以下是一个使用Python实现从沪深300指数成分股中随机选择股票，并完成相关任务的代码示例： ```python import tushare as ts import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns import random from datetime import datetime # 设置tushare的token ts.set_token('your_token') pro = ts.pro_api() # 获取沪深300指数成分股 index_weight = pro.index_weight(index_code='000300.SH', start_date='20230101', end_date='20231231') stock_codes = index_weight['con_code'].tolist() # 选择一个日期 date = '20231231' # 获取该日期所有成分股的收盘价 close_prices = {} for code in stock_codes: df = pro.daily(ts_code=code, start_date=date, end_date=date) if not df.empty: close_prices[code] = df['close'].values[0] # 找出收盘价相同的股票 same_close_prices = {} for code, price in close_prices.items(): if price not in same_close_prices: same_close_prices[price] = [] same_close_prices[price].append(code) # 随机选择4只收盘价相同的股票 valid_stocks = [stocks for stocks in same_close_prices.values() if len(stocks) >= 4] if valid_stocks: selected_stocks = random.choice(valid_stocks)[:4] else: print("未找到符合条件的股票") selected_stocks = [] # 导出收盘价格数据并输出股票名称与代码 stock_data = {} for code in selected_stocks: df = pro.daily(ts_code=code, start_date='20230101', end_date='20231231') df = df.sort_values(by='trade_date') df.set_index('trade_date', inplace=True) stock_data[code] = df['close'] name = pro.stock_basic(ts_code=code, fields='name')['name'].values[0] print(f"股票代码: {code}, 股票名称: {name}") # 合并收盘价数据 combined_data = pd.DataFrame(stock_data) # 画出可比价格走势图 plt.figure(figsize=(12, 6)) combined_data.plot() plt.title('可比价格走势图') plt.xlabel('日期') plt.ylabel('收盘价') plt.show() # 计算每支股票的收益 returns = combined_data.pct_change() # 计算每支股票的风险（标准差） volatility = returns.std() # 求解投资组合最优组合 num_portfolios = 10000 weights = np.random.random((num_portfolios, len(selected_stocks))) weights = weights / weights.sum(axis=1)[:, np.newaxis] portfolio_returns = np.dot(weights, returns.mean()) * 252 portfolio_volatility = np.sqrt(np.diag(np.dot(weights, np.dot(returns.cov() * 252, weights.T)))) # 找到最优组合 sharpe_ratio = portfolio_returns / portfolio_volatility optimal_index = np.argmax(sharpe_ratio) optimal_weights = weights[optimal_index] optimal_return = portfolio_returns[optimal_index] optimal_volatility = portfolio_volatility[optimal_index] # 画出投资组合有效前沿 plt.figure(figsize=(12, 6)) plt.scatter(portfolio_volatility, portfolio_returns, c=sharpe_ratio, cmap='viridis') plt.colorbar(label='Sharpe Ratio') plt.scatter(optimal_volatility, optimal_return, c='red', marker='*', s=200, label='最优组合') plt.title('投资组合有效前沿') plt.xlabel('波动率') plt.ylabel('预期收益') plt.legend() plt.show() # 拓展到随机选择5 - 10只股票并画出其投资组合有效前沿 num_stocks = random.randint(5, 10) random_stocks = random.sample(stock_codes, num_stocks) stock_data_extended = {} for code in random_stocks: df = pro.daily(ts_code=code, start_date='20230101', end_date='20231231') df = df.sort_values(by='trade_date') df.set_index('trade_date', inplace=True) stock_data_extended[code] = df['close'] combined_data_extended = pd.DataFrame(stock_data_extended) returns_extended = combined_data_extended.pct_change() num_portfolios_extended = 10000 weights_extended = np.random.random((num_portfolios_extended, num_stocks)) weights_extended = weights_extended / weights_extended.sum(axis=1)[:, np.newaxis] portfolio_returns_extended = np.dot(weights_extended, returns_extended.mean()) * 252 portfolio_volatility_extended = np.sqrt(np.diag(np.dot(weights_extended, np.dot(returns_extended.cov() * 252, weights_extended.T)))) sharpe_ratio_extended = portfolio_returns_extended / portfolio_volatility_extended plt.figure(figsize=(12, 6)) plt.scatter(portfolio_volatility_extended, portfolio_returns_extended, c=sharpe_ratio_extended, cmap='viridis') plt.colorbar(label='Sharpe Ratio') plt.title('拓展投资组合有效前沿（5 - 10只股票）') plt.xlabel('波动率') plt.ylabel('预期收益') plt.show() ``` ### 代码解释： 1. **获取沪深300指数成分股**：使用tushare的`index_weight`函数获取沪深300指数成分股的代码。 2. **选择股票**：选择一个日期，获取该日期所有成分股的收盘价，找出收盘价相同的股票，并随机选择4只。 3. **导出收盘价格数据**：使用tushare的`daily`函数获取所选股票的历史收盘价数据，并输出股票名称与代码。 4. **合并收盘价数据并画出可比价格走势图**：使用pandas将所选股票的收盘价数据合并为一个DataFrame，并使用matplotlib画出可比价格走势图。 5. **计算每支股票的收益与风险**：使用pandas的`pct_change`函数计算每支股票的收益率，使用`std`函数计算每支股票的波动率。 6. **求解投资组合最优组合**：随机生成10000个投资组合的权重，计算每个组合的预期收益和波动率，找到夏普比率最大的组合作为最优组合。 7. **画出投资组合有效前沿**：使用matplotlib画出投资组合的有效前沿，并标记出最优组合。 8. **拓展到随机选择5 - 10只股票**：随机选择5 - 10只股票，重复上述步骤，画出其投资组合有效前沿。 ###