Day03| 第四期-阿里巴巴股票行情分析(二)

小鱼儿 2023-02-24 08:42 16阅读 0赞

![format_png][]

**                  ****  01    前言    ****               **

近日，A股，沪指出现短期上涨的趋势，经济有回暖的迹象，市场看好中国经济，成为股票投资的热门话题。

![format_png 1][]

怎样的投资策略是可以增加收益的呢？

阿里巴巴股票行情案例分析（二）是以10日线为参考数据计算买卖点并简单模拟投资行为的投资策略，通过分析评估过去三年阿里股票的收益。

知识卡片

数据分析中的数组结构

![format_png 2][]

**Python-List：**是Python中最基本的数据结构，序列中的每个元素都分配一个数字 - 它的位置或索引, \[ \]内的逗号分隔值出现,可以是不同类型的数据，可创建多维数组。

**Numpy-Ndarry：**是NumPy中的多维数组，它是一系列同类型数据的集合，元素在数组\[ \]中显示时元素间没有逗号,基于C语言开发，处理数据速度快。

**Pandas-Series：**一维序列，可自定义标签或索引，通过标签访问数据，有两个基本属性index 和 values。

**Pandas-DataFrame：**二维表结构，以表格形式存储，分成行和列，通过DataFrame可以很方便操作行和列的数据。DataFrame()函数的三个基本参数为data、index和columns分别为数据、行索引和列索引。

![format_png 3][]

**    数据源：阿里股票行情分析(一)的数据相同，公众号回复 DT16 获取**

**       **** **

**            02 投资策略  ****                   **

股价超出10日均线买入，跌破十日均线卖出，卖出前不会进行下一次买入。

简单起见，只采用收盘价进行分析。

# 加载数据，把date这一列设置为索引，简单起见，只用收盘价进行分析
    import numpy as np
    import pandas as pd
    df = pd.read_csv('./BABA_stock.csv', index_col='date', usecols=[0, 1])

# 先查看一下数据
    df.head()
    # date 列是字符串格式，需要转换成datetime格式作为索引更方便

![format_png 4][]

# 将索引转换为datetime形式 ；
    # stripe 把左右两边字符串去掉 也就是单引号
    df.index = pd.DatetimeIndex(df.index.str.strip("'"))
    df.index

DatetimeIndex(['2016-04-15', '2016-04-18', '2016-04-19', '2016-04-20',
                  '2016-04-21', '2016-04-22', '2016-04-25', '2016-04-26',
                  '2016-04-27', '2016-04-28',
                  ...
                  '2019-04-02', '2019-04-03', '2019-04-04', '2019-04-05',
                  '2019-04-08', '2019-04-09', '2019-04-10', '2019-04-11',
                  '2019-04-12', '2019-04-15'],
                dtype='datetime64[ns]', name='date', length=755, freq=None)

# 数据中最近的日期排在前面，按照日期重新排序
    df.sort_index(inplace=True)
    print(df.head())
    df.describe()

close
    date            
    2016-04-15 78.97
    2016-04-18 79.01
    2016-04-19 79.46
    2016-04-20 81.21
    2016-04-21 80.78

![format_png 5][]

# 计算10日均线数据
    ma10 = df.rolling(10).mean().dropna() # 滚动取前十条数据 但是前9条数据没有均值，dropna去除
    ma10

![format_png 6][]

**                     **

**03 找出买点和卖点**

买点：根据十日均线的变化，买点出现在由跌幅到涨的过程中，因此也就是由false变true的情况下

方法：找到十日均线上的相邻两个数据点，第一个点是false，第二点是true，那么选取true所在的记录

卖点：涨势变跌势，低于当十日均线点时，即由true变false的时候，选取false所在的记录

# 买点：当股价上涨，超出10日均线点的时候
    ma10_model = df['close'] - ma10['close'] > 0 # pandas会将日期索引相同的数据相减
    ma10_model.head(30)

# 建立函数处理一个两行数据 w， 由true和false，可使用rolling函数，两行记录成一组
    # 函数再添加一个参数，来判断是买点还是卖点
    def get_deal_date(w, is_buy=True):
       if is_buy == True:
           return True if w[0] == False and w[1] == True else False
    # return True if w[0] == False and w[1] == True else False 这一行是一个三目运算，if then else 简写等于
    # if w[0] == False and w[1] == True:
    #   return True
    # else:
    #   return false
       else :
           return True if w[0] == True and w[1] == False else False

# 对选取的相邻两行记录运行函数，找出买点
    # raw=False 没有的话会有警告信息
    # raw=False 时行列以pandas series格式来处理，raw = True 时行列以 numpy ndarry格式处理
    # ma10_model.rolling(2).apply(get_deal_date, raw=False)
    # 运行上面一条语句，有Na值，如果删除Na值，会有缺失，所以这里用0填充，将0，1转换为bool值方便后面取值
    se_buy = ma10_model.rolling(2).apply(get_deal_date, raw=False).fillna(0).astype('bool')
    se_buy
    # 验证数据，2016-05-05是一个买点，从十日均线的数据进行验证，正确

date
    2016-04-15   False
    2016-04-18   False
    2016-04-19   False
    2016-04-20   False
    2016-04-21   False
    2016-04-22   False
    2016-04-25   False
    2016-04-26   False
    2016-04-27   False
    2016-04-28   False
    2016-04-29   False
    2016-05-02   False
    2016-05-03   False
    2016-05-04   False
    2016-05-05     True
    2016-05-06   False
    2016-05-09   False
    2016-05-10   False
    2016-05-11   False
    2016-05-12   False
    2016-05-13   False
    2016-05-16     True
    2016-05-17   False
    2016-05-18   False
    2016-05-19   False
    2016-05-20   False
    2016-05-23     True
    2016-05-24   False
    2016-05-25   False
    2016-05-26   False
                ...  
    2019-03-05   False
    2019-03-06   False
    2019-03-07   False
    2019-03-08   False
    2019-03-11   False
    2019-03-12   False
    2019-03-13   False
    2019-03-14   False
    2019-03-15   False
    2019-03-18     True
    2019-03-19   False
    2019-03-20   False
    2019-03-21   False
    2019-03-22   False
    2019-03-25   False
    2019-03-26   False
    2019-03-27   False
    2019-03-28   False
    2019-03-29     True
    2019-04-01   False
    2019-04-02   False
    2019-04-03   False
    2019-04-04     True
    2019-04-05   False
    2019-04-08   False
    2019-04-09   False
    2019-04-10   False
    2019-04-11   False
    2019-04-12   False
    2019-04-15   False
    Name: close, Length: 755, dtype: bool

# 找出卖点
    # apply的args接受数组或者字典给自定义函数传参，即将is_buy=False传给apply函数
    se_sell = ma10_model.rolling(2).apply(get_deal_date, raw=False, args=[False]).fillna(0).astype('bool')
    se_sell
    # 2016-05-13是一个卖点，从十日均线进行验证，正确

date
    2016-04-15   False
    2016-04-18   False
    2016-04-19   False
    2016-04-20   False
    2016-04-21   False
    2016-04-22   False
    2016-04-25   False
    2016-04-26   False
    2016-04-27   False
    2016-04-28   False
    2016-04-29   False
    2016-05-02   False
    2016-05-03   False
    2016-05-04   False
    2016-05-05   False
    2016-05-06   False
    2016-05-09   False
    2016-05-10   False
    2016-05-11   False
    2016-05-12   False
    2016-05-13     True
    2016-05-16   False
    2016-05-17   False
    2016-05-18     True
    2016-05-19   False
    2016-05-20   False
    2016-05-23   False
    2016-05-24   False
    2016-05-25     True
    2016-05-26   False
                ...  
    2019-03-05   False
    2019-03-06   False
    2019-03-07     True
    2019-03-08   False
    2019-03-11   False
    2019-03-12   False
    2019-03-13   False
    2019-03-14   False
    2019-03-15   False
    2019-03-18   False
    2019-03-19   False
    2019-03-20   False
    2019-03-21   False
    2019-03-22     True
    2019-03-25   False
    2019-03-26   False
    2019-03-27   False
    2019-03-28   False
    2019-03-29   False
    2019-04-01   False
    2019-04-02   False
    2019-04-03     True
    2019-04-04   False
    2019-04-05   False
    2019-04-08   False
    2019-04-09   False
    2019-04-10   False
    2019-04-11   False
    2019-04-12   False
    2019-04-15     True
    Name: close, Length: 755, dtype: bool

# 具体的买卖点
    buy_info = df[se_buy.values]
    sell_info = df[se_sell.values]
    print(buy_info.info(),'\n',buy_info.head(),'\n')
    print(sell_info.info(),'\n',sell_info.head())

<class 'pandas.core.frame.DataFrame'>
    DatetimeIndex: 63 entries, 2016-05-05 to 2019-04-04
    Data columns (total 1 columns):
    close   63 non-null float64
    dtypes: float64(1)
    memory usage: 1008.0 bytes
    None
                close
    date            
    2016-05-05 78.83
    2016-05-16 79.29
    2016-05-23 79.00
    2016-05-27 80.97
    2016-06-14 77.77
    
    <class 'pandas.core.frame.DataFrame'>
    DatetimeIndex: 63 entries, 2016-05-13 to 2019-04-15
    Data columns (total 1 columns):
    close   63 non-null float64
    dtypes: float64(1)
    memory usage: 1008.0 bytes
    None
                close
    date            
    2016-05-13 77.16
    2016-05-18 79.03
    2016-05-25 75.59
    2016-06-01 76.69
    2016-06-17 77.00

# 买和卖的索引值不一样，不过数据都有63条，只需要价格信息来算相同索引对应买卖的盈利，所以删除时间索引信息
    no_index_buy_info = buy_info.reset_index(drop=True)
    no_index_sale_info = sale_info.reset_index(drop=True)
    print(no_index_buy_info.head())
    print(no_index_sale_info.head())

close
    0 78.83
    1 79.29
    2 79.00
    3 80.97
    4 77.77

close
    0 77.16
    1 79.03
    2 75.59
    3 76.69
    4 77.00

**               04 盈利评估              **

# 每次交易的盈利情况
    profit = no_index_sale_info - no_index_buy_info
    print(profit)
    # 大体数据
    profit.describe()
    # 读图可知，总共交易63次，平均盈利0.57每股，亏得最多一次是9.2，赚的最多一次是17.8

![format_png 7][]

close
    0   -1.67
    1   -0.26
    2   -3.41
    3   -4.28
    4   -0.77
    5   -1.86
    6   5.06
    7   9.54
    8   5.45
    9   -0.45
    10 -0.96
    ..   ...
    56 -6.10
    57 12.40
    58 12.52
    59   7.14
    60 -5.57
    61 -4.13
    62   2.00
    
    [63 rows x 1 columns]

# 三年总利润，不算手续费
    profit.sum()
    # 如果按照每股100元买入，三年买卖63次，三年内每股的收益是36.07，平均下来每次买卖一股赚36.07/63等于0.57

close   36.07
    dtype: float64

# 假如有1w美元，每次买卖最终盈利是多少呢？
    all_money = 10000 # 本金
    remain = all_money # 一次买卖之后剩多少钱
    fee = 0.0003 # 手续费
    # 每次交易买多少股票
    for i in range(len(no_index_buy_info)):
       buy_count = remain / no_index_buy_info.iloc[i]  # 买的数量
       remain = buy_count * no_index_sale_info.iloc[i] * (1 - fee) 
       print(remain)
    
    # 查看最后一条记录，剩下13540.89，平均每年收益有本金的10%多一点，
    # 以10日线计算买卖点的投资策略收益还是不错的。

# 事实上过去阿里三年的股价已经翻了一倍，只要买进不卖出，即可享有收益，阿里的历史股票数据分析基本都是涨，投资者在购买时采用的策略会更为复杂

close   13583.272217
    dtype: float64
    close   14148.920283
    dtype: float64
    close   13711.381634
    dtype: float64
    close   13396.985853
    dtype: float64
    close   13540.898129
    dtype: float64

**                    05 写在最后                  **

投资策略的评估以10日均线为参考，找出买卖点；为加强本次案例的学习，可以将10日均线改成，30日均线或者60日均线进行买卖，观察收益是否会不同，以何种日期长度均线作为参考，收益最高。

案例分析的股票购买策略评估是最基础的股票行情分析，事实上大型的投资机构，会雇佣有很多金融，数学背景的专业人员，使用复杂的模型计算形成投资策略。为避免分析内容产生误导，不提倡在学习股票行情分析的案例后，盲目地进行投资，股票购买有很大的风险，市场波动的影响因素多，变化快，以慎重为益~

需要加群的同学，添加小助手微信 A2XF669 后,回复数字 4 拉你进入学习群，晚上八点半到九点半一起讨论，交流学习！

![format_png 8][]

[Day01| 第四期-北京积分落户数据分析][Day01_ _-]

[Day02| 第四期-阿里巴巴股票行情分析(一)][Day02_ _-]

![format_png 9][]

### 在看和转发 ###

### 都是一种支持 ###

![format_png 10][]

[format_png]: /images/20230209/ca8f3b7d42224fd29054b004b652a059.png
[format_png 1]: /images/20230209/d69aaa06fc634c1f834be48e79f2a739.png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9NdDJ5QlRoeW9lb2VCTDVKUGV4OWdYS25nT3JZZWZEcENLS3hkTmlhOFlIb1ROaWEzWlVVb2liN3dpYlBtczJTdHBiNWFsMXNOdE1WS0NtMWNxWk5xY3lWSkEvNjQw?x-oss-process=image/format,png
[format_png 3]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9pYndNVVR3UjNoV0N6TFJYMW5maWJxVU5SMWZlaWFDMXRncFQ5aWJFQnJGaWFtTXlSdFpSaWFYU2REaWJ0MjA5aWN1aWNHenBudTBjaWJxTEI1ZkdrSDNpY2JIdVhSTWVBLzY0MA?x-oss-process=image/format,png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xaWFTbDNSVDFSYzBOaDM1UERreFRiV3ZRVGZuaWFVR1FyUEhERzFWQms0eGd5ak1pY3ZweHpmNm8wWW0zM1YyUlJ5bWdLWTczNHh6TkFPNkFqUzYyaWJBaFEvNjQw?x-oss-process=image/format,png
[format_png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xaWFTbDNSVDFSYzBOaDM1UERreFRiV3ZRVGZuaWFVR1Fyc0Y1U1FkS2liSGljbnA0OGljSlg0NGgxRW1lcjE0ZXdXRVlZZ0ZTdHFETGlhUVRsQ0xYaWF5RGNic0EvNjQw?x-oss-process=image/format,png
[format_png 6]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xaWFTbDNSVDFSYzBOaDM1UERreFRiV3ZRVGZuaWFVR1FyaWJIT0FZMWFuSEJsYVdlSTJnVXJzaWFnWEFIaWFKY3Z4eU1wSmM3eDFCdkVDaG5rTHNjVnY4YzVBLzY0MA?x-oss-process=image/format,png
[format_png 7]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xaWFTbDNSVDFSYzBOaDM1UERreFRiV3ZRVGZuaWFVR1FyZXpkRXZVdGNqd0xRV1ZZU0tpYTQ4OUh4dlNJZWdRMHF0eDM2WWhMOTVIRE83ajYxRE11UExPdy82NDA?x-oss-process=image/format,png
[format_png 8]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2dpZi9jMlNpYjNNcDdwT1BpY2ZvT3hEc2liamRkWUpvemVoaWNMTjlwWEJiQ1JGWXJ6VXVnUkp0M29nbFBjSW1IbTliMk93SlppYlpsT2ljRjRMSGw0bmVhQmJrY1ZZZy82NDA?x-oss-process=image/format,png
[Day01_ _-]: https://blog.csdn.net/weixin_40247412/article/details/107171838
[Day02_ _-]: https://blog.csdn.net/weixin_40247412/article/details/107194524
[format_png 9]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xaWFTbDNSVDFSYzJWQ2oyRmhpY2ljYm9maWFoNGFpY2xQM291c0d2UjJXNFNpYmZrZDNpYUNxaDJvV0pFZkI1TDlsZDdCWTNYUndsdUZYQ0c1UFp2clkwZzg3aHcvNjQw?x-oss-process=image/format,png
[format_png 10]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2dpZi96S0J3RGR1OFU4RVVoMmNOWHZaUlprMUJVTG15ZVluaktpYnlLYng5U0gwZ0FvWGlhZFZoVHRhNDFaaDFJdDg4aWFLbnJlWDBBdExBcGRVR2dWZnJZUlZUZy82NDA?x-oss-process=image/format,png