Python數(shù)據(jù)分析與可視化典型項目實戰(zhàn)模塊十-股票數(shù)據(jù)分析與股價趨勢預測

模塊十股票數(shù)據(jù)分析與股價趨勢預測Python數(shù)據(jù)分析與可視化典型項目實戰(zhàn)（微課版）【任務描述】常用的預測模型有以下幾種。（1）自回歸模型自回歸模型（AutoregressiveModel，簡稱AR模型）用于描述當前值與歷史值之間的關系，使用變量自身的歷史數(shù)據(jù)對自身進行預測。AR模型首先需要確定一個階數(shù)p，表示使用幾期的歷史值來預測當前值。AR模型有以下限制條件。①AR模型是用自身的數(shù)據(jù)進行預測的。②時間序列數(shù)據(jù)必須具有平穩(wěn)性。③AR模型只適用于預測與自身歷史相關的現(xiàn)象。（2）移動平均模型移動平均模型（MovingAverageModel，簡稱MA模型）關注的是AR模型中誤差項的累加，能有效地消除預測中的隨機波動。【任務10-1】使用2年的股票數(shù)據(jù)建立ARIMA模型并使

用該模型預測股價趨勢【任務描述】（3）自回歸移動平均模型AR模型和MA模型相結合，就得到了自回歸移動平均模型（AutoregressiveMovingAverageModel，簡稱ARMA模型）。（4）差分自回歸移動平均模型將AR模型、MA模型和差分法結合就得到了差分自回歸移動平均模型（AutoregressiveIntegratedMovingAverageModel，簡稱ARIMA模型）。Excel文件“stock-2.xlsx”為“五糧液股票”2020和2021年相關數(shù)據(jù)，包括以下10列有效數(shù)據(jù)：date（日期）、code（股票代碼）、open（開盤價）、high（最高價）、low（最低價）、close（收盤價）、preclose（上一收盤價，指上一個交易日收盤價）、volume（成交量）、amount（成交額）、turn（換手率）。使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢?！救蝿諏崿F(xiàn)】在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建tc10-01.ipynb，然后在單元格中編寫代碼并輸出對應的結果?！救蝿?0-1】使用2年的股票數(shù)據(jù)建立ARIMA模型并使

用該模型預測股價趨勢使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢1．導入模塊fromstatsmodels.tsa.arima_modelimportARIMAfromstatsmodels.graphics.tsaplotsimportplot_acf,plot_pacffromwarningsimportfilterwarningsfilterwarnings('ignore')2．讀取數(shù)據(jù)path=r".\data\stock-2.xlsx"#默認讀取Excel文件的第一個工作表data=pd.read_excel(path,index_col='date',parse_dates=['date'])使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢3．數(shù)據(jù)預處理stock=datastock=stock.drop(columns="Unnamed:0")sub=stock['2021-01':'2021-12']['close']train=sub.loc['2021-01':'2021-06']test=sub.loc['2021-07':'2021-12']4．繪制股票收盤價訓練數(shù)據(jù)集的折線圖plt.figure(figsize=(8,6))plt.plot(train)plt.show()5．時間序列差分處理后繪制折線圖stock['close_diff_1']=stock['close'].diff(1)stock['close_diff_2']=stock['close_diff_1'].diff(1)fig=plt.figure(figsize=(20,6))ax1=fig.add_subplot(131)ax1.plot(stock['close'])ax2=fig.add_subplot(132)ax2.plot(stock['close_diff_1'])ax3=fig.add_subplot(133)ax3.plot(stock['close_diff_2'])plt.show()時間序列的平穩(wěn)性要求經(jīng)由樣本時間序列所得到的擬合曲線在未來一段時間內(nèi)仍能順著現(xiàn)有的形態(tài)慣性地延續(xù)下去，要求序列的均值和方差不發(fā)生明顯變化。使用差分法可以使數(shù)據(jù)更平穩(wěn)，常用的方法就是一階差分法和二階差分法。使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢5．時間序列差分處理后繪制折線圖圖10-2時間序列差分處理前后的折線圖使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢6．建立ARIMA模型模型識別和定階模型的識別和定階，要確定p、d、q這3個參數(shù)，其中p為自回歸模型AR的階數(shù)、d為差分次數(shù)（階數(shù)）、q為滑動平均項數(shù)。差分的階數(shù)d一般為1階或2階即可。（AutocorrelationFunction，ACF）描述的是時間序列觀測值與其歷史觀測值之間的線性相關性，計算公式如下：自相關函數(shù)偏自相關函數(shù)（PartialAutocorrelationFunction，PACF）描述的是在給定中間觀測值的條件下，時間序列觀測值與其歷史觀測值之間的線性相關性。偏自相關函數(shù)使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢參數(shù)估計拖尾指序列以指數(shù)率單調(diào)遞減或震蕩衰減，而截尾指序列從某個時點變得非常小。根據(jù)不同的截尾和拖尾的情況，我們可以選擇AR模型，也可以選擇MA模型，當然還可以選擇ARIMA模型。使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢acf=plot_acf(train,lags=20)plt.title('股票指數(shù)的ACF')plt.show()接下來看一下PACF。pacf=plot_pacf(train,lags=20)plt.title('股票指數(shù)的PACF')plt.show()接下來，我們就來繪制圖形，分析拖尾和截尾情況。模型檢驗模型檢驗主要有兩個：檢驗參數(shù)估計的顯著性（t檢驗）、檢驗殘差序列的隨機性。殘差序列的隨機性可以通過自相關函數(shù)法來檢驗，即繪制殘差的自相關函數(shù)圖。使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢model=ARIMA(train,order=(1,0,0))results=model.fit()resid=results.resid#賦值fig=plt.figure(figsize=(12,8))fig=plot_acf(resid.values.squeeze(),lags=40)plt.title('殘差的自相關函數(shù)圖')plt.show()從圖10-5可以看出，幾乎95%的自相關系數(shù)都落在2倍標準差范圍以內(nèi)，這就說明模型通過了ACF的檢驗。模型預測模型預測主要有兩個函數(shù)，一個是predict()函數(shù)，另一個是forecast()函數(shù)。predict()預測的時間段的值必須在訓練ARIMA模型的數(shù)據(jù)中，forecast()則是對訓練數(shù)據(jù)集末尾下一個時間段的值進行預估。使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢model=ARIMA(sub,order=(1,0,0))results=model.fit()predict_sunspots=results.predict(start=pd.to_datetime('2021-01-04'),end=pd.to_datetime('2021-12-29'),dynamic=False,type='levels')print(predict_sunspots)fig,ax=plt.subplots(figsize=(12,8))ax=sub.plot(ax=ax)predict_sunspots.plot(ax=ax)plt.show()模型預測使用2年的股票數(shù)據(jù)建立ARIMA模型并使用該模型預測股價趨勢圖10-6ARIMA模型預測的趨勢圖預估下一個時間段的值的代碼如下：results.forecast()[0]輸出結果：array([223.4214934])【任務描述】數(shù)據(jù)源為Excel文件“stock-2.xlsx”，該文件為“五糧液股票”2020和2021年相關數(shù)據(jù)，包括以下10列有效數(shù)據(jù)：date（日期）、code（股票代碼）、open（開盤價）、high（最高價）、low（最低價）、close（收盤價）、preclose（上一收盤價）、volume（成交量）、amount（成交額）、turn（換手率）。針對該數(shù)據(jù)集完成以下數(shù)據(jù)可視化分析操作。繪制股票每日收盤價的趨勢圖。繪制股票最高價和最低價中值的月度趨勢圖。繪制股票開盤價與收盤價中值的月度趨勢圖。繪制股票收盤價均值的周趨勢圖。繪制股票數(shù)據(jù)集各列數(shù)據(jù)的直方圖。繪制股票局部區(qū)間收盤價均值的周趨勢圖。繪制股票收盤價經(jīng)一階差分后的周趨勢圖?！救蝿?0-2】繪制股票數(shù)據(jù)的各種圖形【任務描述】繪制股票指數(shù)的ACF（AutocorrelationFunction，自相關函數(shù)）系數(shù)時序圖和PACF（PeriodicAutocorrelationFunction，周期自相關函數(shù)）系數(shù)時序圖。使用ARMA模型對股票數(shù)據(jù)進行擬合，繪制ARIMA模型預測的周收盤價均值趨勢圖。繪制股票數(shù)據(jù)的OHLC圖（O代表開盤價、H代表最高價、L代表最低價、C代表收盤價）。通過K線圖繪制OHLC圖?！救蝿諏崿F(xiàn)】在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建tc10-02.ipynb，然后在單元格中編寫代碼并輸出對應的結果。【任務10-2】繪制股票數(shù)據(jù)的各種圖形2．讀取數(shù)據(jù)繪制股票數(shù)據(jù)的各種圖形1．導入模塊importmatplotlibpath=r".\data\stock-2.xlsx"#默認讀取Excel文件的第一個工作表df_stock=pd.read_excel(path)3．數(shù)據(jù)預處理df_stock數(shù)據(jù)集的行索引默認值為從0開始的遞增數(shù)值，一般股票數(shù)據(jù)應該按照日期進行分析，所以需要將行索引改為“date”列的數(shù)據(jù)。df_stock['date']=pd.to_datetime(df_stock.date,format='%Y-%m-%d')#df_stock['date']=pd.to_datetime(df_stock['date'],format='%Y-%m-%d')df_stock=df_stock.drop(columns="Unnamed:0")df_stock.set_index('date',inplace=True)#inplace表示是否對數(shù)據(jù)進行永久改變df_stock.head()4．查看數(shù)據(jù)集的數(shù)據(jù)特征df_stock.isnull().any(axis=1)查看數(shù)據(jù)集中各列數(shù)據(jù)的數(shù)據(jù)類型的代碼如下：df_stock.dtypes查看數(shù)據(jù)集中是否存在空值的代碼如下：使用pyplot子模塊的plot()函數(shù)繪制股票每日收盤價的趨勢圖plt.figure(figsize=(8,6))plt.plot(df_stock['close'])plt.title('股票每日收盤價')plt.show()繪制股票數(shù)據(jù)的各種圖形5．繪制股票每日收盤價的趨勢圖使用DataFrame對象的plot()方法繪制股票每日收盤價趨勢圖df_stock['close'].plot(kind='line',figsize=(8,6))plt.title('股票每日收盤價')plt.show()繪制股票數(shù)據(jù)的各種圖形6．繪制股票最高價和最低價中值的月度趨勢圖df_stock.resample('M').median()[['high','low']].plot(kind='line',figsize=(8,6))plt.title('股票最高價與最低價的月中值')plt.show()將采樣的頻率由天改為月，然后繪制采樣頻率為月的股票最高價和最低價中值趨勢圖。繪制股票數(shù)據(jù)的各種圖形7．繪制股票開盤價與收盤價中值的月度趨勢圖df_stock.resample('M').median()[['open','close']].plot(kind='line',figsize=(8,6))plt.title('股票開盤價與收盤價的月中值')plt.show()將采樣的頻率由天改為月，然后繪制采樣頻率為月的股票開盤價與收盤價中值趨勢圖。繪制股票數(shù)據(jù)的各種圖形8．繪制股票收盤價均值的周趨勢圖stock_week=df_stock['close'].resample('W-MON').mean()stock_week.plot(kind='line',figsize=(8,6))plt.title('股票周收盤價均值')plt.show()使用DataFrame對象的plot()方法繪制股票收盤價均值的周趨勢圖繪制股票數(shù)據(jù)的各種圖形plt.figure(figsize=(8,6))plt.plot(stock_week)plt.title('股票周收盤價均值')plt.show()使用pyplot子模塊的plot()函數(shù)繪制股票收盤價均值的周趨勢圖繪制股票數(shù)據(jù)的各種圖形圖10-11使用DataFrame對象的plot()方法繪制的股票收盤價均值周趨勢圖圖10-12使用pyplot子模塊的plot()函數(shù)繪制的股票收盤價均值的周趨勢圖9．繪制股票數(shù)據(jù)集各列數(shù)據(jù)的直方圖df_stock.hist(figsize=(8,8))繪制股票數(shù)據(jù)的各種圖形掃描二維碼在線瀏覽電子活頁10-1查看繪制好的股票數(shù)據(jù)集各列數(shù)據(jù)的直方圖。10．繪制股票局部區(qū)間收盤價均值的周趨勢圖以2020和2021年局部的股票數(shù)據(jù)作為ARIMA模型中的訓練數(shù)據(jù)。stock_train=stock_week['2020':'2021']stock_train[np.isnan(stock_train)]=0stock_train[np.isinf(stock_train)]=0stock_train.plot(figsize=(8,6))plt.legend(bbox_to_anchor=(1.0,0.5))plt.title("股票周收盤價均值")plt.show()11．繪制股票收盤價經(jīng)一階差分處理后的周趨勢圖對于非平穩(wěn)序列，需要通過差分算法，將非平穩(wěn)序列變成弱平穩(wěn)或者近似平穩(wěn)序列，代碼如下：繪制經(jīng)一階差分處理后的收盤價均值周趨勢圖plt.figure(figsize=(8,6))plt.plot(stock_diff)plt.title('一階差分')plt.show()對ARIMA模型中的訓練數(shù)據(jù)進行一階差分處理繪制股票數(shù)據(jù)的各種圖形stock_diff=stock_train.diff()stock_diff=stock_diff.dropna()12．繪制股票指數(shù)的ACF系數(shù)時序圖和PACF系數(shù)時序圖使用時序圖展示一階差分處理后股票指數(shù)的ACF系數(shù)和PACF系數(shù)。繪制股票數(shù)據(jù)的各種圖形fromstatsmodels.tsa.arima_modelimportARIMAfromstatsmodels.graphics.tsaplotsimportplot_acf,plot_pacffig=plt.figure(figsize=(8,6))ax1=fig.add_subplot(211)ax2=fig.add_subplot(212)acf=plot_acf(stock_diff,lags=20,ax=ax1,title="股票指數(shù)的ACF系數(shù)")pacf=plot_pacf(stock_diff,lags=20,ax=ax2,title="股票指數(shù)的PACF系數(shù)")plt.show()13．繪制ARIMA模型預測的周收盤價均值趨勢圖#設定p=1,q=1，使用ARMA模型進行數(shù)據(jù)擬合fromstatsmodels.tsa.arima_modelimportARMAmodel=ARMA(stock_train,order=(1,1,1),freq='W-MON')result_arma=model.fit()繪制ARIMA模型預測的周收盤價均值趨勢圖pred_vals=result_arma.predict('2020-06-01','2022-12-31',dynamic=False)plt.figure(figsize=(8,6))plt.xticks(rotation=45)plt.plot(pred_vals)plt.show()創(chuàng)建ARIMA模型并使用ARMA模型對股票數(shù)據(jù)進行擬合繪制股票數(shù)據(jù)的各種圖形14．繪制股票數(shù)據(jù)的OHLC圖繪制股票數(shù)據(jù)的各種圖形掃描二維碼在線瀏覽電子活頁10-2“繪制股票數(shù)據(jù)的OHLC圖”中的代碼及繪制的圖形。15．通過K線圖繪制OHLC圖通過K線圖繪制OHLC圖時需要導入一個包mpl_finance，并使用該包中的函數(shù)candlestick_ohlc()進行繪制。importmatplotlib.datesasdatesimportmpl_financeasmf#設置尺寸plt.rcParams['figure.figsize']=(18,6)#抽取開盤價、最高價、最低價、收盤價數(shù)據(jù)new_df=df_stock.loc[:,['open','high','low','close']]new_df=new_df.iloc[:100]繪制股票數(shù)據(jù)的各種圖形#轉換時間數(shù)據(jù)為可迭代類型zip_data=zip(dates.date2num(new_df.index.to_pydatetime()),new_df.open,new_df.high,new_df.low,new_df.close)#直接生成畫布ax=plt.gca()#繪制K線圖plt.title('通過K線圖繪制的股票O(jiān)HLC圖',size=20,fontproperties=myfont)mf.candlestick_ohlc(ax,zip_data,width=1,colorup='r',colordown='g')#把x軸的時間整數(shù)替換為時間日期ax.xaxis_date()#把x軸的文字傾斜plt.xticks(rotation=45)【任務描述】利用baostock包獲取2020和2021年五糧液股票的以下相關數(shù)據(jù)：date（日期）、code（股票代碼）、open（開盤價）、high（最高價）、low（最低價）、close（收盤價）、preclose（上一收盤價）、volume（成交量）、amount（成交額）、turn（換手率）。針對五糧液股票完成以下數(shù)據(jù)可視化分析操作。（1）繪制五糧液股票數(shù)據(jù)的日K線圖和月K線圖。（2）計算五糧液股票2020年總收益率。（3）繪制五糧液股票日收益率的直方圖。（4）繪制五糧液股票數(shù)據(jù)的五日線和三十日線?！救蝿諏崿F(xiàn)】在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建tc10-03.ipynb，然后在單元格中編寫代碼并輸出對應的結果?！救蝿?0-3】獲取五糧液股票數(shù)據(jù)并進行分析1．導入模塊importtushareastsfrompandasimportSeries,DataFrameimportbaostockasbsimportmplfinanceasmfimportmatplotlib.pyplotasplotfromstatsmodels.graphics.tsaplotsimportplot_acf,plot_pacffromstatsmodels.tsa.arima_modelimportARIMAfrompandas.plottingimportscatter_matrix獲取五糧液股票數(shù)據(jù)并進行分析2．獲取“五糧液股票”數(shù)據(jù)創(chuàng)建登錄對象，并獲取數(shù)據(jù)lg=bs.login()rs=bs.query_history_k_data_plus("sz.000858","date,code,open,high,low,close,preclose,volume,amount,turn",start_date='2021-01-01',end_date='2022-01-01',frequency="d",adjustflag="3")#輸出該數(shù)據(jù)data_list=[]while(rs.error_code=='0')&rs.next():#獲取一條記錄，將該記錄與此前獲取的記錄合并在一起data_list.append(rs.get_row_data())result=pd.DataFrame(data_list,columns=rs.fields)#生成DataFrame結構stock=DataFrame(result)stock.head()獲取五糧液股票數(shù)據(jù)并進行分析3．數(shù)據(jù)預處理()轉換數(shù)據(jù)類型stock['date']=pd.to_datetime(stock['date'])stock[['open','high','low','close','preclose','volume','amount']]=stock[['open','high','low','close','preclose','volume','amount']].astype(float)查看該數(shù)據(jù)集列數(shù)據(jù)的數(shù)據(jù)類型重命名列與設置date為索引dict={'open':'Open','close':'Close','high':'High','low':'Low','preclose':'Preclose','volume':'Volume','amount':'Amount','date':'Date'}stock.rename(columns=dict,inplace=True)stock.set_index(['Date'],inplace=True)獲取五糧液股票數(shù)據(jù)并進行分析4．繪制五糧液股票數(shù)據(jù)的日K線圖掃描二維碼在線瀏覽電子活頁10-3“繪制五糧液股票數(shù)據(jù)的日K線圖”中的代碼及繪制的圖形。獲取五糧液股票數(shù)據(jù)并進行分析5．繪制五糧液股票數(shù)據(jù)的月K線圖stockM=stock.resample('M').first()mc=mf.make_marketcolors(up="red",#上漲K線的顏色down="green",#下跌K線的顏色edge="gray",#蠟燭圖箱體的顏色volume="pink",#成交量柱子的顏色wick="gray"#蠟燭圖影線的顏色)style=mf.make_mpf_style(base_mpl_style="ggplot",marketcolors=mc)mf.plot(data=stockM,type="candle",title="K-LINE-months",ylabel="price",style=style,volume=True)6．計算五糧液股票2020年總收益率將收益率輸入列表stock['Profit']=((stock['Close']-stock['Preclose'])/stock['Preclose'])#stock['Profit']=stock['Profit'].apply(lambdax:'%.2f%%'%(x*100))#顯示百分比#計算五糧液股票2020年總收益率total_profit=((stock['Close'][-1]-stock['Close'][0])/stock['Close'][0])*100total_profit=total_profit.round(2)print('五糧液2020年股價上漲了{}%'.format(total_profit))獲取五糧液股票數(shù)據(jù)并進行分析輸出結果：五糧液2020年股價上漲了-25.29%7．繪制五糧液股票日收益率的直方圖stock.Profit.plot.hist(bins=40)獲取五糧液股票數(shù)據(jù)并進行分析8．繪制五糧液股票數(shù)據(jù)的五日線和三十日線M5=stock['Close'].rolling(5).mean()M5.plot(color='red')#繪制五日線M30=stock['Close'].rolling(30).mean()M30.plot(color='pink')#繪制三十日線獲取五糧液股票數(shù)據(jù)并進行分析【任務描述】CSV文件“bilibili股票數(shù)據(jù).csv”共有867行、7列數(shù)據(jù)，列名分別為：日期、收盤價、開盤價、最高價、最低價、交易量、漲跌幅。針對該數(shù)據(jù)集完成以下數(shù)據(jù)可視化分析操作。（1）繪制bilibili網(wǎng)站上市以來每日股票收盤價的時間流動圖（單線）。（2）繪制bilibili網(wǎng)站上市以來每日股票最高價和最低價的時間流動圖（雙線）。（3）繪制bilibili網(wǎng)站股價蠟燭圖和股票交易量柱形圖?！救蝿諏崿F(xiàn)】

在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建tc10-04.ipynb，然后在單元格中編寫代碼并輸出對應的結果?！救蝿?0-4】繪制bilibili網(wǎng)站上市至今的股價圖形繪制bilibili網(wǎng)站上市至今的股價圖形1．導入模塊importdatetimefrommons.utilsimportJsCodefrompyecharts.chartsimportKline2．讀取數(shù)據(jù)stock=pd.read_csv(r"dat