1.3 金融数据可视化
跳转到根目录：知行合一：投资篇
已完成：
1.1 编程基础
1.1.1 投资-编程基础-numpy
1.1.2 投资-编程基础-pandas
1.2 金融数据处理
1.3 金融数据可视化
文章目录
- 1. 金融数据可视化
-
- 1.1. matplotlib
-
- 1.1.1. 沪深300走势图
- 1.1.2. 日线+均线图
- 1.1.3. 收益率与风险
- 1.1.4. 成交量与涨跌的关系
- 1.1.5. 线性回归模型拟合sns.lmplot
- 1.1.6. 皮尔森相关性系数sns.jointplot
- 1.1.7. 相关性热力图pandas.corr() + sns.heatmap
- 1.1.8. 树形图-持仓占比
- 1.1.9. 柱状图or条形图
- 1.1.10. 时间序列图 折线图
- 1.1.11. 未堆积的面积图 （Area Chart UnStacked）
- 1.1.12. 日历图-收盘价高低热分布
- 1.1.13. 热力图sns.heatmap-逐年收益率
- 1.2. pyecharts
-
- 1.2.1. 官网
- 1.2.2. 收盘价走势图(折线图)
- 1.2.3. 柱状图1 - 沪深300年化收益率
- 1.2.4. 柱状图2 - 沪深300&中证500年化收益率
- 1.2.5. 普通k线图
- 1.2.6. 可缩放k线图
- 1.2.7. 散点图 - 历年收益率
- 1.2.8. 热力图heatmap - 沪深300各月收益率
1. 金融数据可视化
1.1. matplotlib
1.1.1. 沪深300走势图
注意：
- 数据，是使用我公开放在gitee上的csv文件，直接读取就能用。（ssl要加import，否则报错。）
- 中文，要加配置参数mpl
- mac和windows字体不同，mac可以用Arial Unicode MS，windows用SimHei
点评：
- 生成的图，没有动态交互效果。
- 如果只是想看趋势，这是很方便的方法，如果要细致查看图表细节，那最好用其他绘图包。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#正常显示画图时出现的中文
from pylab import mpl
#这里使用微软雅黑字体
# mpl.rcParams['font.sans-serif']=['SimHei'] # win
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
import ssl # # URLError: 
1.1.2. 日线+均线图
很多股票软件，都能看到比如5日均线，自己画也很容易。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#正常显示画图时出现的中文
from pylab import mpl
#这里使用微软雅黑字体
# mpl.rcParams['font.sans-serif']=['SimHei'] # win
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
#画图时显示负号
mpl.rcParams['axes.unicode_minus']=False
import ssl # # URLError: 
1.1.3. 收益率与风险
我们使用年化收益率和标准差来横向收益率和风险。
数据还是直接从qstock获取，进行统一加工。
按照年来分组计算收益率。
import pandas as pd
import numpy as np
import qstock as qs
import matplotlib.pyplot as plt
# 正常显示画图时出现的中文
from pylab import mpl
# 字体
# mpl.rcParams['font.sans-serif']=['SimHei'] # win
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
# 画图时显示负号
mpl.rcParams['axes.unicode_minus']=False
import ssl # # URLError: 从下面绘制出来的图，我们能知道什么信息？
- 新能源，真的是毫无节操，收益率平均最低，而且波动还最大！
- 券商，等于就是白玩，所以如果要持有，一定一定要高抛低吸！
- 沪深300，中证500，医药这样的标的，长期肯定是能挣钱的！而且还不低，平均能到8%！！！
- 黄金，收益率好，且波动率低，but，通过课外只是可知，这是跟康波周期有关，只是这货的波动，可能是十几二十年这样为周期，还是少碰为好！一旦套牢，不知何时才能回来的那种。反正我是不看的。
1.1.4. 成交量与涨跌的关系
import pandas as pd
import numpy as np
import matplotlib as plt
# 正常显示画图时出现的中文
from pylab import mpl
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac, win使用 SimHei
import ssl # # URLError: 通过计算的结果可见，不管是通过计算均值以上的放量，还是75百分位以上的放量，上涨的概率都不高。（这个针对沪深300而言的结论）
1.1.5. 线性回归模型拟合sns.lmplot
这个听起来比较高大上，实际就是一个函数的运用，类似于在K线图上划线，有点经验的老司机应该都是能画出来的，而且更有的放矢。
后面还会针对这个，更进一步分析我们的划线y=ax+b，其中的a、b的计算方式。
再之后，还会尝试通过手动划线（知道2个点，计算其直线的斜率，再换算为年化收益率，这才更有所谓的底。）
import seaborn as sns
import pandas as pd
import ssl # # URLError: 
1.1.6. 皮尔森相关性系数sns.jointplot
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import ssl # # URLError: 结果如下图。可见：510300和510500，基本是属于正相关的。同时也可以看出，这个图，是一个定性的描述，我们还可以通过其他方式计算出相关系数，并画出热力图heatmap。就是下一例。
1.1.7. 相关性热力图pandas.corr() + sns.heatmap
import qstock as qs
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
#正常显示画图时出现的中文
from pylab import mpl
#这里使用微软雅黑字体
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
# 沪深300， 中证500， 医药ETF, 券商ETF， 新能源ETF， 红利ETF, 黄金ETF, 房地产ETF
stocks_info = [
{'code': '510300', 'name': '沪深300'},
{'code': '510500', 'name': '中证500'},
{'code': '512010', 'name': '医药ETF'},
{'code': '512000', 'name': '券商ETF'},
{'code': '516160', 'name': '新能源ETF'},
{'code': '510800', 'name': '红利ETF'},
{'code': '518880', 'name': '黄金ETF'},
{'code': '512200', 'name': '房地产ETF'}
]
for stock in stocks_info:
df = qs.get_data(stock['code']) # 从qstock获取对应的股票历史数据
stock['history_df'] = df # 将其存在 history_df 这个key里面。
# 只保留收盘价，合并数据
df_all = pd.DataFrame()
for stock in stocks_info:
df = stock['history_df']
df = df[['close']] # 只需要 date 和 close 2列就行了。
df.rename(columns={'close': stock['name']}, inplace=True) # 用股票的名字来重命名close列
if df_all.size == 0:
df_all = df
else:
df_all = df_all.join(df) # join是按照index来连接的。
# df_all.dropna(how='any') # 计算相关性的时候，应该是已经去掉了NaN。这一句，加不加，效果一样
# Plot
plt.figure(figsize=(12,10), dpi= 80)
sns.heatmap(df_all.corr(), xticklabels=df_all.corr().columns, yticklabels=df_all.corr().columns, cmap='RdYlGn', center=0, annot=True)
# Decorations
plt.title('指数相关性图', fontsize=22)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.show()
通过下图可以看出，如果追求极致的负相关，应考虑新能源和黄金。不过一般我们可能主流投资沪深300，那找沪深300的负相关，应该最佳是房地产ETF，不过还是要根据自己的实际情况来选择。
比如如果选沪深300和中证500，他俩相关系数是0.81，相关性还是很高的。
1.1.8. 树形图-持仓占比
import pandas as pd
import matplotlib.pyplot as plt
#正常显示画图时出现的中文
from pylab import mpl
#win使用微软雅黑字体，mac使用Arial Unicode MS
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
import squarify
json1 = {
"农业ETF":{"close": 2.6},
"沪深300":{"close": 7},
"券商ETF":{"close": 10},
"医药ETF":{"close": 16},
"新能源ETF":{"close": 12}
}
df = pd.DataFrame(json1).T
# Prepare Data
labels = df.index
sizes = df['close']
colors = [plt.cm.Spectral(i/float(len(labels))) for i in range(len(labels))]
# Draw Plot
plt.figure(figsize=(12,8), dpi= 80)
squarify.plot(sizes=sizes, label=labels, color=colors, alpha=.8)
# Decorate
plt.title('占比树形图')
plt.axis('off')
plt.show()
1.1.9. 柱状图or条形图
import pandas as pd
import matplotlib.pyplot as plt
#正常显示画图时出现的中文
from pylab import mpl
#win使用微软雅黑字体，mac使用Arial Unicode MS
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
import random
# Prepare Data
json1 = {
"农业ETF":{"close": 2.6},
"沪深300":{"close": 7},
"券商ETF":{"close": 10},
"医药ETF":{"close": 16},
"新能源ETF":{"close": 12}
}
df = pd.DataFrame(json1).T
all_colors = list(plt.cm.colors.cnames.keys())
random.seed(100)
c = random.choices(all_colors, k=df.size)
# Plot Bars
plt.figure(figsize=(16,10), dpi= 80)
plt.bar(df.index, df['close'], color=c, width=.5)
for i, val in enumerate(df['close'].values):
plt.text(i, val, float(val), horizontalalignment='center', verticalalignment='bottom', fontdict={'fontweight':500, 'size':12})
# Decoration
plt.gca().set_xticklabels(df.index, rotation=60, horizontalalignment= 'right')
plt.title("柱状图or条形图", fontsize=22)
plt.ylabel('仓位值')
plt.ylim(0, 20)
plt.show()
1.1.10. 时间序列图 折线图
todo：辅助Y轴；2个不同尺度的标准化。
import pandas as pd
import matplotlib.pyplot as plt
#正常显示画图时出现的中文
from pylab import mpl
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
import ssl # # URLError: 
1.1.11. 未堆积的面积图 （Area Chart UnStacked）
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#正常显示画图时出现的中文
from pylab import mpl
#win使用微软雅黑字体，mac使用Arial Unicode MS
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
df1 = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/SH510300-close.csv")
df2 = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/SH510500-close.csv")
df = df1.merge(df2, on="date", how="outer").dropna()
# df['date'] = pd.to_datetime(df['date'])
print(df)
# Prepare Data
x = df['date'].values.tolist()
y1 = df['close_x'].values.tolist()
y2 = df['close_y'].values.tolist()
mycolors = ['tab:red', 'tab:blue', 'tab:green', 'tab:orange', 'tab:brown', 'tab:grey', 'tab:pink', 'tab:olive']
columns = ['中证500', '沪深300']
# Draw Plot
fig, ax = plt.subplots(1, 1, figsize=(16,9), dpi= 80)
ax.fill_between(x, y1=y1, y2=0, label=columns[1], alpha=0.5, color=mycolors[1], linewidth=2)
ax.fill_between(x, y1=y2, y2=0, label=columns[0], alpha=0.5, color=mycolors[0], linewidth=2)
# Decorations
ax.set_title('未堆积的面积图 （Area Chart UnStacked）', fontsize=18)
ax.set(ylim=[0, 10])
ax.legend(loc='best', fontsize=12)
plt.xticks(x[::260], fontsize=10, horizontalalignment='center')
plt.yticks(np.arange(0, 10.0, 2.0), fontsize=10)
plt.xlim(-5, x[-1]) # 这里是什么意思呢？
print(x[-1])
# Draw Tick lines
for y in np.arange(0, 10.0, 2.0):
plt.hlines(y, xmin=0, xmax=len(x), colors='black', alpha=0.3, linestyles="--", lw=0.5)
# Lighten borders
plt.gca().spines["top"].set_alpha(0)
plt.gca().spines["bottom"].set_alpha(.3)
plt.gca().spines["right"].set_alpha(0)
plt.gca().spines["left"].set_alpha(.3)
plt.show()
date close_x close_y
195 2013/3/15 2.1684 3.0215
196 2013/3/18 2.1452 2.9717
197 2013/3/19 2.1641 2.9904
198 2013/3/20 2.2301 3.0683
199 2013/3/21 2.2361 3.0994
... ... ... ...
2792 2023/11/20 3.6450 5.7580
2793 2023/11/21 3.6500 5.7410
2794 2023/11/22 3.6110 5.6680
2795 2023/11/23 3.6300 5.7190
2796 2023/11/24 3.6050 5.6730
[2600 rows x 3 columns]
2023/11/24
1.1.12. 日历图-收盘价高低热分布
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#正常显示画图时出现的中文
from pylab import mpl
#win使用微软雅黑字体，mac使用Arial Unicode MS
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
import calmap
# Import Data
df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/SH510300-close.csv", parse_dates=['date'])
df.set_index('date', inplace=True)
# Plot
plt.figure(figsize=(16,10), dpi= 80)
calmap.calendarplot(df.loc['2020']['close'],
fig_kws={'figsize': (16,10)},
yearlabel_kws={'color':'black', 'fontsize':14},
subplot_kws={'title': '沪深300 2022年日历图'})
calmap.calendarplot(df.loc['2021']['close'],
fig_kws={'figsize': (16,10)},
yearlabel_kws={'color':'black', 'fontsize':14},
subplot_kws={'title': '沪深300 2022年日历图'})
calmap.calendarplot(df.loc['2022']['close'],
fig_kws={'figsize': (16,10)},
yearlabel_kws={'color':'black', 'fontsize':14},
subplot_kws={'title': '沪深300 2022年日历图'})
calmap.calendarplot(df.loc['2023']['close'],
fig_kws={'figsize': (16,10)},
yearlabel_kws={'color':'black', 'fontsize':14},
subplot_kws={'title': '沪深300 2022年日历图'})
plt.show()
1.1.13. 热力图sns.heatmap-逐年收益率
将多只股票的收盘价按照年度sum，按年度查看各股票年收益率的热力图
import pandas as pd
import qstock as qs
import seaborn as sns
import matplotlib.pyplot as plt
#正常显示画图时出现的中文
from pylab import mpl
#这里使用微软雅黑字体
mpl.rcParams["font.sans-serif"] = ["Arial Unicode MS"] #mac
stocks_info = [
{'code': '510300', 'name': '沪深300'},
{'code': '510500', 'name': '中证500'},
{'code': '512010', 'name': '医药ETF'},
{'code': '512000', 'name': '券商ETF'},
{'code': '516160', 'name': '新能源ETF'},
{'code': '510800', 'name': '红利ETF'},
# {'code': '518880', 'name': '黄金ETF'},
# {'code': '512200', 'name': '房地产ETF'}
]
for stock in stocks_info:
df = qs.get_data(stock['code']) # 从qstock获取对应的股票历史数据
stock['history_df'] = df # 将其存在 history_df 这个key里面。
# 准备计算数据
df_all = pd.DataFrame()
for stock in stocks_info:
df = stock['history_df']
df = df[['close']] # 只需要 date 和 close 2列就行了。
df.rename(columns={'close': stock['name']}, inplace=True) # 用股票的名字来重命名close列
if df_all.size == 0:
df_all = df
else:
df_all = df_all.join(df) # join是按照index来连接的。
print(df_all)
# 退化日期到年
yearly_pct_change = df_all.pct_change().to_period('A')
print('退化日期到年：', yearly_pct_change) # 这里可以看到输出的结果，其实就是把index的年月日格式，都变成年份，以方便后面的groupby分组计算。
# 按年分组，滚动计算收益率
y_ret = (yearly_pct_change.groupby(yearly_pct_change.index).apply(lambda x: ((1+x).cumprod()-1).iloc[-1])).round(4)
print('年分组滚动收益率：', y_ret)
plt.figure(figsize=(10, 8))
plt.title('年化统计')
sns.heatmap(y_ret*100, annot=True, linewidths=0.5)
沪深300 中证500 医药ETF 券商ETF 新能源ETF 红利ETF
date
2012-05-28 2.004 NaN NaN NaN NaN NaN
2012-05-29 2.044 NaN NaN NaN NaN NaN
2012-05-30 2.036 NaN NaN NaN NaN NaN
2012-05-31 2.030 NaN NaN NaN NaN NaN
2012-06-01 2.030 NaN NaN NaN NaN NaN
... ... ... ... ... ... ...
2023-12-28 3.489 5.475 0.410 0.863 0.650 1.035
2023-12-29 3.499 5.519 0.411 0.864 0.645 1.035
2024-01-02 3.453 5.497 0.407 0.854 0.631 1.024
2024-01-03 3.443 5.490 0.405 0.855 0.634 1.026
2024-01-04 3.413 5.446 0.401 0.847 0.621 1.018
[2825 rows x 6 columns]
退化日期到年： 沪深300 中证500 医药ETF 券商ETF 新能源ETF 红利ETF
date
2012 NaN NaN NaN NaN NaN NaN
2012 0.019960 NaN NaN NaN NaN NaN
2012 -0.003914 NaN NaN NaN NaN NaN
2012 -0.002947 NaN NaN NaN NaN NaN
2012 0.000000 NaN NaN NaN NaN NaN
... ... ... ... ... ... ...
2023 0.024670 0.019173 0.017370 0.022512 0.069079 0.021718
2023 0.002866 0.008037 0.002439 0.001159 -0.007692 0.000000
2024 -0.013147 -0.003986 -0.009732 -0.011574 -0.021705 -0.010628
2024 -0.002896 -0.001273 -0.004914 0.001171 0.004754 0.001953
2024 -0.008713 -0.008015 -0.009877 -0.009357 -0.020505 -0.007797
[2825 rows x 6 columns]
年分组滚动收益率： 沪深300 中证500 医药ETF 券商ETF 新能源ETF 红利ETF
date
2012 -0.0235 NaN NaN NaN NaN NaN
2013 -0.0756 0.1043 -0.0042 NaN NaN NaN
2014 0.6888 0.3900 0.0335 NaN NaN NaN
2015 0.0782 0.4757 0.3441 NaN NaN NaN
2016 -0.1120 -0.1640 -0.0090 -0.0112 NaN NaN
2017 0.2643 0.0056 0.2523 -0.0671 NaN NaN
2018 -0.2626 -0.3245 -0.1942 -0.2434 NaN -0.2092
2019 0.4246 0.2818 0.4277 0.4488 NaN 0.4099
2020 0.3066 0.2345 0.5844 0.1776 NaN 0.2925
2021 -0.0408 0.1725 -0.1571 -0.0343 0.4019 -0.0620
2022 -0.2044 -0.1835 -0.2449 -0.2618 -0.2727 -0.1679
2023 -0.0968 -0.0625 -0.1402 0.0385 -0.3465 -0.0961
2024 -0.0246 -0.0132 -0.0243 -0.0197 -0.0372 -0.0164
1.2. pyecharts
1.2.1. 官网
手册：https://pyecharts.org/#/zh-cn/intro
中文样例：https://gallery.pyecharts.org/#/README
apache 网站样例：https://echarts.apache.org/examples/en/index.html
图例：
1.2.2. 收盘价走势图(折线图)
#导入数据分析和量化常用库
import pandas as pd
import numpy as np
import talib as ta
import ssl # # URLError: 
#导入数据分析和量化常用库
import pandas as pd
import numpy as np
import talib as ta
import ssl # # URLError: 
1.2.3. 柱状图1 - 沪深300年化收益率
#导入数据分析和量化常用库
import pandas as pd
import numpy as np
import talib as ta
import ssl # # URLError: 
1.2.4. 柱状图2 - 沪深300&中证500年化收益率
#导入数据分析和量化常用库
import pandas as pd
import numpy as np
import talib as ta
import ssl # # URLError: 
1.2.5. 普通k线图
#导入数据分析和量化常用库
import pandas as pd
import numpy as np
import talib as ta
import ssl # # URLError: 
1.2.6. 可缩放k线图
#导入数据分析和量化常用库
import pandas as pd
import numpy as np
import talib as ta
import ssl # # URLError: 
1.2.7. 散点图 - 历年收益率
#导入数据分析和量化常用库
import pandas as pd
import numpy as np
import talib as ta
import ssl # # URLError: 
1.2.8. 热力图heatmap - 沪深300各月收益率
#导入数据分析和量化常用库
import pandas as pd
import numpy as np
import talib as ta
import ssl # # URLError: 