```python # 导入必要的库 import matplotlib.pyplot as plt import numpy as np # 1. 生成两个市场的收益率波动数据 # 为了重现性，设置随机种子[ref_4] np.random.seed(42) # 使用np.random.randint生成10个0-4之间的整数，模拟市场A（x）和市场B（y）的波动率指标[ref_5] x = np.random.randint(0, 5, 10) # 市场A波动率 y = np.random.randint(0, 5, 10) # 市场B波动率 print("市场A波动率数据（x）: ", x) print("市场B波动率数据（y）: ", y) # 2. 创建图形和坐标轴对象 plt.figure(figsize=(10, 6)) # 3. 绘制散点图 # 使用scatter函数，这是绘制散点图的标准方法[ref_4][ref_5] # marker='o'表示圆形标记，s是标记大小，c是颜色，alpha是透明度，edgecolors是边缘颜色[ref_4][ref_5] scatter_plot = plt.scatter(x, y, s=150, # 标记点的大小 c='steelblue', # 标记点的填充颜色 marker='o', # 标记点形状为圆形 alpha=0.7, # 透明度，用于处理点重叠 edgecolors='darkblue', # 标记点边缘颜色 linewidths=2, # 边缘线宽 label='波动率观测点' # 图例标签 ) # 4. 美化图表，添加各类标签和辅助元素 plt.title('市场A与市场B收益率波动率关系散点图', fontsize=16, fontweight='bold', pad=15) plt.xlabel('市场A波动率', fontsize=14) plt.ylabel('市场B波动率', fontsize=14) # 设置坐标轴刻度范围，以包含所有数据点并留出一定边距[ref_4] plt.xlim(-0.5, 4.5) plt.ylim(-0.5, 4.5) # 设置刻度间隔为1，便于观察波动率整数值的分布[ref_3] plt.xticks(np.arange(0, 5, 1)) plt.yticks(np.arange(0, 5, 1)) # 为每个数据点添加具体数值标签，以增强图表的信息密度和可读性[ref_4] # 循环遍历所有散点，在每个点旁边显示其（x, y）坐标值 for i, (xi, yi) in enumerate(zip(x, y)): # 文本位置相对于数据点进行偏移，ha和va控制水平和垂直对齐方式 plt.text(xi + 0.08, yi + 0.08, f'({xi},{yi})', ha='left', va='bottom', fontsize=10, color='darkred') # 添加网格线，使用浅灰色虚线，辅助进行数值比对[ref_1] plt.grid(True, linestyle='--', alpha=0.4) # 添加图例，显示点的含义[ref_2] plt.legend(loc='upper left', fontsize=12) # 5. 显示图形 plt.tight_layout() plt.show() ``` 该代码通过 `matplotlib.pyplot.scatter` 函数绘制了反映两个市场波动率关系的散点图，这是探索两个变量之间潜在相关性、分布模式或聚集情况的常用方法[ref_4][ref_5]。以下是图表各组成部分的详细设计与说明： | 图表组件 | 设计与参数说明 | 目的与效果 | | :--- | :--- | :--- | | **数据生成** | `np.random.randint(0, 5, 10)` | 模拟生成两个市场各10个样本的波动率数据，取值范围为0-4的整数，用于演示散点图的绘制过程[ref_5]。 | | **图形尺寸** | `figsize=(10, 6)` | 提供足够大的画布，确保散点及其标签清晰展示，适用于分析报告[ref_3]。 | | **散点样式** | `marker='o', s=150, c='steelblue', edgecolors='darkblue'` | 使用中等大小的圆形标记，通过对比鲜明的填充色和边缘色使每个点在图中足够突出[ref_4][ref_5]。 | | **透明度** | `alpha=0.7` | 设置透明度，有助于观察可能存在的重叠点，是散点图可视化的常用技巧[ref_4]。 | | **标题与坐标轴** | 自定义标题及`xlabel`, `ylabel` | 明确图表主题、数据维度（市场A/B的波动率），符合标准数据可视化规范[ref_1]。 | | **坐标轴范围** | `xlim(-0.5, 4.5)` 和 `ylim(-0.5, 4.5)` | 设定比数据范围稍宽的显示区间，确保所有点都能在图表区域内完整显示，四周留有空隙[ref_4]。 | | **刻度设置** | `xticks(np.arange(0, 5, 1))` | 将x和y轴刻度设置为0,1,2,3,4，与数据的整数取值匹配，便于精确读取[ref_3]。 | | **数值标签** | 循环使用`plt.text`在每个标记点附近添加其(x,y)坐标 | 使读者无需参照坐标轴即可快速获取每个观测点的精确波动率数值对，极大增强了信息量和分析的便利性[ref_4]。 | | **网格线** | `grid(True, linestyle='--', alpha=0.4)` | 添加浅色虚线网格，辅助读者精确定位散点的坐标位置，进行横向和纵向的数值比对[ref_1]。 | 通过分析生成的散点图，可以对两个市场的波动率情况进行初步观察与解读： 1. **分布探索**：观察散点在坐标系中的整体分布形态，是判断两个市场波动率是否存在潜在关系的第一步。例如，散点是随机分布、呈现某种趋势（线性或非线性），还是聚集在特定区域（如低-低或高-高）[ref_4][ref_5]。 2. **相关性初步判断**：如果散点大致沿着一条从左下到右上的直线分布，则暗示两个市场的波动率可能存在正相关关系；如果大致沿着一条从左上到右下的直线分布，则暗示存在负相关；如果散点分布无明显规律，则可能表明相关性很弱或没有线性相关性。此初步判断需要后续统计计算（如皮尔逊相关系数）来验证[ref_5]。 3. **异常点识别**：散点图中远离主体分布群的孤立点，可以被视为可能的异常值。这些点可能代表市场在特定时期的特殊波动情况，值得单独分析其成因[ref_4]。 4. **数据密度观察**：通过散点的密集程度，可以直观感受两个市场在特定波动率组合下的观测频率。例如，本例中由于数据是随机生成的，分布可能较为均匀，但真实数据中可能出现特定区域的密集点簇[ref_5]。