python分析数据走势图_左大营 | python数据分析篇系列1——探索沪深300指数（附代码）（中）...

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

#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)

hs300["year"] = hs300.index.year

hs300['month'] = hs300.index.month

hs300['week'] =  hs300.index.strftime('%w') #注week要用strftime('%w')的方法

hs300['day'] = hs300.index.day

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)：

year  month week  day

date

2020-03-19  2020      3    4   19

2020-03-20  2020      3    5   20

2020-03-23  2020      3    1   23

2020-03-24  2020      3    2   24

2020-03-25  2020      3    3   25

2020-03-26  2020      3    4   26

2020-03-27  2020      3    5   27

2020-03-30  2020      3    1   30

2020-03-31  2020      3    2   31

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

#15年来每一年各自的收益(乘以100是为了去掉%，下同)

return_by_year = pd.DataFrame(round(hs300['return'].groupby(hs300.year).sum()*100,2))

#15年来每年的平均收益

average_return = np.mean(return_by_year['return'])

#年度收益正负分开

return_by_year['positive'] = return_by_year > 0复制代码输出结果为：

2020-4-16 12:18:12 上传

下载附件 (53.96 KB)

(3)年化收益率大于0 和小于0各自占比(绘制饼状图)

data = return_by_year['positive'].value_counts().tolist()

pos_neg = pd.DataFrame(data=data,columns=['counts'],index=['positive','negative'])

plt.figure(figsize=(15,15))

pos_neg.counts.plot(kind='pie',colors=['green','red'],autopct='%1.1f%%',startangle=140)

plt.title('年化收益率正负各自占比',size=(20))

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：

2020-4-16 12:20:31 上传

下载附件 (35.66 KB)

(4)各月份平均收益图(A股月历效应)

return_by_month = pd.DataFrame(round(hs300['return'].groupby(hs300.month).mean()*100,2))

return_by_month['positive'] = return_by_month['return']>0

plt.figure(figsize=(20,15))

return_by_month['return'].plot(kind='bar',color=return_by_month.positive.map({True:'red',False:'forestgreen'}))

plt.title("月度平均收益图(%)",size=20)

plt.xlabel('月份',size=20)

plt.ylabel('每月平均收益',size=20)

plt.yticks(np.arange(-0.25,0.25,step=0.025),size=15)

plt.xticks(rotation=45,size=15)

plt.grid(alpha=0.3)复制代码

输出结果为：

2020-4-16 12:21:08 上传

下载附件 (61.4 KB)

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

#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

hs300['year_month'] = hs300['year'].map(str)+'年'+hs300['month'].map(str)+'月'

hs300['year_month'].tail(20)

month_return = pd.DataFrame(round(hs300['return'].groupby(hs300['year_month']).sum()*100,2))

month_return['positive'] = month_return['return']>0

#计算平均月收益

average_month_return = np.mean(month_return['return'])

plt.figure(figsize=(20,10))

month_return['return'].plot(kind='bar',color=month_return['positive'].map({True:'red',False:'green'}),label='Monthly Return')

plt.axhline(y=average_month_return, color='blue',linestyle='-',label='Average Return')

plt.title('每月收益率与月平均收益率对比',size=20)

plt.xlabel('月份',size=20)

plt.ylabel('收益',size=20)

month_return['n'] = range(len(month_return)) #解释同133行代码

plt.xticks(month_return['n'][::10],month_return.index[::10],rotation=45) #解释同上

plt.yticks(np.arange(-50,50,step=10))

plt.legend(ncol=2)复制代码输出结果为：

2020-4-16 12:22:17 上传

下载附件 (66.77 KB)

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