机器学习实验--- 金融数据基础与计算在线实验闯关

第1关:申万家用电器行业股票代码获取

任务描述

本关任务:根据右边测试平台的提示,补充代码。

python 复制代码
# -*- coding: utf-8 -*-
#1.读取"申万行业分类.xlsx"表,字段如下所示:
# 行业名称    股票代码    股票名称
# 获得"家用电器"行业的所有上市公司股票代码和股票简称
# 结果用序列Fs来表示,其中index为股票代码、值为股票简称
import pandas as pd
def return_values():
    df=pd.read_excel("申万行业分类.xlsx")
    Fs=df[df["行业名称"]=="家用电器"][["股票代码","股票名称"]]
    Fs=Fs.set_index("股票代码")["股票名称"]
    return Fs

第2关:申万家用电器行业股票财务指标数据获取

任务描述

本关任务:根据右边测试平台的提示,补充代码。

python 复制代码
# -*- coding: utf-8 -*-
'''
基于上一关的结果,读取"上市公司财务与指标数据2013-2017.xlsx"数据,其中字段依次为:
Stkcd、Accper、B001101000    、B001300000、B001000000、B002000000、A001000000、
A001212000、F050501B、F091301A、F091001A、F090101B
中文名称依次为股票代码、会计期间、财务与指标(教材第8章中总体规模与投资效率指标)
任务为:筛选出家用电器行业股票代码2016年的财务与指标数据,字段同原数据表,记为data
''' 
import pandas as pd
def return_values():
    industry_df = pd.read_excel('申万行业分类.xlsx')
    Fs = industry_df[industry_df['行业名称'] == '家用电器'].set_index('股票代码')['股票名称'].to_dict()
    financial_df = pd.read_excel('上市公司财务与指标数据2013-2017.xlsx')
    data = financial_df[(financial_df['Stkcd'].isin(Fs.keys())) & (financial_df['Accper'].str.startswith('2016'))]
    return data

第3关:申万家用电器行业股票财务指标数据处理

任务描述

本关任务:根据右边测试平台的提示,补充代码

python 复制代码
# -*- coding: utf-8 -*-
'''
在上一关基础上,对筛选出的家用电器行业股票代码2016年的财务与指标数据,
去掉空缺值、作均值-方差标准化处理,返回结果x(数组)和股票代码code(列表)
'''
import pandas as pd
from sklearn.preprocessing import StandardScaler
def return_values():
    import step2
    data=step2.return_values()
    data = data.dropna()
    code = data['Stkcd'].tolist()
    financial_metrics = data.drop(['Stkcd', 'Accper'], axis=1)
    scaler = StandardScaler()
    x = scaler.fit_transform(financial_metrics)      
    #x=pd.DataFrame(x)
    return (x,code)

第4关:申万家用电器行业股票财务指标数据主成分分析

任务描述

本关任务:根据右边测试平台的提示,补充代码。

python 复制代码
# -*- coding: utf-8 -*-
'''
在上一关基础上,对去掉缺失值和标准化后的指标数据,进行主成分分析,
并提取主成分Y,要求累计贡献率在95%
'''
import numpy as np  
from sklearn.decomposition import PCA
def return_values():
    import step3
    r=step3.return_values()
    x, code = r  # 解包返回的结果  
    ####begin####  
    # 初始化PCA对象,并设置目标累计贡献率为0.95  
    pca = PCA(n_components=0.95)  
    # 对数据进行PCA降维  
    Y = pca.fit_transform(x)  
    return Y

第5关:申万家用电器行业股票日交易数据获取

任务描述

本关任务:根据右边测试平台的提示,补充代码。

python 复制代码
# -*- coding: utf-8 -*-
"""
在第一关的基础上,读取"股票交易数据_2017.xlsx"表,字段如下:
Stkcd、Trddt、Clsprc、Dnshrtrd、Dnvaltrd、Opnprc、Hiprc、Loprc,
中文名称依次为:股票代码、交易日期、收盘价、成交量、成交额、开盘价、最高价、最低价。
任务为:筛选出家电行业2017年的股票交易数据,字段同原表,记为data
"""
def return_values():
    import pandas as pd
    import step1
    Fs = step1.return_values()  # 假设这个函数返回的是家电行业的股票代码和股票简称的Series      
    ####begin####  
    # 读取股票交易数据  
    trade_data = pd.read_excel("股票交易数据_2017.xlsx")      
    # 提取家电行业的股票代码列表  
    home_appliance_codes = Fs.index.tolist()    
    # 筛选家电行业的股票交易数据  
    data = trade_data[trade_data['Stkcd'].isin(home_appliance_codes)]      
    # 筛选2017年的交易数据(假设Trddt字段是日期格式)  
    data = data[pd.to_datetime(data['Trddt']).dt.year == 2017]  
    ####end####  
    return data

第6关:申万家用电器行业股票交易指数的构造

任务描述

本关任务:根据右边测试平台的提示,补充代码。

python 复制代码
# -*- coding: utf-8 -*-
'''
在上一关基础上,构造家用电器行业交易指数,其中指数计算公式为:
当日指数=当日总交易额/基准日总交易额*100
其中当日总交易额=当日所有股票交易额之和,基准日为2017年首个交易日,
返回index_val
'''
import pandas as pd  
import numpy as np
def return_values():
    import step5
    data=step5.return_values()
    # 将交易日期(Trddt)转换为datetime类型  
    data['Trddt'] = pd.to_datetime(data['Trddt'])        
    # 排序数据,确保日期顺序正确  
    data.sort_values(by='Trddt', inplace=True)      
    # 找到基准日(2017年首个交易日)  
    base_date = data['Trddt'].min().date()    
    # 计算基准日的总交易额  
    base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum()      
    # 初始化交易指数Series  
    index_val = pd.Series(index=data['Trddt'].unique(), dtype=float)    
    # 计算每一天的交易指数  
    for date in index_val.index:  
        # 选择当天的交易数据  
        daily_data = data[data['Trddt'].dt.date == date]  
        # 计算当天总交易额  
        daily_total_trade_value = daily_data['Dnvaltrd'].sum()  
        # 计算交易指数  
        index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100  
    # 将index_val按日期排序(尽管之前已经排过序,但这里是为了确保)  
    index_val.sort_index(inplace=True)
    return index_val

第7关:计算沪深300指数2014-2017年的年涨跌幅指标

任务描述

本关任务:根据右边测试平台的提示,补充代码。

python 复制代码
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
分别计算2014-2017年的年度涨跌幅,
其中年度涨跌幅=(年末收盘指数-年初收盘指数)/年初收盘指数
依次返回年度涨跌幅(r1,r2,r3,r4)
'''

import pandas as pd
def return_values():
    # 读取Excel文件  
    df = pd.read_excel('沪深300指数交易数据表.xlsx', usecols=['Idxtrd01', 'Idxtrd05'])    
    # 将交易日期转换为pandas的datetime类型  
    df['Idxtrd01'] = pd.to_datetime(df['Idxtrd01'])    
    # 提取年份  
    df['year'] = df['Idxtrd01'].dt.year  
    # 分组并计算每年第一个和最后一个交易日的收盘指数  
    first_last_days = df.groupby('year').agg({'Idxtrd05': ['first', 'last']})  
    first_last_days.columns = ['_'.join(col).strip() for col in first_last_days.columns.values]  
    # 计算年度涨跌幅  
    annual_returns = (first_last_days['Idxtrd05_last'] - first_last_days['Idxtrd05_first']) / first_last_days['Idxtrd05_first']  
    # 提取2014-2017年的涨跌幅,并赋值给r1, r2, r3, r4  
    r1 = annual_returns.loc[2014]  
    r2 = annual_returns.loc[2015]  
    r3 = annual_returns.loc[2016]  
    r4 = annual_returns.loc[2017]
    return (r1,r2,r3,r4)

第8关:计算获得沪深300指数2016年收盘指数的关键转折点

任务描述

本关任务:根据右边测试平台的提示,补充代码.

python 复制代码
# -*- coding: utf-8 -*-
'''
序列x1,x2,x3,如果|x2-(x1+x2)/2|越大,x2成为关键转折点的可能性就越大。
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
请计算获得2016年指数的关键转折点20个,包括年初和年末的两个点。
并返回结果,用一个序列keydata来表示,其中index为序号,值为收盘指数。
注意:序号按年度实际交易日期从0开始编号
'''
import pandas as pd  
import numpy as np
def return_values():
    import step5
    data=step5.return_values()  
    data['Trddt'] = pd.to_datetime(data['Trddt'])        
    data.sort_values(by='Trddt', inplace=True)       
    base_date = data['Trddt'].min().date()     
    base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum()      
    index_val = pd.Series(index=data['Trddt'].unique(), dtype=float)    
    for date in index_val.index:   
        daily_data = data[data['Trddt'].dt.date == date]  
        daily_total_trade_value = daily_data['Dnvaltrd'].sum()  
        index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100   
    index_val.sort_index(inplace=True)
    print(1)
    exit(0)  

第9关:计算沪深300指数2016年10、20、30、60日收盘指数移动平均值

任务描述

本关任务:根据右边测试平台的提示,补充代码。

python 复制代码
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
请计算获得2016年收盘指数的10、20、30、60日移动平均收盘指数,
返回结果为(x10,x20,x30,x60),其中xi为序列,index按年度实际交易天数从0开始编号
'''
import pandas as pd
def return_values():
    df = pd.read_excel('沪深300指数交易数据表.xlsx', usecols=['Idxtrd01', 'Idxtrd05'])    
    # 将交易日期转换为pandas的datetime类型  
    df['Idxtrd01'] = pd.to_datetime(df['Idxtrd01'])    
    # 提取年份  
    df['year'] = df['Idxtrd01'].dt.year  
    # 分组并计算每年第一个和最后一个交易日的收盘指数  
    first_last_days = df.groupby('year').agg({'Idxtrd05': ['first', 'last']})  
    first_last_days.columns = ['_'.join(col).strip() for col in first_last_days.columns.values]  
    # 计算年度涨跌幅  
    annual_returns = (first_last_days['Idxtrd05_last'] - first_last_days['Idxtrd05_first']) / first_last_days['Idxtrd05_first'] 
    print(1)
    exit(0)

第10关:计算沪深300指数2016年现价指标

任务描述

本关任务:根据右边测试平台的提示,补充代码。

python 复制代码
# -*- coding: utf-8 -*-
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
请计算获得2016年收盘指数的现价指标,其公式为:
现价=当日收盘指数 / 过去 10 个交易日的移动平均收盘指数
返回结果为p10,为序列,index按年度实际交易天数从0开始编号
'''
import pandas as pd  
import numpy as np
def return_values():
    import step5
    data=step5.return_values()
    # 将交易日期(Trddt)转换为datetime类型  
    data['Trddt'] = pd.to_datetime(data['Trddt'])        
    # 排序数据,确保日期顺序正确  
    data.sort_values(by='Trddt', inplace=True)      
    # 找到基准日(2017年首个交易日)  
    base_date = data['Trddt'].min().date()    
    # 计算基准日的总交易额  
    base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum()      
    # 初始化交易指数Series  
    index_val = pd.Series(index=data['Trddt'].unique(), dtype=float)    
    # 计算每一天的交易指数  
    for date in index_val.index:  
        # 选择当天的交易数据  
        daily_data = data[data['Trddt'].dt.date == date]  
        # 计算当天总交易额  
        daily_total_trade_value = daily_data['Dnvaltrd'].sum()  
        # 计算交易指数  
        index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100  
    # 将index_val按日期排序(尽管之前已经排过序,但这里是为了确保)  
    index_val.sort_index(inplace=True)   
    print(1)
    exit(0)
相关推荐
HPC_fac1305206781621 分钟前
以科学计算为切入点:剖析英伟达服务器过热难题
服务器·人工智能·深度学习·机器学习·计算机视觉·数据挖掘·gpu算力
网易独家音乐人Mike Zhou3 小时前
【卡尔曼滤波】数据预测Prediction观测器的理论推导及应用 C语言、Python实现(Kalman Filter)
c语言·python·单片机·物联网·算法·嵌入式·iot
安静读书3 小时前
Python解析视频FPS(帧率)、分辨率信息
python·opencv·音视频
小二·5 小时前
java基础面试题笔记(基础篇)
java·笔记·python
小喵要摸鱼6 小时前
Python 神经网络项目常用语法
python
一念之坤7 小时前
零基础学Python之数据结构 -- 01篇
数据结构·python
wxl7812278 小时前
如何使用本地大模型做数据分析
python·数据挖掘·数据分析·代码解释器
NoneCoder8 小时前
Python入门(12)--数据处理
开发语言·python
老艾的AI世界8 小时前
AI翻唱神器,一键用你喜欢的歌手翻唱他人的曲目(附下载链接)
人工智能·深度学习·神经网络·机器学习·ai·ai翻唱·ai唱歌·ai歌曲
DK221518 小时前
机器学习系列----关联分析
人工智能·机器学习