生成信号，5日均线上穿20日均线为1，下穿为-1，否则0

Pandas股票函数全解析

在金融数据分析领域，Python的Pandas库凭借其强大的数据处理能力，已成为分析师和量化研究者的必备工具，无论是简单的股价走势查看，还是复杂的金融指标计算，Pandas都提供了灵活高效的函数支持，本文将详细介绍Pandas中常用的股票数据分析函数，帮助读者快速掌握用Pandas“玩转”股票数据的技巧。

数据读取与初步处理：从原始数据到结构化DataFrame

股票数据分析的第一步是获取并整理数据，Pandas提供了多种读取数据的方式，尤其适合处理常见的CSV、Excel或在线API返回的表格数据。

读取本地/在线数据

• pd.read_csv()：最常用的数据读取函数，支持从本地CSV文件或URL读取股票数据，读取包含日期、开盘价、最高价、最低价、收盘价、成交量（OHLCV）的股票数据：

  import pandas as pd
  df = pd.read_csv('stock_data.csv', parse_dates=['date'], index_col='date')  # 解析日期列并设为索引

数据清洗与预处理

• df.dropna()：删除缺失值，例如删除包含NaN的行：

  df = df.dropna()

• df.fillna()：填充缺失值，如用前一个值填充：

  df = df.fillna(method='ffill')

• df.sort_index()：按日期索引排序，确保时间序列有序：

  df = df.sort_index()

核心价格分析函数：计算关键指标

Pandas内置的向量化运算函数，可高效计算股票的核心价格指标,避免繁琐的循环操作。

单期收益率与对数收益率

• 简单收益率（单期）：计算当日收盘价相对前一日的涨跌幅：

  df['simple_return'] = df['close'].pct_change()  # 等价于 (close / close.shift(1)) - 1

• 对数收益率：多用于时间序列分析，具有可加性：

  df['log_return'] = np.log(df['close'] / df['close'].shift(1))

移动平均线（MA）

• df.rolling().mean()：计算N日移动平均，如20日均线：

  df['ma_20'] = df['close'].rolling(window=20).mean()

• 加权移动平均（WMA）：通过rolling().apply()自定义权重，

  weights = np.arange(1, 11)  # 10日加权移动平均，权重递增
  df['wma_10'] = df['close'].rolling(10).apply(lambda x: np.dot(x, weights) / weights.sum(), raw=True)

波动率计算

• 历史波动率：计算N日收益率的标准差，年化波动率需乘以sqrt(252)（假设252个交易日/年）：

  df['volatility_20'] = df['simple_return'].rolling(20).std() * np.sqrt(252)

高级技术指标函数：构建量化分析工具

除了基础指标，Pandas还可结合自定义函数计算复杂技术指标，如MACD、RSI等。

MACD（指数平滑异同移动平均线）

计算步骤：

• 12日EMA（指数移动平均）和26日EMA：

  df['ema_12'] = df['close'].ewm(span=12, adjust=False).mean()
  df['ema_26'] = df['close'].ewm(span=26, adjust=False).mean()

• DIF（差离值）：EMA12 - EMA26

  df['dif'] = df['ema_12'] - df['ema_26']

• DEA（信号线）：DIF的9日EMA

  df['dea'] = df['dif'].ewm(span=9, adjust=False).mean()

• MACD柱：2*(DIF - DEA)

  df['macd'] = 2 * (df['dif'] - df['dea'])

RSI（相对强弱指数）

计算N日RSI（通常N=14）：

delta = df['close'].diff()
gain = (delta.where(delta > 0, 0)).rolling(14).mean()
loss = (-delta.where(delta < 0, 0)).rolling(14).mean()
rs = gain / loss
df['rsi_14'] = 100 - (100 / (1 + rs))

时间序列与分组分析：挖掘时间维度规律

股票数据具有强时间序列特征,Pandas的时间函数和分组操作可帮助分析周期性规律。

时间属性提取

从日期索引中提取年、月、日、星期等属性，用于分组统计：

df['year'] = df.index.year
df['month'] = df.index.month
df['day_of_week'] = df.index.dayofweek  # 0=周一，6=周日

分组统计

• 按月计算平均收益率：

  monthly_avg_return = df.groupby('month')['simple_return'].mean()

• 按星期计算收益分布：

  weekly_return = df.groupby('day_of_week')['simple_return'].mean()

实战案例：计算并可视化股票策略回测

结合上述函数，我们可构建一个简单的“双均线交叉”策略,并计算策略收益率。

计算均线与信号

df['ma_5'] = df['close'].rolling(5).mean()
df['ma_20'] = df['close'].rolling(20).mean()df['signal'] = np.where(df['ma_5'] > df['ma_20'], 1, 0)
df['signal'] = df['signal'].diff()  # 信号变化：1为买入，-1为卖出

计算策略收益

# 初始化策略收益列
df['strategy_return'] = 0.0
# 当买入信号出现时，用次日开盘价买入；卖出信号时，用次日开盘价卖出
df.loc[df['signal'] == 1, 'strategy_return'] = df['simple_return'].shift(-1)
df.loc[df['signal'] == -1, 'strategy_return'] = -df['simple_return'].shift(-1)
# 累计策略收益
df['cumulative_strategy_return'] = (1 + df['strategy_return']).cumprod()

可视化结果

import matplotlib.pyplot as plt
plt.figure(figsize=(12, 6))
plt.plot(df['close'], label='Close Price', alpha=0.5)
plt.plot(df['ma_5'], label='MA5')
plt.plot(df['ma_20'], label='MA20')
plt.plot(df[df['signal'] == 1].index, df['ma_5'][df['signal'] == 1], '^', color='g', label='Buy Signal')
plt.plot(df[df['signal'] == -1].index, df['ma_5'][df['signal'] == -1], 'v', color='r', label='Sell Signal')
plt.legend()
plt.show()

总结与进阶方向

Pandas的股票函数覆盖了从数据清洗、指标计算到策略回测的核心流程，其高效的向量化运算和灵活的数据处理能力，是量化分析的基础，对于进阶学习者，可结合TA-Lib库（专门用于技术指标计算）或pandas-datareader（实时获取金融数据）进一步扩展功能，或通过pandas-profiling快速生成数据报告。

掌握Pandas股票函数，不仅能提升数据分析效率，更能为构建复杂的量化策略打下坚实基础,让数据驱动投资决策变得更加简单可行。