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

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（下）

【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

上节我们分析了沪深300的月历效应，本节将继续分析日历效应，查看A股在每个工作日上涨的概率。

01 首先根据工作日进行分组

1. return_by_week = pd.DataFrame(round(hs300['return'].groupby(hs300.week).sum()*100,2))
   
2. return_by_week.index = ['周一', '周二', '周三', '周四', '周五']
   
3. average_week_return = np.mean(return_by_week['return'])
   
4. return_by_week['pos_neg'] = return_by_week['return'] > 0

复制代码

02 开始绘图

1. plt.figure(figsize=(20,15))
   
2. return_by_week['return'].plot(kind='bar',
   
3.               color=return_by_week['pos_neg'].map({True:'red',False:'green'}))
   
4. plt.axhline(average_week_return,color='blue')
   
5. plt.title('每周表现最好的工作日',size=20)
   
6. plt.ylabel('工作日累计收益率（%）',size=20)
   
7. 
   
8. return_by_week['n'] = range(len(return_by_week))
   
9. plt.xticks(return_by_week['n'],return_by_week.index,rotation=45,size=15)
   
10. plt.yticks(np.arange(-125,125,step=10),size=15)
    
11. plt.grid(alpha=0.3)

复制代码

输出结果为：

03 查看各工作日收益为正的比例（在分组时运用到层次化索引的命令，这一点非常重要）

1. hs300['pos_neg'] = hs300['return'] > 0
   
2. best_day = hs300['return'].groupby([hs300.week,hs300.pos_neg]).count()
   
3. best_day.tail(30)
   
4. best_day = best_day.unstack()
   
5. best_day.index = ['周一', '周二', '周三', '周四', '周五']
   
6. best_day.rename(columns={True:'Pos',False:'Neg'},inplace=True)
   
7. 
   
8. best_day['positive_percentage'] = best_day['Pos'] / (best_day['Pos'] + best_day['Neg'])
   
9. #best_day.eval('positive_percentage = Pos / (Pos+Neg)', inplace=True)
   
10. average_positive_percentage = np.mean(best_day.positive_percentage)
    
11. best_day['fifty_per'] = best_day['positive_percentage'] > average_positive_percentage

复制代码

注：中间使用#表示改行命令和上一行命令效果相同，详情请查看.eval()命令

04 开始绘图

1. plt.figure(figsize=(20,15))
   
2. plt.bar(best_day.index,best_day.positive_percentage,width=0.3,lw=1,color=best_day['fifty_per'].map({True:'red',False:'g'}))
   
3. plt.axhline(average_positive_percentage, c="darkgreen", ls="--", lw=2)
   
4. plt.title('沪深300交易日平均上涨概率',size=20)
   
5. plt.ylabel('收益为正的比例',size=20)
   
6. plt.yticks(np.arange(0,1,step=0.05),size=15)
   
7. plt.xticks(rotation=45,size=15)
   
8. plt.grid(alpha=0.4)
   
9. plt.text(0,0.6,'58%',fontdict={'size': 20, 'color':  'red'},fontstyle='italic')
   
10. plt.text(1,0.58,'56%',fontdict={'size': 20, 'color':  'red'},fontstyle='italic')
    
11. plt.text(2,0.54,'51%',fontdict={'size': 20, 'color':  'green'},fontstyle='italic')
    
12. plt.text(3,0.47,'45%',fontdict={'size': 20, 'color':  'green'},fontstyle='italic')
    
13. plt.text(4,0.58,'56%',fontdict={'size': 20, 'color':  'red'},fontstyle='italic')
    
14. 
    
15. plt.text(2.5,0.75,'历史上每个交易日平均上涨概率为53.3%,\n综合来看周一上涨概率最高，达到58%，\n周四下跌概率最高，故称“黑色星期四”',
    
16.          fontdict={'size':13, 'color':  'red'},fontstyle='italic')

复制代码

05 输出结果

写在最后：本期话题【沪深300指数探索】共三期，到此告一段落了，由于我的目的只是想分享数据分析的一些知识，因此对A股的探讨非常的浅薄，如有疏漏，还望读者可以指出。

佛 系 更 新

***关注一下 ，不做尘世中迷途的小书童

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5 回帖

关键词：python 数据处理 A股市场 沪深300

谢谢分享！

谢谢楼主。

左大营 发表于 2020-4-22 22:53
探索沪深300指数（HS300）——基于Python（下）
【承接上文】

谢谢分享！

谢谢分享！

感谢分享

原始数据和代码下载不了了。