使用 Python 進(jìn)行財(cái)務(wù)數(shù)據(jù)分析實(shí)戰(zhàn)
在迅速變化的金融領(lǐng)域中，數(shù)據(jù)分析和解釋的能力至關(guān)重要。本文探討了Python在金融數(shù)據(jù)分析中的應(yīng)用，包括使用Pandas、NumPy和Matplotlib等Python庫，它們能夠處理股票市場數(shù)據(jù)、展示趨勢并構(gòu)建交易策略。無論你是經(jīng)驗(yàn)豐富的金融分析師還是初入投資領(lǐng)域者，這些見解和技巧都將增強(qiáng)你的分析技能，拓寬對金融市場動態(tài)的理解，并幫助你在股票市場做出明智的決策。
import pandas as pd
import numpy as np
import datetime
import matplotlib.pyplot as plt以下代碼使用 Python 中常用的庫來處理數(shù)據(jù)，執(zhí)行數(shù)值計(jì)算、日期時(shí)間操作和數(shù)據(jù)可視化。這些包括 pas、numpy、datetime、matplotlib.pyplot。Pas 提供強(qiáng)大的數(shù)據(jù)結(jié)構(gòu)（例如 DataFrames）來組織分析數(shù)據(jù)，而 numpy 允許對數(shù)組進(jìn)行有效的數(shù)學(xué)運(yùn)算。datetime 模塊允許涉及日期時(shí)間的操作計(jì)算，而 matplotlib.pyplot 可用于在 Python 中創(chuàng)建各種類型的可視化，尤其是數(shù)據(jù)的圖表。
導(dǎo)入數(shù)據(jù)
from pandas_datareader import data as pdr
import yfinance
aapl = pdr.get_data_yahoo('AAPL',
start=datetime.datetime(2006, 10, 1),
end=datetime.datetime(2012, 1, 1))
aapl.head()
圖片
此代碼使用 pas_datareader 從 Yahoo Finance 檢索 Apple Inc. 的歷史股價(jià)數(shù)據(jù)。它獲取 2006 年 10 月至 2012 年 1 月的每日數(shù)據(jù)，顯示數(shù)據(jù)框的前五行。這里使用yfinance 庫用于訪問 Yahoo Finance 的數(shù)據(jù)，沒使用pas_datareader 的默認(rèn)方法。
import quandl
aapl = quandl.get("WIKI/AAPL", start_date="2006-10-01",
end_date="2012-01-01")
aapl.head()
圖片
這里演示了如何使用 Qul 庫從 WIKI 數(shù)據(jù)庫中提取 Apple Inc. 的歷史股票市場數(shù)據(jù)。數(shù)據(jù)涵蓋 2006 年 10 月 1 日至 2012 年 1 月 1 日之間的日期。
使用時(shí)間序列數(shù)據(jù)
aapl.index
aapl.columns
ts = aapl['Close'][-10:]
type(ts)
圖片
aapl 為 Apple Inc. 的股票市場數(shù)據(jù)。代碼使用 aapl.index 選擇索引，使用 aapl.columns 選擇列名，其中包括'Open', 'Close', 'High', 'Low', 'Volume'（“開盤價(jià)”、“收盤價(jià)”、“最高價(jià)”、“最低價(jià)”、“成交量”）等字段。然后，它將“收盤價(jià)”列中的最后 10 個(gè)條目分配給變量 ts，并使用 type(ts) 確定其類型，該變量可能是 pandas Series 對象。請注意，代碼缺少正確的標(biāo)點(diǎn)符號語法，僅作為概念解釋，而不是可執(zhí)行代碼的一部分。
aapl['diff'] = aapl.Open - aapl.Close
del aapl['diff']這段代碼創(chuàng)建一個(gè)名為“diff”的新列，該列表示“開盤價(jià)”和“收盤價(jià)”值之間的差異。填充此列后，它會立即從 DataFrame 中刪除，保留其原始結(jié)構(gòu)。
import matplotlib.pyplot as plt
aapl['Close'].plot(grid= True )
plt.show()
圖片
這里創(chuàng)建了一個(gè)顯示 Apple Inc. 股票收盤價(jià)的圖表。圖表中添加了網(wǎng)格，有助于分析 AAPL 股價(jià)在一段時(shí)間內(nèi)的模式。
daily_close = aapl[['Adj Close']]
daily_pct_c = daily_close.pct_change()
daily_pct_c.fillna(0, inplace=True)
print(daily_pct_c)
daily_log_returns = np.log(daily_close.pct_change()+1)
print(daily_log_returns)
圖片
這段代碼對蘋果公司股票的財(cái)務(wù)數(shù)據(jù)進(jìn)行了分析，特別關(guān)注了調(diào)整后的收盤價(jià)。首先選擇了調(diào)整后的收盤價(jià)列，然后計(jì)算了每日的百分比變化，對任何缺失值用 0 進(jìn)行了替換。接下來，將百分比變化數(shù)據(jù)框打印到控制臺。另外，使用 np.log() 函數(shù)計(jì)算了每日的對數(shù)收益，并將結(jié)果數(shù)據(jù)框打印出來。這段代碼提供了蘋果股票每日收益的兩個(gè)不同角度。
monthly = aapl.resample('BM').apply(lambda x: x[-1])
monthly.pct_change()
quarter = aapl.resample("4M").mean()
quarter.pct_change()
圖片
該代碼處理了代表蘋果公司（Apple Inc.）股票價(jià)格的變量aapl的時(shí)間序列數(shù)據(jù)。首先，對數(shù)據(jù)進(jìn)行重新采樣，以獲取每個(gè)月的最后一個(gè)工作日，并使用lambda函數(shù)選擇每個(gè)月的最后一個(gè)數(shù)據(jù)點(diǎn)，創(chuàng)建了名為monthly的新時(shí)間序列。然后，計(jì)算了每個(gè)月度數(shù)據(jù)點(diǎn)之間的百分比變化，以顯示aapl的月度增長或下降。接下來，對原始時(shí)間序列重新采樣，以計(jì)算四個(gè)月的平均值，創(chuàng)建了名為quarter的新時(shí)間序列。最后，計(jì)算了每個(gè)四個(gè)月期間的平均值之間的百分比變化，表示了每個(gè)四個(gè)月期間的比例增加或減少。需要進(jìn)一步編寫代碼才能存儲或輸出這些計(jì)算結(jié)果。
import matplotlib.pyplot as plt
daily_pct_c.hist(bins=50)
plt.show()
print(daily_pct_c.describe())
圖片
圖片
在 daily_pct_c 表示的數(shù)據(jù)集上調(diào)用 hist() 方法，創(chuàng)建一個(gè)具有 50 個(gè)間隔的直方圖。然后使用 plt.show() 顯示直方圖。最后，使用 describe() 方法打印數(shù)據(jù)集的描述性統(tǒng)計(jì)數(shù)據(jù)，從而深入了解其分布情況。
cum_daily_return = (1 + daily_pct_c).cumprod()
print(cum_daily_return)
圖片
import matplotlib.pyplot as plt
cum_daily_return.plot(figsize=(12,8))
plt.show()
圖片
可見的代碼段使用了 matplotlib 庫來實(shí)現(xiàn)數(shù)據(jù)可視化。它調(diào)用了名為 cum_daily_return 的 Pandas DataFrame 或 Series 上的 plot 方法，用于生成累積每日收益圖。圖形的尺寸被設(shè)定為 12 x 8 英寸，并使用 plt.show() 來顯示圖形。需要注意代碼中可能存在缺失部分。
cum_monthly_return = cum_daily_return.resample("M").mean()
print(cum_monthly_return)
圖片
代碼從財(cái)務(wù)數(shù)據(jù)集中提取每日累計(jì)收益，并將其重新采樣以計(jì)算每月的平均累計(jì)收益。在重新采樣過程中，每日收益的頻率被更改為每月，并計(jì)算每個(gè)月的平均每日收益。最終結(jié)果將打印出每月平均收益。
from pandas_datareader import data as pdr
import yfinance
def get(tickers, startdate, enddate):
def data(ticker):
return (pdr.get_data_yahoo(ticker, start=startdate, end=enddate))
datas = map(data, tickers)
return(pd.concat(datas, keys=tickers, names=['Ticker', 'Date']))
tickers = ['AAPL', 'MSFT', 'IBM', 'GOOG']
all_data = get(tickers, datetime.datetime(2006, 10, 1), datetime.datetime(2012, 1, 1))
all_data.head()
圖片
使用了pas_datareader庫中的yfinance作為數(shù)據(jù)源從 Yahoo Finance 獲取股票代碼列表的歷史財(cái)務(wù)數(shù)據(jù)。該函數(shù)需要股票代碼列表、開始和結(jié)束日期作為參數(shù)，并使用子函數(shù)data檢索每個(gè)股票代碼的數(shù)據(jù)。
接下來，函數(shù)map將應(yīng)用于每個(gè)股票代碼，將生成的數(shù)據(jù)組合成具有分層索引的單個(gè) DataFrame。此外，還提供了該函數(shù)的示例用法，其中獲取了四家科技公司的數(shù)據(jù)，并顯示了組合數(shù)據(jù)集的前幾行。
daily_close_px = all_data[['Adj Close']].reset_index().pivot('Date', 'Ticker', 'Adj Close')
daily_pct_change = daily_close_px.pct_change()
daily_pct_change.hist(bins=50, sharex=True, figsize=(12,8))
plt.show()
圖片
通過分析財(cái)務(wù)數(shù)據(jù)，我們使用股票調(diào)整后收盤價(jià)的每日百分比變化計(jì)算，并將結(jié)果呈現(xiàn)在一個(gè)直方圖中。
- 首先，我們從包含股票市場數(shù)據(jù)的名為 all_data 中選擇Adj Close列，該列反映了考慮股息股票分割等因素后股票的調(diào)整后收盤價(jià)。
- 然后，我們重置指數(shù)數(shù)據(jù)，以便每行代表一個(gè)日期，每列代表一個(gè)股票代碼。
- 接著，我們使用 pct_change() 方法計(jì)算股票價(jià)格的每日百分比變化，并將其呈現(xiàn)在一個(gè)有 50 個(gè)箱的直方圖中。這些直方圖共享相同的 x 軸，大小為 12x8 英寸，便于進(jìn)行比較。
這段代碼有效地總結(jié)了給定數(shù)據(jù)集中調(diào)整后收盤價(jià)的每日百分比變化分布。
pd.plotting.scatter_matrix(daily_pct_change, diagnotallow='kde', alpha=0.1,figsize=(12,12))
plt.show()
圖片
此代碼為 daily_pct_change 數(shù)據(jù)集創(chuàng)建散點(diǎn)圖矩陣。每個(gè)單元格顯示兩個(gè)變量的散點(diǎn)圖，對角線圖顯示 KDE 圖以可視化單個(gè)變量的分布。點(diǎn)的透明度值為 0.1 以顯示密度，圖形大小設(shè)置為 12 x 12 英寸。
adj_close_px = aapl['Adj Close']
moving_avg = adj_close_px.rolling(window=40).mean()
moving_avg[-10:]
圖片
代碼對 Apple Inc. (AAPL) 的財(cái)務(wù)數(shù)據(jù)進(jìn)行了處理。它使用了名為“aapl”的數(shù)據(jù)集，并選擇了其中的“調(diào)整后的收盤價(jià)”，這代表了股票分割和紅利調(diào)整后的收盤價(jià)。接著，它計(jì)算了這些價(jià)格的 40 周期移動平均值。最后，它提取了移動平均線的最后 10 個(gè)值，以觀察股票價(jià)格近期趨勢的變化。移動平均線有助于平滑短期波動，并凸顯長期趨勢。
aapl['42'] = adj_close_px.rolling( window = 40 ).mean()
aapl['252'] = adj_close_px.rolling( window = 252 ).mean()
aapl[['Adj Close', '42', '252']].plot()
plt. show ()
圖片
以下代碼對財(cái)務(wù)數(shù)據(jù)（特別是 Apple Inc. (AAPL) 的股票價(jià)格）進(jìn)行操作。這包括計(jì)算調(diào)整后的收盤價(jià)的 40 天移動平均線和 252 天移動平均線，然后將其存儲在aapl 的“42”和“252”列中。然后使用這些移動平均線和調(diào)整后的收盤價(jià)生成圖表，以直觀的方式分析隨時(shí)間變化的股價(jià)趨勢。
min_periods = 75
vol = daily_pct_change.rolling(min_periods).std() * np.sqrt(min_periods)
vol.plot(figsize=(10, 8))
plt.show()
圖片
這里根據(jù)金融資產(chǎn)的每日價(jià)格百分比變化計(jì)算其滾動波動率。它使用變量 min_periods 表示一年的一個(gè)季度，以此作為窗口大小計(jì)算滾動標(biāo)準(zhǔn)差。然后將得到的測量值乘以 min_periods 的平方根，將其年化。這段代碼將每日價(jià)格變化的百分比用于計(jì)算資產(chǎn)的滾動波動率。過程包括設(shè)定 min_periods 變量表示一年的一個(gè)季度，計(jì)算滾動標(biāo)準(zhǔn)差，然后將結(jié)果乘以 min_periods 的平方根，實(shí)現(xiàn)年化計(jì)算。
import statsmodels.api as sm
import pandas
from pandas import tseries
all_adj_close = all_data[['Adj Close']]
all_returns = np.log(all_adj_close / all_adj_close.shift(1))
aapl_returns = all_returns.iloc[all_returns.index.get_level_values('Ticker') == 'AAPL']
aapl_returns.index = aapl_returns.index.droplevel('Ticker')
msft_returns = all_returns.iloc[all_returns.index.get_level_values('Ticker') == 'MSFT']
msft_returns.index = msft_returns.index.droplevel('Ticker')
return_data = pd.concat([aapl_returns, msft_returns], axis=1)[1:]
return_data.columns = ['AAPL', 'MSFT']
X = sm.add_constant(return_data['AAPL'])
model = sm.OLS(return_data['MSFT'],X).fit()
print(model.summary())
圖片
此代碼使用股票數(shù)據(jù)集來分析蘋果公司和微軟公司的股票收益之間的關(guān)系。它計(jì)算對數(shù)收益，使用普通最小二乘法創(chuàng)建線性回歸模型。然后擬合模型并輸出摘要，深入了解兩只股票收益之間的關(guān)系。
plt.plot(return_data['AAPL'], return_data['MSFT'], 'r.')
ax = plt.axis()
x = np.linspace(ax[0], ax[1] + 0.01)
plt.plot(x, model.params[0] + model.params[1] * x, 'b', lw=2)
plt.grid(True)
plt.axis('tight')
plt.xlabel('Apple Returns')
plt.ylabel('Microsoft returns')
plt.show()
圖片
在這里創(chuàng)建散點(diǎn)圖和線圖。散點(diǎn)圖使用紅點(diǎn)比較“AAPL”和“MSFT”的收益，而直線圖則顯示基于“AAPL”收益的模型預(yù)測。該代碼直觀地顯示了 Apple 和 Microsoft 股票收益之間的關(guān)系，包括模型的預(yù)測。
return_data['MSFT'].rolling(window=252).corr(return_data['AAPL']).plot()
plt.show()
圖片
該代碼通過計(jì)算 Apple 和 Microsoft 股票 252 天每日收益之間的滾動相關(guān)性來分析財(cái)務(wù)數(shù)據(jù)。然后將此相關(guān)性顯示在圖表上，以直觀地展示兩只股票之間隨時(shí)間變化的相關(guān)性。
使用 Python 構(gòu)建交易策略
short_window = 40
long_window = 100
signals = pd.DataFrame(index=aapl.index)
signals['signal'] = 0.0
signals['short_mavg'] = aapl['Close'].rolling(window=short_window, min_periods=1, center=False).mean()
signals['long_mavg'] = aapl['Close'].rolling(window=long_window, min_periods=1, center=False).mean()
signals['signal'][short_window:] = np.where(signals['short_mavg'][short_window:]
> signals['long_mavg'][short_window:], 1.0, 0.0)
signals['positions'] = signals['signal'].diff()這段代碼利用了Apple Inc.股票的收盤價(jià)移動平均線來生成交易信號。
- 首先設(shè)置了兩個(gè)變量，分別代表短期和長期移動平均線的長度。
- 接下來，初始化一個(gè)DataFrame來包含信號，其中一列表示信號，另一列表示位置。代碼會計(jì)算并將短期和長期移動平均線加入到信號DataFrame的各自列中。
- 最后，通過比較這兩個(gè)移動平均線來生成交易信號，如果短期大于長期，就將信號列設(shè)為1.0。而位置列則用來捕獲信號的變化，并在生成新信號時(shí)顯示。
總的來說，這段代碼實(shí)現(xiàn)了一個(gè)簡單的移動平均線交叉策略，用于交易蘋果股票。
fig = plt.figure()
ax1 = fig.add_subplot(111, ylabel='Price in $')
aapl['Close'].plot(ax=ax1, color='r', lw=2.)
signals[['short_mavg', 'long_mavg']].plot(ax=ax1, lw=2.)
ax1.plot(signals.loc[signals.positions == 1.0].index,
signals.short_mavg[signals.positions == 1.0],
'^', markersize=10, color='m')
ax1.plot(signals.loc[signals.positions == -1.0].index,
signals.short_mavg[signals.positions == -1.0],
'v', markersize=10, color='k')
plt.show()
圖片
段代碼用于繪制財(cái)務(wù)圖表。首先需要初始化一個(gè)圖形，然后添加一個(gè)子圖，其中包含股票價(jià)格標(biāo)簽。在子圖中，使用紅色繪制蘋果公司股票的收盤價(jià)，并加入兩條移動平均線。在買入信號處添加符號^，在賣出信號處添加符號v，這兩個(gè)符號均位于短移動平均線的頂部。最終的圖表將顯示在窗口中。信號變量包含交易信號、短長移動平均線以及圖表上標(biāo)記的買入/賣出。
回測策略
回測策略是指通過歷史數(shù)據(jù)來驗(yàn)證交易策略的有效性和盈利性。通常進(jìn)行回測策略需要以下步驟：
- 選擇歷史數(shù)據(jù)：從可靠的數(shù)據(jù)源獲取需要的歷史數(shù)據(jù)，包括價(jià)格數(shù)據(jù)、成交量等。
- 編寫交易策略：根據(jù)自己的投資理念和市場分析，編寫一個(gè)可執(zhí)行的交易策略，包括買入、賣出和止損條件等。
- 運(yùn)行回測程序：使用專業(yè)的回測軟件或編程語言，將交易策略應(yīng)用到歷史數(shù)據(jù)上，模擬交易執(zhí)行過程，記錄交易成績和盈虧。
- 優(yōu)化策略：根據(jù)回測結(jié)果，對交易策略進(jìn)行優(yōu)化，比如調(diào)整參數(shù)、修改條件等，以提高策略的有效性和盈利性。
- 驗(yàn)證和執(zhí)行：經(jīng)過反復(fù)的回測和優(yōu)化，最終驗(yàn)證交易策略的穩(wěn)健性和盈利性，然后可以開始執(zhí)行該策略進(jìn)行實(shí)盤交易。
initial_capital= float(100000.0)
positions = pd.DataFrame(index=signals.index).fillna(0.0)
positions['AAPL'] = 100*signals['signal']
portfolio = positions.multiply(aapl['Adj Close'], axis=0)
pos_diff = positions.diff()
portfolio['holdings'] = (positions.multiply(aapl['Adj Close'], axis=0)).sum(axis=1)
portfolio['cash'] = initial_capital - (pos_diff.multiply(aapl['Adj Close'], axis=0)).sum(axis=1).cumsum()
portfolio['total'] = portfolio['cash'] + portfolio['holdings']
portfolio['returns'] = portfolio['total'].pct_change()此代碼用于股票交易回測策略中的財(cái)務(wù)分析。它首先設(shè)置初始投資金額 100,000 美元，創(chuàng)建一個(gè)名為“positions”的數(shù)據(jù)框來表示持有的股票“AAPL”的股份數(shù)量。股份數(shù)量通過將買入或賣出信號乘以 100 來計(jì)算，創(chuàng)建一個(gè)名為“portfolio”的新數(shù)據(jù)框來計(jì)算“AAPL”股份的市場價(jià)值。該代碼還計(jì)算頭寸差異，更新“持股”和“現(xiàn)金”列，計(jì)算投資組合在一段時(shí)間內(nèi)的總回報(bào)。本質(zhì)上，該代碼根據(jù)給定的信號模擬“AAPL”的股票交易。
import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = fig.add_subplot(111, ylabel='Portfolio value in $')
portfolio['total'].plot(ax=ax1, lw=2.)
ax1.plot(portfolio.loc[signals.positions == 1.0].index,
portfolio.total[signals.positions == 1.0],
'^', markersize=10, color='m')
ax1.plot(portfolio.loc[signals.positions == -1.0].index,
portfolio.total[signals.positions == -1.0],
'v', markersize=10, color='k')
plt.show()
圖片
此代碼實(shí)現(xiàn)財(cái)務(wù)數(shù)據(jù)可視化。制作了一個(gè)新圖形，其子圖包含一組標(biāo)記為投資組合價(jià)值（以美元計(jì)）的軸，以顯示投資組合總價(jià)值隨時(shí)間的變化。折線圖的線寬為 2，買入賣出信號分別用洋紅色黑色三角形表示，大小為 10。
評估移動平均線交叉策略
returns = portfolio['returns']
sharpe_ratio = np.sqrt(252) * (returns.mean() / returns.std())
print(sharpe_ratio)下面的代碼用于計(jì)算金融投資組合的夏普比率（Sharpe Ratio）。這個(gè)比率用于衡量投資相對于無風(fēng)險(xiǎn)資產(chǎn)的表現(xiàn)，并根據(jù)投資的風(fēng)險(xiǎn)進(jìn)行調(diào)整。以下是代碼執(zhí)行的步驟：
- 從包含財(cái)務(wù)數(shù)據(jù)的投資組合變量中提取“回報(bào)”系列。
- 通過對每日平均收益進(jìn)行標(biāo)準(zhǔn)化，使用標(biāo)準(zhǔn)差來計(jì)算夏普比率，以確定風(fēng)險(xiǎn)調(diào)整后的收益。
- 夏普比率的年化值是將其乘以 252 的平方根，代表一年中的典型交易日數(shù)。
- 打印出由此得出的夏普比率，以便投資者了解持有高風(fēng)險(xiǎn)資產(chǎn)所承受的額外風(fēng)險(xiǎn)所帶來的超額回報(bào)。夏普比率越高，風(fēng)險(xiǎn)調(diào)整后的回報(bào)就越有利。
夏普比率（Sharpe Ratio）是一種用于衡量投資組合風(fēng)險(xiǎn)調(diào)整后收益的指標(biāo)，它是由諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)獲得者威廉·夏普（William Sharpe）于1966年提出的。
夏普比率通過比較投資組合的超額收益與其相對于無風(fēng)險(xiǎn)利率的標(biāo)準(zhǔn)偏差之比來衡量投資組合的風(fēng)險(xiǎn)調(diào)整后收益。夏普比率的計(jì)算公式為：
夏普比率 = （投資組合年化收益率 - 無風(fēng)險(xiǎn)利率） / 投資組合年化波動率
其中，投資組合年化收益率是指投資組合在一段時(shí)間內(nèi)的平均收益率，無風(fēng)險(xiǎn)利率是指沒有風(fēng)險(xiǎn)的投資的利率（通常取國債利率），投資組合年化波動率則是投資組合收益率的標(biāo)準(zhǔn)差。
夏普比率的數(shù)值越高，表示投資組合單位風(fēng)險(xiǎn)所獲得的超額收益越高，因此夏普比率可以用來度量投資組合的風(fēng)險(xiǎn)調(diào)整后表現(xiàn)。通常情況下，夏普比率越高，投資組合的績效越好。
最大回撤
最大回撤是指在一段時(shí)間內(nèi)資產(chǎn)價(jià)格從最高點(diǎn)下跌的幅度。通常用來衡量風(fēng)險(xiǎn)和資產(chǎn)價(jià)格波動的程度。最大回撤可以幫助投資者評估投資組合的風(fēng)險(xiǎn)水平，以及資產(chǎn)的價(jià)格波動性。在量化投資中，最大回撤也是一個(gè)重要的指標(biāo)，用來評估交易策略的風(fēng)險(xiǎn)和表現(xiàn)。
window = 252
rolling_max = aapl['Adj Close'].rolling(window, min_periods=1).max()
daily_drawdown = aapl['Adj Close']/rolling_max - 1.0
max_daily_drawdown = daily_drawdown.rolling(window, min_periods=1).min()
daily_drawdown.plot()
max_daily_drawdown.plot()
plt.show()
圖片
該步驟旨在分析蘋果公司（代碼：AAPL）股票的財(cái)務(wù)數(shù)據(jù)。它通過計(jì)算252天窗口內(nèi)的滾動最高調(diào)整收盤價(jià)，以確定從該最高價(jià)到當(dāng)前價(jià)格的每日跌幅（以百分比表示）。該代碼還計(jì)算了同一時(shí)期的最大每日跌幅，這代表了從峰值下降的最大百分比。然后，將這些值繪制在圖表上，以直觀顯示在選定期限內(nèi)持有AAPL股票的潛在風(fēng)險(xiǎn)。
