精华内容
下载资源
问答
  • Python中的宏观经济建模工具。 内容 模块 描述 依存关系 测试套件 核心模块:用于建模的解析器和基类 支持模块:使用Fortran加速模型解决方案的函数和类 与 实用程序:分析模型和模型结果的工具 (可选)根据所...
  • 数据分析Python 的一大应用领域。据我所知,本教室的读者中有不少学习 Python 就是为了在工作中能用它分析数据。这其中,又有相当一部分人是涉及金融相关行业,有从业人员,有学生,还有对此具有兴趣的爱好者。...

    数据分析是 Python 的一大应用领域。据我所知,本教室的读者中有不少学习 Python 就是为了在工作中能用它分析数据。这其中,又有相当一部分人是涉及金融相关行业,有从业人员,有学生,还有对此具有兴趣的爱好者。

    那么,想要学习用 Python 做数据分析该从何入手?

    既然是数据分析,首先,你得有数据。

    今天就来介绍一个很好用的财经数据包:TuShareTuShare是一个免费、开源的python财经数据接口包。主要实现对股票等金融数据从数据采集、清洗加工到数据存储的过程,能够为金融分析人员提供快速、整洁、和多样的便于分析的数据,为他们在数据获取方面极大地减轻工作量,使他们更加专注于策略和模型的研究与实现上。

    TuShare 数据格式使用 pandas DataFrame 类型,也可保存至 Excel 和 数据库。兼容 Python 2 和 3。

    看起来很好很强大,关键还是免费且开源的。再来试下好不好用。

    安装

    TuShare 基于 Python,有两个主要依赖:pandas 和 lxml。可以先分别安装这两个库,但我更推荐的是直接安装 Anaconda。对于要做数据分析和科学计算相关的同学来说,Anaconda 帮你一次性解决了几乎所有你可能用到的依赖库的安装,避免了某些库在不同平台上编译的问题。真的是谁用谁知道。

    Anaconda 的下载安装这里就不多说了,本身不复杂,网上搜一下就出来了。

    装好之后就可以直接通过 pip 安装 TuShare:

    pip install tushare

    安装成功后,验证可以被 import。

    功能

    简单尝试几个基础功能:

    1. 获取股票历史数据

    get_hist_data

    import tushare as ts

    ts.get_hist_data('601688')

    2. 获取股票实时行情

    get_realtime_quotes

    import tushare as ts

    ts.get_realtime_quotes('000002')

    除了股票,TuShare 还提供了多种数据,比如宏观经济数据:

    3. 存款利率

    get_deposit_rate

    import tushare as ts

    ts.get_deposit_rate()

    甚至还有:

    4. 电影票房

    realtime_boxoffice

    import tushare as ts

    ts.realtime_boxoffice()

    (暑期档的电影还真是让人无力吐槽……)

    以上仅挑选了几个接口演示,具体调用参数和返回值字段说明,我就不做详细解释了,官网上都写的很清楚。

    TuShare 的数据主要来源于网络,等于是提供了一个集中的接口,目前支持的数据包括:交易数据

    投资参考数据

    股票分类数据

    基本面数据

    宏观经济数据

    新闻事件数据

    龙虎榜数据

    银行间同业拆放利率

    电影票房

    另外还引入了通联数据的开放平台数据接口,基本上满足全品类金融数据的需求。对于学习数据分析来说,更是非常好的数据来源。

    示例

    再用一小段简单的代码来演示下 TuShare 的使用。这里我将获取今年上证指数的日K信息,然后保存成 excel 文件,再画出每日的收盘指数的折线图。

    import tushare as ts

    import matplotlib.pyplot as plt

    df=ts.get_hist_data('sh', start='2016-01-01')

    df.to_excel('stock_sh.xlsx')

    df.close.plot()

    ax = plt.gca()

    ax.invert_xaxis()

    plt.show()

    这里发现取到的数据和文档上显示的顺序是相反的,所以画图的时候多加了两行代码将x轴反向。

    以上仅仅对 TuShare 做了一个极为简单的介绍,更详细的文档请自行去 TuShare 官网上阅读,写得还是很清楚的。

    当然最重要,是要亲手写一写代码。

    其他文章及回答:

    Crossin的编程教室

    微信ID:crossincode

    展开全文
  • 1. 时间序列分析概述时间序列分析在金融、气象、交通、宏观经济等诸多领域的应用可以说是非常的广泛。简单点说,时间序列就是在各个时间点上形成的数值序列,而分析的过程就是通过这些数值序列去研究其自身的变化...

    1. 时间序列分析概述

    时间序列分析在金融、气象、交通、宏观经济等诸多领域的应用可以说是非常的广泛。简单点说,时间序列就是在各个时间点上形成的数值序列,而分析的过程就是通过这些数值序列去研究其自身的变化规律。

    时间序列通常使用 pandas 中的 series 结构(一个时间点对应一个数值数据)或者 dataframe 结构(一个时间点对应多个数值数据)来表示,和 series 和 dataframe 结构本质上是一样的,唯一一个重要的不同就是,他的索引数据是时间类型的。

    时间类型的数据作为一种特殊的数据形式,和一般的数值类型或者字符串类型相比,要多了不少的讲究。因此首先我们专门来介绍如何在 python 中对日期和时间的进行表示,这也是后续时间序列分析的基础。

    我们先从 python 标准库与第三方库入手,介绍其中的日期、时间、时间增量和时间跨度的表示工具。当然了,说实话其实 pandas 中提供的时间序列工具更适合用来进行相关问题的处理,但是我想从标准库入手,可以帮助我们去搞清楚整个问题的来龙去脉,对我们更好的理解问题和使用工具将大有裨益。

    2. 原生工具:datetime 和 dateutil

    首先,我们第一个要介绍的就是 python 中的原生工具:datetime 与 dateutil。

    datetime 是 python 中的标准库,最基本的日期和时间功能都包含在其中了。而 dateutil 是一个强大的第三方库,如果将二者搭配进行使用,可以收到奇效,方便快捷的解决诸多问题。

    2.1 日期的创建

    首先我们来利用 datetime 类型来创建一个日期。

    代码片段:

    from datetime import datetime

    date = datetime(year=2019, month=5, day=2)

    print(date)

    运行结果:

    2019-05-02 00:00:00

    这样我们就成功的生成了第一个日期类型的对象了。

    2.2 文本日期的自动解析

    这里有同学一定会问了,我们用来进行 datetime 对象初始化的参数一般都是从数据源(数据表格、网站)上获取的文本形式的日期类数据,一般情况下会有很多种不同的写法,比如,2019 年 5 月 2 日,常见的就可以写成:2019-5-2,5/2/2019,等等,种类非常繁多,那我们如何将他们转换成datetime初始化所需要的年月日标准形式呢?

    不用着急,其实这个工作都不需要我们自己动手去做,我们刚刚提到过的第三方库 dateutil 就能够帮我们实现这一切,他能够对绝大多数字符串格式的日期进行正确的解析,从而帮助我们正确的生成 datetime 数据类型,我们就试试上面列举的:2019-5-2,5/2/2019,2019/5/2 这几种日期表达方式的解析。

    代码片段:

    from datetime import datetime

    from dateutil import parser

    sdate1 = '2019-5-2'

    sdate2 = '5/2/2019'

    sdate3 = '2019/5/2'

    date1 = parser.parse(sdate1)

    date2 = parser.parse(sdate2)

    date3 = parser.parse(sdate3)

    print(date1)

    print(date2)

    print(date3)

    运行结果:

    2019-05-02 00:00:00

    2019-05-02 00:00:00

    2019-05-02 00:00:00

    从程序运行的结果来看,我们利用 dateutil 工具对几种常见的日期类型字符串做了转换,得到了正确的结果,这个会在许多应用场景中提高我们的工作效率。

    2.3 提取日期中的要素信息

    首先我们来看看一个经常用到的案例:获取当前日期时间的用法。

    代码片段:

    from datetime import datetime

    from dateutil import parser

    date = datetime.now()

    print(date)

    运行结果:

    2019-05-02 12:23:42.571834

    这时,我们再来思考一下,这里程序最终输出的格式是 2019-05-02 12:23:42.571834,存在着两方面的问题:

    第一是:输出的是千篇一律的固定统一格式;

    第二是:都到了秒以后的微秒级的时间精度了。

    展开全文
  • 1-基本面分析源码 2-选股模型源码及分析结果 利用Python进行量化分析,AkShare获取股票基本面财务数据。进行基本面数据分析,pe市盈率、ps市销...最大可能基于宏观经济市场环境,进行过滤掉垃圾股,尽可能避开风险股。
  • Python作为一门高ji语言是很好用的,...Python的存在就是为了帮助我们快速解决实际问题,对于使用Python进行股票的金融数据量化分析是如何做的呢?接下来一起来看看吧!量化交易属于人工智能的一个应用分支,它利用计...

    Python作为一门高ji语言是很好用的,语法简单,通俗易懂,非chang容易上手,丰富的第三方库支持使得开发速度快,相对于其他编程语言来说,初学者入门并不困难。它只是一门语言工具,zui终还是要将这门工具应用到一个领域中。Python的存在就是为了帮助我们快速解决实际问题,对于使用Python进行股票的金融数据量化分析是如何做的呢?接下来一起来看看吧!

    量化交易属于人工智能的一个应用分支,它利用计算机强大运算能力,用数学模型来模仿人的思维作出决策,通过数据建模、统计学分析、程序设计等工具从股票、债券、期货的历史数据分析中得到大概率下获利的交易策略。

    一、股票基础知识及涨跌逻辑

    股票是股份公司发行的所有权凭证,是股份公司为筹集资金而发行给各个股东作为持股凭证并借以取得股息和红利的一种有价证券。每股股票都代表股东对企业拥有一个基本单位的所有权。

    股票发行是在一级市场进行的,投资者买卖交易的是二级市场,也称股票交易市场,它是投资者之间买卖已发行股票的场所。二级市场为股票创造流动性,能够迅速脱手换取现值。因为能赚钱,所以这也是投资者热衷于分析股票涨跌的原因。

    关于股票涨跌的因素,其实驱动股票涨跌的因素无外乎这五个方面:公司自身的发展、市场估值变化、宏观经济前景、行业发展环境、政治上的变化。

    23ad344f4a696251166da4f9759ea35e.png

    二、如何用Python获取股票数据

    既然是金融数据的分析,那么*步获取数据很重要。目前,获取股票数据的渠道有很多,而且基本上是免费的。获取到大量的股票数据,可以用数据库来高效地管理。目前流行的数据库有很多,关于数据库的选型通常取决于性能、数据完整性以及应用方面的需求。

    如果我们仅仅是用于本地的数据管理,无需多用户访问,数据容量小于2T,无需海量数据处理,关键是要求移植方便、使用简单、处理迅速的话,

    SQLite确实是个很不错的选择。

    Python 2.5.x

    以上版本默认内置SQLite3,无需单独安装和配置,直接使用就行。建立了本地SQLite数据库,可以进一步查询和操作。比如查询股价日涨幅超过5%的个股在19年1月至2月的分布。如下所示:

    除了获取行情数据,我们也需要寻找宏观经济、行业、公司相关的信息,这些信息是驱动股票涨跌的因素。关于这些信息,我们可以通过爬虫的方式去各大网站和论坛获取。

    展开全文
  • DSGE,宏观经济模型,matlab,julia,python,dynare 论文清单: Hippolyte d'Albis,Fabrice Collard,2013年:“年龄组和人口老龄化的衡量标准”,人口研究:第29卷,第23条 伊戈尔·埃莫拉耶夫(IGOR ERMOLAEV)...
  • python 时间序列分析

    千次阅读 2017-03-24 18:29:20
    1 时间序列与时间序列分析 在生产和科学研究中,对某一个或者一组变量 x(t) 进行观察测量,将在一...时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫灾害预报等各个方面。 2 时间序列建

    1 时间序列与时间序列分析

    在生产和科学研究中,对某一个或者一组变量 x(t) 进行观察测量,将在一系列时刻 t1,t2,,tn 所得到的离散数字组成的序列集合,称之为时间序列。
    时间序列分析是根据系统观察得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫灾害预报等各个方面。

    2 时间序列建模基本步骤

    1. 获取被观测系统时间序列数据;
    2. 对数据绘图,观测是否为平稳时间序列;对于非平稳时间序列要先进行d阶差分运算,化为平稳时间序列;
    3. 经过第二步处理,已经得到平稳时间序列。要对平稳时间序列分别求得其自相关系数ACF偏自相关系数PACF ,通过对自相关图和偏自相关图的分析,得到最佳的阶层 p 阶数 q
    4. 由以上得到的dqp ,得到ARIMA模型。然后开始对得到的模型进行模型检验。

    3 ARIMA实战解剖

    原理大概清楚,实践却还是会有诸多问题。相比较R语言,Python在做时间序列分析的资料相对少很多。下面就通过Python语言详细解析后三个步骤的实现过程。
    文中使用到这些基础库: pandas,numpy,scipy,matplotlib,statsmodels。 对其调用如下

    from __future__ import print_function
    import pandas as pd
    import numpy as np
    from scipy import  stats
    import matplotlib.pyplot as plt
    import statsmodels.api as sm
    from statsmodels.graphics.api import qqplot
    

    3.1 获取数据

    这里我们使用一个具有周期性的测试数据,进行分析。
    数据如下:

    dta=[10930,10318,10595,10972,7706,6756,9092,10551,9722,10913,11151,8186,6422,
    6337,11649,11652,10310,12043,7937,6476,9662,9570,9981,9331,9449,6773,6304,9355,
    10477,10148,10395,11261,8713,7299,10424,10795,11069,11602,11427,9095,7707,10767,
    12136,12812,12006,12528,10329,7818,11719,11683,12603,11495,13670,11337,10232,
    13261,13230,15535,16837,19598,14823,11622,19391,18177,19994,14723,15694,13248,
    9543,12872,13101,15053,12619,13749,10228,9725,14729,12518,14564,15085,14722,
    11999,9390,13481,14795,15845,15271,14686,11054,10395]

    dta=pd.Series(dta)
    dta.index = pd.Index(sm.tsa.datetools.dates_from_range('2001','2100'))
    dta.plot(figsize=(12,8))
    

    数据形状

    3.2 时间序列的差分d

    ARIMA 模型对时间序列的要求是平稳型。因此,当你得到一个非平稳的时间序列时,首先要做的即是做时间序列的差分,直到得到一个平稳时间序列。如果你对时间序列做d次差分才能得到一个平稳序列,那么可以使用ARIMA(p,d,q)模型,其中d是差分次数。

    fig = plt.figure(figsize=(12,8))
    ax1= fig.add_subplot(111)
    diff1 = dta.diff(1)
    diff1.plot(ax=ax1)
    

    这里写图片描述
    一阶差分的时间序列的均值和方差已经基本平稳,不过我们还是可以比较一下二阶差分的效果

    fig = plt.figure(figsize=(12,8))
    ax2= fig.add_subplot(111)
    diff2 = dta.diff(2)
    diff2.plot(ax=ax2)
    

    这里写图片描述
    可以看出二阶差分后的时间序列与一阶差分相差不大,并且二者随着时间推移,时间序列的均值和方差保持不变。因此可以将差分次数d设置为1。
    其实还有针对平稳的检验,叫“ADF单位根平稳型检验”,以后再更。

    3.3 合适的p,q

    现在我们已经得到一个平稳的时间序列,接来下就是选择合适的ARIMA模型,即ARIMA模型中合适的p,q
    第一步我们要先检查平稳时间序列的自相关图和偏自相关图。

    dta= dta.diff(1)#我们已经知道要使用一阶差分的时间序列,之前判断差分的程序可以注释掉
    fig = plt.figure(figsize=(12,8))
    ax1=fig.add_subplot(211)
    fig = sm.graphics.tsa.plot_acf(dta,lags=40,ax=ax1)
    ax2 = fig.add_subplot(212)
    fig = sm.graphics.tsa.plot_pacf(dta,lags=40,ax=ax2)
    

    其中lags 表示滞后的阶数,以上分别得到acf 图和pacf 图
    这里写图片描述
    通过两图观察得到:
    * 自相关图显示滞后有三个阶超出了置信边界;
    * 偏相关图显示在滞后1至7阶(lags 1,2,…,7)时的偏自相关系数超出了置信边界,从lag 7之后偏自相关系数值缩小至0
    则有以下模型可以供选择:
    1. ARMA(0,1)模型:即自相关图在滞后1阶之后缩小为0,且偏自相关缩小至0,则是一个阶数q=1的移动平均模型;
    2. ARMA(7,0)模型:即偏自相关图在滞后7阶之后缩小为0,且自相关缩小至0,则是一个阶层p=3的自回归模型;
    3. ARMA(7,1)模型:即使得自相关和偏自相关都缩小至零。则是一个混合模型。
    4. …还可以有其他供选择的模型
    现在有以上这么多可供选择的模型,我们通常采用ARMA模型的AIC法则。我们知道:增加自由参数的数目提高了拟合的优良性,AIC鼓励数据拟合的优良性但是尽量避免出现过度拟合(Overfitting)的情况。所以优先考虑的模型应是AIC值最小的那一个。赤池信息准则的方法是寻找可以最好地解释数据但包含最少自由参数的模型。不仅仅包括AIC准则,目前选择模型常用如下准则:
    * AIC=-2 ln(L) + 2 k 中文名字:赤池信息量 akaike information criterion
    * BIC=-2 ln(L) + ln(n)*k 中文名字:贝叶斯信息量 bayesian information criterion
    * HQ=-2 ln(L) + ln(ln(n))*k hannan-quinn criterion
    构造这些统计量所遵循的统计思想是一致的,就是在考虑拟合残差的同时,依自变量个数施加“惩罚”。但要注意的是,这些准则不能说明某一个模型的精确度,也即是说,对于三个模型A,B,C,我们能够判断出C模型是最好的,但不能保证C模型能够很好地刻画数据,因为有可能三个模型都是糟糕的。

    arma_mod20 = sm.tsa.ARMA(dta,(7,0)).fit()
    print(arma_mod20.aic,arma_mod20.bic,arma_mod20.hqic)
    arma_mod30 = sm.tsa.ARMA(dta,(0,1)).fit()
    print(arma_mod30.aic,arma_mod30.bic,arma_mod30.hqic)
    arma_mod40 = sm.tsa.ARMA(dta,(7,1)).fit()
    print(arma_mod40.aic,arma_mod40.bic,arma_mod40.hqic)
    arma_mod50 = sm.tsa.ARMA(dta,(8,0)).fit()
    print(arma_mod50.aic,arma_mod50.bic,arma_mod50.hqic)
    

    这里写图片描述
    可以看到ARMA(7,0)的aic,bic,hqic均最小,因此是最佳模型。

    3.4 模型检验

    在指数平滑模型下,观察ARIMA模型的残差是否是平均值为0且方差为常数的正态分布(服从零均值、方差不变的正态分布),同时也要观察连续残差是否(自)相关。

    3.4.1 我们对ARMA(7,0)模型所产生的残差做自相关图

    fig = plt.figure(figsize=(12,8))
    ax1 = fig.add_subplot(211)
    fig = sm.graphics.tsa.plot_acf(resid.values.squeeze(), lags=40, ax=ax1)
    ax2 = fig.add_subplot(212)
    fig = sm.graphics.tsa.plot_pacf(resid, lags=40, ax=ax2)
    

    这里写图片描述

    3.4.2 做D-W检验

    德宾-沃森(Durbin-Watson)检验。德宾-沃森检验,简称D-W检验,是目前检验自相关性最常用的方法,但它只使用于检验一阶自相关性。因为自相关系数ρ的值介于-1和1之间,所以 0≤DW≤4。并且DW=O=>ρ=1   即存在正自相关性
    DW=4<=>ρ=-1 即存在负自相关性
    DW=2<=>ρ=0  即不存在(一阶)自相关性
    因此,当DW值显著的接近于O或4时,则存在自相关性,而接近于2时,则不存在(一阶)自相关性。这样只要知道DW统计量的概率分布,在给定的显著水平下,根据临界值的位置就可以对原假设H0进行检验。

    print(sm.stats.durbin_watson(arma_mod20.resid.values))
    

    检验结果是2.02424743723,说明不存在自相关性。

    3.4.3 观察是否符合正态分布

    这里使用QQ图,它用于直观验证一组数据是否来自某个分布,或者验证某两组数据是否来自同一(族)分布。在教学和软件中常用的是检验数据是否来自于正态分布。QQ图细节,下次再更。

    resid = arma_mod20.resid#残差
    fig = plt.figure(figsize=(12,8))
    ax = fig.add_subplot(111)
    fig = qqplot(resid, line='q', ax=ax, fit=True)
    

    这里写图片描述

    3.4.4 Ljung-Box检验

    Ljung-Box test是对randomness的检验,或者说是对时间序列是否存在滞后相关的一种统计检验。对于滞后相关的检验,我们常常采用的方法还包括计算ACF和PCAF并观察其图像,但是无论是ACF还是PACF都仅仅考虑是否存在某一特定滞后阶数的相关。LB检验则是基于一系列滞后阶数,判断序列总体的相关性或者说随机性是否存在。
    时间序列中一个最基本的模型就是高斯白噪声序列。而对于ARIMA模型,其残差被假定为高斯白噪声序列,所以当我们用ARIMA模型去拟合数据时,拟合后我们要对残差的估计序列进行LB检验,判断其是否是高斯白噪声,如果不是,那么就说明ARIMA模型也许并不是一个适合样本的模型。

    r,q,p = sm.tsa.acf(resid.values.squeeze(), qstat=True)
    data = np.c_[range(1,41), r[1:], q, p]
    table = pd.DataFrame(data, columns=['lag', "AC", "Q", "Prob(>Q)"])
    print(table.set_index('lag'))
    

    这里写图片描述
    检验的结果就是看最后一列前十二行的检验概率(一般观察滞后1~12阶),如果检验概率小于给定的显著性水平,比如0.05、0.10等就拒绝原假设,其原假设是相关系数为零。就结果来看,如果取显著性水平为0.05,那么相关系数与零没有显著差异,即为白噪声序列。

    3.5 模型预测

    模型确定之后,就可以开始进行预测了,我们对未来十年的数据进行预测。

    predict_sunspots = arma_mod20.predict('2090', '2100', dynamic=True)
    print(predict_sunspots)
    fig, ax = plt.subplots(figsize=(12, 8))
    ax = dta.ix['2001':].plot(ax=ax)
    predict_sunspots.plot(ax=ax)
    

    这里写图片描述
    前面90个数据为测试数据,最后10个为预测数据;从图形来,预测结果较为合理。至此,本案例的时间序列分析也就结束了。

    展开全文
  • 这是一篇python金融量化分析的闲杂且入门的笔记,感觉学习价值较低,我只是记一下我码的代码,怎么说。我也是刚刚接触这一块,后面有时间再看看书深入学习一下吧~ 1 金融基础再基础的粗略介绍 (1)金融:金融就是对...
  • Python时间序列分析

    2018-07-07 15:22:00
    时间序列与时间序列分析  在生产和科学研究中,对某一个或者一组变量进行...时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫灾害预报等各个方面。 Pandas生成时间序列: import pan...
  • 2、PMI的分析框架 PMI是一个很好的经济指标,因为她在每个月月底就公布当月的,时效性上很高。而由于我国是一个制造业大国,所以制造业PMI对整个经济体具有更加重要的指导意义。而制造业PMI可以分成下面这样的几...
  • 本文从数据分析常用逻辑框架及技术方法出发,结合python项目实战全面解读数据分析,可以系统掌握数据分析的框架套路,快速上手数据分析。 一、 数据分析的逻辑(方法论) 1.1 PEST分析法 PEST分析是指宏观环境的...
  • python数据分析和可视化

    千人学习 2020-08-01 22:40:57
    数据分析指用适当的统计、分析方法对收集来的大量数据进行分析,将它们加以汇总和理解并消化,以求最大化地... 本课程涵盖,numpy,pandas,matplotlib,pyechars,股票数据分析,宏观经济分析,上市公司数据分析等内容构成.
  • Tushare社区目前主要维护新版本:tushare pro,数据更稳定质量更高,可获取沪深股票行情、财务、市场参考等数据,以及指数(含国外股指)、基金、期货、期权、宏观经济、行业经济等财经数据,为金融量化爱好者节省了...
  • python数据分析

    2020-06-30 15:46:02
    移动窗口计算 pivot_table 自动对齐 广播机制 实战 wind 宏观经济 相关性 Granger因果关系 趋势 移动平均 HP滤波 回归分析 指数-主成分分析 债券 财务分析 numpy & pandas 数据结构 Series 通过[]来操作索引 ...
  • 时间序列分析在金融、气象、交通、宏观经济等诸多领域的应用可以说是非常的广泛。简单点说,时间序列就是在各个时间点上形成的数值序列,而分析的过程就是通过这些数值序列去研究其自身的变化规律。在python中,时间...
  • python 时间序列分析之ARIMA

    万次阅读 热门讨论 2017-11-27 23:26:55
    1 时间序列与时间序列分析 在生产和科学研究中,对某一个或者一组变量 x(t) 进行观察测量,将在一...时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫灾害预报等各个方面。 2 时间序列建
  • 利用Python进行简单杜邦分析

    千次阅读 热门讨论 2019-02-01 22:21:02
    利用Python进行简单杜邦分析 ** “巧妇难为无米之炊”,找不到数据,量化分析、财务报表分析也就无从谈起。对于分析者来说,获取数据是量化分析的第一步。Python的一个强大功能之一就是数据获取(爬虫)。但是对于没...
  • 最大可能基于宏观经济市场环境,进行过滤掉垃圾股,尽可能避开风险股。 一 环境准备 1 - Anaconda 安装 参考:https://www.toutiao.com/i6825779591861240324/ 2 -AkShare 库 安装 pi.
  • 为了方便用Python获取数据,先安装三方库’quandl’. codes = pd.read_csv("./cot.csv") codes.head() category symbol name cnname code_future code 0 currency ICE_DX U.S. Dollar Index 美元指数 CHRIS/ICE_DX1...
  • 移动窗口函数 7.1指数加权函数 7.2二元移动窗口函数 7用户自定义的移动窗口函数 时间序列 时间序列(time series)数据是一种重要的结构化数据形式,应用于多个领域,包括金融学、经济学、生态学、神经科学、物理学...
  • 数据分析Python 的一大应用领域。据我所知,本教室的读者中有不少学习 Python 就是为了在工作中能用它分析数据。这其中,又有相当一部分人是涉及金融相关行业,有从业人员,有学生,还有对此具有兴趣的爱好者。...
  • 利用python进行数据分析-时间序列3

    万次阅读 2016-08-28 10:24:26
    如,在下面这个宏观经济数据集中,年度和季度就分别存放在不同的列中 data=pd.read_csv('macrodata.csv') print data.year print data.quarter 将这两个数组以及一个频率传入PeriodIndex,就可以将它们...
  • 1、日期和时间数据类型及工具 Python标准库包含用于日期(date)和时间(time)数据的数据类型,而且还有日历方面的功能。 主要会用到datetime、time以及calendar模块。 datetime.datetime(也可以简写为datetime)...
  • 例如,在下⾯这个宏观经济数据集中,年度和季度就分别存放在不同的列中: data = pd.read_csv('./macrodata.csv') data.head(5) data.year data.quarter 通过通过将这些数组以及⼀个频率传⼊PeriodIndex,就可以将...
  • tushare 的官网请见:TuShare -财经数据接口包,是国人自己开发的 Python 爬数据工具(所谓的爬,自然就是在线连网获取数据),囊括股票、期货、宏观经济、电影票房等数据。 安装pip install tushare tushare ...
  • 第 1 章 准备工作第 2 章 Python 语法基础,IPython 和 Jupyter第 3 章 Python 的数据结构、函数和文件第 4 章 NumPy 基础:数组和矢量计算第 5 章 pandas 入门第 6 章 数据加载、存储与文件格式第 7 章 数据清洗和...
  • 马云的核心逻辑其实只有一个,在全球数字经济时代,有且只有一种金融优势,那就是基于消费者大数据的纯信用! 我们不妨称之为数据信用,它比抵押更靠谱,它比担保更保险,它比监管更高明,它是一种面向未来的财产权...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,793
精华内容 717
热门标签
关键字:

python宏观经济分析

python 订阅