优质投资组合构建、MA、MACD、KDJ、RSI、OBV相关指标计算及预测模型在线实验闯关

文章目录

第1关：基于总体规模与投资效率指标的上市公司综合评价

#********** Begin **********#
#1.读取上市公司总体规模与投资效率方面指标数据"data.xlsx",字段信息依次为：
#  股票代码、会计期间、营业收入、营业利润、利润总额、净利润、资产总计、
#  固定资产净额、资产收益率、每股净资产、每股资本公积、每股收益
#  基于数据，对2016年上市公司进行综合排名，找出优质公司股票。
#2.筛选指标值大于0的数据以及去掉空值
#3.数据标准化，这里可以采用均值-方差法
#4.对标准化后的数据进行主成成分分析，要求累计贡献率在95%以上，并提取主成分
#5.计算综合得分：所提取的主成分与其贡献率乘积之和
#6.读取上市公司基本信息表：“TRD_Co.xlsx”，字段名称依次为：股票代码、股票简称
#7.返回两种形式的排名结果Fscore1和Fscore2，数据结构均为序列，数据结果排序均为降序
#  其中第1种形式的index为股票代码，值为综合得分。
#      第2种形式的index为股票简称，值为综合得分。
def return_values():

    import pandas as pd
    #1 读取数据
    data=pd.read_excel('data.xlsx')
    data2=data.iloc[data.iloc[:,1].values=='2016-12-31',[ 0,2,3,4,5,6,7,8,9,10,11]]
    data2=data2[data2>0]
    data2=data2.dropna()
    from sklearn.preprocessing import StandardScaler  
    X=data2.iloc[:,1:]
    scaler = StandardScaler()
    scaler.fit(X) 
    X=scaler.transform(X)  
    from sklearn.decomposition import PCA 
    pca=PCA(n_components=0.95)      #累计贡献率为95%
    Y=pca.fit_transform(X)            #满足累计贡献率为95%的主成分数据
    gxl=pca.explained_variance_ratio_   #贡献率
    import numpy as np
    F=np.zeros((len(Y)))
    for i in range(len(gxl)):
        f=Y[:,i]*gxl[i]
        F=F+f
    fs1=pd.Series(F,index=data2['Stkcd'].values)
    Fscore1=fs1.sort_values(ascending=False)   #降序，True为升序
    co=pd.read_excel('TRD_Co.xlsx')
    Co=pd.Series(co['Stknme'].values,index=co['Stkcd'].values)
    Co1=Co[data2['Stkcd'].values]
    fs2=pd.Series(F,index=Co1.values)
    Fscore2=fs2.sort_values(ascending=False)   #降序，True为升序




    return (Fscore1,Fscore2)

#********** End **********#

第2关：投资组合构建及收益率计算

#********** Begin **********#
# -*- coding: utf-8 -*-
# 1.在上一关的基础上，获得综合排名前30个股票代码，并构建投资组合
# 2.投资组合持有期为2017-05-01日至2017-12-31日，计算其收益率。
# 3.读取2017年股票日交易数据表“trd_2017.xlsx”，其字段信息如下：
#   股票代码、交易日期、收盘价、考虑现金红利再投资的收盘价可比价、
#   不考虑现金红利再投资的收盘价可比价
# 4.注意事项：
# 4.1 每只股票的收益率计算方法为：
#     以该股票持有期内首个交易日考虑现金红利再投资的收盘价可比价p1买入，
#     持有期内最后交易日的考虑现金红利再投资的收盘价可比价p2卖出，
#     收益率计算公式为：(p2-p1)/p1
# 4.2 投资组合的收益率为该组合内所有股票收益率之和
# 5.返回投资组合总收益率： r_total
def return_values():
    import pandas as pd
    import step7_13
    trd=pd.read_excel('trd_2017.xlsx')
    re = step7_13.return_values()
    Fscore1=re[0]
    #预定义每个股票的收益率序列
    r_list=[]
    for i in range(30):
        #获取排名第i个股票代码
        code=Fscore1.index[i]
        #获取排名第i个股票代码的交易数据
        dt=trd.iloc[trd.iloc[:,0].values==code,:]
        #获取排名第i个股票代码2017年度的交易数据，并按交易日期升序排序
        I1=dt['Trddt'].values>='2017-05-01'
        I2=dt['Trddt'].values<='2017-12-31'
        dtt=dt.iloc[I1&I2,:].sort_values('Trddt')
        #数据是否为空条件判断
        if len(dtt)>1: