Python常见金融分析方法------移动窗口和移动波动率

移动窗口指的是在一特定的时间窗口内计算数据的统计量，并在数据中按特定的间隔滑动窗口。
这样，只要窗口在时间序列的日期内不断滑动，统计量就被连续的计算。
实现方式是将rolling()函数和mean()、std()......结合使用，当然也依赖于实际要计算的移动窗口的种类。
归根到底，移动窗口取决于对数据使用的统计量。例如，移动平均值平滑了数据中的短期波动并突出了长期趋势。
#导入apple公司股票数据
import pandas_datareader as pdr
import datetime
apple = pdr.get_data_yahoo(&#39;AAPL&#39;,
                        start=datetime.datetime(1980,1,1),
                        end=datetime.datetime(2019,12,29))
#导入numpy和pandas
import numpy as np
import pandas as pd

#选取调整的收盘价
adj_close_px = apple[&#39;Adj Close&#39;]
#计算移动均值
moving_avg = adj_close_px.rolling(window=40).mean()
#查看后十项结果
print(moving_avg[-10:])也可以结合使用rolling()和max()、var()或median()来得到相同的结果
#用matplotlib做一幅简单的图,可以帮助你理解移动平均值及其实际的含义
#导入matplotlib
import matplotlib.pyplot as plt
#短期的移动窗口
apple[&#39;42&#39;] = adj_close_px.rolling(window=40).mean()
#长期的移动窗口
apple[&#39;252&#39;] = adj_close_px.rolling(window=252).mean()
#绘制调整的收盘价，同时包含短期和长期的移动窗口均值
apple[[&#39;Adj Close&#39;,&#39;42&#39;,&#39;252&#39;]].plot(figsize=(15,20))
#图片另存为
plt.savefig(&#39;E:\stock\移动窗口&#39;,dpi=400,bbox_inches=&#39;tight&#39;)
plt.show()

股票的波动率衡量了在特定时间内收益率的变化。常常将一只股票的波动率和另一只股票比较，以寻找风险较小的股票；或是将之与市场指数比较，来检查股票在整个市场上的波动。一般来说，波动率越高，该股票的投资风险更大，人们就会选择投资其他股票。
对数收益率（回报随时间的增长），也就是历史移动波动率，可能更令人感兴趣。
#导入apple公司股票数据
import pandas_datareader as pdr
import datetime
aapl = pdr.get_data_yahoo(
      &#39;AAPL&#39;,
      start=datetime.datetime(1980,1,1),
      end=datetime.datetime(2019,12,29))
print(aapl)
aapl.to_csv(r&#39;E:\stock\apple.csv&#39;,index=True)
information = aapl.info()

#导入numpy和pandas
import numpy as np
import pandas as pd
#将aapl数据框中&#39;Adj Close&#39;列数据赋值给变量&#39;daily_close&#39;
daily_close = aapl[[&#39;Adj Close&#39;]]
#计算每日收益率
daily_pct_change = daily_close.pct_change()
#用0填补缺失值NA
daily_pct_change.fillna(0, inplace=True)
#查看每日收益率的前几行
print(daily_pct_change.head())
#计算每日对数收益率
daily_log_returns = np.log(daily_close.pct_change()+1)
#查看每日对数收益率的前几行
print(daily_log_returns.head())
#按营业月对&#39;aapl&#39;数据进行重采样，取每月最后一项
monthly = aapl.resample(&#39;BM&#39;).apply(lambda x: x[-1])
#计算每月的百分比变化，并输出前几行
print(monthly.pct_change().head())
#按季度对&#39;aapl&#39;数据进行重采样，将均值改为每季度的数值
quarter = aapl.resample(&#39;3M&#39;).mean()
#计算每季度的百分比变化，并输出前几行
print(quarter.pct_change().head())
#每日收益率
daily_pct_change = daily_close / daily_close.shift(1) - 1
#输出&#39;daily_pct_change&#39;的前几行
print(daily_pct_change.head())
#导入matplotlib
import matplotlib.pyplot as plt
#绘制直方图
daily_pct_change.hist(bins=50)
plt.savefig(r&#39;E:\stock\return_hist&#39;,dpi=400,bbox_inches=&#39;tight&#39;)
plt.show()

#输出daily_pct_change的统计摘要
print(daily_pct_change.describe())
#计算累积日收益率
cum_daily_return = (1 + daily_pct_change).cumprod()
#输出&#39;cum_daily_return&#39;
print(cum_daily_return)
#绘制累积日收益率曲线
cum_daily_return.plot(figsize=(12,8))
plt.savefig(r&#39;E:\stock\cum_daily_return&#39;,dpi=400,bbox_inches=&#39;tight&#39;)
plt.title(&#39;cum_daily_return&#39;)
plt.show()
#将累积日回报率转换成累积月回报率
cum_monthly_return = cum_daily_return.resample(&#34;M&#34;).mean()
#输出&#39;cum_monthly_return&#39;的前几行
#print(cum_monthly_return.head())
print(cum_monthly_return)

#获取Apple、Microsoft、IBM和Google的股票数据，并将它们合并在一个大的数据框中
import pandas_datareader as pdr
import datetime
import yfinance

def get(tickers, startdate, enddate):
def data(ticker):
      return (pdr.get_data_yahoo(ticker, start=startdate,end=enddate))
datas = map(data, tickers)
return (pd.concat(datas, keys=tickers,names=[&#39;Ticker&#39;,&#39;Date&#39;]))
tickers = [&#39;AAPL&#39;,&#39;MSFT&#39;,&#39;IBM&#39;,&#39;GOOG&#39;]
all_data = get(tickers, datetime.datetime(1980,1,1),datetime.datetime(2019,12,29))
print(all_data.head())
print(all_data)
#选取&#39;Adj Close&#39;这一列并变换数据框
daily_close_px = all_data[[&#39;Adj Close&#39;]].reset_index().pivot(&#39;Date&#39;,&#39;Ticker&#39;,&#39;Adj Close&#39;)
#对&#39;daily_close_px&#39;计算每日百分比变化
daily_pct_change = daily_close_px.pct_change()
#绘制分布直方图
daily_pct_change.hist(bins=50,sharex=True,figsize=(12,8))
#将绘图效果另存为
plt.savefig(r&#39;E:\all_data&#39;,dpi=400,bbox_inches=&#39;tight&#39;)
#显示绘图结果
plt.show()
#对&#39;daily_pct_change&#39;数据绘制散点矩阵图
pd.plotting.scatter_matrix(daily_pct_change,diagonal=&#39;kde&#39;,alpha=0.1,figsize=(12,12))
#显示绘图结果
plt.show()

#定义最小周期
min_periods = 75
#计算波动率
vol = daily_pct_change.rolling(min_periods).std()*np.sqrt(min_periods)
#绘制波动率曲线
vol.plot(figsize=(10,8))
#图片另存为
plt.savefig(r&#39;E:\stock\移动波动率&#39;,dpi=400,bbox_inches=&#39;tight&#39;)
#显示结果
plt.show()

通过计算股票百分比变化的移动窗口标准差得到波动率。
窗口的大小能够改变整体的结果：如果扩大窗口（也就是让min_periods变大),结果不再变得那么有代表性。如果缩小窗口，结果将更接近标准差。
那么基于数据采样频率得到合适的窗口大小绝对是一项技能。