[[419019]]

 本文主要講解用Python分析嗶哩嗶哩股價，通過對股票數據進行基礎分析，結合運用matplotlib繪圖庫進行可視化，并用機器學習方法 — 蒙特卡洛模擬預測未來一年股價走勢。

安裝

我們需要安裝numpy、pandas、matplotlib、scipy等Python數據科學工具包。 

#關注公眾號：寬客邦，回復“源碼”獲取下載本文完整源碼  
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 

選取嗶哩嗶哩（股票代碼：BILI）2018年上市到現在2021年的數據進行分析，數據來自雅虎。這里使用pd.to_datetime將數據集時間轉化為時間序列，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()方法看一下數據集的結構，數據集包含了股票的開盤價、收盤價、每日最低價與最高價、交易量等信息。掃描本文最下方二維碼獲取全部完整源碼和Jupyter Notebook 文件打包下載。

開盤價走勢

我們可以通過 matplotlib 進行數據可視化，plt.legend用于設置圖像的圖例，loc是圖例位置，upper right代表圖例在右上角。從圖中可以看出嗶哩嗶哩股票在2020年12月到2021年2月之間有一個快速的增長，隨后股價有所回落。 

plt.figure(figsize=(16,6))  
BILI['Open'].plot()  
plt.legend(['BILI'],loc='upper right') 

股票成交量

我們再來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]) 

股票交易總額

我們再分析以下股票的交易總額。從圖中可以很明顯看出2021年1月到5月間某一天交易總額創歷史新高。 

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]) 

下面我們來通過argmax()獲取最大交易總額的日期。

BILI['Total Traded'].argmax() 

輸出結果如下：

Timestamp('2021-02-25 00:00:00')

我們搜索新聞可以發現，2021年2月25日嗶哩嗶哩（NASDAQ: BILI）公布了截至2020年12月31日的第四季度和全年未經審計的財務報告。財報發布后，B站在美股的盤后股價一度漲超5%。

收盤價及其移動平均線

下面繪制BILI這支股票的收盤價及其移動平均線，我們可以用DataFrame的rolling()函數得到移動平均值。 

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

下面我們計算每支股票的日收益率，并用直方圖進行展示。這里了三種方法來計算日收益率，第一種是直接使用計算公式計算；第二種是導入專用于金融領域的第三方庫ffn.to_returns函數計算；第三種是利用pandas自帶的函數pct_change(1)進行計算。掃描本文最下方二維碼獲取全部完整源碼和Jupyter Notebook 文件打包下載。 

#關注公眾號：寬客邦，回復“源碼”獲取完整源碼，直接使用計算公式計算  
BILI['Return']=(BILI['Close']-BILI['Close'].shift(1))/BILI['Close'].shift(1)  
BILIBILI=BILI.dropna()  
#導入專用于金融領域的第三方庫ffn.to_returns函數計算  
import ffn  
BILI['Return']=ffn.to_returns(BILI['Close'])  
#利用pandas自帶的函數pct_change(1)進行計算  
BILI['Return']=BILI['Close'].pct_change() 
BILIBILI=BILI.dropna()  
#關注公眾號：寬客邦，回復“源碼”獲取下載本文完整源碼  
plt.hist(BILI['Return'],bins=50) 

也可以用箱圖觀察收益率 

box_df = pd.concat([BILI['Return']],axis=1)  
box_df.columns = ['BILI Returns'] 
box_df.plot(kind='box',figsize=(8,11),colormap='jet') 

繪制股票的累計收益率 

BILI['Cumulative Return']=(1+BILI['Return']).cumprod()  
BILI['Cumulative Return'].plot(label='BILI',figsize=(16,8),title='Cumulative Return')  
plt.legend() 

股票的復合年均增長率和收益的年度波動率

計算股票的復合年均增長率和收益的年度波動率。 

#關注公眾號：寬客邦，回復“源碼”獲取完整源碼，計算復合年均增長率  
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  
#計算收益的年度波動率  
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%

用蒙特卡洛模擬預測股票走勢

我們來預測未來一個交易年度（252 天）內潛在價格序列演變的單一模擬，基于遵循正態分布的每日收益隨機的抽取。由第一個圖表中顯示的單線系列表示。第二個圖表繪制了一年期間這些隨機每日收益的直方圖。掃描本文最下方二維碼獲取全部完整源碼和Jupyter Notebook 文件打包下載。 

S = BILI['Adj Close'][-1] #起始股票價格（即最后一天的實際股票價格）  
T = 252 #交易天數  
mu = 0.7172 #復合年均增長率  
vol = 0.6514 #年度波動率  
#關注公眾號：寬客邦，回復“源碼”獲取完整源碼，使用隨機正態分布創建每日收益列表  
daily_returns=np.random.normal((mu/T),vol/math.sqrt(T))+1  
#關注公眾號：寬客邦，回復“源碼”獲取下載本文完整源碼  
price_list = [S]  
for x in daily_returns:  
    price_list.append(price_list[-1]*x)  
#生成價格序列的折線圖  
plt.plot(price_list)  
plt.show() 

生成每日收益的直方圖 

plt.hist(daily_returns-1, 100)   
plt.show() 

1000次模擬預測未來嗶哩嗶哩股價走勢。 

import numpy as np  
import math  
import matplotlib.pyplot as plt  
from scipy.stats import norm  
#關注公眾號：寬客邦，回復“源碼”獲取下載本文完整源碼  
S = BILI['Adj Close'][-1] #起始股票價格（即最后一天的實際股票價格）  
T = 252 #交易天數  
mu = 0.7172 #復合年均增長率  
vol = 0.6514 #年度波動率  
#選擇要模擬的運行次數 - 我選擇1000  
for i in range(1000):  
    #使用隨機正態分布創建每日收益列表  
    daily_returns=np.random.normal(mu/T,vol/math.sqrt(T))+1  
     #設置起始價格并創建由上述隨機每日收益生成的價格列表  
    price_list = [S]    
     for x in daily_returns:  
        price_list.append(price_list[-1]*x)  
    #繪制來自每個單獨運行的數據，我們將在最后繪制  
    plt.plot(price_list)  
#顯示上面創建的多個價格系列的圖  
plt.show() 

10000次模擬預測未來嗶哩嗶哩股價走勢。 

import numpy as np 
import math  
import matplotlib.pyplot as plt 
from scipy.stats import norm  
#關注公眾號：寬客邦，回復“源碼”獲取下載本文完整源碼  
result = []  
#定義變量  
S = BILI['Adj Close'][-1] #起始股票價格（即最后一天的實際股票價格）  
T = 252 #交易天數  
mu = 0.7172 #復合年均增長率  
vol = 0.6514 #年度波動率  
#選擇要模擬的運行次數 - 選擇10000  
for i in range(10000):  
    #使用隨機正態分布創建每日收益列表  
    daily_returns=np.random.normal(mu/T,vol/math.sqrt(T))+1   
     #設置起始價格并創建由上述隨機每日收益生成的價格列表  
    price_list = [S]   
     for x in daily_returns:  
        price_list.append(price_list[-1]*x)  
    #繪制來自每個單獨運行的數據，我們將在最后繪制  
    plt.plot(price_list)   
    #將每次模擬運行的結束值附加到我們在開始時創建的空列表中  
    result.append(price_list[-1])  
#顯示上面創建的多個價格系列的圖  
plt.show() 

為我們的多重模擬創建股票收盤價的直方圖。 

plt.hist(result,bins=50)  
plt.show() 

用numpy mean函數計算平均值的分布，以獲得我們的“預期值”。 

print(round(np.mean(result))) 

139.18

用 numpy 的“percentile”函數來計算 5% 和 95% 的分位數 

print("5% quantile =",np.percentile(result,5))  
print("95% quantile =",np.percentile(result,95)) 

5% quantile = 38.33550814175252

95% quantile = 326.44060907630484

在直方圖上快速繪制我們剛剛計算的兩個分位數，以給我們一個直觀的表示。 

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() 

從上面的結果我們得知：嗶哩嗶哩（BILI）的股價有5%的可能性最終會低于38.33美元，有5%的可能性會高于326.44美元。那么你是否愿意冒5%的風險獲得股價低于38.33美元的損失，來追逐股價高于326.44美元的回報收益呢？