Python的功能不可以說不大，在金融資料分析裡面有著很方便的應用。

1.資料獲取

pandas包中有自帶的資料獲取介面，詳細的大家可以去其官網上找，是io.data下的DataReader方法。

import numpy as np
import pandas as pd
import pandas.io.data as web
import math
#從雅虎財經獲取DAX指數的資料
DAX = web.DataReader(name='^GDAXI', data_source='yahoo',start = '2000-1-1')
#檢視一下資料的一些資訊 上面這一方法返回的是一個pandas dataframe的資料結構
print DAX.info()
#繪製收盤價的曲線
DAX['Close'].plot(figsize=(8,5))
 

我們獲得的資料是dataframe的結構，畢竟是pandas的介面的嘛。然後我們繪製一下收盤價曲線。

這個是我們獲取的資料的資訊。

繪製出來的收盤價曲線是這樣的。

2.簡單的資料處理

有了股票價格，我們就計算一下每天的漲跌幅度，換句話說，就是每天的收益率，以及股價的移動平均和股價的波動率。

#計算每日的漲跌幅
DAX['Return'] = np.log(DAX['Close']/DAX['Close'].shift(1))
print DAX[['Close','Return']].tail()
#將收盤價與每日漲跌幅度放在一張圖上
DAX[['Close','Return']].plot(subplots = True,style = 'b',figsize=(8,5))
#42與252個交易日為視窗取移動平均
DAX['42d']=pd.rolling_mean(DAX['Close'],window=42)
DAX['252d']=pd.rolling_mean(DAX['Close'],window=252)
#繪製MA與收盤價
DAX[['Close','42d','252d']].plot(figsize=(8,5))
#計算波動率，然後根據均方根法則進行年化
DAX['Mov_Vol']=pd.rolling_std(DAX['Return'],window = 252)*math.sqrt(252)
DAX[['Close','Mov_Vol','Return']].plot(subplots = True, style = 'b',figsize = (8,7))
 

我們可以掌握這種subplots的繪圖方法，把幾張趨勢圖片放在一起。

這是移動平均線的圖片，subplots的屬性為false，那麼就是疊加在一起繪製。

        這是市場的波動率和股市的關係。和FRM中提到的一樣，在市場低迷，或者說，金融危機的時候，市場的波動率急劇增加。於是，就有了恐慌指數這個東西，也就是Vix，其實就是市場的波動率指數。