左大营 | python数据分析篇系列1——探索沪深300指数（附代码）（中）

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

探索沪深300指数（HS300）——基于Python（中）

【承接上文】

写在前面：本文只做分析，提供观点，不构成投资建议

如需转载请微信联系：eosO_oke

佛系更新，关注不迷路

       沪深300指数是A股市场中比较具有代表性的指数之一，于2005年4月8日正式推出。2005年之前沪深两个市场各自均有独立的综合指数和成分指数，但市场缺乏反映沪深市场整体走势的跨市场指数，沪深300指数应运而生。

       沪深300指数是反映沪深两个市场整体走势的“晴雨表”，指数样本覆盖了两市大部分流通股。沪深300成分股均为市场中代表性好、流动性高、交易活跃的主流投资股票，多为蓝筹股或白马股，能够反映市场主流投资的收益情况。

思路：

·       沪深300近15年走势图（2005-20年）

·       沪深300历次重大事件中的表现情况

·       收益是否遵从正态分布

·       每年收益率展示

·      月历效应

·      日历效应

前文我们分析了沪深300历史走势图、分析了众多历史事件中指数的表现、也查看了收益的分布情况。

本节继续探索沪深300指数收益情况，将分别使用柱状图和饼图来进行分析，重点分析【月历效应】

01 年度收益与年平均收益

（1）首先我们剥离日期索引中的年月日

1. #先把原数据的日期中的年、月、日剥离出来（后续工作可能用到）
   
2. hs300["year"] = hs300.index.year
   
3. hs300['month'] = hs300.index.month
   
4. hs300['week'] =  hs300.index.strftime('%w') #注week要用strftime('%w')的方法
   
5. hs300['day'] = hs300.index.day
   
6. hs300[['year','month','week','day']].tail(20) #仅查看剥离出来的四列的最后20个值

复制代码

输出结果为（其中的week表示当前交易日为周几，因此没有6和7）：

1.             year  month week  day
   
2. date
   
3. 2020-03-19  2020      3    4   19
   
4. 2020-03-20  2020      3    5   20
   
5. 2020-03-23  2020      3    1   23
   
6. 2020-03-24  2020      3    2   24
   
7. 2020-03-25  2020      3    3   25
   
8. 2020-03-26  2020      3    4   26
   
9. 2020-03-27  2020      3    5   27
   
10. 2020-03-30  2020      3    1   30
    
11. 2020-03-31  2020      3    2   31
    
12. 2020-04-01  2020      4    3    1

复制代码

（2）求各年度收益与年平均收益并绘制柱状图

1. #15年来每一年各自的收益（乘以100是为了去掉%，下同）
   
2. return_by_year = pd.DataFrame(round(hs300['return'].groupby(hs300.year).sum()*100,2))
   
3. #15年来每年的平均收益
   
4. average_return = np.mean(return_by_year['return'])
   
5. #年度收益正负分开
   
6. return_by_year['positive'] = return_by_year > 0

复制代码

输出结果为：

（3）年化收益率大于0 和小于0各自占比（绘制饼状图）

1. data = return_by_year['positive'].value_counts().tolist()
   
2. pos_neg = pd.DataFrame(data=data,columns=['counts'],index=['positive','negative'])
   
3. 
   
4. plt.figure(figsize=(15,15))
   
5. pos_neg.counts.plot(kind='pie',colors=['green','red'],autopct='%1.1f%%',startangle=140)
   
6. plt.title('年化收益率正负各自占比',size=(20))
   
7. plt.legend(loc='upper right',fontsize=10,ncol=2,fancybox=True,framealpha=0.5,shadow=True) #两列展示图例

复制代码

此图作用不大，背后的意义也不大，但是食之无味弃之可惜，展示出来权当是占个位置来学做饼图吧：

输出结果为：

（4）各月份平均收益图(A股月历效应)

1. return_by_month = pd.DataFrame(round(hs300['return'].groupby(hs300.month).mean()*100,2))
   
2. return_by_month['positive'] = return_by_month['return']>0
   
3. plt.figure(figsize=(20,15))
   
4. return_by_month['return'].plot(kind='bar',color=return_by_month.positive.map({True:'red',False:'forestgreen'}))
   
5. plt.title("月度平均收益图(%)",size=20)
   
6. plt.xlabel('月份',size=20)
   
7. plt.ylabel('每月平均收益',size=20)
   
8. plt.yticks(np.arange(-0.25,0.25,step=0.025),size=15)
   
9. plt.xticks(rotation=45,size=15)
   
10. plt.grid(alpha=0.3)

复制代码

输出结果为：

从结果可以看出，除了一月平均收益为0,6月和8月平均收益为负之外，其他九个月的平均收益均为正。收益率在2月和12月份达到最高，平均0.2%，月历效应背后的原因大家可以上网去查，各有各的说法，我是想说，含有我们最讨厌的数字2,4的月份，表现的反而最好，我们最喜欢的6,8数字的月份，表现最差，是的，它很有个性，这很A股。

（5）绘制每个月收益图，具体查看月历效应

1. #合并年和月，查看15年*12个月 每个月的收益相对于月份平均收益的走势图
   
2. hs300['year_month'] = hs300['year'].map(str)+'年'+hs300['month'].map(str)+'月'
   
3. hs300['year_month'].tail(20)
   
4. month_return = pd.DataFrame(round(hs300['return'].groupby(hs300['year_month']).sum()*100,2))
   
5. month_return['positive'] = month_return['return']>0
   
6. 
   
7. #计算平均月收益
   
8. average_month_return = np.mean(month_return['return'])
   
9. 
   
10. plt.figure(figsize=(20,10))
    
11. month_return['return'].plot(kind='bar',color=month_return['positive'].map({True:'red',False:'green'}),label='Monthly Return')
    
12. plt.axhline(y=average_month_return, color='blue',linestyle='-',label='Average Return')
    
13. plt.title('每月收益率与月平均收益率对比',size=20)
    
14. plt.xlabel('月份',size=20)
    
15. plt.ylabel('收益',size=20)
    
16. 
    
17. month_return['n'] = range(len(month_return)) #解释同133行代码
    
18. plt.xticks(month_return['n'][::10],month_return.index[::10],rotation=45) #解释同上
    
19. plt.yticks(np.arange(-50,50,step=10))
    
20. plt.legend(ncol=2)

复制代码

输出结果为：


大家可以通过让x轴更加密集的方式，来查看是否大部分年份里每年的2,4,12月份收益最高，6,8月收益最低。
下期来看看每周哪一天交易日里收益最好。
昨天收到“管友”催更的信息了，本人也是激动的一P，说明帖子有人看，但是事情较多，只能佛系更新，下期不定时展示；

***关注一下 ，不做尘世中迷途的小书童

未完待续

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏7 回帖

关键词：python 数据处理 沪深300指数 月历效应

thanks for sharing

给你打赏哦

xixia333 发表于 2020-4-16 15:01
给你打赏哦

哈哈，你又来捧场啦，热烈欢迎

这次代码直接贴在文中了，不用单独上传附件，如果大家觉得这种方式优于图片+附件形式，以后就用这种方式了，欢迎留言告知。

打赏打赏，持续关注！

谢谢大神分享

你咋这么优秀啊，大神，要多多更新哦{:2_31:}

与心交响 发表于 2020-4-16 16:36
谢谢大神分享

加油

谢谢分享