股票分析

需求：股票分析

• 使用tushare包获取某股票的历史行情数据。
• 输出该股票所有收盘比开盘上涨3%以上的日期。
• 输出该股票所有开盘比前日收盘跌幅超过2%的日期。
• 假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？

 import tushare as ts

import pandas as pd

from pandas import DataFrame,Series

import numpy as np 

 #获取某只股票的历史行情数据

#code:字符串形式的股票代码

df = ts.get_k_data(code='000893',start='2000-01-27') 

 #将互联网上获取的股票数据存储到本地

df.to_csv('./jiaomei.csv')#调用to_xxx方法将df中的数据写入到本地进行存储 

 #将本地存储的数据读入到df,自动添加了索引

df = pd.read_csv('jiaomei.csv')

df.head() 

 #删除df中指定的一列

df.drop(labels='Unnamed: 0',axis=1,inplace=True) #删除每一行的labels列 

 #查看每一列的数据类型

df.info() 

 #将date列转为时间序列类型

df['date'] = pd.to_datetime(df['date']) 

 #将date列作为源数据的行索引

df.set_index('date',inplace=True) 

捕获上涨和下跌的日期

 #输出该股票所有收盘比开盘上涨3%以上的日期

#伪代码：（收盘-开盘）/开盘 > 0.03

(df['open'] - df['close']) / df['open'] > 0.03



#在分析的过程中如果产生了boolean值则下一步马上将布尔值作为源数据的行索引

 #如果布尔值作为df的行索引，则可以取出true对应的行数据，忽略false对应的行数据

df.loc[(df['open'] - df['close']) / df['open'] > 0.03] #获取了True对应的行数据（满足需求的行数据）



df.loc[(df['open'] - df['close']) / df['open'] > 0.03].index #df的行数据 

 #输出该股票所有开盘比前日收盘跌幅超过2%的日期

#伪代码：(开盘-前日收盘)/前日收盘 < -0.02

(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02  #shift[1]表示下移一行

#将布尔值作为源数据的行索引取出True对应的行数据

df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02]



df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02].index 

• 需求：假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？
• 分析：
  
  • 时间节点：2010-2020
  • 一手股票：100支股票
  • 买：
    
    • 一个完整的年需要买入1200支股票
  • 卖：
    
    • 一个完整的年需要卖出1200支股票
  • 买卖股票的单价：
    
    • 开盘价

 new_df = df['2010-01':'2020-02'] 

买股票需要找到每个月的第一个交易日的行数据

 #买股票：找每个月的第一个交易日对应的行数据（捕获到开盘价）==》每月的第一行数据

#根据月份从原始数据中提取指定的数据

#每月第一个交易日对应的行数据

df_monthly = new_df.resample('M').first()#数据的重新取样 

可以看到这里的索引出现的偏差，但是后面的数据是没有问题的

 #买入股票花费的总金额

cost = df_monthly['open'].sum()*100

93359.50000000001 

 #卖出股票到手的钱

#特殊情况：2020年买入的股票卖不出去

new_df.resample('A').last()

#将2020年最后一行切出去

df_yearly = new_df.resample('A').last()[:-1]

df_yearly 

 #卖出股票到手的钱

resv = df_yearly['open'].sum()*1200

81811.19999999998 

 #最后手中剩余的股票需要估量其价值计算到总收益中

#使用昨天的收盘价作为剩余股票的单价

last_monry = 200*new_df['close'][-1]

#计算总收益

resv+last_monry-cost

-10965.300000000032 亏了，，，，，