yyds!用机器学习预测 bilibili 股价走势

上一篇 / 下一篇  2021-08-23 13:04:57

  本文主要讲解用Python分析哔哩哔哩股价,通过对股票数据进行基础分析,结合运用matplotlib绘图库进行可视化,并用机器学习方法 — 蒙特卡洛模拟预测未来一年股价走势。
  安装  我们需要安装numpy、pandas、matplotlib、scipy等Python数据科学工具包。
  #关注公众号:宽客邦,回复“源码”获取下载本文完整源码  
  import numpy as np  
  import pandas as pd  
  from math import sqrt  
  import matplotlib.pyplot as plt  
  from scipy.stats import norm  
  from pandas_datareader import data
  选取哔哩哔哩(股票代码:BILI)2018年上市到现在2021年的数据进行分析,数据来自雅虎。这里使用pd.to_datetime将数据集时间转化为时间序列,便于股票的分析。
  BILI = data.DataReader('BILI', 'yahoo',start='29/3/2018',)  
  BILI.index=pd.to_datetime(BILI.index)
  首先用head()方法看一下数据集的结构,数据集包含了股票的开盘价、收盘价、每日最低价与最高价、交易量等信息。扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。
  开盘价走势  我们可以通过 matplotlib 进行数据可视化,plt.legend用于设置图像的图例,loc是图例位置,upper right代表图例在右上角。从图中可以看出哔哩哔哩股票在2020年12月到2021年2月之间有一个快速的增长,随后股价有所回落。
  plt.figure(figsize=(16,6))  
  BILI['Open'].plot()  
  plt.legend(['BILI'],loc='upper right')
  股票成交量  我们再来看一下股票的成交量。
  plt.figure(figsize=(16,6))   BILI['Volume'].plot()   plt.legend(['BILI'],loc='upper right')   plt.xlim(BILI.index[0],BILI.index[-1])
  股票交易总额  我们再分析以下股票的交易总额。从图中可以很明显看出2021年1月到5月间某一天交易总额创历史新高。
  BILI['Total Traded']=BILI['Open']*BILI['Volume']   plt.figure(figsize=(16,6))   BILI['Total Traded'].plot()   plt.legend(['BILI'],loc='upper right')   plt.xlim(BILI.index[0],BILI.index[-1])
  下面我们来通过argmax()获取最大交易总额的日期。
  BILI['Total Traded'].argmax()
  输出结果如下:   Timestamp('2021-02-25 00:00:00')   我们搜索新闻可以发现,2021年2月25日哔哩哔哩(NASDAQ: BILI)公布了截至2020年12月31日的第四季度和全年未经审计的财务报告。财报发布后,B站在美股的盘后股价一度涨超5%。   收盘价及其移动平均线  下面绘制BILI这支股票的收盘价及其移动平均线,我们可以用DataFrame的rolling()函数得到移动平均值。
  BILI['Close'].plot(figsize=(16,6),xlim=(BILI.index[0],BILI.index[-1]))   BILI['Close'].rolling(50).mean().plot(label='BILI MA50')   BILI['Close'].rolling(200).mean().plot(label='BILI MA200')   plt.legend()
  股票的收益率  下面我们计算每支股票的日收益率,并用直方图进行展示。这里了三种方法来计算日收益率,第一种是直接使用计算公式计算;第二种是导入专用于金融领域的第三方库ffn.to_returns函数计算;第三种是利用pandas自带的函数pct_change(1)进行计算。扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。
  #关注公众号:宽客邦,回复“源码”获取完整源码,直接使用计算公式计算   BILI['Return']=(BILI['Close']-BILI['Close'].shift(1))/BILI['Close'].shift(1)   BILIBILI=BILI.dropna()   #导入专用于金融领域的第三方库ffn.to_returns函数计算   import ffn   BILI['Return']=ffn.to_returns(BILI['Close'])   #利用pandas自带的函数pct_change(1)进行计算   BILI['Return']=BILI['Close'].pct_change()   BILIBILI=BILI.dropna()   #关注公众号:宽客邦,回复“源码”获取下载本文完整源码   plt.hist(BILI['Return'],bins=50)
  也可以用箱图观察收益率
  box_df = pd.concat([BILI['Return']],axis=1)   box_df.columns = ['BILI Returns']   box_df.plot(kind='box',figsize=(8,11),colormap='jet')
  绘制股票的累计收益率
  BILI['Cumulative Return']=(1+BILI['Return']).cumprod()   BILI['Cumulative Return'].plot(label='BILI',figsize=(16,8),title='Cumulative Return')   plt.legend()
  股票的复合年均增长率和收益的年度波动率  计算股票的复合年均增长率和收益的年度波动率。
  #关注公众号:宽客邦,回复“源码”获取完整源码,计算复合年均增长率   days = (BILI.index[-1] - BILI.index[0]).days   cagr = ((((BILI['Adj Close'][-1]) / BILI['Adj Close'][1])) ** (365.0/days)) - 1   print ('CAGR =',str(round(cagr)*100)+"%")   mu = cagr   #计算收益的年度波动率   BILI['Returns'] = BILI['Adj Close'].pct_change()   vol = BILI['Returns']*sqrt(252)   print ("Annual Volatility =",str(round(vol,4)*100)+"%")
  CAGR = 71.72%Annual Volatility = 65.14%   用蒙特卡洛模拟预测股票走势  我们来预测未来一个交易年度(252 天)内潜在价格序列演变的单一模拟,基于遵循正态分布的每日收益随机的抽取。由第一个图表中显示的单线系列表示。第二个图表绘制了一年期间这些随机每日收益的直方图。扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。
  S = BILI['Adj Close'][-1] #起始股票价格(即最后一天的实际股票价格)   T = 252 #交易天数   mu = 0.7172 #复合年均增长率   vol = 0.6514 #年度波动率   #关注公众号:宽客邦,回复“源码”获取完整源码,使用随机正态分布创建每日收益列表   daily_returns=np.random.normal((mu/T),vol/math.sqrt(T))+1   #关注公众号:宽客邦,回复“源码”获取下载本文完整源码   price_list = [S]   for x in daily_returns:    price_list.append(price_list[-1]*x)   #生成价格序列的折线图   plt.plot(price_list)   plt.show()
  生成每日收益的直方图
  plt.hist(daily_returns-1, 100)   plt.show()
  1000次模拟预测未来哔哩哔哩股价走势。
  import numpy as np   import math   import matplotlib.pyplot as plt   from scipy.stats import norm   #关注公众号:宽客邦,回复“源码”获取下载本文完整源码   S = BILI['Adj Close'][-1] #起始股票价格(即最后一天的实际股票价格)   T = 252 #交易天数   mu = 0.7172 #复合年均增长率   vol = 0.6514 #年度波动率   #选择要模拟的运行次数 - 我选择1000   for i in range(1000):    #使用随机正态分布创建每日收益列表    daily_returns=np.random.normal(mu/T,vol/math.sqrt(T))+1    #设置起始价格并创建由上述随机每日收益生成的价格列表    price_list = [S]    for x in daily_returns:    price_list.append(price_list[-1]*x)    #绘制来自每个单独运行的数据,我们将在最后绘制    plt.plot(price_list)   #显示上面创建的多个价格系列的图   plt.show()
  10000次模拟预测未来哔哩哔哩股价走势。
  import numpy as np   import math   import matplotlib.pyplot as plt   from scipy.stats import norm   #关注公众号:宽客邦,回复“源码”获取下载本文完整源码   result = []   #定义变量   S = BILI['Adj Close'][-1] #起始股票价格(即最后一天的实际股票价格)   T = 252 #交易天数   mu = 0.7172 #复合年均增长率   vol = 0.6514 #年度波动率   #选择要模拟的运行次数 - 选择10000   for i in range(10000):    #使用随机正态分布创建每日收益列表    daily_returns=np.random.normal(mu/T,vol/math.sqrt(T))+1    #设置起始价格并创建由上述随机每日收益生成的价格列表    price_list = [S]    for x in daily_returns:    price_list.append(price_list[-1]*x)    #绘制来自每个单独运行的数据,我们将在最后绘制    plt.plot(price_list)    #将每次模拟运行的结束值附加到我们在开始时创建的空列表中    result.append(price_list[-1])   #显示上面创建的多个价格系列的图   plt.show()
  为我们的多重模拟创建股票收盘价的直方图。
  plt.hist(result,bins=50)   plt.show()
  用numpy mean函数计算平均值的分布,以获得我们的“预期值”。
  print(round(np.mean(result)))
  139.18   用 numpy 的“percentile”函数来计算 5% 和 95% 的分位数
  print("5% quantile =",np.percentile(result,5))   print("95% quantile =",np.percentile(result,95))
  5% quantile = 38.33550814175252   95% quantile = 326.44060907630484   在直方图上快速绘制我们刚刚计算的两个分位数,以给我们一个直观的表示。
  plt.hist(result,bins=100)   plt.axvline(np.percentile(result,5), color='r', linestyle='dashed')   plt.axvline(np.percentile(result,95), color='r', linestyle='dashed')   plt.show()
  从上面的结果我们得知:哔哩哔哩(BILI)的股价有5%的可能性最终会低于38.33美元,有5%的可能性会高于326.44美元。那么你是否愿意冒5%的风险获得股价低于38.33美元的损失,来追逐股价高于326.44美元的回报收益呢?

TAG:

 

评分:0

我来说两句

Open Toolbar