寫點(diǎn)代碼分析一下俄羅斯的股票購買

一、數(shù)據(jù)獲取

數(shù)據(jù)獲取范圍為2022年一月一日到2022年2月25日，獲取的數(shù)據(jù)為黃金，白銀，石油，銀行，天然氣：

# 導(dǎo)入模塊 import numpy as np import pandas as pd import yfinance as yf # GC=F黃金，SI=F白銀，ROSN.ME俄羅斯石油，SBER.ME俄羅斯銀行，天然氣 tickerSymbols = ['GC=F', 'SI=F', 'ROSN.ME', 'SBER.ME','NG=F'] # 獲取這些代碼的數(shù)據(jù) MSFT = yf.Ticker(tickerSymbols[0]) TSLA = yf.Ticker(tickerSymbols[1]) AAPL = yf.Ticker(tickerSymbols[2]) AMZN = yf.Ticker(tickerSymbols[3]) GOOG = yf.Ticker(tickerSymbols[4]) # 獲取代碼的歷史價(jià)格 MSFT_df = MSFT.history(period='1d', start='2022-1-1', end='2022-2-25') TSLA_df = TSLA.history(period='1d', start='2022-1-1', end='2022-1-25') AAPL_df = AAPL.history(period='1d', start='2022-1-1', end='2022-1-25') AMZN_df = AMZN.history(period='1d', start='2022-1-1', end='2022-1-25') GOOG_df = GOOG.history(period='1d', start='2022-1-1', end='2022-1-25') # 比如天然氣 GOOG_df.head()

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

如下：

二、合并數(shù)據(jù)

# 將每只股票的收盤列保存到新變量中 MSFT = MSFT_df['Close'] TSLA = TSLA_df['Close'] AAPL = AAPL_df['Close'] AMZN = AMZN_df['Close'] GOOG = GOOG_df['Close'] # Concatenate all stocks close columns into one data frame stocks_df = pd.concat([MSFT, TSLA, AAPL, AMZN, GOOG], axis='columns', join='inner') # Rename the data frame columns with their corresponding tickers symbols stocks_df.columns = ['gold', 'silver', 'oil', 'bank', 'gas'] # Visualize the new data frame stocks_df.head()

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

如下：

三、繪制股票每日百分比變化

# 接下來，讓我們計(jì)算股票每日百分比變化并繪制它們以直觀地分析它們?cè)谶^去一個(gè)多月中的變化行為。 # 獲取每日百分比變化 stocks_df = stocks_df.pct_change().dropna() # 可視化新數(shù)據(jù)框 stocks_df.head() # 繪制每日百分比變化 stocks_df.plot(figsize=(20, 10), title="Daily Returns");

1

2

3

4

5

6

7

8

9

如下：

從圖也可以看出哪個(gè)變動(dòng)大，哪個(gè)穩(wěn)定）自己用眼睛看

四、箱線圖

上面的圖確實(shí)不好看，所以我們畫一個(gè)箱線圖更加直觀：

# 箱線圖 # 計(jì)算累積回報(bào) cumulative_returns = (1 + stocks_df).cumprod() # 繪制累積回報(bào) cumulative_returns.plot(figsize=(20, 10), title="Cumulative Returns"); # 箱線圖直觀地顯示風(fēng)險(xiǎn) stocks_df.plot.box(figsize=(20, 10), title="Portfolio Risk");

1

2

3

4

5

6

7

8

9

10

累計(jì)回報(bào)圖：

箱線圖：

顯然是天然氣收益最高；盒子越寬，晶須越長，股票的波動(dòng)性就越大。石油最穩(wěn)定，天然氣波動(dòng)大了點(diǎn)

五、計(jì)算月化夏普比率

#計(jì)算月化夏普比率 sharpe_ratios = (stocks_df.mean() * 30) / (stocks_df.std() * np.sqrt(30)) sharpe_ratios = sharpe_ratios.sort_values(ascending=False) sharpe_ratios

1

2

3

4

如下：

#將夏普比率可視化為條形圖 sharpe_ratios.plot(figsize=(20, 10), kind="bar", title="Sharpe Ratios");

1

2

如下：

六、結(jié)論

根據(jù)以上結(jié)果，建議購買黃金，其次為白銀，天然氣，俄羅斯銀行和石油不建議購買。注意：以上分析數(shù)據(jù)為2022年1月1日到2022年2月5日分析圖。歡迎你加qun:428335755 跟我一起交流，不保證盈利，僅供參考學(xué)習(xí)。

完整文件：Github

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請(qǐng)聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。