数据获取
目标数据： 2000-2021美国国债收益率与利率 、 2000-2021美元黄金的历史数据、大宗商品品类代码
获取大宗商品数据
本来我是只想找黄金数据的, 奈何找了一圈只有大宗商品里面有黄金数据, 所以就先获取黄金数据的代码
经典操作, 不过多解释, 上代码!!!
# 导入tushare
import tushare as ts
# 初始化pro接口
pro = ts.pro_api('你的神秘代码')
# 拉取数据 获取大宗商品数据
df = pro.fx_obasic(**{
"exchange": "FXCM",
"classify": "COMMODITY",
"ts_code": "",
"limit": "",
"offset": ""
}, fields=[
"ts_code",
"name",
"classify",
"exchange",
"min_unit",
"max_unit",
"pip",
"pip_cost",
"traget_spread",
"min_stop_distance",
"trading_hours",
"break_time"
])
# 数据储存方便使用
df.to_csv('大宗商品数据代码.csv')
# XAUUSD.FXCM 黄金美元
然后数据集中的XAUUSD.FXCM 代表黄金美元
注意： 你的神秘代码在tushare的个人主页 -- 接口token中获取
获取黄金日线数据
官方说单次导入上限是1000条, 所以我分了4次导入, 但是用过才发现, 超过1000条也是可以的;
导入完后，将数据表纵向合并, 保存下次使用;
代码如下:
# 导入tushare
import tushare as ts
# 初始化pro接口
pro = ts.pro_api('你的神秘代码')
df1 = pro.fx_daily(**{
"ts_code": "XAUUSD.FXCM",
"trade_date": "",
"start_date": 20000101,
"end_date": 20050101,
"exchange": "FXCM",
"limit": "",
"offset": ""
}, fields=[
"ts_code",
"trade_date",
"bid_open",
"bid_close",
"bid_high",
"bid_low",
"ask_open",
"ask_close",
"ask_high",
"ask_low",
"tick_qty"
])
df2 = pro.fx_daily(**{
"ts_code": "XAUUSD.FXCM",
"trade_date": "",
"start_date": 20050101,
"end_date": 20100101,
"exchange": "FXCM",
"limit": "",
"offset": ""
}, fields=[
"ts_code",
"trade_date",
"bid_open",
"bid_close",
"bid_high",
"bid_low",
"ask_open",
"ask_close",
"ask_high",
"ask_low",
"tick_qty"
])
df3 = pro.fx_daily(**{
"ts_code": "XAUUSD.FXCM",
"trade_date": "",
"start_date": 20100101,
"end_date": 20150101,
"exchange": "FXCM",
"limit": "",
"offset": ""
}, fields=[
"ts_code",
"trade_date",
"bid_open",
"bid_close",
"bid_high",
"bid_low",
"ask_open",
"ask_close",
"ask_high",
"ask_low",
"tick_qty"
])
df4 = pro.fx_daily(**{
"ts_code": "XAUUSD.FXCM",
"trade_date": "",
"start_date": 20150101,
"end_date": 20210101,
"exchange": "FXCM",
"limit": "",
"offset": ""
}, fields=[
"ts_code",
"trade_date",
"bid_open",
"bid_close",
"bid_high",
"bid_low",
"ask_open",
"ask_close",
"ask_high",
"ask_low",
"tick_qty"
])
data = pd.concat([df4, df3, df2, df1], axis=0)
data.to_csv('美元黄金日线数据.csv') # 储存数据方便以后调用
获取2000-2021美国国债收益率与利率的数据
书接上文, 导入上次获取的2000-2021美国国债收益率与利率的数据;
如果没看过我上篇文章的请快去 tushare实战分析上证综指与美债收益率的关系
代码如下:
# 导入美债利率
american_bond = pd.read_csv('2000-2021美债收益率及货币量变化(月).csv')
数据处理
将黄金的日线数据转化为月度数据
# 导入tushare
#%% 数据处理
data = pd.read_csv('美元黄金日线数据.csv')
# 将日期调成月度
data['trade_date'] = data['trade_date'].apply(lambda x:int(str(x)[0:6]))
# 根据月度数据来汇总信息
data_month = data.groupby('trade_date').mean()
# 将数据储存方便以后再用
data_month.to_csv('美元黄金(月)数据.csv')
将美债数据与美元黄金数据合并
# 导入美债利率
american_bond = pd.read_csv('2000-2021美债收益率及货币量变化(月).csv')
# 将date设置为索引
american_bond.set_index('date', inplace=True)
# 将美债数据与美元黄金数据合并
data = pd.concat([american_bond, data_month], axis=1)
# 发现有缺失值, 缺失值主要在黄金的前期数据, 将有缺失值的那些行都删掉
data.dropna(axis=0, inplace=True)
绘图查看黄金价格与美债收益率的关系
将上证综指的指数变换与美债收益率的变化画在同一幅图中
注意
- 不同y轴刻度画在同一幅图中, 关键是twinx()
- 设置年份的x轴, 关键是xticks
总体上画图的思路, 同上文
话不多说, 上代码！！！
#%% 绘图查看黄金价格与美债收益率的关系
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
fig, ax1 = plt.subplots()
month = [12*i for i in range(20)]
year = [i for i in range(2001, 2021)]
plt.xticks(month, year, rotation=45)
ax1.plot(range(len(data)), data.ask_close, '-r', label='黄金价格')
ax1.set_xlabel("年份")
ax1.set_ylabel("黄金价格")
ax2 = ax1.twinx()
ax2.plot(range(len(data)), data.y30, 'y', label='美国国债收益率')
ax2.set_ylabel("美国国债收益率")
fig.legend()
plt.show()
结果如下:
绘图查看黄金价格与利率m1的关系
基本同上；
#%% 绘图查看黄金价格与利率m1的关系
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
fig, ax1 = plt.subplots()
month = [12*i for i in range(20)]
year = [i for i in range(2001, 2021)]
plt.xticks(month, year, rotation=45)
ax1.plot(range(len(data)), data.ask_close, '-r', label='黄金价格')
ax1.set_xlabel("年份")
ax1.set_ylabel("黄金价格")
ax2 = ax1.twinx()
ax2.plot(range(len(data)), data.m1, 'y', label='利率')
ax2.set_ylabel("利率")
fig.legend()
plt.show()
结果如下：
结果分析
从上图可以看出黄金与债市基本是反向变动. 所以给我们的投资组合中的股债对冲形成了理论依据;
从上图可以看出黄金价格与利率大致是反向变动,这与强弱周期的关系非常密切, 但具体是否是反向变动关系, 有待后续分析
