用Python分析苹果公司股价数据

2023-10-09 05:50

本文主要是介绍用Python分析苹果公司股价数据,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!

要点抢先看

1.csv数据的读取

2.利用常用函数获取均值、中位数、方差、标准差等统计量

3.利用常用函数分析价格的加权均值、收益率、年化波动率等常用指标 4.处理数据中的日期

我们最后会介绍一下NumPy库中的一些非常实用和常用的函数方法。

要知道,NumPy的常用数学和统计分析的函数非常多,如果我们一个一个的分散来讲,一来非常枯燥,二来呢也记不住,就仿佛又回到了昏昏欲睡的课堂,今天我们用一个背景例子来串联一下这些零散的知识点。

我们通过分析苹果公司的股票价格,来串讲NumPy的常用函数用法

我们在我们python文件的同级目录下放置数据文件AAPL.csv,用excel文件可以打开看看里面是什么样的:
在这里插入图片描述
依次是日期,收盘价、成交量、开盘价、最高价和最低价 在CSV文件中,每一列数据数据是被“,”隔开的,为了突出重点简化程序,我们把第一行去掉,就像下面这样
在这里插入图片描述
首先,我们读取“收盘价”和“成交量”这两列,即第1列和第2列(csv也是从第0列开始的)

import numpy as np  
'''
更多Python学习资料以及源码教程资料,可以在群1136201545免费获取
'''
c, v = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1, 2), unpack=True) 
print(c) 
print(v) 
[ 178.02  178.65  178.44  179.97  181.72  179.98  176.94  175.03  176.67   176.82  176.21  175.    178.12  178.39  178.97  175.5   172.5   171.07   171.85  172.43  172.99  167.37  164.34  162.71  156.41  155.15  159.54   163.03  156.49  160.5   167.78  167.43  166.97  167.96  171.51  171.11   174.22  177.04  177.    178.46  179.26  179.1   176.19  177.09  175.28   174.29  174.33  174.35  175.    173.03  172.23  172.26  169.23  171.08   170.6   170.57  175.01  175.01  174.35  174.54  176.42] 
[ 38313330.  22676520.  29334630.  31464170.  32191070.  32130360.   24518850.  31686450

这样,我们就完成了第一个任务,将csv数据文件中存储的数据,读取到我们两个ndarray数组c和v中了。

接下来,我们小试牛刀,对收盘价进行最简单的数据处理,求取他的平均值。

第一种,非常简单,就是我们最常见到的算数平均值

import numpy as np  
c, v = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1, 2), unpack=True) 
mean_c = np.mean(c) print(mean_c) 
172.614918033

第二种,是加权平均值,我们用成交量来加权平均价格

即,用成交量的值来作为权重,某个价格的成交量越高,该价格所占的权重就越大。

import numpy as np  
c, v = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1, 2), unpack=True) 
vwap = np.average(c, weights=v) 
print(vwap)  
170.950010035

再来说说取值范围,找找最大值和最小值

我们找找收盘价的最大值和最小值,以及最大值和最小值之间的差异

import numpy as np  c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True) print(np.max(c)) print(np.min(c)) print(np.ptp(c))  181.72 155.15 26.57

接下来我们进行简单的统计分析

我们先来求取收盘价的中位数

import numpy as np  c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True) print(np.max(c)) print(np.min(c)) print(np.median(c))  181.72 155.15 174.35

求取方差

另外一个我们关心的统计量就是方差,方差能够体现变量变化的程度。在我们的例子中,方差还可以告诉我们投资风险的大小。那些股价变动过于剧烈的股票一定会给持有者带来麻烦

import numpy as np  c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True) print(np.var(c))  37.5985528621

我们回顾一下方差的定义,方差指的是各个数据与所有数据算数平均数的离差平方和的均值

import numpy as np  c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True) print(np.mean((c - c.mean())**2))  
37.5985528621

上下对比一下,看看,结果是一模一样的。
现在我们来看看每天的收益率,这个计算式子很简单:
在这里插入图片描述
即用今天的收盘价减去昨天的收盘价,再除以昨天的收盘价格。同时我们发挥NumPy的优势,利用向量运算,可以一次性算出所有交易日的收益率

diff函数时用数组的第N项减第N-1项,得到一个n-1项的一维数组。本例中我们注意到数组中日期越近的收盘价,数组索引越小,因此得取一个相反数,综上代码:

import numpy as np  c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True) returns = -np.diff(c)/c[1:] print(returns)  [-0.00352645  0.00117687 -0.00850142 -0.0096302   0.00966774  0.01718097   0.0109124

然后观察一下每日收益的标准差,就可以看看收益的波动大不大了:

import numpy as np  c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True) returns = -np.diff(c)/c[1:] print(np.std(returns))  0.0150780328454

如果我们想看看哪些天的收益率是正的,很简单,还记得where语句吗,拿来使用吧

import numpy as np  c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True) returns = -np.diff(c)/c[1:] print(np.where(returns>0))  (array([ 1,  4,  5,  6,  9, 10, 14, 15, 16, 20, 21, 22, 23, 24, 27, 30, 31,  34, 37, 40, 

专业上我们对价格变动可以用一个叫做“波动率”的指标进行度量。计算历史波动率时需要用到对数收益率,对数收益率很简单,就是
在这里插入图片描述
依照对数的性质,他等于
在这里插入图片描述
在计算年化波动率时,要用样本中所有的对数收益率的标准差除以其均值,再除以交易日倒数的平方根,一年交易日取252天。

我们简单的看一下下面的代码

import numpy as np  c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True) logreturns = -np.diff(np.log(c)) volatility = np.std(logreturns) / np.mean(logreturns) annual_volatility = volatility / np.sqrt(1./252.) print(volatility) print(annual_volatility)  100.096757388 1588.98676256

这里我们再强调一点就是:sqrt方法中应用了除法计算,这里必须使用浮点数进行运算。月度波动率也是同理用1./12.即可

我们可以常常会发现,在数据分析的过程中,对于日期的处理和分析也是一个很重要的内容。

我们先试图用老办法来从csv文件中把日期数据读出来

import numpy as np  dates,c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(0,1), unpack=True)Traceback (most recent call last):File "E:/12homework/12homework.py", line 2, in <module>dates,c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(0,1), unpack=True)  File "C:\Python34\lib\site-packages\numpy\lib\npyio.py", line 930, in loadtxtitems = [conv(val) for (conv, val) in zip(converters, vals)]File "C:\Python34\lib\site-packages\numpy\lib\npyio.py", line 930, in <listcomp>items = [conv(val) for (conv, val) in zip(converters, vals)]File "C:\Python34\lib\site-packages\numpy\lib\npyio.py", line 659, in floatconvreturn float(x)ValueError: could not convert string to float: b'2018/3/16'

我们发现他报错了,错误信息是不能将一个字节类型的对象转换为浮点类型对象。原因是因为NumPy是面向浮点数运算的,那么我们对症下药,对日期字符串进行一些转换处理。

我们先假定日期是一个字符串类型(下载的网络数据中往往是将字符串通过utf-8编码成字节码,这个可以见第一季中字符编码相关内容的介绍)

import numpy as np import datetime   strdate = '2017/3/16' d = datetime.datetime.strptime(strdate,'%Y/%m/%d') print(type(d)) print(d)  <class 'datetime.datetime'> 2017-03-16 00:00:00

通过python标准库中的datetime函数包,我们通过指定匹配的格式%Y/%m/%d

将日期字符串转换为了datetime类型对象,Y大写匹配完整的四位数记年,y小写就是两位数,例如17。

datetime对象有一个date方法,把datetime对象中的time部分去掉,变成一个纯的日期,再调用weekday可以转换为一周中的第几天,这里是从周日开始算起的。

import numpy as np import datetime strdate = '2018/3/16' d = datetime.datetime.strptime(strdate,'%Y/%m/%d') print(d.date()) print(d.date().weekday())  2018-03-16 4

最后,我们回到这份苹果公司股价的csv文件,来做一个综合分析,来看看周几的平均收盘价最高,周几的最低:

import numpy as np import datetime  def datestr2num(bytedate):  return datetime.datetime.strptime(bytedate.decode('utf-8'),'%Y/%m/%d').date().weekday()  dates,c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(0,1), converters={0: datestr2num}, unpack=True) averages = np.zeros(5) for i in range(5):     index = np.where(dates == i)     prices = np.take(c, index)     avg = np.mean(prices)     averages[i] = avg  print("Day {} prices: {},avg={}".format(i,prices,avg))  top = np.max(averages) top_index = np.argmax(averages) bot = np.min(averages) bot_index = np.argmin(averages) print('highest:{}, top day is {}'.format(top,top_index)) print('lowest:{},bottom day is {}'.format(bot,bot_index))  Day 0 prices: [[ 181.72  176.82  178.97  162.71  156.49  167.96  177.    174.35  176.42]],avg=172.49333333333334 Day 1 prices: [[ 179.97  176.67  178.39  171.85  164.34  163.03  166.97  177.04  176.19    174.33  172.26  170.57  174.54]],avg=172.78076923076924 Day 2 prices: [[ 178.44  175.03  178.12  171.07  167.37  159.54  167.43  174.22  179.1    174.29  172.23  170.6   174.35]],avg=172.44538461538463 Day 3 prices: [[ 178.65  176.94  175.    172.5   172.99  155.15  167.78  171.11  179.26    175.28  173.03  171.08  175.01]],avg=172.59846153846152 Day 4 prices: [[ 178.02  179.98  176.21  175.5   172.43  156.41  160.5   171.51  178.46    177.09  175.    169.23  175.01]],avg=172.71923076923073 highest:172.78076923076924, top day is 1 lowest:172.44538461538463,bottom day is 2

简要的再分析一下:由于从csv中读取的数据类型为bytes,所以我们写了一个转换函数,先将bytes类型的日期数据进行解码(字符串编解码详见第一季),然后再用上一段程序介绍的方法转换为一个表示周几的数字

而np.loadtxt函数中的参数converters={0: datestr2num},就是说针对第一列的数据,我们利用这个转换函数将其转化为一个数字,并将这个整形元素构成的数组赋值给dates变量。

后面的处理就很简单了,用循环依次取出每个工作日的收盘价构成的数组,对其求平均值。然后得到周一到周五,五个平均值的最大值、最小值。

最后我们再介绍两个实用函数,一个是数组的裁剪函数,即把比给定值还小的值设置为给定值,比给定值大的值设置为给定上限

import numpy as np  a = np.arange(5) print(a.clip(1,3))  [1 1 2 3 3]

第二个是一个筛选函数,返回一个根据给定条件筛选后得到的结果数组

import numpy as np  '''
更多Python学习资料以及源码教程资料,可以在群1136201545免费获取
'''
a = np.arange(5) print(a.compress(a > 2))  [3 4]

这一小节中,我们利用NumPy的一些实用函数,对苹果公司的股价进行了一些非常非常简单的分析,目的是通过这个实例来串讲一下这些实用的数据处理函数。

其实NumPy的功能非常非常多,远不止这些,但是没有必要去一个一个学。并且另一方面,NumPy的方法都过于原始和底层,虽然功能很丰富,但是使用起来也很繁杂。这里我们为大家打一个基础,后面的章节就不会再一一介绍里面的各种函数了。后面我要介绍基于NumPy之上的一些更高层的方法库,功能更强大,使用也更简单。

这篇关于用Python分析苹果公司股价数据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/170795

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4