import baostock as bs import pandas as pd import matplotlib.pyplot as plt import statsmodels.api as sm from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split def get_bs_df(code, list_para, start_date, end_date, frequency='d', adjustflag='3'): para = ','.join(list_para) rs = bs.query_history_k_data_plus(code,para, start_date=start_date, end_date=end_date, frequency=frequency, adjustflag=adjustflag) data_list = [] while (rs.error_code == '0') & rs.next(): data_list.append(rs.get_row_data()) df_result = pd.DataFrame(data_list, columns=rs.fields) print(f'get {len(df_result)} records!') return df_result def get_bs_profit_data(code, year, quarter): profit_list = [] rs_profit = bs....

!pip install baostock import baostock as bs import pandas as pd import matplotlib.pyplot as plt # login baostock lg = bs.login() print(f'error code {lg.error_code}') print(f'error msg {lg.error_msg}') # 分钟线指标：date,time,code,open,high,low,close,volume,amount,adjustflag # 周月线指标：date,code,open,high,low,close,volume,amount,adjustflag,turn,pctChg rs = bs.query_history_k_data_plus("sh.600000", "date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,isST", start_date='2022-07-01', end_date='2023-12-31', frequency="d", adjustflag="3") login success! error code 0 error msg success data_list = [] while (rs.error_code == '0') & rs.next(): # 获取一条记录，将记录合并在一起 data_list.append(rs.get_row_data()) df_result = pd.DataFrame(data_list, columns=rs.fields) df_result.info() <class 'pandas.core.frame.DataFrame'> RangeIndex: 367 entries, 0 to 366 Data columns (total 14 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 date 367 non-null object 1 code 367 non-null object 2 open 367 non-null object 3 high 367 non-null object 4 low 367 non-null object 5 close 367 non-null object 6 preclose 367 non-null object 7 volume 367 non-null object 8 amount 367 non-null object 9 adjustflag 367 non-null object 10 turn 367 non-null object 11 tradestatus 367 non-null object 12 pctChg 367 non-null object 13 isST 367 non-null object dtypes: object(14) memory usage: 40....

贴现率 Discount Rate 所有今天的钱都可以用来投资，进行复利效应，因此今天的100元在未来的价值会高于100元，反过来说也就是未来的100元在今天的价值会低于100元。并且因为风险的存在，这个价值会进一步打折扣。 而用来量化未来的钱在今天的价值，这个概念也就是贴现率。 假如贴现率是11%，我在2年后可以得到100元，那么这100元在今天的价值就是$$ \frac{100} {(1 + 11\%)^{2}}=81.16$$ 除了直接用作将未来现金折算成当前价值以外，贴现率还常常用来反映投资的风险。在考虑未来不确定性较大的现金流时，会使用比较大的贴现率，用来补偿更高的风险。 投资的本质 投资是为了获得可能但并不确定的未来值（Future value）而作出牺牲确定的现值（Present value）的行为。（William F.Sharpe，1990年获得诺贝尔经济学奖） 金融资产 实物资产：取决于该社会经济的生产能力，为经济创造净利润，如土地、建筑物、机器以及可用于生产产品和提供服务的知识。 金融资产：对实物资产的索取权 金融资产主要分为四大类： 固定收益型或债务型证券 普通股或权益型证券 基金 衍生产品（期货、期权、互换） 宏观经济的一些指标 广义货币供应量 货币可以分为三个层次： M0：流通中的货币，即基础货币。 M0的构成是公众手里的现金（微信支付宝里的就不算）和商业银行放在中央银行的准备金。 小明家里放了200， 手里拿着100，支付宝里有50. 那小明的M0是200+100=300. M1：狭义货币供应量，M0+企业货期存款+机关团体存款+农村存款+个人信用卡存款 M1包括了M0和那部分能够快速转化为现金用于购买商品和服务的存款，如支票存款和部分可随时取用的储蓄存款。M1表现了经济体中较为活跃的货币，主要用于日常的交易活动。 除了上面的300元现金，小明还有500元在支票账户中，能随时支取。这500元加上他的300元现金，再加上50元支付宝，合计850元为小明的M1。 M2：广义货币供应量，M1+城乡居民储蓄存款+企业定期存款+外币存款+信托类存款 M2是范围更广的货币供应层次，除了包括M1之外，还加上了一些不那么容易立刻转换为现金的存款，比如定期存款，储蓄存款，和其他一些近似“货币”的金融资产（如货币市场基金）。M2能够提供对经济流动性与未来通货膨胀压力的更全面的了解。 如果小明除了上述的600元M1，还在银行有一个2000元的定期存款和1000元在货币市场基金，则这3000元加上600元M1，总共3600元就是小明的M2。 CPI（消费者价格指数 Consumer Price Index） 反映居民消费中物价是否高低（通胀水平），从消费者角度来考虑物价水平。 CPI能够准确表现消费价格变动趋势和走向，CPI上升1%就意味着居民生活成本提高1%。通常，当CPI>3%的增幅时会被认定为进入了通货膨胀区间。 PPI（生产者价格指数 Producer Price Index） 反映原材料物价水平，从生产者角度考虑物价水平。通常来说PPI的上涨会转移到CPI上。 PPI分类可以按照二分法分为生产资料和生活资料，其中前者占比较大约70%，因此PPI更能反映生产资料价格状态。此外，由于价格指数具有粘性，PPI通常落后于宏观经济，因为经济好转后产生需求，才能带动上游生产，这时才可以反映到PPI中，但是经济的真正好转通常需要等待一定时间。 PPI通常用来衡量经济是否景气，一般PPI在3％以下，认为经济不景气，再4％到7％左右，认为经济稳定繁荣，但到8％和9%以上，就表明经济可能过热。 PMI（采购经理人指数 Purchasing Managers’ Index） 采购经理人指数PMI，包括制造业和非制造业领域，包含生产、订货、库存等多个环节，能够反映经济总体变化趋势，及企业经营活动多个侧面的运行情况。该指标通过公司采购经理人在第一时间获取当月数据，快速及时反映市场动态，因而成为非常重要的先行指标。 PMI 取值范围在 0 至 100% 之间，50% 为扩张与收缩的临界点，50%是根据新订单、生产指数、从业人员指数、供应商配送时间和原材料库存等5个扩散指数中的扩张和收缩比例汇总计算得到。高于50%，表示经济活动比上月有所扩张；低于50%，表示经济活动比上月有所收缩。PMI与临界点的距离，表示扩张和收缩的程度。在实际应用中，可以通过 PMI 运行走势监测宏观经济变化情况： 扩张加速：PMI 从 50% 上升到 100%，表明经济运行中的扩张成分多于收缩成分，扩张成分在增加，收缩成分在减少，经济处于扩张区间。 扩张减速：PMI 从 100% 下降到 50%，表明经济运行中的扩张成分多于收缩成分，但扩张成分在减少，收缩成分在增加，经济仍处于扩张区间。 收缩加速：PMI 从 50% 下降到 0，表明经济运行中的收缩成分多于扩张成分，扩张成分在减少，收缩成分在增加，经济处于收缩区间。 收缩减速：PMI 从 0 上升到 50%，表明经济运行中的收缩成分多于扩张成分，但扩张成分在增加，收缩成分在减少，经济仍处于收缩区间。