*注：所有产生的数据可在主页资源中“中欧医疗健康混合C相关基金数据”*中查看与使用
1 问题背景分析2022年1月末，年前股票大跌，相应的基金连续跌了近一周的时间。我作为一个资深的“韭菜”，于2021年12月初购买了中欧医疗健康混合C基金。基金经理是葛兰，据说是医疗板块最优秀的基金经理，并且医疗板块是民生大计，我当时认为购买这只基金可以获取相当多的收益。但自我购买以来，这只基金连续跌了一个月，直到年前我的这只基金跌了近15%。为了扭转局势，我不断的学习基金知识，并希望通过数据分析来量化购买决策。购买更加科学就会带来更多的收益。
分析一只基金除了看基金经理的资历之外，还需要看这只基金的业绩，以及大家对这只基金的评价。所以，我需要这只基金的历史净值、日涨幅以及购买这只基金的用户的评论。
数据来源是天天基金网，天天基金是中国A股上市的财经门户–东方财富网旗下全资子公司，同时也是证监会批准的首批独立基金销售机构，天天基金网具有最全面的基金数据。
数据来源：天天基金网（https://fund.eastmoney.com/）
所需数据：
1)中欧医疗健康混合C的历史净值以及日涨幅数据；
2)同类型基金（医疗）的历史净值的均值以及日涨幅数据；
3)沪深300指数基金历史净值以及日涨幅数据；
4)中欧医疗健康混合C用户评论数据；
针对中欧医疗健康混合C的历史净值以及日涨幅、同类型基金（医疗）的历史净值的均值以及日涨幅、沪深300指数基金历史净值以及日涨幅数据利用Python的requests库对天天基金网进行爬取。点击“基金档案”并搜索“中欧医疗健康混合C”可以看到基金净值的表格，网站截图如下所示：
并且通过天天基金网的板块检索选择与中欧医疗相似的七只基金，基金代码分别是007613、001563、003581、005043、007111、005044、110023。具体操作如下图所示：
爬取Python代码于第6节名为“历史净值数据爬取”中，也可在附件压缩文件夹中的“190750228.ipynb”查看。数据可于附件压缩文件夹中的“博时沪深300指数A (050002).csv”、“同类医疗基金均值.csv”、“中欧医疗健康混合C (003096).csv”中查看。
数据采集：
#导入相应的包 import requests import re import json import pandas as pd
#爬取中欧医疗数据
df_list = []
for i in range(1,65):
url = "http://api.fund.eastmoney.com/f10/lsjz?callback=jQuery18304159015262110892_1643544350831&fundCode=003096&pageIndex={}&pageSize=20&startDate=&endDate=&_=1643545365216".format(i)
headers = {
"Referer":"http://fundf10.eastmoney.com/jjjz_003096.html",
"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:92.0) Gecko/20100101 Firefox/92.0',
}
resp = requests.get(url,headers=headers)
html = resp.text
res = re.findall('((.*?))',html)
datas = json.loads(res[0])["Data"]["LSJZList"]
df = pd.Dataframe(datas)
df_list.append(df)
df_data = pd.concat(df_list)
df_data.to_csv('中欧医疗健康混合C (003096).csv',index=False,encoding="utf_8_sig")
#爬取同医疗类型基金数据并计算净值均值方便以后对比
same_type = ["007613","001563","003581","005043","007111","005044","110023"]
pages = [25,64,62,50,34,50,64]
df_list = []
for index in range(1,65):
lis = []
for i in range(0,7):
if pages[i] >= index:
lis.append(same_type[i])
else:
pass
df1 = []
for i in lis:
url = "http://api.fund.eastmoney.com/f10/lsjz?callback=jQuery18304159015262110892_1643544350831&fundCode={}&pageIndex={}&pageSize=20&startDate=&endDate=&_=1643545365216".format(i,index)
headers = {
"Referer":"http://fundf10.eastmoney.com/jjjz_{}.html".format(i),
"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:92.0) Gecko/20100101 Firefox/92.0',
}
resp = requests.get(url,headers=headers)
html = resp.text
res = re.findall('((.*?))',html)
datas = json.loads(res[0])["Data"]["LSJZList"]
df = pd.Dataframe(datas)
df1.append(df)
df_new = pd.concat(df1,keys=lis)
df_list.append(df_new)
df_data = pd.concat(df_list)
df_data.to_csv('同类基金.csv',index=True,encoding="utf_8_sig")
#爬取沪深300指数净值
df_list = []
for i in range(1,65):
url = "http://api.fund.eastmoney.com/f10/lsjz?callback=jQuery18304159015262110892_1643544350831&fundCode=050002&pageIndex={}&pageSize=20&startDate=&endDate=&_=1643545365216".format(i)
headers = {
"Referer":"http://fundf10.eastmoney.com/jjjz_050002.html",
"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:92.0) Gecko/20100101 Firefox/92.0',
}
resp = requests.get(url,headers=headers)
html = resp.text
res = re.findall('((.*?))',html)
datas = json.loads(res[0])["Data"]["LSJZList"]
df = pd.Dataframe(datas)
df_list.append(df)
df_data = pd.concat(df_list)
df_data.to_csv('博时沪深300指数A (050002).csv',index=False,encoding="utf_8_sig")
数据清洗：
import os import re import math import pandas as pd
df_base = pd.read_csv('中欧医疗健康混合C (003096).csv')
df_avg = pd.read_csv('同类医疗基金均值.csv')
df_300 = pd.read_csv('博时沪深300指数A (050002).csv')
def data_extraction(df,col): #df_avg的col=3，其余为6
df_flashback = df.reindex(index=df.index[::-1])
cumulative_growth = []
sum_up = 0
for i in range(0,1280):
cod = float(df_flashback.iloc[i,col])
sum_up += cod
cumulative_growth.append(sum_up)
data = {
"FSRQ":pd.Series(df_flashback["FSRQ"].values),
"DWJZ":pd.Series(df_flashback["DWJZ"].values),
"JZZZL":pd.Series(df_flashback["JZZZL"].values),
"DWZZL":pd.Series(cumulative_growth)
}
new_df = pd.Dataframe(data)
return new_df
3 净值可视化
这里使用pyecharts+Dataframe。pyecharts提供的方法可以使用python直接画echarts图，但是需要数行代码，而平时做数据分析时，数据多存在pandas的Dataframe里，Dataframe的plot方法可以使用matplotlib做后端，直接通过调用实例化的类的方法来绘制图像。 因此，无需在Dataframe外创建pyecharts对象，而是直接用eplot方法通过pyecharts后端来画交互图。
中欧医疗健康混合C历史净值数据可视化
from eplot import eplot
df1 = pd.Series(data_extraction(df_base,6)['DWJZ'].values.tolist(),
index= data_extraction(df_base,6)['FSRQ'].values.tolist())
df1.eplot()
可见，自2016年11月8日中欧医疗健康混合C成立之初，该只基金上涨一个多点，在2021年5月左右达到顶峰，净值达到了约4.5。但是，今年以来连续下跌，这也是我亏损的原因。
中欧医疗健康混合C与其他基金对比
（1）中欧医疗成立以来涨幅对比
from pyecharts.charts import Line #导入折线图
from pyecharts import options as opts
line=(
Line()
.set_global_opts(
tooltip_opts=opts.TooltipOpts(is_show=False),
xaxis_opts=opts.AxisOpts(type_="category"),
yaxis_opts=opts.AxisOpts(
type_="value",
axistick_opts=opts.AxisTickOpts(is_show=True),
splitline_opts=opts.SplitLineOpts(is_show=True),
),
)
.add_xaxis(xaxis_data=data_extraction(df_base,6)["FSRQ"].values.tolist())
.add_yaxis(
series_name="中欧医疗",
y_axis=data_extraction(df_base,6)["DWZZL"].values.tolist(),
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
.add_yaxis(
series_name="沪深300",
y_axis=data_extraction(df_300,6)["DWZZL"].values.tolist(),
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
.add_yaxis(
series_name="同类均值",
y_axis=data_extraction(df_avg,3)["DWZZL"].values.tolist(),
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
)
line.render_notebook()
从图可见中欧医疗的涨幅已经远远超过了同类均值以及沪深300指数。由此可见，中欧医疗的业绩是非常可观的。
（2）近一年的涨幅对比
def data_extraction_year(df,col): #df_avg的col=3，其余为6
df = df[0:366]
df_flashback = df.reindex(index=df.index[::-1])
cumulative_growth = []
sum_up = 0
for i in range(0,366):
cod = float(df_flashback.iloc[i,col])
cumulative_growth.append(sum_up)
sum_up += cod
data = {
"FSRQ":pd.Series(df_flashback["FSRQ"].values),
"DWJZ":pd.Series(df_flashback["DWJZ"].values),
"JZZZL":pd.Series(df_flashback["JZZZL"].values),
"DWZZL":pd.Series(cumulative_growth)
}
new_df = pd.Dataframe(data)
return new_df
from pyecharts.charts import Line #导入折线图
x = data_extraction_year(df_base,6)["FSRQ"].values.tolist()
y1 = data_extraction_year(df_base,6)["DWZZL"].values.tolist()
y2 = data_extraction_year(df_300,6)["DWZZL"].values.tolist()
y3 = data_extraction_year(df_avg,3)["DWZZL"].values.tolist()
line=(
Line()
.set_global_opts(
tooltip_opts=opts.TooltipOpts(is_show=False),
xaxis_opts=opts.AxisOpts(type_="category"),
yaxis_opts=opts.AxisOpts(
type_="value",
axistick_opts=opts.AxisTickOpts(is_show=True),
splitline_opts=opts.SplitLineOpts(is_show=True),
),
)
.add_xaxis(xaxis_data=x)
.add_yaxis(
series_name="中欧医疗",
y_axis=y1,
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
.add_yaxis(
series_name="沪深300",
y_axis=y2,
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
.add_yaxis(
series_name="同类均值",
y_axis=y3,
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
)
line.render_notebook()
从图可见中欧医疗涨跌已经趋近于同类均值以及市场均值。说明近一年来的业绩已经不如前几年的业绩。虽然总体上比同类均值以及市场均值涨幅可观，但是业绩下滑是不争的事实。
（3）近三个月的涨幅对比
def data_extraction_month3(df,col): #df_avg的col=3，其余为6
df = df[0:80]
df_flashback = df.reindex(index=df.index[::-1])
cumulative_growth = []
sum_up = 0
for i in range(0,80):
cod = float(df_flashback.iloc[i,col])
cumulative_growth.append(sum_up)
sum_up += cod
data = {
"FSRQ":pd.Series(df_flashback["FSRQ"].values),
"DWJZ":pd.Series(df_flashback["DWJZ"].values),
"JZZZL":pd.Series(df_flashback["JZZZL"].values),
"DWZZL":pd.Series(cumulative_growth)
}
new_df = pd.Dataframe(data)
return new_df
from pyecharts.charts import Line #导入折线图
x = data_extraction_month3(df_base,6)["FSRQ"].values.tolist()
y1 = data_extraction_month3(df_base,6)["DWZZL"].values.tolist()
y2 = data_extraction_month3(df_300,6)["DWZZL"].values.tolist()
y3 = data_extraction_month3(df_avg,3)["DWZZL"].values.tolist()
line=(
Line()
.set_global_opts(
tooltip_opts=opts.TooltipOpts(is_show=False),
xaxis_opts=opts.AxisOpts(type_="category"),
yaxis_opts=opts.AxisOpts(
type_="value",
axistick_opts=opts.AxisTickOpts(is_show=True),
splitline_opts=opts.SplitLineOpts(is_show=True),
),
)
.add_xaxis(xaxis_data=x)
.add_yaxis(
series_name="中欧医疗",
y_axis=y1,
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
.add_yaxis(
series_name="沪深300",
y_axis=y2,
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
.add_yaxis(
series_name="同类均值",
y_axis=y3,
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
)
line.render_notebook()
从图可见中欧医疗的业绩已经远远不如同类均值以及市场均值，与此同时中欧医疗的基金规模不断的扩大。说明散户都认为这时是底部，大家都进行了抄底，但是由于美联储加息政策的出台，造成了情绪恐慌，市场下跌严重。而中欧医疗抗跌能力远远不及同类均值，造成了大量用户损失，这也是我损失的原因。
（4）近一个月的涨幅对比
def data_extraction_month(df,col): #df_avg的col=3，其余为6
df = df[0:32]
df_flashback = df.reindex(index=df.index[::-1])
cumulative_growth = []
sum_up = 0
for i in range(0,32):
cod = float(df_flashback.iloc[i,col])
cumulative_growth.append(sum_up)
sum_up += cod
data = {
"FSRQ":pd.Series(df_flashback["FSRQ"].values),
"DWJZ":pd.Series(df_flashback["DWJZ"].values),
"JZZZL":pd.Series(df_flashback["JZZZL"].values),
"DWZZL":pd.Series(cumulative_growth)
}
new_df = pd.Dataframe(data)
return new_df
from pyecharts.charts import Line #导入折线图
x = data_extraction_month(df_base,6)["FSRQ"].values.tolist()
y1 = data_extraction_month(df_base,6)["DWZZL"].values.tolist()
y2 = data_extraction_month(df_300,6)["DWZZL"].values.tolist()
y3 = data_extraction_month(df_avg,3)["DWZZL"].values.tolist()
line=(
Line()
.set_global_opts(
tooltip_opts=opts.TooltipOpts(is_show=False),
xaxis_opts=opts.AxisOpts(type_="category"),
yaxis_opts=opts.AxisOpts(
type_="value",
axistick_opts=opts.AxisTickOpts(is_show=True),
splitline_opts=opts.SplitLineOpts(is_show=True),
),
)
.add_xaxis(xaxis_data=x)
.add_yaxis(
series_name="中欧医疗",
y_axis=y1,
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
.add_yaxis(
series_name="沪深300",
y_axis=y2,
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
.add_yaxis(
series_name="同类均值",
y_axis=y3,
symbol="emptyCircle",
is_symbol_show=True,
label_opts=opts.LabelOpts(is_show=False),
)
)
line.render_notebook()
从图可见医疗板块在本次市场下跌中是下跌比较严重的板块，并且中欧医疗的抗跌能力非常差，由此可以推出这只基金最大回撤率非常的高。这是股票型基金的特点——大涨大跌。根据我稳健型的投资风格，我可能会放弃这只基金，转站债券、指数基金等具有相对稳定收益的理财产品。
