🏩 👚 💬 股市下跌是否有希望？让我们用python分析 💭 👦🏾 🧕🏼

让我们分析外部人和领导者的股票动态

最近，我读到一篇文章，认为Mosbirzhi指数的外部股票（那些每月价格下跌尽可能多的股票）的增长前景要比平均指数大。

在这项研究中，我将考虑

外来者和成长型领导者的库存动态（30天为期）
买入缩水并在显着增长后走低是否有意义

重要！我绝对会考虑所有股票的每一天，因此，许多亏损将是股息缺口（其想法是考虑所有偏差）。

我将考虑Mosbirzha指数的份额（仅占该指数份额> 0.5％的份额），即：

俄罗斯天然气工业股份公司
卢克
储蓄银行
MMC诺里尔斯克镍
新星
磁铁
俄罗斯石油公司
塔特尼夫特
MTS
VTB
Surgutneftegas
阿尔罗萨
猪gu
莫斯科交易所
NLMK
谢韦尔斯塔尔
Yandex
多金属国际
俄罗斯联邦储蓄银行
INTER RAO
俄罗斯
极
Transneft p
罗斯·海德罗
PhosAgro
MMK
俄罗斯航空公司
扩音器
塔特尼夫特
俄罗斯电信

期间为2018-2019。

获取股票报价

首先，您需要获取最近两年的股票报价。我从Finam网站下载了它们，然后直接导入了csv。

让我们开始在文件中收集报价

进口熊猫：

import pandas as pd

让我们删除窗口显示的限制（我需要在PyCharm中执行此操作）：


pd.set_option('display.max_columns', None)
pd.set_option('display.expand_frame_repr', False)
pd.set_option('max_colwidth', 80)
pd.set_option('max_rows', 60000)

您需要以类似的方式导入每个库存：


print('GAZP')
GAZP = pd.read_csv("GAZP_180101_191231.csv",sep=';', header=0, index_col='<DATE>', parse_dates=True)
GAZP = GAZP.sort_values(by='<DATE>')
#      
GAZP['30_days_growth']=((GAZP['<CLOSE>']/GAZP['<CLOSE>'].shift(30))-1)*100
GAZP['after_30_days_growth']=((GAZP['<CLOSE>'].shift(-30)/GAZP['<CLOSE>'])-1)*100
GAZP['ticket']='GAZP'
print(GAZP)

显示股票名称
我们从文件中读取
按日期排序
添加一列每日库存增长30％的列。
在接下来的30天内添加一个百分比变化列。
添加带有票证的列。这将使您可以将列数据报与日期结合起来。

查看个别股票的统计数据

现在让我们看一下单个股票。分别查看股票很重要，因为在不同情况下波动率可能表现不同（例如，迅速赎回Detsky Mir和Norilsk Nickel的亏损，并且可以完全忽略石油行业在困难时期的情况）。

在截图的30_days_growth列中查看屏幕快照（过去百分比变化） 30天）和after_30_days_growth（30天后股票的价格）

以俄罗斯天然气工业股份公司为例，让我们看看在30天的跌幅超过10％之后股票发生了什么变化。

按30天更改获取俄罗斯天然气工业股份公司


print(GAZP.sort_values(by='30_days_growth'))

在这种情况下，我们看到库存将在一个月内增长（在具有30天增长的列中，大多数为正值）。

但是从另一端看，一切都不是那么明显，因为新的股利政策已经“破坏”了一切。

我们将回到2019年得出结论。为此，我将仅输出前255行：


print(GAZP[:254].sort_values(by='30_days_growth'))

事实证明，如果增幅超过10％，就可以出售了，

让我们看一下卢克石油公司（Lukoil），

这里的一切并不是那么明显：我们将

研究

Sberbank 的金融部门，

通常可以赎回大量亏损。但是，这里最大的波动

是，看看诺里尔斯克镍矿是如何购买缩水

的，过去两年中几乎所有诺里尔斯克镍的缩水都是一笔不错的投资：）

计算30天的平均回报

让我们看看如果我们输入低于-5％的亏损，我们每月可获得的平均收益。

用以下几行创建一个变量：


GMKN5 = GMKN[GMKN['30_days_growth']<-5]
print(GMKN5)

我们得出平均值：


print( GMKN5['after_30_days_growth'].mean())

我们将获得30天的退货6.935553432942371％

我们还将了解14天后成本如何增加

添加一列：


GMKN['after_14_days_growth']=((GMKN['<CLOSE>'].shift(-14)/GMKN['<CLOSE>'])-1)*100

让我们看看14天的平均收益：


print(GMKN5['after_14_days_growth'].mean())

这是4.125％

计算跌幅超过15％的所有股票的收益

现在，我们计算跌幅超过15％的所有股票的30天平均收益率，

我们需要将所有数据组合到一个数据框中。

为此，请创建一个包含所有份额的工作表：


all_tickets = [GAZP,LKOH,SBER,SBERP,NVTK,MOEX,MGNT,MFON,MTSS,MAGN,GMKN,AFLT,POLY,ROSN,HYDR,RTKM,RUAL,YNDX,ALRS,VTBR,TATN,TATNP,SNGS,SNGSP,PLZL,NLMK,CHMF,IRAO,TRNFP,PHOR]

结合：


all_stocks = pd.concat(all_tickets)

创建一个数据框，其中只有缩图大于15％的行：


tickets15 = all_stocks[all_stocks['30_days_growth']<-15]
print(tickets15)

计算平均产量：


print(tickets15['after_30_days_growth'].mean())

考虑到这种多元化水平，我们得到了7.78570670526497％的回报。

同样，计算10％跌幅的收益率


tickets10 = all_stocks[all_stocks['30_days_growth']<-10]
print(tickets10)
print(tickets10['after_30_days_growth'].mean())

我们得到3.1％

降低30天内增长15％以上的股票值得吗？


tickets15plus = all_stocks[all_stocks['30_days_growth']>15]
print(tickets15plus)
print(tickets15plus['after_30_days_growth'].mean())

我们增长了2％。事实证明，这种方式我们将无法获利，但是很明显，这种情况下的潜力较小。但这并不奇怪。

这些数字固然有趣，但是值得一提的是，这是一个基准，因为如果每天购买所有提款，且价格在要求的范围内，我们将获得这种盈利能力。

需要删除具有截止日期的行，以便不会重复进行相同的提取，但这是另一回事了。

还应考虑所有偏差的原因。显然，如果俄罗斯天然气工业股份公司（Gazprom）引入新的分工政策，那么就不值得等待不久的将来。

股市下跌是否有希望？让我们用python分析