Python金融数据分析初探

1.python金融数据分析案例

Tushare是一个免费、开源的python财经数据接口包主要实现对股票等金融数据从数据采集、清洗加工 到 数据存储的过程，能够为金融分析人员提供快速、整洁、和多样的便于分析的数据，为他们在数据获取方面极大地减轻工作量，使他们更加专注于策略和模型的研究与实现上。

2.python金融数据分析报告

考虑到Python pandas包在金融量化分析中体现出的优势，Tushare返回的绝大部分的数据格式都是pandas DataFrame类型，非常便于用pandas/NumPy/Matplotlib进行数据分析和可视化。

3.python金融数据处理

#先引入后面可能用到的包（package）import pandas as pd import numpy as npimport matplotlib.pyplot as plt配置文件的读入可以使用 rc_params 函数，它返回一个配置字典

4.python的金融分析

#正常显示画图时出现的中文from pylab import mpl#这里使用微软雅黑字体mpl.rcParams[font.sans-serif]=[SimHei]#画图时显示负号mpl.rcParams[axes.unicode_minus]=False

5.python金融数据挖掘pdf

import seaborn as sns #画图用的import tushare as ts%matplotlib inlinesh=ts.get_k_data(code=sh,ktype=D,autype=qfq, start=2000-01-01)

6.python金融数据可视化分析

参数说明：code：股票代码，即6位数字代码，或者指数代码（sh=上证指数 sz=深圳成指 hs300=沪深300指数 sz50=上证50 zxb=中小板 cyb=创业板）start：开始日期，格式YYYY-MM-DD

7.python金融数据分析与应用

end：结束日期，格式YYYY-MM-DDktype：数据类型，D=日k线 W=周 M=月 5=5分钟 15=15分钟 30=30分钟 60=60分钟，默认为Dretry_count：当网络异常后重试次数，默认为3

8.python金融数据分析视频

pause:重试时停顿秒数，默认为0#查看下数据前5行sh.head(5)

9.python金融数据分析代码

#将数据列表中的第0列date设置为索引sh.index=pd.to_datetime(sh.date) #画出上证指数收盘价的走势sh[close].plot(figsize=(12,6))plt.title(上证指数1990-2018年走势图)

10.python金融数据分析与挖掘

plt.xlabel(日期)plt.show()

#pandas的describe()函数提供了数据的描述性统计#count:数据样本，mean:均值，std:标准差sh.describe().round(2)

sh.loc[“2007-01-01”:][“volume”].plot(figsize=(18,6))plt.title(上证指数2007-2018年日成交量图)plt.xlabel(日期)plt.show()

#移动平均线：ma_day = [5,30,60]for ma in ma_day: column_name = “%s日均线” %(str(ma)) sh[column_name] =sh[“close”].rolling(ma).mean()

#sh.tail(3)#画出2010年以来收盘价和均线图sh.loc[2016-10-8:][[“close”,”5日均线”,”30日均线”,”60日均线”]].plot(figsize=(15,9))

plt.title(2010-2018上证指数走势图)plt.xlabel(日期)plt.show()

sh[“日收益率”] = sh[“close”].pct_change()sh[“日收益率”].loc[2015-01-01:].plot(figsize=(16,8))plt.xlabel(日期)plt.ylabel(收益率)

plt.title(2015-2018年上证指数日收益率)plt.show()

#(linestyle)以及加一些标记(marker)sh[“日收益率”].loc[2015-01-01:].plot(figsize=(16,7),linestyle=”–“,marker=”o”,color=”g”)

plt.title(2015-2018年日收益率图)plt.xlabel(日期)plt.show()

#jointplot这个函数可以画出两个指数的”相关性系数“，或者说皮尔森相关系数sns.jointplot(sh,sz,data=tech_rets)

#成对的比较不同数据集之间的相关性，#而对角线则会显示该数据集的直方图sns.pairplot(tech_rets.iloc[:,3:].dropna())