[[418764]]

本文主要講解用Python分析嗶哩嗶哩股價，通過對股票數(shù)據(jù)進行基礎(chǔ)分析，結(jié)合運用matplotlib繪圖庫進行可視化，并用機器學(xué)習(xí)方法 — 蒙特卡洛模擬預(yù)測未來一年股價走勢。

安裝

我們需要安裝numpy、pandas、matplotlib、scipy等Python數(shù)據(jù)科學(xué)工具包。

#關(guān)注公眾號：寬客邦，回復(fù)“源碼”獲取下載本文完整源碼 
import numpy as np 
import pandas as pd 
from math import sqrt 
import matplotlib.pyplot as plt 
from scipy.stats import norm 
from pandas_datareader import data 

選取嗶哩嗶哩(股票代碼：BILI)2018年上市到現(xiàn)在2021年的數(shù)據(jù)進行分析，數(shù)據(jù)來自雅虎。這里使用pd.to_datetime將數(shù)據(jù)集時間轉(zhuǎn)化為時間序列，便于股票的分析。

BILI = data.DataReader('BILI', 'yahoo',start='29/3/2018',) 
BILI.index=pd.to_datetime(BILI.index) 

首先用head()方法看一下數(shù)據(jù)集的結(jié)構(gòu)，數(shù)據(jù)集包含了股票的開盤價、收盤價、每日最低價與最高價、交易量等信息。掃描本文最下方二維碼獲取全部完整源碼和Jupyter Notebook 文件打包下載。

開盤價走勢

我們可以通過 matplotlib 進行數(shù)據(jù)可視化，plt.legend用于設(shè)置圖像的圖例，loc是圖例位置，upper right代表圖例在右上角。從圖中可以看出嗶哩嗶哩股票在2020年12月到2021年2月之間有一個快速的增長，隨后股價有所回落。

plt.figure(figsize=(16,6)) 
BILI['Open'].plot() 
plt.legend(['BILI'],loc='upper right') 

股票成交量

我們再來看一下股票的成交量。

plt.figure(figsize=(16,6)) 
BILI['Volume'].plot() 
plt.legend(['BILI'],loc='upper right') 
plt.xlim(BILI.index[0],BILI.index[-1]) 

股票交易總額

我們再分析以下股票的交易總額。從圖中可以很明顯看出2021年1月到5月間某一天交易總額創(chuàng)歷史新高。

BILI['Total Traded']=BILI['Open']*BILI['Volume'] 
 
plt.figure(figsize=(16,6)) 
BILI['Total Traded'].plot() 
 
plt.legend(['BILI'],loc='upper right') 
plt.xlim(BILI.index[0],BILI.index[-1]) 

下面我們來通過argmax()獲取最大交易總額的日期。

BILI['Total Traded'].argmax() 

輸出結(jié)果如下：

Timestamp('2021-02-25 00:00:00') 

我們搜索新聞可以發(fā)現(xiàn)，2021年2月25日嗶哩嗶哩(NASDAQ: BILI)公布了截至2020年12月31日的第四季度和全年未經(jīng)審計的財務(wù)報告。財報發(fā)布后，B站在美股的盤后股價一度漲超5%。

收盤價及其移動平均線

下面繪制BILI這支股票的收盤價及其移動平均線，我們可以用DataFrame的rolling()函數(shù)得到移動平均值。

BILI['Close'].plot(figsize=(16,6),xlim=(BILI.index[0],BILI.index[-1])) 
BILI['Close'].rolling(50).mean().plot(label='BILI MA50') 
BILI['Close'].rolling(200).mean().plot(label='BILI MA200') 
plt.legend() 

股票的收益率

下面我們計算每支股票的日收益率，并用直方圖進行展示。這里了三種方法來計算日收益率，第一種是直接使用計算公式計算;第二種是導(dǎo)入專用于金融領(lǐng)域的第三方庫ffn.to_returns函數(shù)計算;第三種是利用pandas自帶的函數(shù)pct_change(1)進行計算。掃描本文最下方二維碼獲取全部完整源碼和Jupyter Notebook 文件打包下載。

#關(guān)注公眾號：寬客邦，回復(fù)“源碼”獲取完整源碼，直接使用計算公式計算 
BILI['Return']=(BILI['Close']-BILI['Close'].shift(1))/BILI['Close'].shift(1) 
BILI=BILI.dropna() 
 
#導(dǎo)入專用于金融領(lǐng)域的第三方庫ffn.to_returns函數(shù)計算 
import ffn 
BILI['Return']=ffn.to_returns(BILI['Close']) 
 
#利用pandas自帶的函數(shù)pct_change(1)進行計算 
BILI['Return']=BILI['Close'].pct_change() 
BILI=BILI.dropna() 
 
#關(guān)注公眾號：寬客邦，回復(fù)“源碼”獲取下載本文完整源碼 
plt.hist(BILI['Return'],bins=50) 

也可以用箱圖觀察收益率

box_df = pd.concat([BILI['Return']],axis=1) 
box_df.columns = ['BILI Returns'] 
box_df.plot(kind='box',figsize=(8,11),colormap='jet') 

繪制股票的累計收益率

BILI['Cumulative Return']=(1+BILI['Return']).cumprod() 
 
BILI['Cumulative Return'].plot(label='BILI',figsize=(16,8),title='Cumulative Return') 
plt.legend() 

股票的復(fù)合年均增長率和收益的年度波動率

計算股票的復(fù)合年均增長率和收益的年度波動率。

#關(guān)注公眾號：寬客邦，回復(fù)“源碼”獲取完整源碼，計算復(fù)合年均增長率 
days = (BILI.index[-1] - BILI.index[0]).days 
cagr = ((((BILI['Adj Close'][-1]) / BILI['Adj Close'][1])) ** (365.0/days)) - 1 
print ('CAGR =',str(round(cagr)*100)+"%") 
mu = cagr 
 
#計算收益的年度波動率 
BILI['Returns'] = BILI['Adj Close'].pct_change() 
vol = BILI['Returns']*sqrt(252) 
print ("Annual Volatility =",str(round(vol,4)*100)+"%") 

CAGR = 71.72%Annual Volatility = 65.14%

用蒙特卡洛模擬預(yù)測股票走勢

我們來預(yù)測未來一個交易年度(252 天)內(nèi)潛在價格序列演變的單一模擬，基于遵循正態(tài)分布的每日收益隨機的抽取。由第一個圖表中顯示的單線系列表示。第二個圖表繪制了一年期間這些隨機每日收益的直方圖。掃描本文最下方二維碼獲取全部完整源碼和Jupyter Notebook 文件打包下載。

S = BILI['Adj Close'][-1] #起始股票價格（即最后一天的實際股票價格） 
T = 252 #交易天數(shù) 
mu = 0.7172 #復(fù)合年均增長率 
vol = 0.6514 #年度波動率 
 
#關(guān)注公眾號：寬客邦，回復(fù)“源碼”獲取完整源碼，使用隨機正態(tài)分布創(chuàng)建每日收益列表 
daily_returns=np.random.normal((mu/T),vol/math.sqrt(T))+1 
 
#關(guān)注公眾號：寬客邦，回復(fù)“源碼”獲取下載本文完整源碼 
price_list = [S] 
 
for x in daily_returns: 
    price_list.append(price_list[-1]*x) 
 
#生成價格序列的折線圖 
 
plt.plot(price_list) 
plt.show() 

生成每日收益的直方圖

plt.hist(daily_returns-1, 100)  
plt.show() 

1000次模擬預(yù)測未來嗶哩嗶哩股價走勢。

import numpy as np 
import math 
import matplotlib.pyplot as plt 
from scipy.stats import norm 
 
#關(guān)注公眾號：寬客邦，回復(fù)“源碼”獲取下載本文完整源碼 
S = BILI['Adj Close'][-1] #起始股票價格（即最后一天的實際股票價格） 
T = 252 #交易天數(shù) 
mu = 0.7172 #復(fù)合年均增長率 
vol = 0.6514 #年度波動率 
 
#選擇要模擬的運行次數(shù) - 我選擇1000 
for i in range(1000): 
    #使用隨機正態(tài)分布創(chuàng)建每日收益列表 
    daily_returns=np.random.normal(mu/T,vol/math.sqrt(T))+1 
     
    #設(shè)置起始價格并創(chuàng)建由上述隨機每日收益生成的價格列表 
    price_list = [S] 
     
    for x in daily_returns: 
        price_list.append(price_list[-1]*x) 
 
    #繪制來自每個單獨運行的數(shù)據(jù)，我們將在最后繪制 
    plt.plot(price_list) 
 
#顯示上面創(chuàng)建的多個價格系列的圖 
plt.show() 

10000次模擬預(yù)測未來嗶哩嗶哩股價走勢。

import numpy as np 
import math 
import matplotlib.pyplot as plt 
from scipy.stats import norm 
 
#關(guān)注公眾號：寬客邦，回復(fù)“源碼”獲取下載本文完整源碼 
result = [] 
 
#定義變量 
S = BILI['Adj Close'][-1] #起始股票價格（即最后一天的實際股票價格） 
T = 252 #交易天數(shù) 
mu = 0.7172 #復(fù)合年均增長率 
vol = 0.6514 #年度波動率 
 
#選擇要模擬的運行次數(shù) - 選擇10000 
for i in range(10000): 
    #使用隨機正態(tài)分布創(chuàng)建每日收益列表 
    daily_returns=np.random.normal(mu/T,vol/math.sqrt(T))+1 
     
    #設(shè)置起始價格并創(chuàng)建由上述隨機每日收益生成的價格列表 
    price_list = [S] 
     
    for x in daily_returns: 
        price_list.append(price_list[-1]*x) 
 
    #繪制來自每個單獨運行的數(shù)據(jù)，我們將在最后繪制 
    plt.plot(price_list) 
     
    #將每次模擬運行的結(jié)束值附加到我們在開始時創(chuàng)建的空列表中 
    result.append(price_list[-1]) 
 
#顯示上面創(chuàng)建的多個價格系列的圖 
plt.show() 

為我們的多重模擬創(chuàng)建股票收盤價的直方圖。

plt.hist(result,bins=50) 
plt.show() 

用numpy mean函數(shù)計算平均值的分布，以獲得我們的“預(yù)期值”。

print(round(np.mean(result)))  
139.18
用 numpy 的“percentile”函數(shù)來計算 5% 和 95% 的分位數(shù) 
print("5% quantile =",np.percentile(result,5))print("95% quantile =",np.percentile(result,95)) 
 
5% quantile = 38.33550814175252  
95% quantile = 326.44060907630484 

在直方圖上快速繪制我們剛剛計算的兩個分位數(shù)，以給我們一個直觀的表示。

plt.hist(result,bins=100) 
plt.axvline(np.percentile(result,5), color='r', linestyle='dashed') 
plt.axvline(np.percentile(result,95), color='r', linestyle='dashed') 
plt.show() 

從上面的結(jié)果我們得知：嗶哩嗶哩(BILI)的股價有5%的可能性最終會低于38.33美元，有5%的可能性會高于326.44美元。那么你是否愿意冒5%的風(fēng)險獲得股價低于38.33美元的損失，來追逐股價高于326.44美元的回報收益呢?