    import re
    import numpy as np
    
    
    def modelCAMP(code,name, starttime, endtime):
        # 资本资产进价模型(CAPM)
        # Ri -Rf = β*(Rm-Rf) + ε
        # 载入股指数据
        sh = ts.get_k_data('sh', start=starttime,end=endtime, autype='qfq')  # 获取上证数据
        sh["p_change"] = (sh["close"] / sh["close"].shift(1) - 1) * 100  # 利用今日收盘价和前日收盘价计算股价波动,新增一列
        try:
            gzmt = ts.get_k_data(code, start=starttime,end=endtime, autype='qfq')  # 获取股票数据
            # 一些企业在2018年之前还未上市,作为特殊情况处理,返回0
            if len(gzmt.date) == 0:
                return [0]
            gzmt["p_change"] = (gzmt["close"] / gzmt["close"].shift(1) - 1) * 100
        except:
            return [0]
    
        # print(code)
        ret_merge = pd.merge(pd.DataFrame(sh.p_change), pd.DataFrame(gzmt.p_change), left_index = True, right_index = True, how = 'inner')
    
        # 计算日无风险利率
        Rf_year = 0.04  # 以2018 年中国三年期国债年化收益率为无风险利率
        Rf = (1+Rf_year)**(1/365)-1  # 年利率转化为日利率
    
        # 计算风险溢价:Ri-Rf
        Eret = ret_merge-Rf
        Eret.head()
    
        # 画出两个风险溢价的散点图,查看相关性
        plt.scatter(Eret.values[:, 0], Eret.values[:,1])
        # plt.show()
    
        # 利用最小二乘法进行线性回归,拟合CAPM 模型
        md_capm = sm.OLS(Eret.p_change_y[1:], sm.add_constant(Eret.p_change_x[1:]))
        result = md_capm.fit()
        text = str(result.summary())
        print("\n{}CAMP建立".format(name))
        print(result.summary())
    
        alpha = result.params[0]   # α系数
        Beita = result.params[1]   # β系数
        Pvalue = result.pvalues[1]
        print("a={},β={},pvalue={}".format(alpha,Beita,Pvalue))
    
        # print("{}的α系数:{},β系数:{}".format(name,number1,number2))
        return [alpha, Beita]
    
    
    def readData():
        # 读取沪深300成分股的基础信息
        data = pd.read_csv('one.csv')
        # print(data.head())
        # print(data.columns)
        # 处理数据,将股票代码的数据类型从int转换成字符串
        code =[]
        for i in data['股票代码']:
            if i<10:
                i = '00000'+str(i)
            elif i<100:
                i = '0000' + str(i)
            elif i < 1000:
                i = '000' + str(i)
            elif i < 10000:
                i = '00' + str(i)
            elif i < 100000:
                i = '0' + str(i)
            else:
                i = str(i)
            code.append(i)
        data["股票代码"] = code
        plt.rcParams["font.sans-serif"] = "SimHei"  #设置图片中字体为中文黑体
    
        # 绘制沪深300指数成分股行业汇总统计图
        draw = pd.DataFrame({"行业": data.groupby('主营行业')["主营行业"].count()})
        draw.plot(kind="barh")
        plt.title("沪深300成分股行业统计图")
        plt.xlabel("数量")
        plt.ylabel("行业名称")
        plt.tick_params(axis='x', labelsize=8)
        plt.tick_params(axis='y', labelsize=8)
        plt.show()
        return data
    
    
    if __name__ == "__main__":
        data = readData() # 读取股票基础数据
        info ={"股票代码":list(data["股票代码"]), "企业名称": list(data['股票简称']),"主营行业":list(data["主营行业"])}
        df = pd.DataFrame(info)
        # print(df)
    
        # 筛选
        stime = '2015-01-01'
        etime = '2018-01-01'
        # 依次计算企业的CAMP拟合结果
        code = list(df['股票代码'])
        name = list(df["企业名称"])
        n1 = [] # 用于存放α系数
        n2 = [] # 用于存放β系数
        print("对沪深300指数成分股2015年1月-2018年1月的CAMP模型计算")
        for i in range(len(code)):
            num = modelCAMP(code[i],name[i],stime,etime)
            if len(num) == 2:
                n1.append(num[0])
                n2.append(num[1])
            elif num[0] == 0:
                # print("{}在2018年还未上市".format(name[i]))
                n1.append(np.nan)
                n2.append(np.nan)
            else:
                print("不存在风险系数")
        df1 = df
        df1['α'] = n1  # 添加股票α系数
        df1['β'] = n2  # 添加股票β系数
        new1 = df1.sort_values(by='α', ascending=False)  # 按照α进行降序
        new1.to_csv("stock1.csv", index=False)  # 将数据存入csv文件中
        new1 = new1[:100]# 设定股票池1,选取α系数前30 的股票放入股票池1
        mean1 = new1['α'].mean()
        # print("股票池1的α平均值{}".format(mean1))
    
    
        #  预测
        stime = '2018-01-01'
        etime = '2021-01-01'
        n3 = [] # 存放α系数
        n4 = [] # 存放β系数
    
        print("对沪深300指数成分股2018年1月-2021年1月的CAMP模型计算")
        for i in range(len(code)):
            num = modelCAMP(code[i],name[i], stime, etime)
            if len(num) == 2:
                n3.append(num[0])
                n4.append(num[1])
            else:
                print("不存在风险系数")
        df2 = df
        df2['α'] = n3  # 添加股票α系数
        df2['β'] = n4  # 添加股票β系数
        new2 = df2.sort_values(by='α', ascending=False)  # 按照α进行降序
        new2.to_csv("stock2.csv", index=None)
        new2 = new2[:100]  # 设定股票池1,选取α系数前30 的股票放入股票池2
    
        # 计算股票池1和股票池2的重合度
        c = 0
        print("股票池1和股票池2都出现的企业")
        for i in new1["企业名称"]:
            if i in list(new2["企业名称"]):
                print(i)
                c += 1
        print("股票池1和股票池2一共有{}支股票重合,重合度为{}".format(c,c/100))
    
        # 绘制股票池中企业所属行业分布图
        # draw1 = pd.DataFrame({"行业": new1.groupby('主营行业')["主营行业"].count()})
        # draw1.plot(kind="barh")
        # plt.title("股票池1行业统计图")
        # plt.xlabel("数量")
        # plt.ylabel("行业名称")
        # plt.tick_params(axis='x', labelsize=8)
        # plt.tick_params(axis='y', labelsize=8)
        #
        # draw2 = pd.DataFrame({"行业": new2.groupby('主营行业')["主营行业"].count()})
        # draw2.plot(kind="barh")
        # plt.title("股票池2行业统计图")
        # plt.xlabel("数量")
        # plt.ylabel("行业名称")
        # plt.tick_params(axis='x', labelsize=8)
        # plt.tick_params(axis='y', labelsize=8)
        # plt.show()
        #
        # stime = '2018-01-01'
        # etime = '2021-01-01'
        # n5=[]
        # print("对股票池1中的股票2018年1月-2021年1月的阿尔法值进行计算")
        # code = list(new1["股票代码"])
        # name = list(new1["企业名称"])
        # for i in range(len(code)):
        #     num = modelCAMP(code[i], name[i], stime, etime)
        #     if len(num) == 2:
        #         n5.append(num[0])
        #     elif num[0] == 0:
        #         print("{}在2018年还未上市".format(name[i]))
        #     else:
        #         print("不存在风险系数")
        # df3 = new1
        # df3['α'] = n5  # 添加股票α系数
        # m = 0
        # for i in n5:
        #     m += i
        # mean2 = m/len(n5)
        # print("股票池1在2015年-2018年的α均值{},在2018年-2021年α的均值{}".format(mean1, mean2))
    
    
    
    
    
    

在这里插入图片描述

标签:tushare,Python,CAMP,Rf,2018,print,import,data,change
来源: https://www.cnblogs.com/lj-C/p/14986647.html