Python數(shù)據(jù)分析：股價(jià)相關(guān)性

為什么要分析股價(jià)相關(guān)度呢，我們來(lái)引入一個(gè)概念——配對(duì)交易
所謂的配對(duì)交易，是基于統(tǒng)計(jì)套利的配對(duì)交易策略是一種市場(chǎng)中性策略，具體的說(shuō)，是指從市場(chǎng)上找出歷史股價(jià)走勢(shì)相近的股票進(jìn)行配對(duì)，當(dāng)配對(duì)的股票價(jià)格差偏離歷史均值時(shí)，則做空股價(jià)較高的股票同時(shí)買(mǎi)進(jìn)股價(jià)較低的股票，等待他們回歸到長(zhǎng)期均衡關(guān)系，由此賺取兩股票價(jià)格收斂的報(bào)酬。
接下來(lái)開(kāi)始我們的股價(jià)相關(guān)度分析，首先我們選兩個(gè)股票~

感覺(jué)全聚德和光明乳業(yè)都很好吃的樣子，我們就選它們了吧！=￣ω￣=
1、導(dǎo)入數(shù)據(jù)包
簡(jiǎn)單介紹一下要用到的數(shù)據(jù)包
matplotlib.pyplot：繪圖庫(kù)，其中pyplot子包提供一個(gè)類MATLAB的繪圖框架
numpy：科學(xué)計(jì)算庫(kù)，支持高級(jí)大量的維度數(shù)組與矩陣運(yùn)算
pandas：納入了大量庫(kù)和一些標(biāo)準(zhǔn)的數(shù)據(jù)模型，提供高效地操作大型數(shù)據(jù)集所需的工具
tushare：財(cái)經(jīng)數(shù)據(jù)接口包
[python] view plain copy

    <span style="font-size:18px;">import matplotlib.pyplot as plt </span>  
    <span style="font-size:18px;">import numpy as np</span>  
    <span style="font-size:18px;">import pandas as pd</span>  
    <span style="font-size:18px;">import tushare as ts  
    </span> 
2、根據(jù)全聚德和光明乳業(yè)的股票代碼獲取數(shù)據(jù)，這里獲取的是2016年一整年的收盤(pán)價(jià)，獲取完后合并，因?yàn)橥Ｅ频拇嬖?，用前一天的價(jià)格去填寫(xiě)缺失數(shù)據(jù)，最終以CSV格式保存數(shù)據(jù)
[python] view plain copy
    <span style="font-size:18px;">s_qjd = '002186' #全聚德</span>  
    <span style="font-size:18px;">s_gm = '600597' #光明乳業(yè)</span>  
    <span style="font-size:18px;">sdate = '2016-01-01'#起止日期</span>  
    <span style="font-size:18px;">edate = '2016-12-31'</span>  
    <span style="font-size:18px;">df_qjd = ts.get_h_data(s_qjd, start = sdate, end = edate).sort_index(axis = 0,ascending=True)#獲取歷史數(shù)據(jù)</span>  
    <span style="font-size:18px;">df_gm = ts.get_h_data(s_gm, start = sdate, end = edate).sort_index(axis = 0,ascending=True)</span>  
    <span style="font-size:18px;">df = pd.concat([df_qjd.close,df_gm.close], axis = 1, keys=['qjd_close', 'gm_close'])#合并</span>  
    <span style="font-size:18px;">df.ffill(axis=0, inplace=True)#填充缺失數(shù)據(jù)</span>  
    <span style="font-size:18px;">df.to_csv('qjd_gm.csv')  
    </span>  

3、用pearson相關(guān)系數(shù)計(jì)算相關(guān)度（Pearson相關(guān)系數(shù)是用來(lái)衡量?jī)蓚€(gè)數(shù)據(jù)集合是否在一條線上面，它用來(lái)衡量定距變量間的線性關(guān)系。），再打印出來(lái)看一眼
[python] view plain copy

    <span style="font-size:18px;">corr = df.corr(method = 'pearson', min_periods = 1)#pearson方法計(jì)算相關(guān)性</span>  
    <span style="font-size:18px;">print(corr)</span> 


算出來(lái)有0.81，超過(guò)0.8，按值域等級(jí)來(lái)說(shuō)屬于極強(qiáng)相關(guān)，不過(guò)話說(shuō)一個(gè)賣烤鴨的為什么會(huì)和賣牛奶的相關(guān)度那么高。。。。難道大家吃烤鴨的時(shí)候都喜歡喝牛奶嗎。。。
4、繪制圖像出來(lái)喵一眼，看看趨勢(shì)上來(lái)說(shuō)什么時(shí)候可以有機(jī)會(huì)做配對(duì)交易
[python] view plain copy
    <span style="font-size:18px;">df.plot(figsize = (20,12))</span>  
    <span style="font-size:18px;">plt.savefig('qjd_gm.jpg')</span>  
    <span style="font-size:18px;">plt.close()</span>  

5、按分析日期的第一天的股價(jià)為基準(zhǔn)做歸一化處理，打印圖像
[python] view plain copy
    <span style="font-size:18px;">df['qjd_one'] = df.qjd_close / float(df.qjd_close[0])*100</span>  
    <span style="font-size:18px;">df['gm_one'] = df.gm_close / float(df.gm_close[0])*100</span>  
    <span style="font-size:18px;">df.qjd_one.plot(figsize = (20,12))</span>  
    <span style="font-size:18px;">df.gm_one.plot(figsize = (20,12))</span>  
    <span style="font-size:18px;">plt.savefig('qjd_gm_one.jpg')</span>  
    <span style="font-size:18px;">  
    </span>  

好啦，做完啦，雖然我也不知道為什么全聚德會(huì)和光明乳業(yè)這么高相關(guān)性
不過(guò)理論上是可以做配對(duì)交易的，不過(guò)股票有風(fēng)險(xiǎn)，投資需謹(jǐn)慎~
以下是完整代碼：
[python] view plain copy

    # coding=gbk  
      
    import matplotlib.pyplot as plt #提供類matlab里繪圖框架  
    import numpy as np  
    import pandas as pd  
    import tushare as ts  
      
    #獲取數(shù)據(jù)  
    s_qjd = '002186' #全聚德  
    s_gm = '600597' #光明乳業(yè)  
    sdate = '2016-01-01'#起止日期  
    edate = '2016-12-31'  
    df_qjd = ts.get_h_data(s_qjd, start = sdate, end = edate).sort_index(axis = 0,ascending=True)#獲取歷史數(shù)據(jù)  
    df_gm = ts.get_h_data(s_gm, start = sdate, end = edate).sort_index(axis = 0,ascending=True)  
    df = pd.concat([df_qjd.close,df_gm.close], axis = 1, keys=['qjd_close', 'gm_close'])#合并  
    df.ffill(axis=0, inplace=True)#填充缺失數(shù)據(jù)  
    df.to_csv('qjd_gm.csv')  
      
    #pearson方法計(jì)算相關(guān)性  
    corr = df.corr(method = 'pearson', min_periods = 1)  
    print(corr)  
      
    #打印圖像  
    df.plot(figsize = (20,12))  
    plt.savefig('qjd_gm.jpg')  
    plt.close()  
      
    #歸一化處理打印圖像  
    df['qjd_one'] = df.qjd_close / float(df.qjd_close[0])*100  
    df['gm_one'] = df.gm_close / float(df.gm_close[0])*100  
    df.qjd_one.plot(figsize = (20,12))  
    df.gm_one.plot(figsize = (20,12))  
    plt.savefig('qjd_gm_one.jpg')