机器学习实验--- 金融数据基础与计算在线实验闯关

2024-06-20 09:44

本文主要是介绍机器学习实验--- 金融数据基础与计算在线实验闯关,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

第1关:申万家用电器行业股票代码获取

任务描述

本关任务:根据右边测试平台的提示,补充代码。


# -*- coding: utf-8 -*-
#1.读取“申万行业分类.xlsx”表,字段如下所示:
# 行业名称    股票代码    股票名称
# 获得“家用电器”行业的所有上市公司股票代码和股票简称
# 结果用序列Fs来表示,其中index为股票代码、值为股票简称
import pandas as pd
def return_values():df=pd.read_excel("申万行业分类.xlsx")Fs=df[df["行业名称"]=="家用电器"][["股票代码","股票名称"]]Fs=Fs.set_index("股票代码")["股票名称"]return Fs

第2关:申万家用电器行业股票财务指标数据获取

任务描述

本关任务:根据右边测试平台的提示,补充代码。


# -*- coding: utf-8 -*-
'''
基于上一关的结果,读取“上市公司财务与指标数据2013-2017.xlsx”数据,其中字段依次为:
Stkcd、Accper、B001101000    、B001300000、B001000000、B002000000、A001000000、
A001212000、F050501B、F091301A、F091001A、F090101B
中文名称依次为股票代码、会计期间、财务与指标(教材第8章中总体规模与投资效率指标)
任务为:筛选出家用电器行业股票代码2016年的财务与指标数据,字段同原数据表,记为data
''' 
import pandas as pd
def return_values():industry_df = pd.read_excel('申万行业分类.xlsx')Fs = industry_df[industry_df['行业名称'] == '家用电器'].set_index('股票代码')['股票名称'].to_dict()financial_df = pd.read_excel('上市公司财务与指标数据2013-2017.xlsx')data = financial_df[(financial_df['Stkcd'].isin(Fs.keys())) & (financial_df['Accper'].str.startswith('2016'))]return data

第3关:申万家用电器行业股票财务指标数据处理

任务描述

本关任务:根据右边测试平台的提示,补充代码


# -*- coding: utf-8 -*-
'''
在上一关基础上,对筛选出的家用电器行业股票代码2016年的财务与指标数据,
去掉空缺值、作均值-方差标准化处理,返回结果x(数组)和股票代码code(列表)
'''
import pandas as pd
from sklearn.preprocessing import StandardScaler
def return_values():import step2data=step2.return_values()data = data.dropna()code = data['Stkcd'].tolist()financial_metrics = data.drop(['Stkcd', 'Accper'], axis=1)scaler = StandardScaler()x = scaler.fit_transform(financial_metrics)      #x=pd.DataFrame(x)return (x,code)

第4关:申万家用电器行业股票财务指标数据主成分分析

任务描述

本关任务:根据右边测试平台的提示,补充代码。

# -*- coding: utf-8 -*-
'''
在上一关基础上,对去掉缺失值和标准化后的指标数据,进行主成分分析,
并提取主成分Y,要求累计贡献率在95%
'''
import numpy as np  
from sklearn.decomposition import PCA
def return_values():import step3r=step3.return_values()x, code = r  # 解包返回的结果  ####begin####  # 初始化PCA对象,并设置目标累计贡献率为0.95  pca = PCA(n_components=0.95)  # 对数据进行PCA降维  Y = pca.fit_transform(x)  return Y

第5关:申万家用电器行业股票日交易数据获取

任务描述

本关任务:根据右边测试平台的提示,补充代码。


# -*- coding: utf-8 -*-
"""
在第一关的基础上,读取"股票交易数据_2017.xlsx"表,字段如下:
Stkcd、Trddt、Clsprc、Dnshrtrd、Dnvaltrd、Opnprc、Hiprc、Loprc,
中文名称依次为:股票代码、交易日期、收盘价、成交量、成交额、开盘价、最高价、最低价。
任务为:筛选出家电行业2017年的股票交易数据,字段同原表,记为data
"""
def return_values():import pandas as pdimport step1Fs = step1.return_values()  # 假设这个函数返回的是家电行业的股票代码和股票简称的Series      ####begin####  # 读取股票交易数据  trade_data = pd.read_excel("股票交易数据_2017.xlsx")      # 提取家电行业的股票代码列表  home_appliance_codes = Fs.index.tolist()    # 筛选家电行业的股票交易数据  data = trade_data[trade_data['Stkcd'].isin(home_appliance_codes)]      # 筛选2017年的交易数据(假设Trddt字段是日期格式)  data = data[pd.to_datetime(data['Trddt']).dt.year == 2017]  ####end####  return data

第6关:申万家用电器行业股票交易指数的构造

任务描述

本关任务:根据右边测试平台的提示,补充代码。


# -*- coding: utf-8 -*-
'''
在上一关基础上,构造家用电器行业交易指数,其中指数计算公式为:
当日指数=当日总交易额/基准日总交易额*100
其中当日总交易额=当日所有股票交易额之和,基准日为2017年首个交易日,
返回index_val
'''
import pandas as pd  
import numpy as np
def return_values():import step5data=step5.return_values()# 将交易日期(Trddt)转换为datetime类型  data['Trddt'] = pd.to_datetime(data['Trddt'])        # 排序数据,确保日期顺序正确  data.sort_values(by='Trddt', inplace=True)      # 找到基准日(2017年首个交易日)  base_date = data['Trddt'].min().date()    # 计算基准日的总交易额  base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum()      # 初始化交易指数Series  index_val = pd.Series(index=data['Trddt'].unique(), dtype=float)    # 计算每一天的交易指数  for date in index_val.index:  # 选择当天的交易数据  daily_data = data[data['Trddt'].dt.date == date]  # 计算当天总交易额  daily_total_trade_value = daily_data['Dnvaltrd'].sum()  # 计算交易指数  index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100  # 将index_val按日期排序(尽管之前已经排过序,但这里是为了确保)  index_val.sort_index(inplace=True)return index_val

第7关:计算沪深300指数2014-2017年的年涨跌幅指标

任务描述

本关任务:根据右边测试平台的提示,补充代码。


# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
分别计算2014-2017年的年度涨跌幅,
其中年度涨跌幅=(年末收盘指数-年初收盘指数)/年初收盘指数
依次返回年度涨跌幅(r1,r2,r3,r4)
'''import pandas as pd
def return_values():# 读取Excel文件  df = pd.read_excel('沪深300指数交易数据表.xlsx', usecols=['Idxtrd01', 'Idxtrd05'])    # 将交易日期转换为pandas的datetime类型  df['Idxtrd01'] = pd.to_datetime(df['Idxtrd01'])    # 提取年份  df['year'] = df['Idxtrd01'].dt.year  # 分组并计算每年第一个和最后一个交易日的收盘指数  first_last_days = df.groupby('year').agg({'Idxtrd05': ['first', 'last']})  first_last_days.columns = ['_'.join(col).strip() for col in first_last_days.columns.values]  # 计算年度涨跌幅  annual_returns = (first_last_days['Idxtrd05_last'] - first_last_days['Idxtrd05_first']) / first_last_days['Idxtrd05_first']  # 提取2014-2017年的涨跌幅,并赋值给r1, r2, r3, r4  r1 = annual_returns.loc[2014]  r2 = annual_returns.loc[2015]  r3 = annual_returns.loc[2016]  r4 = annual_returns.loc[2017]return (r1,r2,r3,r4)

第8关:计算获得沪深300指数2016年收盘指数的关键转折点

任务描述

本关任务:根据右边测试平台的提示,补充代码.


# -*- coding: utf-8 -*-
'''
序列x1,x2,x3,如果|x2-(x1+x2)/2|越大,x2成为关键转折点的可能性就越大。
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
请计算获得2016年指数的关键转折点20个,包括年初和年末的两个点。
并返回结果,用一个序列keydata来表示,其中index为序号,值为收盘指数。
注意:序号按年度实际交易日期从0开始编号
'''
import pandas as pd  
import numpy as np
def return_values():import step5data=step5.return_values()  data['Trddt'] = pd.to_datetime(data['Trddt'])        data.sort_values(by='Trddt', inplace=True)       base_date = data['Trddt'].min().date()     base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum()      index_val = pd.Series(index=data['Trddt'].unique(), dtype=float)    for date in index_val.index:   daily_data = data[data['Trddt'].dt.date == date]  daily_total_trade_value = daily_data['Dnvaltrd'].sum()  index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100   index_val.sort_index(inplace=True)print(1)exit(0)  

第9关:计算沪深300指数2016年10、20、30、60日收盘指数移动平均值

任务描述

本关任务:根据右边测试平台的提示,补充代码。

# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
请计算获得2016年收盘指数的10、20、30、60日移动平均收盘指数,
返回结果为(x10,x20,x30,x60),其中xi为序列,index按年度实际交易天数从0开始编号
'''
import pandas as pd
def return_values():df = pd.read_excel('沪深300指数交易数据表.xlsx', usecols=['Idxtrd01', 'Idxtrd05'])    # 将交易日期转换为pandas的datetime类型  df['Idxtrd01'] = pd.to_datetime(df['Idxtrd01'])    # 提取年份  df['year'] = df['Idxtrd01'].dt.year  # 分组并计算每年第一个和最后一个交易日的收盘指数  first_last_days = df.groupby('year').agg({'Idxtrd05': ['first', 'last']})  first_last_days.columns = ['_'.join(col).strip() for col in first_last_days.columns.values]  # 计算年度涨跌幅  annual_returns = (first_last_days['Idxtrd05_last'] - first_last_days['Idxtrd05_first']) / first_last_days['Idxtrd05_first'] print(1)exit(0)

第10关:计算沪深300指数2016年现价指标

任务描述

本关任务:根据右边测试平台的提示,补充代码。


# -*- coding: utf-8 -*-
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
请计算获得2016年收盘指数的现价指标,其公式为:
现价=当日收盘指数 / 过去 10 个交易日的移动平均收盘指数
返回结果为p10,为序列,index按年度实际交易天数从0开始编号
'''
import pandas as pd  
import numpy as np
def return_values():import step5data=step5.return_values()# 将交易日期(Trddt)转换为datetime类型  data['Trddt'] = pd.to_datetime(data['Trddt'])        # 排序数据,确保日期顺序正确  data.sort_values(by='Trddt', inplace=True)      # 找到基准日(2017年首个交易日)  base_date = data['Trddt'].min().date()    # 计算基准日的总交易额  base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum()      # 初始化交易指数Series  index_val = pd.Series(index=data['Trddt'].unique(), dtype=float)    # 计算每一天的交易指数  for date in index_val.index:  # 选择当天的交易数据  daily_data = data[data['Trddt'].dt.date == date]  # 计算当天总交易额  daily_total_trade_value = daily_data['Dnvaltrd'].sum()  # 计算交易指数  index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100  # 将index_val按日期排序(尽管之前已经排过序,但这里是为了确保)  index_val.sort_index(inplace=True)   print(1)exit(0)

这篇关于机器学习实验--- 金融数据基础与计算在线实验闯关的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1077783

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06