篇前話語(yǔ)：

1.作者專業(yè)知識(shí)水平有限，如有不足還請(qǐng)各位大佬多多包涵，文章內(nèi)容僅供參考（應(yīng)該會(huì)特別水，所以就當(dāng)是寫著玩了吧）。

2.原本打算要做視頻的，但是因?yàn)閷?shí)在是太忙了，馬上就開(kāi)學(xué)了，所以視頻就咕了吧（畢竟我是個(gè)帥鴿）。

3.沒(méi)啥好說(shuō)的，就祝大家開(kāi)學(xué)快樂(lè)吧（然而我并沒(méi)有作業(yè)）。

基本信息：

放一張?zhí)悦坠竟善保═AOM美股）的股價(jià)圖。我們平時(shí)最常見(jiàn)的就是這種紅紅綠綠的K線

圖。這種圖包含了股票的開(kāi)盤價(jià)、收盤價(jià)、最高價(jià)、最低價(jià)，是最精華、最好用的股價(jià)圖表之一。

關(guān)于K線圖的顏色：在中國(guó)，紅色代表上漲，綠色代表下跌；而在美國(guó)，綠色代表上漲，紅色代表下跌。淘米公司是在美國(guó)上市的，因此K線圖的畫(huà)法就要用美國(guó)的標(biāo)準(zhǔn)咯。

至于為什么美國(guó)和中國(guó)用相反的顏色來(lái)表示股價(jià)的漲跌呢？這就是東西方文化的差異了。在西方，紅色代表“赤字”，意為財(cái)政虧本，因此用來(lái)表示下跌；而綠色是紅色的相反色，自然表示上漲。在中國(guó)，紅色代表吉祥喜慶，因此用來(lái)表示上漲；而綠色嘛，你們自己體會(huì)咯。

上海淘米網(wǎng)絡(luò)科技有限公司，目前（2019年8月）的股權(quán)占比是這樣的。淘米公司注冊(cè)資金為1000萬(wàn)元，其中曾李青認(rèn)繳金額為300萬(wàn)元，占比30%，是這6為股東中占比最大的，因此他也就是現(xiàn)在淘米公司的實(shí)際控制人。

淘米網(wǎng) NYSE:TAOM

上市時(shí)間??2011年6月9日

開(kāi)盤價(jià)格??8.49美元

收盤價(jià)格??8.23美元

退市時(shí)間??2016年6月22日

開(kāi)盤價(jià)格??3.67美元

收盤價(jià)格??3.70美元

話說(shuō)，你有沒(méi)有想過(guò)在2011年到2016年之間當(dāng)一下淘米公司的小股東呢？

2011年6月，美元兌人民幣匯率約為6.4900元/美元；2016年6月，美元兌人民幣匯率約為6.6500元/美元。2011年6月09日，TAMO（美股）收盤價(jià)為8.2300美元；2016年6月22日，TAMO（美股）收盤價(jià)為3.7000美元。

假設(shè)一直要做淘米公司的小股東，且以日收盤價(jià)為買賣價(jià)格，從上市一直持有10手（1000股）股票到退市。

2011年6月9日，買入1000股花費(fèi)1000×6.49×8.2300=53412.7000元；2016年6月22日，賣出1000股收入1000×6.65×3.7000=24605.0000元。

時(shí)間近似5年，將2016年6月22日的收入按照無(wú)風(fēng)險(xiǎn)利率1.5%以連續(xù)復(fù)利進(jìn)行貼現(xiàn)，貼現(xiàn)到今日（2011年6月9日）得24605.0000×EXP(-5×1.5%)=22827.1285元。（為什么要貼現(xiàn)呢？因?yàn)槲覀兤毡檎J(rèn)為未來(lái)的錢更便宜，現(xiàn)在的錢更貴，把現(xiàn)在的錢存在銀行里還能到未來(lái)收利息。）

那么5年來(lái)，持有10手股票，一直做淘米公司的小股東，假設(shè)不考慮分紅，你會(huì)盈利22827.1285-53412.7000 =?-30586.5715元。

正文開(kāi)始：

利用時(shí)間序列預(yù)測(cè)淘米公司股票（TAOM美股）

假如不退市，之后幾日的股價(jià)變化

編程語(yǔ)言? Python3

操作環(huán)境? Jupiter Notebook；Google Chrome

In??[1]:

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import statsmodels.stats.diagnostic as dia

import statsmodels.api as sm

import arch.unitroot as arc

import warnings

warnings.filterwarnings('ignore')

【備注】 某些警告輸出沒(méi)有卵用，而且還特別煩人，于是無(wú)視掉它。

In??[2]:

#導(dǎo)入數(shù)據(jù)并預(yù)覽

data=pd.read_excel('TAOM.xlsx')

data.head(10)

Out??[2]:

【備注】 此處的數(shù)據(jù)是在萬(wàn)礦平臺(tái)通過(guò)API接口從Wind數(shù)據(jù)庫(kù)獲取的，在研究平臺(tái)輸出結(jié)果，之后復(fù)制到Excel表格，稍作處理，研究平臺(tái)代碼請(qǐng)見(jiàn)附件內(nèi)容。

In??[3]:

#繪制收盤價(jià)圖像，了解大體走勢(shì)

Clsprc=data['收盤價(jià)']

Date=data['日期']

plt.figure(figsize=(20,8))

plt.plot(Date,Clsprc)

plt.title('Clsprc')

plt.show()

Out??[3]:

【備注】 發(fā)現(xiàn)收盤價(jià)序列整體有下降趨勢(shì)，初步判斷序列不平穩(wěn)。

In??[4]:

#對(duì)收盤價(jià)序列進(jìn)行白噪聲檢驗(yàn)

print(dia.acorr_ljungbox(Clsprc, lags=1)[1])

Out??[4]:

[1.08612937e-272]

【備注】 P值小于0.05，拒絕原假設(shè)，認(rèn)為收盤價(jià)序列不是白噪聲序列，因此可以用來(lái)做分析。

In??[5]:

#繪制自相關(guān)系數(shù)圖與偏自相關(guān)系數(shù)圖，繼續(xù)判斷平穩(wěn)性

fig=plt.figure(figsize=(10,8))

ax1=fig.add_subplot(211)

fig=sm.graphics.tsa.plot_acf(data['收盤價(jià)'],lags=20,ax=ax1)

ax1.xaxis.set_ticks_position('bottom')

fig.tight_layout()

ax2=fig.add_subplot(212)

fig=sm.graphics.tsa.plot_pacf(data['收盤價(jià)'],lags=20,ax=ax2)

ax1.xaxis.set_ticks_position('bottom')

fig.tight_layout()

plt.show()

Out??[5]:

【備注】 從自相關(guān)系數(shù)圖可以看到，自相關(guān)系數(shù)收斂不明顯，序列非平穩(wěn)，需要進(jìn)行差分處理。

In??[6]:

#將收盤價(jià)序列進(jìn)行差分

data['收盤價(jià)差分']=data['收盤價(jià)'].diff(1)

ClsprcDiff=data['收盤價(jià)差分'].loc[1:]

In??[7]:

#使用ADF檢驗(yàn)對(duì)差分后的序列進(jìn)行平穩(wěn)性檢測(cè)

arc.ADF(ClsprcDiff)

Out??[7]:

【備注】 P值小于0.05，拒絕原假設(shè)，認(rèn)為收盤價(jià)差分序列已經(jīng)平穩(wěn)了。

In??[8]:

#繪制收盤價(jià)差分后序列的圖像，觀察趨勢(shì)

plt.figure(figsize=(20,8))

plt.plot(Date.loc[1:],ClsprcDiff)

plt.title('ClsprcDiff')

plt.show()

Out??[8]:

【備注】 序列圍繞均值0上下波動(dòng)，大體可以認(rèn)為序列已經(jīng)平穩(wěn)了，但是不同階段波動(dòng)不一，可能存在異方差，這里為了簡(jiǎn)單，就直接忽略異方差了，當(dāng)然模型擬合的結(jié)果也僅供參考。

In??[9]:

#對(duì)收盤價(jià)差分序列進(jìn)行白噪聲檢驗(yàn)

print(dia.acorr_ljungbox(ClsprcDiff, lags=1)[1])

Out??[9]:

[1.68554125e-08]

【備注】 P值小于0.05，拒絕原假設(shè)，認(rèn)為收盤價(jià)差分序列不是白噪聲序列，因此可以用來(lái)做分析。

In??[10]:

#繪制自相關(guān)系數(shù)圖與偏自相關(guān)系數(shù)圖，繼續(xù)判斷平穩(wěn)性

fig=plt.figure(figsize=(10,8))

ax1=fig.add_subplot(211)

fig=sm.graphics.tsa.plot_acf(ClsprcDiff,lags=20,ax=ax1)

ax1.xaxis.set_ticks_position('bottom')

fig.tight_layout()

ax2=fig.add_subplot(212)

fig=sm.graphics.tsa.plot_pacf(ClsprcDiff.loc[1:],lags=20,ax=ax2)

ax1.xaxis.set_ticks_position('bottom')

fig.tight_layout()

plt.show()

Out??[10]:

【備注】 從圖可以看到，自相關(guān)系數(shù)與偏自相關(guān)系數(shù)收斂迅速，序列已經(jīng)平穩(wěn)，可以進(jìn)行模型擬合了。

In??[11]:

#依據(jù)BIC準(zhǔn)則擬合ARMA模型

results=sm.tsa.arma_order_select_ic(ClsprcDiff,ic=['aic','bic'],max_ar=3,max_ma=3)

results['bic_min_order']

Out??[11]:

(1, 0)

【備注】 參數(shù)估計(jì)完畢，p=1，q=0，收盤價(jià)一階差分序列是ARMA(1,0)模型，即AR(1)模型。

In??[12]:

#對(duì)擬合后模型的殘差進(jìn)行白噪聲檢驗(yàn)

model=sm.tsa.ARMA(ClsprcDiff,order=(1,0))

result=model.fit()

resid=result.resid

predict=result.predict(start=1,end=1267)

print(dia.acorr_ljungbox(resid, lags=1)[1])

Out??[12]:

[0.64717705]

【備注】 P值大于0.05，接受原假設(shè)，認(rèn)為收盤價(jià)差分序列的殘差序列是白噪聲序列，因此收盤價(jià)差分序列已經(jīng)提取了全部有用的信息，不再需要進(jìn)行模型調(diào)整。

In??[13]:

#預(yù)測(cè)數(shù)值，對(duì)收盤價(jià)差分序列進(jìn)行預(yù)測(cè)

predict=result.predict(start=1267,end=1367)

fig,ax=plt.subplots()

ax=ClsprcDiff.plot(ax=ax)

predict.plot(ax=ax)

plt.show()

Out??[13]:

【備注】 圖中紅色的部分就是預(yù)測(cè)的數(shù)值了，這里我們只預(yù)測(cè)之后的100個(gè)交易日，畢竟時(shí)間序列分析只適合短期預(yù)測(cè)。

In??[14]:

#使用預(yù)測(cè)的差分序列，根據(jù)累加值還原收盤價(jià)序列

for i in np.arange(100):

? ? Clsprc[1268+i]=(Clsprc[1267]+predict.cumsum()[1268+i])

In??[15]:

#繪制預(yù)測(cè)后的圖像

plt.plot(np.arange(0,1267),Clsprc.values[0:1267])

plt.plot(np.arange(1266,1367),Clsprc.values[1266:1367])

plt.show()

Out??[15]:

【備注】 預(yù)測(cè)的大體趨勢(shì)，股價(jià)還是要下降的。

In??[16]:

#截取一小段，放大看一下

plt.plot(np.arange(1217,1267),Clsprc.values[1217:1267])

plt.plot(np.arange(1266,1287),Clsprc.values[1266:1287])

plt.show()

【備注】 放大之后可以看清，預(yù)測(cè)之后股價(jià)可能會(huì)有回升，但隨后便是下降。

【總結(jié)】本次根據(jù)淘米公司5年的股票收盤價(jià)進(jìn)行數(shù)據(jù)預(yù)測(cè)，主要預(yù)測(cè)的是，假如淘米不退市，之后幾天內(nèi)股價(jià)的變化。模型擬合結(jié)果是AR(1)模型，預(yù)測(cè)結(jié)果是股價(jià)稍有回升接著變回下跌。為了方便，并沒(méi)有考慮異方差因素，因此一定會(huì)存在偏差，僅供參考。

附件內(nèi)容：

獲取數(shù)據(jù)的代碼

#導(dǎo)入函數(shù)庫(kù)

from?WindPy?import?*

import?pandas?as?pd

#獲取TAOM股票的數(shù)據(jù)

w.start()

data=w.wsd("TAOM.N",?"open,high,low,close,volume",?"2011-06-09",?"2019-06-22",?"TradingCalendar=NYSE", usedf=True)

#顯示所有列與行

pd.set_option('display.max_columns',?None)

pd.set_option('display.max_rows',?None)

pd.DataFrame(data.Data,index=["開(kāi)盤價(jià)","收盤價(jià)"，"最高價(jià)","最低價(jià)","成交量"],columns=data.Times).T

繪制K線圖的代碼

#導(dǎo)入函數(shù)庫(kù)

from matplotlib import pyplot as plt

import mpl_finance as mpf

from matplotlib.pylab import date2num

import pandas as pd

import datetime

#讀取數(shù)據(jù)

quotes = []

stock = pd.read_excel('E:/TAOM.xlsx')

#處理數(shù)據(jù)

for row in range(1268):

? ? if row == 0:

? ? ? ? sdate = str(stock.loc[row,'日期']).replace(' ','').replace('00:00:00','')

? ? ? ? sdate_num = date2num(datetime.datetime.strptime(sdate,'%Y-%m-%d'))

? ? ? ? sdate_plt = sdate_num

? ? else:

? ? ? ? sdate_plt = sdate_num + row

? ? sopen = stock.loc[row,'開(kāi)盤價(jià)']

? ? shigh = stock.loc[row,'最高價(jià)']

? ? slow = stock.loc[row,'最低價(jià)']

? ? sclose = stock.loc[row,'收盤價(jià)']

? ? datas = (sdate_plt,sopen,shigh,slow,sclose)

? ? quotes.append(datas)

#繪制圖像

fig, ax = plt.subplots(figsize=(12,8))

fig.subplots_adjust(bottom=0.1)

ax.xaxis_date()

plt.xticks(rotation=45)

plt.rcParams['font.sans-serif']='SimHei'

plt.title('TAOM美股')

plt.xlabel('time')

plt.ylabel('price')

mpf.candlestick_ohlc(ax,quotes,width=0.7,colorup='g',colordown='r')

plt.show()

繪制股權(quán)占比餅圖的代碼

#導(dǎo)入函數(shù)庫(kù)

import matplotlib.pyplot as plt

#繪制圖像

plt.rcParams['font.sans-serif']='SimHei'

plt.rcParams['font.size']=14

label=['曾李青','汪海兵','魏震','程云鵬','王濱','馮玉亮']

values=[300,237.5,173.75,157.5,81.25,50]

plt.pie(values,labels=label,autopct='%1.3f%%')

plt.title('上海淘米網(wǎng)絡(luò)科技有限公司股權(quán)占比')

plt.show()

篇尾話語(yǔ)：

感謝你打開(kāi)了這篇無(wú)聊的文章，還能堅(jiān)持看到這里，謝謝。

最后，祝你生活愉快。