论文笔记：Llama 2: Open Foundation and Fine-Tuned Chat Models

• tushare财经数据接口包
  • pip install tushare
  • 作用：提供相关指定的财经数据

需求：股票分析

• 使用tushare包获取某股票的历史行情数据

• 输出该股票所有收盘比开盘上涨3%以上的日期

• 输出该股票所有开盘比前日收盘跌幅超过2%的日期

• 假如我从2015年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？

• 使用tushare包获取某股票的历史行情数据

import pandas as pd
import numpy as np
import tushare as ts

#获取某只股票的历史交易数据
data = ts.get_k_data(code=‘600519’,start=‘2015-01’)
data

#将获取的股票数据持久化存储到本地文件中
data.to_csv(‘maotai.csv’)

#可以将文件中的数据读取到df
df = pd.read_csv(‘maotai.csv’).drop(columns=‘Unnamed: 0’)
df

• 数据预处理
  • 目的：为了便于后期相关需求的分析处理

#将date转换成时间类型
df[‘date’] = pd.to_datetime(df[‘date’])

#将date列作为df的索引
df = df.set_index(‘date’)
df

• 输出该股票所有收盘比开盘上涨3%以上的日期
  • （收盘价-开盘价）/ 开盘价 > 0.03

ex = (df[‘close’] - df[‘open’]) / df[‘open’] > 0.03
ret = ex[ex] #获取了ex这个Series中True对应的数据
date = ret.index
date

• 输出该股票所有开盘比前日收盘跌幅超过2%的日期
  • （开盘-前日收盘）/ 前日收盘 < -0.02

df[‘close’].shift(1) #shift(1)表示让Series中的元素整体向下移动一位

ex = (df[‘open’] - df[‘close’].shift(1))/df[‘close’].shift(1) < -0.02
ex #ex表示一个Series

#取出ex中True对应的数据
ret = ex[ex] #[ex]中的ex表示ex这个Series中存储的数据
ret.index

• 输出该股票所有收盘比开盘上涨3%以上的日期
  • （收盘价-开盘价）/ 开盘价 > 0.03

ex = (df[‘close’]-df[‘open’]) / df[‘open’] > 0.03
ex

#在DataFrame中也是可以使用布尔值充当索引的
ret = df.loc[ex] #将ex中的布尔值作为df的行索引，就可以取出ex中True对应的df的行数据
#在df中提取出来了满足（收盘比开盘上涨3%以上）条件的行数据
ret

ret.index

• 假如张三从2020年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，张三的收益如何？
  • 规则：基于当天的收盘价售卖股票，当天的开盘价购买股票
  • 一个完整的年需要买入多少次股票呢？
    • 12次，一共购买1200只，单价：当天的开盘价
  • 一个完整的年需要卖出几次股票呢？
    • 1次，一次性卖出1200只股票，单价：当天的收盘价
  • 特殊情况：
    • 最终计算总收益的时候，需要将手里剩余股票的价值计算到总收益中
      • 剩余股票的价值：
        • 剩余股票的数量 * 最后一天的收盘价

new_df = df[‘2020’:] #单独提取出了2020至今的股票数据

#买入股票
#取出每个月第一个交易日对应的行数据
monthly = new_df.resample(‘M’).first() #resample可以根据时间为条件对数据进行取样
#first()表示取出每一个样本的第一行数据
monthly

#买入股票的总花费
total_cost = monthly[‘open’].sum() * 100
total_cost

#卖出股票
yearsly = new_df.resample(‘Y’).last()[0:-1] #取出了每年最后一个交易日对应的行数据
yearsly

recv = yearsly[‘close’].sum() * 1200
recv

#注意：2023年没有到卖出股票的时机，因此张三手中会有剩余股票。因此需要将剩余股票的价值也计算到总收益中
#可以使用最近一天的收盘价作为剩余股票的单价
last_price = new_df[‘close’][-1]
last_money = last_price * 600

#计算总收益
last_money + recv - total_cost