利用主成分分析构建个股投资者情绪指标 |
您所在的位置：网站首页 › mf 股票 › 利用主成分分析构建个股投资者情绪指标 |
利用主成分分析构建个股投资者情绪指标
|
利用主成分分析构建个股投资者情绪指标
投资者情绪指标构建数据获取主成分分析
投资者情绪指标构建
对股票的投资者情绪的研究，大部分都是通过对股票评论的内容进行情感分析来获取的，之前看到一篇论文是以隔夜收益率、个股换手率增长额、指令不平衡这 3 个指标构建投资者情绪指标，这种方法比情感分析要方便很多，所以决定用Python实现一下试试。以上三个指标的数据可以通过tushare接口获取。tushare ID：425652 数据获取所需计算的指标为以下三个： 隔夜收益率：交易日开盘价与前一交易日收盘价的差额除以前一交易日收盘价（单位：%） 换手率增长额：交易日个股换手率与前一交易日个股换手率的差额（换手率：日度个股成交金额与日度个股流通市值的比值，单位：%） 指令不平衡：交易日个股买入总成交量与卖出总成交量的差额（单位：千万） tushare数据接口提供的数据及说明可见：https://waditu.com/document/2 需要获取的数据包括： 股票开盘价open；股票前一交易日收盘价pre_close；股票换手率turnover_rate；净流入额net_mf_amount。 开盘价、昨收价数据通过daily接口获取 daily = pro.daily(ts_code='002149.SZ', start_date='20161101', end_date='20200831', fields='trade_date,open,pre_close') 换手率数据通过daily_basic接口获取 daily_basi = pro.daily_basic(ts_code='002149.SZ', start_date='20161101', end_date='20200831', fields='trade_date,turnover_rate')3.净流入额数据通过moneyflow接口获取 moneyflow = pro.moneyflow(ts_code='002149.SZ', start_date='20161101', end_date='20200831', fields='trade_date,net_mf_amount')4.合并以上dataframe并计算相关指标 data = pd.merge(daily, daily_basic, on='trade_date', how='left') data = pd.merge(data, moneyflow, on='trade_date', how='left') data['date'] = pd.to_datetime(data['trade_date'], format='%Y%m%d') data['date'] = data.date.dt.date data = data.set_index('date') data = data.sort_index(ascending=True) data['inter_return'] = 100*(data['open'] - data['pre_close'])/data['pre_close'] data['turn_growth'] = data['turnover_rate'].rolling(2).apply(lambda x: x[1] - x[0]) data['net_mf_amount'] = data['net_mf_amount']/1000计算完成后的结果如下图： 从sklearn包中导入主成分分析函数 from sklearn.decomposition import PCA设置主成分个数为1个，即n_components=1，其他参数为默认值 pca = PCA(n_components=1)训练模型，并得到投资者情绪变量 sentiment = pca.fit(data).transform(data) data['投资者情绪'] = sentiment完整代码如下： import pandas as pd import tushare as ts from sklearn.decomposition import PCA # 从tushare获取数据 token = '**********************************' pro = ts.pro_api(token) daily = pro.daily(ts_code='002149.SZ', start_date='20161101', end_date='20200831', fields='trade_date, open, pre_close') daily_basic = pro.daily_basic(ts_code='002149.SZ', start_date='20161101', end_date='20200831', fields='trade_date,turnover_rate') moneyflow = pro.moneyflow(ts_code='002149.SZ', start_date='20161101', end_date='20200831', fields='trade_date,net_mf_amount') # 计算相应指标 data = pd.merge(daily, daily_basic, on='trade_date', how='left') data = pd.merge(data, moneyflow, on='trade_date', how='left') data['date'] = pd.to_datetime(data['trade_date'], format='%Y%m%d') data['date'] = data.date.dt.date data = data.set_index('date') data = data.sort_index(ascending=True) data['inter_return'] = 100*(data['open'] - data['pre_close'])/data['pre_close'] data['turn_growth'] = data['turnover_rate'].rolling(2).apply(lambda x: x[1] - x[0]) data['net_mf_amount'] = data['net_mf_amount']/1000 data = data.dropna(axis=0, how='any') data = data[['inter_return', 'turn_growth', 'net_mf_amount']] data.columns = ['隔夜收益率', '换手率增长额', '指令不平衡'] # 主成分分析构建投资者情绪指标 pca = PCA(n_components=1) sentiment = pca.fit(data).transform(data) print('各主成分贡献度:{}'.format(pca.explained_variance_ratio_)) data['投资者情绪'] = sentiment data.to_excel('./投资者情绪.xlsx')最终计算结果如下图： |
【本文地址】
公司简介
联系我们
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |