#?導(dǎo)入模塊
import?numpy?as?np
import?pandas?as?pd
import?yfinance?as?yf

#?GC=F黃金，SI=F白銀，ROSN.ME俄羅斯石油，SBER.ME俄羅斯銀行，天然氣
tickerSymbols?=?['GC=F',?'SI=F',?'ROSN.ME',?'SBER.ME','NG=F']

#?獲取這些代碼的數(shù)據(jù)
MSFT?=?yf.Ticker(tickerSymbols[0])
TSLA?=?yf.Ticker(tickerSymbols[1])
AAPL?=?yf.Ticker(tickerSymbols[2])
AMZN?=?yf.Ticker(tickerSymbols[3])
GOOG?=?yf.Ticker(tickerSymbols[4])

#?獲取代碼的歷史價(jià)格
MSFT_df?=?MSFT.history(period='1d',?start='2022-1-1',?end='2022-2-25')
TSLA_df?=?TSLA.history(period='1d',?start='2022-1-1',?end='2022-1-25')
AAPL_df?=?AAPL.history(period='1d',?start='2022-1-1',?end='2022-1-25')
AMZN_df?=?AMZN.history(period='1d',?start='2022-1-1',?end='2022-1-25')
GOOG_df?=?GOOG.history(period='1d',?start='2022-1-1',?end='2022-1-25')

#?比如天然氣
GOOG_df.head()

如下：

二、合并數(shù)據(jù)

#?將每只股票的收盤列保存到新變量中
MSFT?=?MSFT_df['Close']
TSLA?=?TSLA_df['Close']
AAPL?=?AAPL_df['Close']
AMZN?=?AMZN_df['Close']
GOOG?=?GOOG_df['Close']

#?Concatenate?all?stocks?close?columns?into?one?data?frame
stocks_df?=?pd.concat([MSFT,?TSLA,?AAPL,?AMZN,?GOOG],?axis='columns',?join='inner')

#?Rename?the?data?frame?columns?with?their?corresponding?tickers?symbols
stocks_df.columns?=?['gold',?'silver',?'oil',?'bank',?'gas']

#?Visualize?the?new?data?frame
stocks_df.head()

如下：

三、繪制股票每日百分比變化

#?接下來，讓我們計(jì)算股票每日百分比變化并繪制它們以直觀地分析它們?cè)谶^去一個(gè)多月中的變化行為。
#?獲取每日百分比變化
stocks_df?=?stocks_df.pct_change().dropna()

#?可視化新數(shù)據(jù)框
stocks_df.head()

#?繪制每日百分比變化
stocks_df.plot(figsize=(20,?10),?title="Daily?Returns");

如下：

從圖也可以看出哪個(gè)變動(dòng)大，哪個(gè)穩(wěn)定）自己用眼睛看

四、箱線圖

上面的圖確實(shí)不好看，所以我們畫一個(gè)箱線圖更加直觀：

#?箱線圖
#?計(jì)算累積回報(bào)
cumulative_returns?=?(1?+?stocks_df).cumprod()

#?繪制累積回報(bào)
cumulative_returns.plot(figsize=(20,?10),?title="Cumulative?Returns");

#?箱線圖直觀地顯示風(fēng)險(xiǎn)
stocks_df.plot.box(figsize=(20,?10),?title="Portfolio?Risk");

累計(jì)回報(bào)圖：

箱線圖：

顯然是天然氣收益最高；盒子越寬，晶須越長(zhǎng)，股票的波動(dòng)性就越大。石油最穩(wěn)定，天然氣波動(dòng)大了點(diǎn)

五、計(jì)算月化夏普比率

#計(jì)算月化夏普比率
sharpe_ratios?=?(stocks_df.mean()?*?30)?/?(stocks_df.std()?*?np.sqrt(30))
sharpe_ratios?=?sharpe_ratios.sort_values(ascending=False)
sharpe_ratios

如下：

#將夏普比率可視化為條形圖
sharpe_ratios.plot(figsize=(20,?10),?kind="bar",?title="Sharpe?Ratios");

如下：

六、結(jié)論

根據(jù)以上結(jié)果，建議購(gòu)買黃金，其次為白銀，天然氣，俄羅斯銀行和石油不建議購(gòu)買。注意：以上分析數(shù)據(jù)為2022年1月1日到2022年2月5日分析圖。沒有寫預(yù)測(cè)部分，我覺得動(dòng)蕩太多，沒必要預(yù)測(cè)了，買穩(wěn)定的吧，預(yù)測(cè)已經(jīng)沒有意義。

以上就是利用Python分析一下最近的股票市場(chǎng)的詳細(xì)內(nèi)容，更多關(guān)于Python分析股票市場(chǎng)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: