为了基于中国证券市场与宏观经济研究(CSMAR)数据集完成这项任务，首先需要导入相关的库，假设数据存储在CSV文件中，并且已经按照特定格式整理好。以下是Python中Pandas和NumPy用于处理这个问题的一个示例代码： ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt # 假设data_df是一个DataFrame，包含了股票信息，包括日期、市盈率(PE_ratio)、市净率(PB_ratio)、股息率(Dividend_Yield)和市值(Market_Capitalization) # 需要读取数据 data_df = pd.read_csv('csmar_data.csv') # 设置起始和结束日期 start_date = '2012' end_date = '2023' data_df = data_df[(data_df['Date'] >= start_date) & (data_df['Date'] <= end_date)] # 对每个比率按降序排列 sorted_pe = data_df.sort_values('PE_ratio', ascending=True).head(int(len(data_df) * 0.4)) sorted_pb = data_df.sort_values('PB_ratio', ascending=True).head(int(len(data_df) * 0.4)) sorted_dividend = data_df.sort_values('Dividend_Yield', ascending=False).head(int(len(data_df) * 0.4)) # 合并这四组 combined_data = sorted_pe.append(sorted_pb).append(sorted_dividend) # 检查是否有重复股票，如果有，保留市值最大的那一条 combined_data = combined_data.drop_duplicates(subset=['Stock_ID'], keep='last').reset_index(drop=True) # 计算市值加权收益率 if 'Return' in data_df.columns: returns = data_df['Return'] else: # 假设收益数据在'market_return'列，这里只是一个假设，实际根据您的数据调整 returns = data_df['market_return'] # 将市值作为权重 weights = combined_data['Market_Capitalization'].astype(float) / combined_data['Market_Capitalization'].sum() # 按市值加权收益率 weighted_returns = returns.groupby(combined_data.index)['Return'].apply(lambda x: (x * weights).mean()) # 绘制时间趋势线 plt.figure(figsize=(12, 6)) plt.plot(weighted_returns.index, weighted_returns, label='Weighted Average Return') plt.title('Time Series of Weighted Average Returns for Selected Stocks') plt.xlabel('Date') plt.ylabel('Return') plt.legend() plt.grid(True) plt.show() ``` 注意：这个例子假设数据中有一个名为'Return'或'market_return'的列表示每天的收益率，同时假设股票ID('Stock_ID')是唯一的。如果数据结构或字段名称不同，你需要根据实际情况调整代码。