「数据分析」用Python验证指数基金定投策略
提出问题
本文主要针对以下两个问题进行探讨：
- 如果投资者“不幸”从最高点开始定投指数基金，那么是否还能盈利？
- 周定投和月定投哪个更好？
获取数据
注意：本文为了简单起见，直接用指数代替了指数基金。
Step1 打开网址JoinQuant聚宽，登录帐号
Step2 进入研究环境
进入研究环境之后，会发现是一个类似于Jupyter Notebook的开发界面。
python3的notebook">Step3 新建一个Python3的Notebook
后面所有操作和Jupyter Notebook一样。
Step4 在新建的Notebook中写入代码
获取指数数据函数
导入所需要用到的库
import pandas as pdimport matplotlib.pyplot as plt
定义获取指数数据的函数
# 获取股票数据函数def get_stock_data(code, start_date, end_date):
"""
:param code: 需要获取数据的指数代码，注意使用的是上交所的指数代码
:param start_date: 开始获取数据的日期
:param end_date: 结束获取数据的日期
:return: 返回从开始到结束日期每天的指数数据
"""
df = get_price(code+\'.XSHG\', start_date=start_date, end_date=end_date, frequency=\'daily\')
df = df.dropna() # 删除缺失值
df.to_csv(code+\'.csv\') # 保存为csv格式
return df
获取指数数据示例
# 获取沪深300指数，从2005年4月8日开始到2019年4月20日结束的日级交易数据df300 = get_stock_data(code=\'000300\', start_date=\'2005-04-08\', end_date=\'2019-04-20\')
df300
运行结果：
运行代码之后返回到Jupyter Notebook的主页，就能看到保存的000300.csv文件，可以下载到本地进行操作，也可以直接在聚宽的研究环境中进行操作。
数据探索
先对我们获取到的沪深300指数数据进行一番了解，方便后续分析。
查看沪深300指数的总体信息：
df300.info()查看沪深300指数收盘价的大体情况：
df300[\'close\'].describe()查看沪深300指数的历史走势图：
# 设置参数，将图形格式设置为‘svg’，能够输出更加清晰的图%config InlineBackend.figure_format = \'svg\'
# 建立画布
fig = plt.figure(figsize = (12,6))
# 用收盘价绘制折线图
plt.plot(df300.index, df300[\'close\'])
找出收盘价极大值点的函数：
# 筛选出指数价格的极大值点def find_max(stock_data, start_date, end_date):
"""
:param stock_data: 需要筛选出极大值点的指数数据
:param start_date: 筛选范围的开始日期
:param end_date: 筛选范围的结束日期
:return:返回极大值点对应当天数据
"""
max_price = stock_data[start_date:end_date][\'close\'].max() # 极大值点的收盘价
return stock_data[stock_data[\'close\'] == max_price] # 极大值点对应当天数据
找出沪深300指数收盘价极大值点的示例：
从上面的沪深300的历史价格走势图可以看出，在2008年左右有一个价格的顶峰，接下来找出具体那一天的数据。
# 筛选出沪深300指数2007-2009年的极大值点对应当天的数据find_max(df300, \'2007/1/1\', \'2009/1/1\')
数据分析
高点定投，能否盈利？
按月自动定投函数
# 按月定投函数def auto_invest_monthly(stock_data, start_date, end_date):
"""
:param stock_data: 需要定投的指数数据
:param start_date: 开始定投的日期
:param end_date: 结束定投的日期
:return: 返回从开始定投到结束每天的资金数据
"""
# 截取股票数据
stock_data = stock_data[start_date:end_date]
# 修改stock_data的index的数据类型，这样才能和temp进行合并
stock_data.index = stock_data.index.astype(\'period[D]\')
# 每月第一个交易日定投
buy_month = stock_data.resample(\'M\', kind=\'period\').first()
# 定投购买指数基金
trade_log = pd.DataFrame(index=buy_month.index)
trade_log[\'基金净值\'] = buy_month[\'close\'] / 1000 # 将收盘价除以1000作为基金净值
trade_log[\'定投资金\'] = 1000 # 每月投入1000元申购该指数基金
trade_log[\'基金份额\'] = trade_log[\'定投资金\'] / trade_log[\'基金净值\'] # 买入份额等于买入金额除以基金净值
trade_log[\'持有份额\'] = trade_log[\'基金份额\'].cumsum() # 累计申购份额
trade_log[\'累计投入\'] = trade_log[\'定投资金\'].cumsum() # 累计投入金额
temp = trade_log.resample(\'D\').ffill() # 将交易记录填充为日级数据
# 计算每个交易日的资产（等于当天的基金份额乘以单位基金净值）
daily_data = pd.merge(stock_data, temp, left_index=True, right_index=True, how=\'left\')
daily_data = daily_data[[\'close\', \'定投资金\', \'基金份额\', \'持有份额\', \'累计投入\']]
daily_data[\'基金净值\'] = daily_data[\'close\'] / 1000
daily_data[\'持有基金价值\'] = daily_data[\'基金净值\'] * daily_data[\'持有份额\']
# 将daily_data的index修改为datetime类型，否则无法使用matplotlib绘图
daily_data.index = daily_data.index.astype(\'datetime64\')
return daily_data
按月自动定投示例
假设投资者运气非常糟糕，从2007年10月16的沪深300指数历史最高点5877开始定投，一直定投到2009年7月末，此时沪深300指数跌至3734点，几乎腰斩。
# 每月定投沪深300指数df300m = auto_invest_monthly(df300, \'2007/10/16\', \'2009/7/31\')
df300m
按月定投沪深300指数数据可视化
# 建立画布fig = plt.figure(figsize = (12,6))
# 绘制主坐标轴图表
plt.plot(dfm.index, dfm[\'close\'], linestyle=\'dotted\', label="沪深300指数")
plt.legend(loc=\'upper left\') # 设置主坐标轴图表的图例
# 调用twinx方法
plt.twinx()
# 使用次坐标轴
plt.plot(dfm.index, dfm[\'累计投入\'], label="累计投入资金")
plt.plot(dfm.index, dfm[\'持有基金价值\'])
plt.legend(loc=\'upper right\') # 设置次坐标轴图表的图例
从上面的图片可以看出，即使是在如此极端的情况下，投资者也能在大概2009年的五六月份开始获得收益。
周定投PK月定投？
周定投
按周自动定投函数
# 按周定投函数def auto_invest_weekly(stock_data, start_date, end_date):
"""
:param stock_data: 需要定投的指数数据
:param start_date: 开始定投的日期
:param end_date: 结束定投的日期
:return: 返回从开始定投到结束每天的资金数据
"""
# 截取股票数据
stock_data = stock_data[start_date:end_date]
# 修改stock_data的index的数据类型，这样才能和temp进行合并
stock_data.index = stock_data.index.astype(\'period[D]\')
# 每周第一个交易日定投，如果整周都是休息日，则跳过本周
buy_week = df.resample(\'w\', kind=\'period\').first().dropna()
# 定投购买指数基金
trade_log = pd.DataFrame(index=buy_week.index)
trade_log[\'基金净值\'] = buy_week[\'close\'] / 1000 # 将收盘价除以1000作为基金净值
trade_log[\'定投资金\'] = 250 # 每周投入250元申购该指数基金
trade_log[\'基金份额\'] = trade_log[\'定投资金\'] / trade_log[\'基金净值\'] # 买入份额等于买入金额除以基金净值
trade_log[\'持有份额\'] = trade_log[\'基金份额\'].cumsum() # 累计申购份额
trade_log[\'累计投入\'] = trade_log[\'定投资金\'].cumsum() # 累计投入金额
temp = trade_log.resample(\'D\').ffill() # 将交易记录填充为日级数据
# 计算每个交易日的资产（等于当天的基金份额乘以单位基金净值）
daily_data = pd.merge(stock_data, temp, left_index=True, right_index=True, how=\'left\')
daily_data = daily_data[[\'close\', \'定投资金\', \'基金份额\', \'持有份额\', \'累计投入\']]
daily_data[\'基金净值\'] = daily_data[\'close\'] / 1000
daily_data[\'持有基金价值\'] = daily_data[\'基金净值\'] * daily_data[\'持有份额\']
# 将daily_data的index修改为datetime类型，否则无法使用matplotlib绘图
daily_data.index = daily_data.index.astype(\'datetime64\')
return daily_data
按周自动定投示例
# 每周定投沪深300指数df300w = auto_invest_weekly(df300, \'2007/10/16\', \'2009/7/31\')
df300w
周定投PK月定投函数
# 按周定投vs按月定投def weekly_pk_monthly(dfw, dfm):
"""
:param dfw: 周定投函数返回的数据
:param dfm: 月定投函数返回的数据
:return: 返回周定投和月定投的收益率
"""
temp = pd.merge(dfw[[\'累计投入\', \'持有基金价值\']], dfm[[\'累计投入\', \'持有基金价值\']], left_index=True, right_index=True)
dfvs = pd.DataFrame(index=temp.index)
dfvs[\'周定投累计投入\'] = temp[\'累计投入_x\']
dfvs[\'周定投基金价值\'] = temp[\'持有基金价值_x\']
dfvs[\'周定投收益率\'] = (dfvs[\'周定投基金价值\']-dfvs[\'周定投累计投入\']) / dfvs[\'周定投累计投入\']
dfvs[\'月定投累计投入\'] = temp[\'累计投入_y\']
dfvs[\'月定投基金价值\'] = temp[\'持有基金价值_y\']
dfvs[\'月定投收益率\'] = (dfvs[\'月定投基金价值\']-dfvs[\'月定投累计投入\']) / dfvs[\'月定投累计投入\']
return dfvs
周定投PK月定投示例
dfvs = weekly_pk_monthly(df300w, df300m)dfvs.head()
将周定投和月定投的收益率绘制成曲线：
从图中可以明显的看出，虽然周定投的收益率和月定投的收益率差距不大，但是在大多数情况下，周定投的收益率还是明显优于月定投到的收益率的。
得出结果
从上面的数据分析过程，我们已经可以回答文章开头提出的两个问题：
- 即使投资者是从最高点开始定投，只要有足够的耐心，最终依然能够获得盈利。
- 周定投大概率比月定投能获得更好的收益，但两者区别不大，特别是当投资时间拉长时，两者的差距会越来越小。
后续如果能够获得指数的基本面数据，比如PE，那么将能进行更为深入的分析。
注意：本文并不构成任何投资建议，投资有风险，入市需谨慎。
以上是 「数据分析」用Python验证指数基金定投策略 的全部内容， 来源链接： utcz.com/z/387243.html
