本文翻譯自2018年最熱門的Python金融教程 Python For Finance: Algorithmic Trading。

這篇 Python 金融教程向您介紹算法交易等內(nèi)容。

技術(shù)已成為金融領(lǐng)域的一項(xiàng)資產(chǎn)：金融機(jī)構(gòu)已不僅僅是單純的金融機(jī)構(gòu)了，它正向著技術(shù)公司演進(jìn)。除了技術(shù)帶來(lái)的創(chuàng)新速度和競(jìng)爭(zhēng)優(yōu)勢(shì)以外，金融交易的速度、頻率和大數(shù)據(jù)量，使得金融機(jī)構(gòu)對(duì)技術(shù)的關(guān)注度日益提高，技術(shù)確已成為金融業(yè)的主要推動(dòng)力。

在最熱門的金融編程語(yǔ)言中，有R語(yǔ)言、Python，還有C++、C#和Java。在本教程中，你將學(xué)習(xí)如何開始使用Python進(jìn)行金融分析，其內(nèi)容如下：

• Python金融入門必備基礎(chǔ)知識(shí)：對(duì)于那些剛接觸金融的人，首先要了解有關(guān)股票和交易策略的知識(shí)，什么是時(shí)間序列數(shù)據(jù)，以及如何設(shè)置工作空間。

• 常見(jiàn)的金融分析方法：介紹時(shí)間序列數(shù)據(jù)和常見(jiàn)的金融分析方法，比如使用Python包Pandas進(jìn)行移動(dòng)窗口、波動(dòng)率計(jì)算等等。

• 簡(jiǎn)單的動(dòng)量策略開發(fā)：首先逐步完成開發(fā)過(guò)程，然后開始編寫簡(jiǎn)單的算法交易策略。

• 回溯測(cè)試策略：使用Pandas、zipline和Quantopian回溯測(cè)試制定的交易策略。

• 評(píng)估交易策略：優(yōu)化策略使之獲得更好的表現(xiàn)，并最終評(píng)估策略的性能和穩(wěn)健性。

從這里下載本教程的 Jupyter notebook 代碼。

Python 金融入門

在進(jìn)入交易策略學(xué)習(xí)之前，最好先來(lái)了解基礎(chǔ)知識(shí)。本教程的第一部分將著重于介紹入門所需的Python基礎(chǔ)知識(shí)。但這并不意味著你將完全從零開始：你至少需要完成 DataCamp 的免費(fèi)課程 Intro to Python for Data Science course，從而學(xué)會(huì)如何使用Python列表、包和NumPy。此外，盡管不是必需，但仍希望你能了解Pandas的基本知識(shí)，這是眾所周知的Python數(shù)據(jù)處理包。

然后我建議你參加DataCamp的課程 Intro to Python for Finance，學(xué)習(xí)Python金融的基本知識(shí)。如果你還想要把新學(xué)的Python數(shù)據(jù)科學(xué)技能用于真實(shí)的金融數(shù)據(jù)，可以考慮參加 Importing and Managing Financial Data in Python 課程。

股票和交易

當(dāng)一家公司想要擴(kuò)張或承接新項(xiàng)目時(shí)，它可以發(fā)行股票來(lái)募集資金。股票代表在公司所有權(quán)中占的份額，并以金錢兌換的形式發(fā)放。股票可以買入和賣出：買賣雙方交易現(xiàn)存的曾發(fā)行的股票。賣出股票的價(jià)格獨(dú)立于公司業(yè)績(jī)，股價(jià)反應(yīng)的是供需關(guān)系。這意味著，每當(dāng)一只股票因?yàn)槌晒Α⑹軞g迎等原因被認(rèn)為是‘值得的’，那么它的股價(jià)就會(huì)上漲。

請(qǐng)注意，股票和債券并不完全相同。債券是公司通過(guò)借貸的形式籌集資金，無(wú)論是作為銀行貸款還是發(fā)行債券。

正如你剛才讀到的那樣，買賣或者交易是我們談?wù)摴善彼豢杀苊獾?，但?dāng)然不僅限于此：交易是一種買賣資產(chǎn)的行為，可以是像股票、債券這樣的金融證券，或者是如黃金、石油這樣的有形資產(chǎn)。

股票交易是這樣一個(gè)過(guò)程：買入股票就是將現(xiàn)金轉(zhuǎn)換成公司所有權(quán)的股份，反之，賣出股票就是將股份換回現(xiàn)金。這一切交易都希望能從中獲取利潤(rùn)?，F(xiàn)在，為了獲得豐厚的利潤(rùn)，在市場(chǎng)上要么做多，要么做空：要么你認(rèn)為股價(jià)會(huì)上漲并在將來(lái)的高價(jià)位上賣出股票，要么賣出你的股票，期望在低價(jià)位上買回而盈利。當(dāng)你按照固定的計(jì)劃在市場(chǎng)上做多或做空時(shí)，你就有了一個(gè)交易策略。

開發(fā)交易策略需要經(jīng)歷若干階段，就如同構(gòu)建機(jī)器學(xué)習(xí)模型那樣：首先制定一個(gè)策略，并以能在電腦上測(cè)試的形式實(shí)現(xiàn)它，然后進(jìn)行初步測(cè)試或回溯測(cè)試，優(yōu)化你的策略，最后評(píng)估策略的性能和穩(wěn)健性。

交易策略通常通過(guò)回溯測(cè)試來(lái)驗(yàn)證：根據(jù)策略制定的規(guī)則，使用歷史數(shù)據(jù)，重構(gòu)過(guò)去可能發(fā)生的交易。通過(guò)這種方式，你能夠了解策略的有效性，并在將其應(yīng)用于真實(shí)市場(chǎng)前，把它作為策略優(yōu)化的起點(diǎn)。當(dāng)然，這通通依賴于以下信念：任何在過(guò)去表現(xiàn)良好的策略，也會(huì)在將來(lái)取得好的成績(jī)，同樣，任何在過(guò)去表現(xiàn)差勁的策略，在將來(lái)也不可能有好的表現(xiàn)。

時(shí)間序列數(shù)據(jù)

時(shí)間序列是在連續(xù)的、等間距的時(shí)間點(diǎn)上取得的一系列數(shù)據(jù)點(diǎn)。在投資中，時(shí)間序列跟蹤選定數(shù)據(jù)點(diǎn)（如股票價(jià)格）的變動(dòng)，它是在特定的時(shí)間跨度內(nèi)，等間隔地記錄數(shù)據(jù)點(diǎn)。如果你還是疑惑它到底長(zhǎng)什么樣子，來(lái)看看下面的例子：

x軸代表日期，y軸代表價(jià)格。在上圖中，“連續(xù)的、等間距的時(shí)間點(diǎn)” 就是x軸上以14天為間隔的時(shí)間刻度：注意 3/7/2005 和它的下一個(gè)點(diǎn) 3/31/2005 之間的差值，以及 4/5/2005 和 4/19/2005 等等。

然而，你常見(jiàn)的股票數(shù)據(jù)不僅僅只有時(shí)間和價(jià)格這兩列，大部分時(shí)候有5列，包括時(shí)間、開盤價(jià)、最高價(jià)、最低價(jià)和收盤價(jià)。這意味著，如果時(shí)間間隔設(shè)置為天，你將會(huì)得到某只股票那一天的開盤價(jià)、收盤價(jià)，以及最高、最低價(jià)。

現(xiàn)在，你具備了學(xué)習(xí)完本教程的基本概念。接下來(lái)這些概念馬上又會(huì)出現(xiàn)，并在后續(xù)的學(xué)習(xí)中變得更深入。

設(shè)置工作空間

準(zhǔn)備工作空間是一項(xiàng)簡(jiǎn)單的工作：基本上只需確保你的系統(tǒng)運(yùn)行了Python和集成開發(fā)環(huán)境（IDE）。然而仍有些辦法可以讓你更容易地開始。

以Anaconda為例，它是Python和R的高性能發(fā)行版本，包含了超過(guò)100個(gè)最受歡迎的Python、R和Scala數(shù)據(jù)科學(xué)包。此外，安裝Anaconda將使你能通過(guò)conda輕松地安裝超過(guò)720個(gè)包，這里conda是集成在Anaconda中的著名管理器，用于管理包、依賴項(xiàng)和環(huán)境。除此之外，Anaconda還包含了Jupyter Notebook和Spyder集成開發(fā)環(huán)境。

聽起來(lái)不錯(cuò)，對(duì)吧？

你可以從這里下載安裝Anaconda，同時(shí)不要忘了通過(guò)這篇教程Jupyter Notebook Tutorial: The Definitive Guide查看如何設(shè)置Jupyter Notebook。

當(dāng)然，Anaconda并不是你唯一的選擇：你可以嘗試收費(fèi)的 Canopy Python 發(fā)行版本，或者是 Quant Platform。

Quant Platform 相比于 Jupyter 或 Spyder IDE 更有優(yōu)勢(shì)，因?yàn)樗蚰闾峁┝嗽跒g覽器中進(jìn)行金融分析所需的一切。通過(guò) Quant Platform，你可以訪問(wèn)基于圖形用戶界面的金融工程，進(jìn)行基于Python的交互式金融分析，以及使用你自己的Python分析庫(kù)。更重要的是，你還可以通過(guò)論壇與小伙伴們討論問(wèn)題和解決方案。

Python金融基礎(chǔ)：Pandas

當(dāng)你使用Python進(jìn)行金融分析，會(huì)經(jīng)常使用到數(shù)據(jù)處理包 Pandas。但當(dāng)你深入時(shí)，也會(huì)涉及諸如 NumPy、SciPy、Matplotlib 這些包。

現(xiàn)在，讓我們只關(guān)注 Pandas 并使用它分析時(shí)間序列數(shù)據(jù)。本節(jié)將介紹如何使用 Pandas 導(dǎo)入、探索以及處理數(shù)據(jù)。最重要的是，你將了解如何對(duì)導(dǎo)入的數(shù)據(jù)進(jìn)行常見(jiàn)的金融分析。

將金融數(shù)據(jù)導(dǎo)入Python

pandas-datareader包允許從谷歌、雅虎財(cái)經(jīng)、世界銀行等數(shù)據(jù)源中讀取數(shù)據(jù)。如果你想知道此函數(shù)提供的最新的數(shù)據(jù)源列表，可參閱此文檔。在本教程中，你將使用pandas-datareader包讀取雅虎財(cái)經(jīng)的數(shù)據(jù)。首先請(qǐng)確保安裝了此包的最新版本，可通過(guò) pip with pip install pandas-datareader 命令實(shí)現(xiàn)。

提示：如果你想安裝最新的開發(fā)版本，或者遇到任何問(wèn)題，都可以在這里查看安裝說(shuō)明。

import pandas_datareader as pdrimport datetime 
aapl = pdr.get_data_yahoo('AAPL', 
                          start=datetime.datetime(2006, 10, 1), 
                          end=datetime.datetime(2012, 1, 1))

請(qǐng)注意雅虎API端口最近已更改，如果你已經(jīng)開始使用該庫(kù)，則需要安裝一個(gè)臨時(shí)的修復(fù)補(bǔ)丁，直到該補(bǔ)丁被合并到主干中才能使用pandas-datareader包從雅虎財(cái)經(jīng)獲取數(shù)據(jù)。在你開始之前，請(qǐng)確保查閱了此問(wèn)題 。

無(wú)需擔(dān)心，在本教程中數(shù)據(jù)已提前為你加載好，所以你在使用Pandas學(xué)習(xí)Python金融時(shí)不會(huì)遇到任何問(wèn)題。

即便pandas-datareader提供了向Python導(dǎo)入數(shù)據(jù)的許多選擇，它也不是唯一能獲取金融數(shù)據(jù)的包：比如Quandl 庫(kù)，就可以獲取谷歌金融數(shù)據(jù)：

import quandl 
aapl = quandl.get("WIKI/AAPL", start_date="2006-10-01", end_date="2012-01-01")

更多關(guān)于如何使用 Quandl 獲取金融數(shù)據(jù)的信息，可參考此網(wǎng)頁(yè)。

最后，如果你已經(jīng)在金融領(lǐng)域工作了一段時(shí)間，你可能知道最常用的數(shù)據(jù)處理工具是Excel。在這種情況下，你需要了解如何將Excel集成到Python中。

查看 DataCamp 的教程 Python Excel Tutorial: The Definitive Guide ，獲取更多相關(guān)知識(shí)。

使用時(shí)間序列數(shù)據(jù)

當(dāng)你最終將數(shù)據(jù)導(dǎo)入工作空間后，首先要做的事情就是將手弄臟（指清洗、整理數(shù)據(jù)——譯者注）。然而，現(xiàn)在要處理的是時(shí)間序列數(shù)據(jù)，這看起來(lái)可能不那么簡(jiǎn)單，因?yàn)樗饕侨掌跁r(shí)間數(shù)據(jù)。

即便如此也不用擔(dān)心。讓我們一步步來(lái)，首先使用函數(shù)來(lái)探索數(shù)據(jù)。如果你先前已經(jīng)有R或者Pandas的編程經(jīng)驗(yàn)，那么對(duì)于這些函數(shù)就不陌生了。

沒(méi)關(guān)系，你將發(fā)現(xiàn)這很容易！

如上述代碼塊所示，使用pandas_datareader將數(shù)據(jù)導(dǎo)入工作空間。所得到的對(duì)象 aapl 是數(shù)據(jù)框，一個(gè)二維數(shù)據(jù)結(jié)構(gòu)，其每一列可以是不同類型的數(shù)據(jù)?，F(xiàn)在當(dāng)你手頭有了一個(gè)常規(guī)的數(shù)據(jù)框時(shí)，首先要做的事情之一是運(yùn)行 head() 和 tail() 函數(shù)來(lái)查看開始和結(jié)束的幾行數(shù)據(jù)。幸運(yùn)的是，當(dāng)你使用時(shí)間序列數(shù)據(jù)時(shí)，這一點(diǎn)并不會(huì)改變。

提示：請(qǐng)務(wù)必使用 describe() 函數(shù)來(lái)查看數(shù)據(jù)的統(tǒng)計(jì)摘要信息。

# 查看`aapl`數(shù)據(jù)的前幾行print(aapl.head())

                 High        Low       Open      Close     Volume  Adj Close
Date                                                                        
2006-10-02  10.838572  10.614285  10.728572  10.694285  178159800   7.161565
2006-10-03  10.707143  10.455714  10.635715  10.582857  197677200   7.086947
2006-10-04  10.780000  10.451428  10.585714  10.768572  207270700   7.211311
2006-10-05  10.880000  10.590000  10.647142  10.690000  170970800   7.158698
2006-10-06  10.720000  10.544286  10.631429  10.602858  116739700   7.100338

# 查看`aapl`數(shù)據(jù)的最后幾行print(aapl.tail())

                 High        Low       Open      Close    Volume  Adj Close
Date                                                                       
2011-12-23  57.655716  57.070000  57.098572  57.618572  67349800  38.585011
2011-12-27  58.441429  57.574287  57.585712  58.075714  66269000  38.891148
2011-12-28  58.321430  57.334286  58.127144  57.520000  57165500  38.519012
2011-12-29  57.950001  57.215714  57.628571  57.874287  53994500  38.756252
2011-12-30  58.040001  57.641430  57.644287  57.857143  44915500  38.744774

# 查看`aapl` 數(shù)據(jù)的統(tǒng)計(jì)信息print(aapl.describe())

              High          Low         Open        Close        Volume  count  1323.000000  1323.000000  1323.000000  1323.000000  1.323000e+03   
mean     29.237566    28.507684    28.901012    28.889151  1.882896e+08   
std      14.199012    14.029758    14.123131    14.119734  1.027007e+08   
min      10.568571    10.371428    10.488571    10.461429  3.937360e+07   
25%      17.752857    17.182143    17.457857    17.431429  1.122037e+08   
50%      25.642857    24.725714    25.260000    25.120001  1.629866e+08   
75%      39.132858    38.351429    38.777143    38.699999  2.316230e+08   
max      60.957142    59.427143    60.251427    60.320000  8.432424e+08   

         Adj Close  
count  1323.000000  
mean     19.345990  
std       9.455460  
min       7.005628  
25%      11.673178  
50%      16.821934  
75%      25.915947  
max      40.394054

正如介紹中所述，這一數(shù)據(jù)包含四列，分別是蘋果股票每天的開盤價(jià)、收盤價(jià)，以及最高、最低價(jià)。此外還有另外兩列，成交量和調(diào)整的收盤價(jià)。

成交量（Volume）這一列記錄每天交易的股票數(shù)量。調(diào)整的收盤價(jià)（Adj Close）是將當(dāng)天的收盤價(jià)進(jìn)行調(diào)整，以包含第二天開盤前的任何舉措。可以使用此列檢查或深入分析歷史回報(bào)情況。

注意索引或行標(biāo)簽如何包含日期，以及列或列標(biāo)簽如何包含數(shù)值。

提示：可以使用Pandas中的 to_csv() 函數(shù)將該數(shù)據(jù)保存為csv文檔，并且通過(guò) read_csv() 函數(shù)將數(shù)據(jù)重新讀回到Python中。當(dāng)因雅虎API端口被更改而無(wú)法獲取數(shù)據(jù)時(shí)，這一方法是非常方便的。

import pandas as pd
aapl.to_csv('data/aapl_ohlc.csv')  # 注意事先要在當(dāng)前工作目錄下創(chuàng)建data文件夾df = pd.read_csv('data/aapl_ohlc.csv', header=0, index_col='Date', parse_dates=True)

現(xiàn)在你已經(jīng)簡(jiǎn)單地查看了數(shù)據(jù)的前幾行以及一些統(tǒng)計(jì)信息，是時(shí)候更深入一些了。

一種方法是檢查索引和列，并選擇某列的最后10行數(shù)據(jù)。后者被稱為構(gòu)造子集，因?yàn)槟氵x擇了數(shù)據(jù)中的一小部分。構(gòu)造子集得到一個(gè)序列（Series），它是一個(gè)可以存儲(chǔ)任何數(shù)據(jù)類型的一維數(shù)組。

請(qǐng)記住數(shù)據(jù)框結(jié)構(gòu)是一個(gè)二維數(shù)組，它的每一列可以存儲(chǔ)不同的數(shù)據(jù)類型。

讓我們?cè)诮酉聛?lái)的練習(xí)中檢查上面所說(shuō)的一切。首先，使用 index 和 columns 屬性來(lái)查看數(shù)據(jù)的索引和列。接著選取數(shù)據(jù)集中 Close 列的最后10個(gè)觀測(cè)量。使用方括號(hào) [] 挑出最后10個(gè)數(shù)值。你也許從其他編程語(yǔ)言（比如R語(yǔ)言）中獲知了這一構(gòu)造子集的方法。最后，將后者指定給變量 ts，并使用 type() 函數(shù)查看 ts 的類型。

# 查看索引 aapl.index

DatetimeIndex(['2006-10-02', '2006-10-03', '2006-10-04', '2006-10-05',
               '2006-10-06', '2006-10-09', '2006-10-10', '2006-10-11',
               '2006-10-12', '2006-10-13',
               ...
               '2011-12-16', '2011-12-19', '2011-12-20', '2011-12-21',
               '2011-12-22', '2011-12-23', '2011-12-27', '2011-12-28',
               '2011-12-29', '2011-12-30'],
              dtype='datetime64[ns]', name='Date', length=1323, freq=None)

# 查看列aapl.columns

Index(['High', 'Low', 'Open', 'Close', 'Volume', 'Adj Close'], dtype='object')

# 選擇Close列的最后10個(gè)數(shù)值ts = aapl['Close'][-10:]print(ts)

Date
2011-12-16    54.431427
2011-12-19    54.601429
2011-12-20    56.564285
2011-12-21    56.635715
2011-12-22    56.935715
2011-12-23    57.618572
2011-12-27    58.075714
2011-12-28    57.520000
2011-12-29    57.874287
2011-12-30    57.857143Name: Close, dtype: float64

# 查看ts的類型type(ts)

pandas.core.series.Series

方括號(hào)可以很好的對(duì)數(shù)據(jù)取子集，但它可能不是Pandas中最慣用的方法。這就是你還需學(xué)習(xí) loc() 和 iloc() 函數(shù)的原因：前者用于基于標(biāo)簽的索引，后者用于位置索引。

實(shí)際上，這意味著你可以將行標(biāo)簽，如 2007 和 2006-11-01 傳遞給 loc() 函數(shù)，而將整數(shù) 22和 43 傳遞給 iloc() 函數(shù)。

完成下面的練習(xí)來(lái)了解 loc() 和 iloc() 的工作方式。

# 查看2006年11、12月數(shù)據(jù)的前幾行print(aapl.loc[pd.Timestamp('2006-11-01'):pd.Timestamp('2006-12-31')].head())

                 High        Low       Open      Close     Volume  Adj Close
Date                                                                        
2006-11-01  11.625714  11.194285  11.585714  11.308572  152798100   7.572930
2006-11-02  11.331429  11.214286  11.274285  11.282857  116370800   7.555712
2006-11-03  11.361428  11.112857  11.337143  11.184286  107972200   7.489699
2006-11-06  11.437143  11.204286  11.278571  11.387143  108644200   7.625546
2006-11-07  11.571428  11.447143  11.492857  11.501429  131483100   7.702079

# 查看2007年數(shù)據(jù)的前幾行print(aapl.loc['2007'].head())

                 High        Low       Open      Close     Volume  Adj Close
Date                                                                        
2007-01-03  12.368571  11.700000  12.327143  11.971429  309579900   8.016820
2007-01-04  12.278571  11.974286  12.007143  12.237143  211815100   8.194759
2007-01-05  12.314285  12.057143  12.252857  12.150000  208685400   8.136404
2007-01-08  12.361428  12.182858  12.280000  12.210000  199276700   8.176582
2007-01-09  13.282857  12.164286  12.350000  13.224286  837324600   8.855811

# 查看2006年11月數(shù)據(jù)的前幾行print(aapl.iloc[22:43].head())

                 High        Low       Open      Close     Volume  Adj Close
Date                                                                        
2006-11-01  11.625714  11.194285  11.585714  11.308572  152798100   7.572930
2006-11-02  11.331429  11.214286  11.274285  11.282857  116370800   7.555712
2006-11-03  11.361428  11.112857  11.337143  11.184286  107972200   7.489699
2006-11-06  11.437143  11.204286  11.278571  11.387143  108644200   7.625546
2006-11-07  11.571428  11.447143  11.492857  11.501429  131483100   7.702079

# 查看2006-11-01 和 2006-12-01 兩天的開盤價(jià)和收盤價(jià)print(aapl.iloc[[22,43], [2, 3]])

                 Open      Close
Date                            
2006-11-01  11.585714  11.308572
2006-12-01  13.114285  13.045714

提示：如果仔細(xì)查看子集數(shù)據(jù)，你會(huì)發(fā)現(xiàn)某些天的數(shù)據(jù)是缺失的；如果你更仔細(xì)地觀察其模式，你會(huì)發(fā)現(xiàn)經(jīng)常是缺失兩或三天；這些天是周末或者假日，所以并不包含在你的數(shù)據(jù)中。沒(méi)什么可擔(dān)心的：這很正常，也無(wú)需填補(bǔ)缺失的日期。

除了索引，你可能還想研究其他技術(shù)來(lái)更好的了解數(shù)據(jù)。你永遠(yuǎn)不知道還會(huì)發(fā)生什么。讓我們嘗試從數(shù)據(jù)集中采集20行數(shù)據(jù)樣本，然后按月而不是天對(duì)數(shù)據(jù) aapl 進(jìn)行重新采樣?？梢允褂?nbsp;sample() 和 resample() 函數(shù)來(lái)實(shí)現(xiàn)：

# 采樣20行數(shù)據(jù)sample = aapl.sample(20)# 輸出`sample`print(sample)

                 High        Low       Open      Close     Volume  Adj Close
Date                                                                        
2011-08-15  54.995716  54.012856  54.232857  54.772858  115136000  36.679344
2007-03-19  13.078571  12.798572  12.891429  13.018572  178240300   8.718055
2007-11-28  25.799999  25.049999  25.260000  25.745714  287728000  17.240946
2010-09-17  39.708572  39.097141  39.669998  39.338570  158619300  26.343573
2010-03-11  32.214287  31.902857  31.987143  32.214287  101425100  21.572710
2007-01-18  13.158571  12.721429  13.157143  12.724286  591151400   8.520981
2007-06-05  17.527143  17.214285  17.344286  17.524286  230196400  11.735363
2011-03-04  51.470001  51.107143  51.438572  51.428570  113316700  34.439796
2009-12-15  28.215714  27.610001  27.975714  27.738571  104864900  18.575493
2006-12-15  12.745714  12.475715  12.717143  12.531428  184984800   8.391831
2007-08-27  19.237143  18.871429  19.055714  18.892857  176859900  12.651844
2009-01-16  12.054286  11.485714  12.042857  11.761429  261906400   7.876194
2007-03-01  12.615714  11.964286  12.004286  12.437143  353882200   8.328694
2010-05-05  36.877144  35.532856  36.147144  36.570000  220775800  24.489573
2010-09-08  37.770000  37.014286  37.111427  37.560001  131637800  25.152536
2009-07-16  21.145714  20.795713  20.822857  21.074286   98392700  14.112666
2007-06-06  17.721428  17.421429  17.471428  17.662857  278060300  11.828161
2009-05-05  18.980000  18.731428  18.821428  18.958570   99563800  12.695851
2011-09-28  57.677143  56.644287  57.169998  56.715714  107409400  37.980404
2007-04-19  13.035714  12.832857  12.884286  12.895715  106478400   8.635779

# 按月重新采樣monthly_aapl = aapl.resample('M').mean()# 輸出 `monthly_aapl` 的前幾行print(monthly_aapl.head())

                 High        Low       Open      Close        Volume  Date                                                                   
2006-10-31  11.123766  10.893117  11.002922  11.017987  1.634995e+08   
2006-11-30  12.314626  12.028980  12.161565  12.192109  1.647010e+08   
2006-12-31  12.546500  12.205571  12.415857  12.353071  2.111349e+08   
2007-01-31  12.880857  12.522572  12.722357  12.697357  3.401223e+08   
2007-02-28  12.382932  12.111804  12.252105  12.246842  1.805573e+08   

            Adj Close  
Date                   
2006-10-31   7.378336  
2006-11-30   8.164602  
2006-12-31   8.272392  
2007-01-31   8.502948  
2007-02-28   8.201255

非常直截了當(dāng)，不是嗎？

resample() 函數(shù)使用頻繁，因?yàn)樗鼮闀r(shí)間序列的頻率轉(zhuǎn)換提供了精細(xì)而靈活的控制：除了指定新的時(shí)間間隔，處理缺失數(shù)據(jù)以外，還能選擇對(duì)數(shù)據(jù)重新采樣的方式，如上述代碼所示。asfreq() 方法與之類似，不過(guò)只能實(shí)現(xiàn)前兩項(xiàng)功能。

提示：在 IPython 控制臺(tái)中嘗試代碼 aapl.asfreq("M", method="bfill")，并查看其輸出結(jié)果。

最后，在進(jìn)行數(shù)據(jù)可視化和常見(jiàn)的金融分析這些進(jìn)階的數(shù)據(jù)探索之前，你可能已經(jīng)開始計(jì)算每天開盤價(jià)和收盤價(jià)之間的差值了。在Pandas的幫助下，可以輕易地實(shí)現(xiàn)這一算數(shù)運(yùn)算；只需將 aapl 數(shù)據(jù)的 Open 列數(shù)值減去該數(shù)據(jù)的 Close 列數(shù)值即可。換言之，就是從 aapl.Open 中減去 aapl.Close。將結(jié)果存入 aapl 數(shù)據(jù)框中新的一列 diff 中，另外可以使用 del 將其刪除：

# 在`aapl` 中新增一列`diff`aapl['diff'] = aapl.Open - aapl.Close# 刪除`diff` 列#del aapl['diff']

提示：請(qǐng)確保注釋掉最后一行代碼，這樣 aapl 數(shù)據(jù)框的新列不會(huì)被刪除，并且你可以檢查算術(shù)運(yùn)算的結(jié)果！

當(dāng)然，了解絕對(duì)收益可幫助你知道自己是否做了一個(gè)好的投資。但是作為一名定量分析者，你可能對(duì)使用相對(duì)方法衡量股票價(jià)值更感興趣，比如某只股票上漲或下跌的幅度。計(jì)算每日的百分比變化便是這樣一種方法。

現(xiàn)在知道這一點(diǎn)很好，不過(guò)也不用擔(dān)心，接下來(lái)你將會(huì)越來(lái)越深入地進(jìn)行了解。

本節(jié)介紹了在開始預(yù)分析之前，進(jìn)行數(shù)據(jù)探索的一些方法。但是仍有可提高的余地，如果你想了解更多，可閱讀 Python Exploratory Data Analysis 這篇教程。

可視化時(shí)間序列數(shù)據(jù)

在使用 head(), tail()，索引等方法探索數(shù)據(jù)之后，你大概想要可視化時(shí)間序列數(shù)據(jù)。多虧了Pandas的繪圖功能整合了 Matplotlib 包，使這項(xiàng)任務(wù)變得容易了；只要使用 plot() 函數(shù)并傳遞給它相關(guān)的參數(shù)即可。另外，也可以使用 grid 參數(shù)來(lái)為圖片添加網(wǎng)格背景。

讓我們檢查并運(yùn)行以下代碼，看看如何繪制這樣一幅圖！

# 導(dǎo)入Matplotlib包的`pyplot` 模塊，簡(jiǎn)寫為 `plt`import matplotlib.pyplot as plt# 繪制收盤價(jià)曲線aapl['Close'].plot(grid=True)# 顯示繪圖plt.show()

如果你想進(jìn)一步了解 Matplotlib 包，并學(xué)習(xí)如何開始使用它，那么可以查看 DataCamp的課程 Intermediate Python for Data Science。