基于Tushare的上证综指行情分析与影响其涨跌的因素（以美债为例）

import tushare as ts
import pandas as pd
import numpy as np
import seaborn as sns
pro = ts.pro_api()
df_daily = pro.index_daily(ts_code="000001.SH")
df_daily.head()
pd.set_option('display.width',None)
print(df_daily)

1.获取上证指数的行情数据

df_daily.index = pd.to_datetime(df_daily['trade_date'])
df_daily.index[:5]

2.时间数据的初步处理

#收盘价
import matplotlib.pyplot as plt 
df_daily = df_daily.sort_index(ascending=True)
plt.figure(figsize=(12, 6))
df_daily.close['20000101':].plot()
df_daily.close.rolling(60).mean()['20000101':].plot();

3.形成行情的曲线（有一条均线使数据平滑）

#查看上证指数当前行情数据
df_basic = pro.index_dailybasic(ts_code='000001.SH')
df_basic.head()

#用动态市盈率数据来看下当前A股上证的估值水平
plt.figure(figsize=(12, 6))
sns.displot(df_basic.pe_ttm, bins=100)
plt.axvline(x=df_basic.pe_ttm[0], color='red');

生成市盈率的频率图！最多是分布在12.5多一点那里

#再看一下比当前估值水平更低的情况都出现在哪些时期
df_basic.index = pd.to_datetime(df_basic["trade_date"])
plt.figure(figsize=(12, 6))
plt.plot(df_basic.pe_ttm)
plt.axhline(y=df_basic.pe_ttm[0], color="red");

#如果真的要跌到市盈率低的点还需要下降多少个百分比？
now = df_basic.pe_ttm[0]
min = df_basic.pe_ttm.min()
ratio = (now - min) / now
print("ratio: {0:.2f}%".format(ratio * 100))

获取美债数据

df1 = pro.us_tycr(**{ "date": "",
                     "start_date": 20000101,
                     "end_date": 20070101,
                     "limit": "",
                     "offset": ""}, 
fields=["date", "m1", "m2","m3",  "m6", "y1","y2","y3","y5", "y7", "y10","y20","y30"])

df2 = pro.us_tycr(**{"date": "",
                     "start_date": 20070101,
                     "end_date": 20140101,
                     "limit": "", 
                     "offset": ""},
fields=[ "date","m1","m2","m3","m6","y1", "y2","y3","y5","y7","y10","y20","y30"])

df3 = pro.us_tycr(**{ "date": "",
                     "start_date": 20140101,
                     "end_date": 20210101,
                     "limit": "",
                     "offset": ""},
fields=["date", "m1", "m2","m3","m6", "y1","y2","y3","y5","y7", "y10","y20","y30"])

data = pd.concat([df3, df2, df1], axis=0)

data.to_csv('2000-2021年美债收益率及货币量变化.csv')

时间的初步处理

def transfer(data):  # 自定义转换函数
    for i in range(len(data)):
        data.iloc[i, 0] = data.iloc[i, 0][0:6]
    return data.groupby('date').mean()
data_month = transfer(data)

sum(data_month.m1.isna()==True)  #查看缺失值个数
sum(data_month.m3.isna()==True)  #查看缺失值个数
sum(data_month.m6.isna()==True)  #查看缺失值个数
sum(data_month.y10.isna()==True)  #查看缺失值个数
sum(data_month.y20.isna()==True)  #查看缺失值个数
sum(data_month.y30.isna()==True)  #查看缺失值个数
data_month.fillna(method='bfill', inplace=True)  #把最邻近填充进去

形成协方差矩阵！

cov_matrix = data_month.cov()
print(cov_matrix)

形成国债和利率之间的关系

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize=(8,8))
plt.plot(data_month.index, data_month[['m1', 'y10', 'y20', 'y30']])
plt.legend(labels=['m1', 'y10', 'y20', 'y30'])
plt.title('美国10,20,30年期国债与m1利率的关系')
plt.savefig('./美国10,20,30年期国债与m1利率的关系.jpg')
#国债与M1货币在某些经济周期呈现较强的相关性，而在另外的经济周期却不那么相关
#M0货币=通货 M1=M0+商业银行活期存款

plt.figure(figsize=(8,8))
plt.plot(data_month.index, data_month[['m3', 'y10', 'y20', 'y30']])
plt.legend(labels=['m3', 'y10', 'y20', 'y30'])
plt.title('美国10,20,30年期国债与m3利率的关系')
plt.savefig('./美国10,20,30年期国债与m3利率的关系.jpg')
#国债与M3货币在某些经济周期呈现较强的相关性，而在另外的经济周期却不那么相关
#广义货币(M2)=M1+准货币 M3=M2+其他短期流动资产（如国库券、银行承兑汇票、商业票据等）

plt.figure(figsize=(8,8))
plt.plot(data_month.index, data_month[['m6', 'y10', 'y20', 'y30']])
plt.legend(labels=['m6', 'y10', 'y20', 'y30'])
plt.title('美国10,20,30年期国债与m6利率的关系')
plt.savefig('./美国10,20,30年期国债与m6利率的关系.jpg')
#国债与M6货币在某些经济周期呈现较强的相关性，而在另外的经济周期却不那么相关
#M6=M5+短期商业票据

#结论：美元取决于货币市场的供需关系，美债取决于债券市场的供需关系，二者没有直接的关系
#由于经济形势的不景气（2008年金融危机），利率降的很低，这样的情形持续了很多年

# 导入tushare
import tushare as ts
# 初始化pro接口
pro = ts.pro_api('b3ebc0a133b9df6877bd09a028468e77afa8bd33b4c7fd7309c6e8dc')
# 拉取数据 000001.SH 上证综指
df = pro.index_monthly(**{"ts_code": "000001.SH", "trade_date": "","start_date": 20000101,"end_date": 20210101, "limit": "", "offset": ""}, 
fields=[ "ts_code","trade_date", "close","open", "high","low","pre_close", "change","pct_chg", "vol", "amount"])

import pandas as pd
american_bond = pd.read_csv('2000-2021年美债收益率及货币量变化(月).csv')
# df数据是上面带下来的
df['trade_date'] = df['trade_date'].apply(lambda x: x[0:6])
df['trade_date'] = df['trade_date'].astype(int)
df = df[::-1]
df.to_csv('2000-2021上证综指变化(月).csv')
df.set_index('trade_date', inplace=True)
american_bond.set_index('date', inplace=True)
data = pd.concat([df, american_bond], axis=1)

#绘图查看上证综指变化率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(21)]
year = [i for i in range(2000, 2021)]
plt.xticks(month, year, rotation=45)
ax1.plot(range(len(data)), data.close, '-r', label='上证综指')
ax1.set_xlabel("年份")
ax1.set_ylabel("上证综指")
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()

本文参考了Python分析上证指数历史数据，发现估值还不够低……_DsFunStudio的博客-CSDN博客_上证指数历史数据 Tushare实战分析美国国债收益率与利率的关系_PD我是你的真爱粉的博客-CSDN博客
tushare实战分析上证综指与美债收益率的关系_PD我是你的真爱粉的博客-CSDN博客

根据这三个链接，再根据自己的理解添加了一些代码作为课程作业

大家可互相交流学习