Python + 蒙特卡洛 = 股市神器!

最近股票、基金市場(chǎng)一片哀嚎，今天從技術(shù)的角度來(lái)聊聊如何基于編程+統(tǒng)計(jì)學(xué)來(lái)分析股票市場(chǎng)，僅供學(xué)習(xí)！

蒙特卡羅模擬是一種強(qiáng)大的統(tǒng)計(jì)技術(shù)，可以應(yīng)用于金融領(lǐng)域，對(duì)金融資產(chǎn)（如股票）的行為進(jìn)行模擬建模。 在本文中，我們將探討如何在 Python 中實(shí)現(xiàn)蒙特卡羅模擬，以預(yù)測(cè)股票市場(chǎng)未來(lái)可能出現(xiàn)的情況。 我們將使用從雅虎財(cái)經(jīng) 和庫(kù)下載 的歷史數(shù)據(jù)。

        
          import yfinance as yf
        
        
          def get_yahoo_data(ticker, start, end):
        
        
              data = yf.download(ticker, start=start, end=end)
        
        
              return data['Adj Close']
        
      

接下來(lái)，我們定義一個(gè)將執(zhí)行模擬的函數(shù)。 我們將使用歷史每日回報(bào)來(lái)計(jì)算均值和標(biāo)準(zhǔn)差。 然后，我們將基于正態(tài)分布生成隨機(jī)數(shù)，以模擬多個(gè)未來(lái)價(jià)格路徑。 monte_carlo_simulation

        
          import pandas as pd
        
        
          import numpy as np
        
        
          import matplotlib.pyplot as plt
        
        
          
            

        
        
          
            def monte_carlo_simulation(ticker, start, end, num_simulations):
          
        
        
              # Get historical data
        
        
              prices = get_yahoo_data(ticker, start, end)
        
        
          
            

        
        
              # Calculate daily returns
        
        
              daily_returns = prices.pct_change().dropna()
        
        
          
            

        
        
              # Calculate mean and standard deviation of daily returns
        
        
              mean_return = daily_returns.mean()
        
        
              std_dev = daily_returns.std()
        
        
          
            

        
        
              # Generate random numbers based on normal distribution
        
        
              simulations = np.random.normal(loc=mean_return, scale=std_dev, size=(num_simulations, len(prices)))
        
        
          
            

        
        
              # Calculate simulated prices
        
        
              simulated_prices = prices.iloc[-1] * (1 + simulations).cumprod(axis=1)
        
        
          
            

        
        
              # Visualize results
        
        
              plt.figure(figsize=(10, 6))
        
        
              plt.plot(simulated_prices.T, alpha=0.1)
        
        
              plt.title('Monte Carlo Simulation for {}'.format(ticker))
        
        
              plt.xlabel('Days')
        
        
              plt.ylabel('Price')
        
        
              plt.show()
        
        
          
            

        
        
          
            # Define stock ticker and time period
          
        
        
          ticker = '^MXX'
        
        
          start_date = '2020-01-01'
        
        
          end_date = '2024-01-25'
        
        
          
            

        
        
          
            # Number of simulations
          
        
        
          num_simulations = 10000
        
        
          
            

        
        
          
            # Perform Monte Carlo simulation
          
        
        
          monte_carlo_simulation(ticker, start_date, end_date, num_simulations)
        
      

模擬將生成一個(gè)圖表，顯示股票的各種模擬價(jià)格路徑。考慮到回報(bào)的歷史可變性，這種方法提供了股票市場(chǎng)潛在未來(lái)情景的概率視圖。