当前位置：主页 > 查看内容

量化交易实战之金融时间序列分析 Part 1

发布时间：2021-05-28 00:00| 有位朋友查看

简介：实战之金融时间序列分析 Part 1 概述平台获取股票数据需求函数 index_components - 获取指数成分股列表 get_price - 合约历史数据代码统计分析需求函数代码序列变化情况计算需求函数 pd.pct_change() pd.shift() 代码概述时间序列分析 (time s……

实战之金融时间序列分析 Part 1

概述
平台
获取股票数据
统计分析
序列变化情况计算

概述

时间序列分析 (time series analysis) 是量化投资中的一门基本技术. 时间序列是指在一定时间内按时间顺序测量的某个变量的取值序列. 时间序列分析就是使用统计的手段对这个序列的过去进行分析. 以此对该变量的变化特征性建模, 并对未来进行预测.
在这里插入图片描述

平台

我们将继续使用 RiceQuant 的投资研究平台进行分析.
网址：https://www.ricequant.com/quant/notebook

具体的平台介绍可以参考： https://iamarookie.blog.csdn.net/article/details/114958524

没有看过的同学可以自行翻一下专栏别的文章：
https://blog.csdn.net/weixin_46274168/category_10961128.html

获取股票数据

需求

沪深300 (选10只)
分析区间 2019-01-01 到 2021-01-01
以时间为索引
绘制各个指标的走势情况

函数

index_components - 获取指数成分股列表

获取每一指数的股票构成列表, 也支持指数的历史构成查询。

index_components(order_book_id, date=None, start_date, end_date, market='cn')

参数：

参数	类型	说明
order_book_id	str	指数代码，传入 order_book_id，例如’000001.XSHG’。
date	str, datetime.date, datetime.datetime, pandas Timestamp	查询日期，默认为最新记录日期
start_date	str, datetime.date, datetime.datetime, pandas Timestamp	指定开始日期，不能和 date 同时指定
end_date	str, datetime.date, datetime.datetime, pandas Timestamp	指定结束日期, 需和 start_date 同时指定并且应当不小于开始日期
market	str	默认是中国市场(‘cn’)，目前仅支持中国市场

返回:
构成该指数股票的 order_book_id list

get_price - 合约历史数据

获取指定合约或合约列表的历史行情（包含起止日期，日线或分钟线），不能在’handle_bar’函数中进行调用。

get_price(order_book_ids, start_date, end_date=None, frequency='1d', fields=None, adjust_type='pre', skip_suspended=False,expect_df=False)

参数：

参数	类型	说明
order_book_ids	str OR str list	合约代码，合约代码，可传入 order_book_id, order_book_id list
start_date	str, datetime.date, datetime.datetime, pandasTimestamp	开始日期，用户必须指定
end_date	str, datetime.date, datetime.datetime, pandasTimestamp	结束日期，默认为策略当前日期前一天
frequency	str	历史数据的频率。现在支持日/分钟级别的历史数据，默认为’1d’。使用者可自由选取不同频率，例如’5m’代表 5 分钟线
fields	str OR str list	返回字段名称
adjust_type	str	权息修复方案。前复权 - pre，后复权 - post，不复权 - none。
skip_suspended	bool	是否跳过停牌数据。默认为 False，不跳过，用停牌前数据进行补齐。True 则为跳过停牌期。注意，当设置为 True 时，函数 order_book_id 只支持单个合约传入
expect_df	bool	默认返回原有的 Panel 数据结构。如果调为真，则返回 pandas dataframe

代码

# 定义分析时间段
start_date = "2019-01-01"  # 开始日期
end_date = "2021-01-01" # 结束日期

# 获取沪深300股票
stock_list = index_components("000300.XSHG")  

# 取前10个
stock_list = stock_list[:10]  # 切片
print(stock_list)  # 调试输出

# 获取价格数据 (收盘价)
data = get_price(stock_list, start_date=start_date, end_date=end_date,fields="close")
print(data.head())  # 调试输出

# 绘制各个指标的走势情况
data.plot(figsize=(10, 12), subplots=True)  # 子图
data.plot(figsize=(16, 12))

输出结果：

data.plot(figsize=(16, 12))
['601390.XSHG', '002958.XSHE', '300142.XSHE', '601788.XSHG', '600999.XSHG', '002179.XSHE', '002508.XSHE', '600031.XSHG', '002032.XSHE', '002456.XSHE']
            002179.XSHE  601390.XSHG  002508.XSHE  601788.XSHG  600031.XSHG  \
date                                                                          
2019-01-02      25.9121       6.5340      19.0277       8.6610       7.7510   
2019-01-03      26.2175       6.5815      18.9417       8.8392       7.6355   
2019-01-04      26.3474       6.6671      19.4771       9.6410       7.7703   
2019-01-07      27.3860       6.6956      19.6684       9.5915       7.8377   
2019-01-08      27.4013       6.7052      19.7066       9.5816       7.7991   

            600999.XSHG  002958.XSHE  002032.XSHE  300142.XSHE  002456.XSHE  
date                                                                         
2019-01-02      10.7152          NaN      50.1480      18.4021       9.1656  
2019-01-03      10.8199          NaN      46.3313      17.8929       8.6963  
2019-01-04      11.5364          NaN      48.2589      18.0527       8.8960  
2019-01-07      11.3914          NaN      49.2035      18.6118       9.0158  
2019-01-08      11.2787          NaN      49.1553      18.5819       9.0857

在这里插入图片描述

统计分析

需求

数据中各项指标统计结果 (保留两位小数)
使用 aggregate 方法将多种统计指标汇总

函数

aggregate：使用指定 axis 上的一个或多个操作聚合.

DataFrame.aggregate(func, axis=0, *args, **kwargs)

代码

print(data.info())
    
print(data.describe().round(2))

# 调试输出平均数
print(data.mean())

# 汇总
print(data.aggregate([min, max, np.mean, np.std, np.median]))

输出结果：

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 487 entries, 2019-01-02 to 2020-12-31
Data columns (total 10 columns):
002179.XSHE    487 non-null float64
601390.XSHG    487 non-null float64
002508.XSHE    487 non-null float64
601788.XSHG    487 non-null float64
600031.XSHG    487 non-null float64
600999.XSHG    487 non-null float64
002958.XSHE    433 non-null float64
002032.XSHE    487 non-null float64
300142.XSHE    487 non-null float64
002456.XSHE    487 non-null float64
dtypes: float64(10)
memory usage: 41.9 KB
None
       002179.XSHE  601390.XSHG  002508.XSHE  601788.XSHG  600031.XSHG  \
count       487.00       487.00       487.00       487.00       487.00   
mean         39.81         5.82        30.88        14.13        17.15   
std           9.31         0.56         5.64         4.64         6.00   
min          25.91         4.85        18.94         8.66         7.64   
25%          33.68         5.43        26.29        11.11        12.71   
50%          38.27         5.67        30.68        11.71        15.61   
75%          42.85         6.16        33.98        17.40        20.17   
max          78.29         7.27        43.99        29.99        34.98   

       600999.XSHG  002958.XSHE  002032.XSHE  300142.XSHE  002456.XSHE  
count       487.00       433.00       487.00       487.00       487.00  
mean         15.81         5.83        70.01        35.89        13.81  
std           3.56         1.15         7.57        14.24         3.54  
min          10.72         3.97        46.33        17.89         7.59  
25%          13.52         5.14        66.64        27.18        11.15  
50%          14.30         5.69        70.66        30.14        14.44  
75%          19.94         6.26        74.21        43.49        16.06  
max          24.42         9.91        85.70        91.76        23.32  
002179.XSHE    39.805091
601390.XSHG     5.823683
002508.XSHE    30.882818
601788.XSHG    14.125659
600031.XSHG    17.147733
600999.XSHG    15.812086
002958.XSHE     5.828605
002032.XSHE    70.010184
300142.XSHE    35.894527
002456.XSHE    13.811878
dtype: float64
        002179.XSHE  601390.XSHG  002508.XSHE  601788.XSHG  600031.XSHG  \
min       25.912100     4.852000    18.941700     8.661000     7.635500   
max       78.290000     7.266300    43.990000    29.987300    34.980000   
mean      39.805091     5.823683    30.882818    14.125659    17.147733   
std        9.306263     0.561201     5.644749     4.639231     6.002176   
median    38.274500     5.667200    30.682500    11.713300    15.610100   

        600999.XSHG  002958.XSHE  002032.XSHE  300142.XSHE  002456.XSHE  
min       10.715200     3.965400    46.331300    17.892900     7.588100  
max       24.422700     9.909100    85.700000    91.764200    23.318700  
mean      15.812086     5.828605    70.010184    35.894527    13.811878  
std        3.556864     1.147390     7.565533    14.236502     3.538181  
median    14.301800     5.690000    70.660000    30.138200    14.440000

序列变化情况计算

需求

计算每一天各项指标的差异值（后一天减去前一天结果）
计算pct_change：增长率也就是（后一个值-前一个值）／前一个值）
计算平均计算pct_change指标
绘图观察哪个指标平均增长率最高
计算连续时间的增长率（其中需要计算今天价格和昨天价格的差异）
看看各个指标最初的1块钱相当于现在的多少

函数

pd.pct_change()

表示当前元素与先前元素的相差百分比. 指定 periods=n, 表示当前元素与先前 n 个元素的相差百分比.

DataFrame.pct_change(periods=1, fill_method=‘pad’, limit=None, freq=None, **kwargs)

pd.shift()

pd.shift() : 列进行平移变换 (shift).

DataFrame.shift(periods=1, freq=None, axis=0)

代码

# 1. 计算每一天的差异值 (后一天减去前一天结果)
print(data.diff().head())

# 2. 计算增长率
pct_change = data.pct_change()
print(pct_change.head().round(2))

# 3. 计算平均增长率
pct_change_mean = data.diff().mean()
print(pct_change_mean)

# 4. 绘图观察哪个指标平均增长率最高
data.pct_change().mean().plot(kind='bar',figsize=(10,6))

# 往后挪一位
data.shift(1).head()

# 5. 计算连续时间增长率
rets = np.log(data/data.shift(1))
print(rets.head().round(2))

# 6. 看看各个指标最初的1块钱相当于现在的多少
rets.cumsum().apply(np.exp).plot(figsize = (16, 12))

输出结果：

            002179.XSHE  601390.XSHG  002508.XSHE  601788.XSHG  600031.XSHG  \
date                                                                          
2019-01-02          NaN          NaN          NaN          NaN          NaN   
2019-01-03       0.3054       0.0475      -0.0860       0.1782      -0.1155   
2019-01-04       0.1299       0.0856       0.5354       0.8018       0.1348   
2019-01-07       1.0386       0.0285       0.1913      -0.0495       0.0674   
2019-01-08       0.0153       0.0096       0.0382      -0.0099      -0.0386   

            600999.XSHG  002958.XSHE  002032.XSHE  300142.XSHE  002456.XSHE  
date                                                                         
2019-01-02          NaN          NaN          NaN          NaN          NaN  
2019-01-03       0.1047          NaN      -3.8167      -0.5092      -0.4693  
2019-01-04       0.7165          NaN       1.9276       0.1598       0.1997  
2019-01-07      -0.1450          NaN       0.9446       0.5591       0.1198  
2019-01-08      -0.1127          NaN      -0.0482      -0.0299       0.0699  
            002179.XSHE  601390.XSHG  002508.XSHE  601788.XSHG  600031.XSHG  \
date                                                                          
2019-01-02          NaN          NaN          NaN          NaN          NaN   
2019-01-03         0.01         0.01        -0.00         0.02        -0.01   
2019-01-04         0.00         0.01         0.03         0.09         0.02   
2019-01-07         0.04         0.00         0.01        -0.01         0.01   
2019-01-08         0.00         0.00         0.00        -0.00        -0.00   

            600999.XSHG  002958.XSHE  002032.XSHE  300142.XSHE  002456.XSHE  
date                                                                         
2019-01-02          NaN          NaN          NaN          NaN          NaN  
2019-01-03         0.01          NaN        -0.08        -0.03        -0.05  
2019-01-04         0.07          NaN         0.04         0.01         0.02  
2019-01-07        -0.01          NaN         0.02         0.03         0.01  
2019-01-08        -0.01          NaN        -0.00        -0.00         0.01  
002179.XSHE    0.107773
601390.XSHG   -0.002601
002508.XSHE    0.044758
601788.XSHG    0.020286
600031.XSHG    0.056027
600999.XSHG    0.025977
002958.XSHE   -0.000729
002032.XSHE    0.057288
300142.XSHE    0.041477
002456.XSHE    0.008260
dtype: float64
            002179.XSHE  601390.XSHG  002508.XSHE  601788.XSHG  600031.XSHG  \
date                                                                          
2019-01-02          NaN          NaN          NaN          NaN          NaN   
2019-01-03         0.01         0.01        -0.00         0.02        -0.02   
2019-01-04         0.00         0.01         0.03         0.09         0.02   
2019-01-07         0.04         0.00         0.01        -0.01         0.01   
2019-01-08         0.00         0.00         0.00        -0.00        -0.00   

            600999.XSHG  002958.XSHE  002032.XSHE  300142.XSHE  002456.XSHE  
date                                                                         
2019-01-02          NaN          NaN          NaN          NaN          NaN  
2019-01-03         0.01          NaN        -0.08        -0.03        -0.05  
2019-01-04         0.06          NaN         0.04         0.01         0.02  
2019-01-07        -0.01          NaN         0.02         0.03         0.01  
2019-01-08        -0.01          NaN        -0.00        -0.00         0.01

在这里插入图片描述

；原文链接：https://blog.csdn.net/weixin_46274168/article/details/115558690
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！

上一篇：认证杯网络挑战赛C题破局共享汽车思路分析 下一篇：没有了

随机推荐

基于Node.js平台的Express教程

基于Node.js平台的Express教程 Express 简介什么是 Express Express 能做什么 E...
解决ajax提交到后台数据成功但返回不走su

下面是ajax代码和Controller层代码，期初以为是后台程序写错了。 $("#sourcefile...
SUSE Linux 的 Zypper 包管理器使用实例

Zypper是SuSE Linux中用于安装，更新，删除软件，管理存储库，执行各种查询操作...
jsp和servlet中实现页面跳转的方式实例总

本文实例总结了jsp和servlet中实现页面跳转的方式。分享给大家供大家参考，具体...
虚拟机安装---模板机准备1（最小化安装）

** 1、最小化安装 ** (1)打开VMware (2)文件 - - - 新建虚拟机 (3)直接点击下一...
php下FCKeditor2.6.5网页编辑器的使用方

1、首先去官网下载FCKeditor2.6.5 多国语言版。http://ckeditor.com/download，...
核电站数字化仪控系统与传统控制系统的比

《核工程数字化仪控核安全核动力》 EnzoReventon 核电站数字化仪控系统与传统...
JS使用正则控制用户输入银行卡号及格式化

//js正则实现用户输入银行卡号的控制及格式化 script language="javascript" typ...
能力更新｜升级营销短信和安全风控能力，

近期知晓云的版本更新通知频率低于去年，但我们的产品经理和工程师一直在努力地...
select不支持双击dbclick事件

XML/HTML Code 复制内容到剪贴板 div class = centent style = width:200px;floa...

量化交易实战之金融时间序列分析 Part 1

实战之金融时间序列分析 Part 1

概述

平台

获取股票数据

需求

函数

index_components - 获取指数成分股列表

get_price - 合约历史数据

代码

统计分析

需求

函数

代码

序列变化情况计算

需求

函数

pd.pct_change()

pd.shift()

代码

推荐图文

dedecms ckeditor编辑器添加链接默认新窗口打开的修

【JavaP6大纲】MySQL篇：四大属性底层实现原理？

Asp.net core中实现自动更新的Option的方法示例

聊聊监控工具Linux iotop

Flex文件读取报错示例

vue3使用vue-count-to组件的实现

随机推荐

基于Node.js平台的Express教程

解决ajax提交到后台数据成功但返回不走su

SUSE Linux 的 Zypper 包管理器使用实例

jsp和servlet中实现页面跳转的方式实例总

虚拟机安装---模板机准备1（最小化安装）

php下FCKeditor2.6.5网页编辑器的使用方

核电站数字化仪控系统与传统控制系统的比

JS使用正则控制用户输入银行卡号及格式化

能力更新｜升级营销短信和安全风控能力，

select不支持双击dbclick事件

关于我们

量化交易 实战之金融时间序列分析 Part 1

实战之金融时间序列分析 Part 1

概述

获取股票数据

需求

函数

index_components - 获取指数成分股列表

get_price - 合约历史数据

代码

统计分析

需求

函数

代码

序列变化情况计算

需求

函数

pd.pct_change()

pd.shift()

代码

推荐图文

随机推荐

关于我们

量化交易实战之金融时间序列分析 Part 1