[Python财务2]让我们实际使用Python操作GAFA股票!

第二 人工智能金融,开始编程课程

上一次,您可以绘制GAFA股票价格这次,假设资产管理,如何调查股票的相关性以及如何计算收益,从协方差和波动率我们甚至将解释资产管理方法

是的,这次我将解释如何使用python使用anaconda的spyder

首先,根据GAFA股票价格数据,让我们检查每天的变化率,变化率很容易获得

使用pct_change函数,pct_change是用新价格除以旧价格这是检查变化率的功能功能

让我们通过将其插入到graph_plot函数中进行检查,这样写

daily_rate_change = my_stocks.pct_change(1)

让我们实际显示变化率

    print(daily_rate_change)

我会尝试的,可以通过这种方式确认变化率

计算如何进行在这种情况下,今天的价值除以前一天的价值然后减去1,如果没有变化,则除法值将为1,因此结果将为0,如果波动为正,则分子将更大,因此相除后的值将大于1因此,即使您减去1,波幅也会为正,相反,如果波动为负,则分母变小,它小于1,因此波动率将为负,根据此数据,您可以检查每日波动的幅度

接下来,让我们检查一下GAFA的相关性

由于金融工程和投资者都很熟悉,我们可以确定与股价波动存在一定程度的相关性

例如,如果原油价格上涨,据说汽油公司和加元相对受到影响,此外,如果大公司的业绩下降,据说,关联公司(即分包公司)的业绩也会受到影响

在调查相关性时,检查诸如货运公司和食品饮料公司的关系,而不是It公司和It公司的关系,此外,哪些食品和饮料公司拥有国内外市场份额,确认后,我们将检查相关性,尽管到目前为止我们只能发布,简而言之,通过缩小范围很容易预测股价,只能获取鲜味

如何实际检查,使用corr功能,这样写

print(daily_rate_change.corr())

我会尝试的

このように相関関係が確認できます。

●可以以此方式确认相关性

我将简要解释,如果一个股票价格上涨而另一个股票价格下跌则为负,仅看这些数据,亚马逊和谷歌的经济趋势相同,您可以确认

※只能从该数据中读取

接下来,让我们检查协方差

简而言之,协方差是,两组对应数据,它显示了彼此之间的影响力和分散程度,换句话说,该内容与投资者分配股票相对应,如何实际检查

使用covariance函数,这样写

print(daily_rate_change.cov())

我会尝试的

このように共分散行列が確認できます。

●您可以看到这样的协方差矩阵

简而言之,高方差意味着,请记住,资产风险很高※要注意的一点是,可以使用协方差矩阵确认的是由于特定问题(称为非市场风险)导致的风险,如果发生诸如经济和社会状况等宏观因素的市场风险,则无法应用降低风险的效果,如,基于冠状病毒时期股价数据的相关性无效,这是因为经济本身由于冠状病毒而无法运转

顺便说一句,如果您想检查东京证券交易所第一部分中上市公司所有数据的相关性,由于数量巨大,因此可以使用协方差矩阵立即缩小相关性

接下来,我们将平均股票价格的波动性,即,使用计算标准偏差的std函数

这样写

print(daily_rate_change.std())

これで実行してみます。

●我会尝试的

查看哪些公司波动最大,只检查这些数据比投资Google更好,可以确定的是,投资于Facebook的回报更大,这是个人观点

●グラフ消す

接下来,让我们可视化波动率,让我们删除多余的图

确定图形的大小。这次的宽度是18,高度是8

plt.figure(figsize=(18,8))

接下来,让我们绘制所有数据

for i in daily_rate_change.columns.values:
         plt.plot(daily_rate_change.index,daily_rate_change[I],lw=2,label=i)

接下来,在图形中插入标题

plt.title(“Volatillity”)

接下来,输入图形的x轴标签的名称,在这种情况下,请输入GAFA_data

plt.xlabel(“GAFA_date”,fontsize=16)

接下来是图形的y轴上的标签名称,在这种情况下,请输入Daily_Volatillity

plt.ylabel(“Daily_Volatillity”)

接下来,设置锚点,这次右上

plt.legend(loc=“upper right” , fontsize=10)

显示图形

plt.show()

我会尝试的

このようにデータが出力することができたことが確認できます。

●您可以确认可以通过这种方式输出数据

如果看这张图,您会发现Facebook非常不稳定,相比之下,谷歌似乎稳定无波动,您也可以像这样可视化它

接下来,我想显示每日平均值,将均值函数并输入变量

daily_mean_returns= daily_rate_change.mean()
print(“Daily mean return:”)
print(daily_mean_returns)

接下来,如果客户实际上与股票形成投资组合,让我们计算一下可以实现的利润,说起来很简单,对于那些不了解投资的人,基本上,我们不仅投资于一家公司,这是因为如果一家公司倒闭,它可能会失去所有资产,因此,在投资时,我们会将资产分配给多家公司并进行资产管理,这通常称为投资组合

这次,我们将在使用Google 40%,亚马逊30%,Facebook 20%和Apple 10%完成资产管理时计算收益

这样写

Portfolio_Proportion = np.array([0.4 , 0.3 , 0.2 , 0.1])

它将乘以您制作的数组和您先前输出的结果

daily_mean_portfolio = np.sum(daily_mean_returns*Portfolio_Proportion)

然后投射它并查看结果

print(str(daily_mean_portfolio))

実行結果を見てみますと10ポイント回収ができていることが確認できます。これはポートフォリオとしては悪くない結果だと思います。

●如果查看执行结果,可以看到已收集了10个点,我认为这对于一个投资组合来说并不是一个坏结果

是的,这是根据主要IT公司GAFA的过去数据得出的,这次,假设资产管理,如何调查股票的相关性以及如何计算收益,从协方差和波动率,我们甚至已经解释了如何管理资产,在下一个关于财务的演讲的第三部分中,我们将使用LSTM预测Ai的股价,具体来说,苹果股价的预测和,我们甚至会检查实际的股价结果,请查看您是否有兴趣

沃森博士在Twitter和Instagram 我们还开设了一个网站,因此,如果您有兴趣,Please follow me,是的,AI的金融AI编程课程到此结束,感谢您的关注,谢谢(๑╹ω╹๑ )

最近の記事

  • 関連記事
  • おすすめ記事
  • 特集記事

コメント

この記事へのコメントはありません。

CAPTCHA


PAGE TOP