探索股票收盘价的线性回归分析：基于Python的实现

代码分析和解释:

代码是通过线性回归分析，获取指定股票、指数或基金在过去特定年份内的收盘价的线性回归期望值、残差标准差等统计参数，并将结果保存到 SQLite 数据库中。

主要的操作流程包括：

1. 定义 linear_regression_stock_multi 函数，用于对单一股票、指数或基金进行线性回归分析，并返回包含线性回归统计参数的 DataFrame。
2. 定义 get_circulate_xslx_str 函数，用于读取 Excel 文件中的股票代码列表，循环调用 linear_regression_stock_multi 函数，将所有股票的线性回归分析结果合并成一个大的 DataFrame，并保存到 SQLite 数据库中。
3. 在 if __name__ == '__main__': 代码块中，调用 get_circulate_xslx_str 函数，将指定 Excel 文件中的所有股票代码的线性回归分析结果保存到数据库中，并打印输出。

此代码利用了 akshare, pandas, numpy, scipy, sqlite3 和 datetime 等库的功能。

文章代码块(md 格式)：

import akshare as ak
import pandas as pd
import numpy as np
import sqlite3
from scipy import stats
from datetime import datetime, timedelta

def linear_regression_stock_multi(symbol, kind, years_list):
    df_list = []    
    for many_years in years_list:  
        today = datetime.now().date()   
        start_date = (today - timedelta(days=365*many_years)).strftime('%Y%m%d')    
        end_date = today.strftime('%Y%m%d')     
        if kind == '指数':      
            df = ak.index_zh_a_hist(symbol=symbol, period="daily", start_date=start_date, end_date=end_date)
        elif kind == '股票':
            df = ak.stock_zh_a_hist(symbol=symbol, period="daily", start_date=start_date, end_date=end_date, adjust="qfq")
        elif kind == '基金':
            df = ak.fund_etf_hist_em(symbol=symbol, period="daily", start_date=start_date, end_date=end_date, adjust="qfq")
        y = df["收盘"]
        x = np.arange(len(y))
        slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
        expected_value = intercept + slope * len(y)
        residuals = y - (intercept + slope * x)
        std_residuals = np.std(residuals)

        index=[f"{many_years}year_expected_value", f"{many_years}year_std_residuals", f"{many_years}year_slope", f"{many_years}year_intercept", f"{many_years}year_r_value", f"{many_years}year_p_value", f"{many_years}year_std_err"]
        data = [expected_value, std_residuals, slope, intercept, r_value, p_value, std_err]
        result_df = pd.DataFrame(data=[data], index=[symbol], columns=index)

        df_list.append(result_df)
    result = pd.concat(df_list, axis=1)
    return result

def get_circulate_xslx_str(kind, file_index_code, sheet):
    codes = pd.read_excel(file_index_code, sheet_name=sheet, engine='openpyxl', dtype={"代码": str})['代码'].tolist()
    all_data = pd.DataFrame()
    for code in codes:
        try:
            ratios = linear_regression_stock_multi(code, kind, [7,3,1])
            all_data = pd.concat([all_data, ratios])
        except KeyError as e:
            print(f"无法获取股票代码 {code} 的数据: {e}")
    
    conn = sqlite3.connect("D:\\wenjian\\python\\smart\\data\\req_data.db")
    all_data.to_sql("股票", conn, if_exists="replace", index=False)
    conn.close()
    return all_data

if __name__ == '__main__':
    print(get_circulate_xslx_str('股票', '测试.xlsx', 0))

标题建议：

1. 探索股票收盘价的线性回归分析：基于Python的实现
2. 使用Python和SQLite构建股票线性回归分析工具
3. 从Excel到数据库：自动化线性回归分析的股票收盘价
4. 深入股票数据：线性回归分析的Python应用
5. 通过线性回归探索股票价格趋势：一个Python实例

标签建议：

• Python
• 线性回归
• 股票分析
• 数据库
• 数据分析
• 代码实现
• 量化投资