python金融大数据分析笔记----第六章2（处理金融数据及其可视化）

import datetime
import pandas_datareader.data as web
import numpy as np
import pandas as pd

start = datetime.datetime(2016, 1, 1) # or start = '1/1/2016' or '2016-1-1'
end = datetime.date.today()
# 从雅虎财经拉取的苹果股价
DAX = web.DataReader('^GDAXI', 'yahoo', start, end)
DAX.info()

DatetimeIndex: 963 entries, 2016-01-04 to 2019-10-22
Data columns (total 6 columns):
High         963 non-null float64
Low          963 non-null float64
Open         963 non-null float64
Close        963 non-null float64
Volume       963 non-null float64
Adj Close    963 non-null float64
dtypes: float64(6)
memory usage: 52.7 KB

DAX.tail()

Out[5]: 
                    High           Low      ...           Volume     Adj Close
Date                                        ...                               
2019-10-16  12698.370117  12603.830078      ...       99475900.0  12670.110352
2019-10-17  12814.490234  12647.860352      ...       99302200.0  12654.950195
2019-10-18  12700.379883  12603.169922      ...       88676100.0  12633.599609
2019-10-21  12787.349609  12646.280273      ...       80978200.0  12747.959961
2019-10-22  12791.309570  12730.700195      ...       79430700.0  12754.690430

[5 rows x 6 columns]

DataReader函数参数

参数	格式	描述
name	字符串	数据集名称——通常是股票代码
data_source	如“yahoo”	“yahoo”:Yahoo! Finance, ”google”:Google Finance, ”fred”:St. Louis FED (FRED), ”famafrench”:Kenneth French’s data library, ”edgar-index”:the SEC’s EDGAR Index
start	字符串/日期时间/None	范围左界（默认”2010/1/1”）
end	字符串/日期时间/None	范围右界（默认当天）

为了更好地概览指数的历史，使用plot方法生成图表

DAX['Close'].plot(figsize=(6,5))

根据每天的收盘价返回对数收益率（每日指数收益率）

DAX['Return'] = np.log(DAX['Close'] / DAX['Close'].shift(1))
DAX.tail()

Out[15]: 
                    High           Low    ...        Adj Close    Return
Date                                      ...                           
2019-10-16  12698.370117  12603.830078    ...     12670.110352  0.003187
2019-10-17  12814.490234  12647.860352    ...     12654.950195 -0.001197
2019-10-18  12700.379883  12603.169922    ...     12633.599609 -0.001689
2019-10-21  12787.349609  12646.280273    ...     12747.959961  0.009011
2019-10-22  12791.309570  12730.700195    ...     12754.690430  0.000528

[5 rows x 7 columns]

补充：

1. shift方法，它相对于索引向前或者向后移动Series或者DataFrame对象
2. %time DAX[‘Return’] = np.log(DAX[‘Close’] / DAX[‘Close’].shift(1)) 可用于计算运行该行代码花费的时间

DAX[['Close', 'Return']].plot(subplots=True, style='b', figsize=(8, 5))

理论知识：
波动率聚集：
波动率不是长，期恒定的，既有高波动率时期（正收益率和负收益率都很高），也有低波动率时期

杠杆效应：
一般来说，波动性和股票市场收益是负相关的，当市场下跌时，波动性升高

• 波动率对期权交易着特别重要，而技术型股票交易者可能对移动平均值（所谓趋势）更感兴趣；
• 移动平均值，就是指定时间段，对时间序列数据进行移动计算平均值。移动平均值常常用在计算股票的移动平均线、存货成本等方面
• 移动平均值可用DataFrame/Series.rolling(window).mean()计算，相应的还有一些其他滚动函数，eg：DataFrame/Series.rolling(window).max()、DataFrame/Series.rolling(window).min()和DataFrame/Series.rolling(window).corr()

• #DataFrame/Series.rolling(window, min_periods=None, freq=None, center=False, win_type=None, axis=0)
  #window:移动窗口的大小

DAX['42d'] = DAX['Close'].rolling(window=42).mean()

DAX['252d'] = DAX['Close'].rolling(window=252).mean()

DAX[['Close','42d','252d']].tail()

Out[16]: 
                   Close           42d          252d
Date                                                
2019-10-25  12894.509766  12325.037900  11760.310896
2019-10-28  12941.709961  12354.578148  11766.797363
2019-10-29  12939.620117  12380.786249  11773.698157
2019-10-30  12910.230469  12403.904111  11779.947165
2019-10-31  12905.269531  12426.558617  11786.367323

包含两种典型股价图表：

DAX[['Close','42d','252d']].plot(figsize=(8,6))

在期权交易者严重，对数收益率的移动历史标准差——移动历史波动率更重要

import math
DAX['Mov_Vol'] = DAX['Return'].rolling(252).std() * math.sqrt(252)
DAX[['Close','Mov_Vol','Return']].plot(subplots=1, style='b', figsize=(8,6))

从图中可以看出，市场下跌的时候，历史移动波动率倾向于升高，而在市场上涨时历史移动波动率下降