說明：本文python股票市場分析實戰主要包括兩個方面，一是歷史趨勢分析，二是風險分析。聽著挺厲害，其實......咳，咳

實驗資料：來源於Yahoo Finance，網址：https://finance.yahoo.com ,該網站提供了很多API介面，讀取資料很方便，本文用的工具是pandas-datareader

實驗平臺：Anaconda3（包含很多做資料分析的包，如numpy,pandas,matplotlib,seaborn等等，但是不包括pandas-datareader，所以自己安裝一下,pip install...）

下面就正式開始吧！

1、獲取資料

#匯入工具包
import pandas_datareader as pdr
#獲取阿里巴巴股票資料
alibaba = pdr.get_data_yahoo("BABA")
#顯示資料前5行
alibaba.head()
 

太簡單了，是不是有點猝不及防。不過實踐過程中也可能會遇到各種錯誤的，對應著自己百度錯誤資訊吧（捂臉）。資料中adj close為已調整收盤價，volume 是交易量，估計都是股票中的術語吧，我也沒弄懂，其他的就好理解了，比如最高價，最低價。

接下來可以看看資料量，比如

alibaba.shape

看看資料基本資訊，比如

alibaba.info()

看看資料描述統計資訊，比如

alibaba.describe()

注：獲取的資料比較正規乾淨，基本不需要進行資料清洗，後面在各種計算中可能會遇到空值，到時候再刪除或者做其他處理，這裡就不多贅述了。

2、歷史趨勢分析

股票資料的歷史趨勢分析包括，繪製近幾年的股票資料變化趨勢圖，對比不同公司的股票價格變化，繪製每日股票波動情況等。此時需要的包，就不僅僅是讀取資料的pandas_datareader啦。

#基本資訊
import numpy as np
import pandas as pd
from pandas import Series,DataFrame

#股票資料讀取
import pandas_datareader as pdr

#視覺化
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

#時間
from datetime import datetime 

其中，numpy,pandas,matplotlib等為python資料分析中基礎包，基本涉及資料的都需要這些包。%matplotlib inline，在資料視覺化中使用，引入了這個魔法命令，就不用每次展示圖都寫一個plt.show()啦。datetime為了設定時間。

start = datetime(2015,8,24)
alibaba = pdr.get_data_yahoo("BABA",start = start)
amazon = pdr.get_data_yahoo("AMZN",start = start)
alibaba.head()

同樣，可以執行amazon.head()檢視亞馬遜股票資料。本次對比的就是阿里巴巴和亞馬遜的股票資料，今天是8月24號，所以準備對比近3年的股票資料。

畫個圖吧，對adj close 畫一個折線圖，看看阿里巴巴股票近三年收盤價變化情況。

alibaba["Adj Close"].plot(kind="line",legend=True)

畫圖就要用的plot()方法，它有很多引數，大家可以在jupyter notebook中同時按住Shift+Tab鍵，檢視一下，本文中kind="line"表示畫折線圖，legend=True表示要帶圖例。其他屬性大家自行查閱。

由近三年股票趨勢圖可以看出，阿里巴巴股票漲的還真不少，尤其是2017年增幅很快，同時也可以看出2018年狀況就沒有那麼理想了，就最近8月看價格趨勢是在下滑。影象很真實也很形象，但我分析的並不專業，估計專業炒股的應該能看出更多資訊。同理，大家可以看看其他資料列的變化趨勢，比如看看交易量近三年的變化情況，在此就不一一畫圖了。

下面將阿里巴巴資料和亞馬遜資料畫在同一張圖裡，我們對比看看。

#重新命名一下，方便設定圖例
alibaba["Ali_Adu Close"]=alibaba["Adj Close"]
amazon["Ama_Adj Close"] = amazon["Adj Close"]
#對比展示
alibaba["Ali_Adu Close"].plot(legend = True)
amazon["Ama_Adj Close"].plot(legend = True)

其中無論是阿里巴巴還是亞馬遜資料列名字均為Adj Close,則圖中就不好區別哪條線是誰的。更改一個名字就方便看了，由圖可知橘色為亞馬遜收盤價變化趨勢線，藍色為阿里巴巴變化趨勢線。整體來看近三年兩者股票價格均升高，不過起始價格不一樣，增幅也不同。如果再進一步細分時間段，我們就能發現更多的變化情況。小夥伴們可以試試對比近一年的，一個季度的資料變化等。也可以畫一些差值變化線，比如計算每日最高價和最低價差值，儲存為新的一列資料，繪製該列資料近3年的變化情況。

3、風險分析

此處主要用到的就是對比分析，通過觀察多個企業股票近幾年對比變化情況，看哪個企業股票波動小，穩步增長，不同企業股票之間是否有升降相關關係，如果你也有投資資金，可以分析過後考慮買點這個股票，股市有風險，入市需謹慎哦。哈哈哈，進入正題了。

首先都是匯入包，跟前面一樣，就不再上圖了。然後是匯入公司股票資料，選擇蘋果、谷歌 、微軟、亞馬遜、Facebook這五家公司，所以資料都匯入那資料量就有點大了，此處我們只分析Adj Close資料。

company = ['AAPL','GOOG','MSFT','AMZN','FB']
top_tech_df = pdr.get_data_yahoo(company)['Adj Close']
top_tech_df.head()

除了列舉資料，在算一下資料變化情況吧，呼叫pct_change(),這個函式用來計算同colnums下兩個相鄰的數字之間的變化率，以AAPL來說，就是計算後一天減去前一天的差值。

再來畫個Adj Close資料折線圖吧,如下圖所示：

top_tech_df.plot()

圖中資料就不做具體分析了，大家可以看看資料趨勢變化，紫色折線谷歌資料與綠色折線亞馬遜資料變化趨勢比較相近。

如要比較資料之間是否具有相關性，可以繪製一下差值資料散點圖，下面以谷歌和亞馬遜為例，繪製這連個公司的收盤價差值散點圖，看一下關聯關係。

sns.jointplot('AMZN','GOOG', top_tech_dr, kind='scatter')

圖中箭頭為後加上去的，旨在方便大家觀察資料分佈情況。首先紫色箭頭方向為直線x=y，橫座標為亞馬遜差值，縱座標為谷歌差值，可見大多數的點都符合如下情況：即谷歌差值為正時（股票升了）亞馬遜差值也為正（也升了）；谷歌差值為負時，亞馬遜也在跌。散點圖多分佈在x=y這條過原點的直線上。同時綠色箭頭方向，是散點圖分佈的寬度，寬度越窄，相關性越好。

下面，做一個所有公司的股票相關性比較：

sns.pairplot(top_tech_dr.dropna())

一張圖太大了，放不下，小夥伴們將就看吧。五家公司任意兩家之間的對比資料，由散點圖可以看出，還是谷歌和亞馬遜之間的相關關係最好，資料趨勢更符合x=y，同時寬度也不誇張。其他圖中相關性就要弱一些。

總之，股票的漲跌受諸多因素的影響，可能有政策原因，大環境原因，企業內部原因，不同企業之間的相關性等等，真的不是一些資料就能準確預測的。

結束語：本文實戰案例參考了優達學城的資料分析課程而製作，優達學城的課程還是不錯的，大家可以找資源學習學習，網址：http://cn.udacity.com/，哈哈哈我是不是在打廣告了（捂臉）。溜了溜了