### Python Matplotlib 添加预测波动率到已有收益率图表 为了实现这一目标，可以采用 `matplotlib` 和其他辅助库如 `pandas` 来处理金融数据并创建复合图形。以下是具体操作方式： #### 准备环境与导入所需模块 首先确保安装了必要的包，可通过 pip 安装这些依赖项。 ```bash pip install pandas matplotlib tushare numpy ``` 接着，在脚本顶部引入所需的库： ```python import pandas as pd import matplotlib.pyplot as plt import tushare as ts import numpy as np from datetime import datetime ``` #### 获取历史股价数据 利用 Tushare API 下载特定股票的历史收盘价和其他相关信息。这里假设已经注册获取到了个人 token 并设置好了接口访问权限[^2]。 ```python ts.set_token('your_tushare_token') pro = ts.pro_api() data = pro.daily(ts_code='000001.SZ', start_date='20230101', end_date='20231231') df = data.sort_values(by="trade_date").reset_index(drop=True) dates = df['trade_date'].apply(lambda x: datetime.strptime(str(x), '%Y%m%d')) close_prices = df['close'] returns = close_prices.pct_change().dropna() # 计算日收益率 volatility_forecast = returns.rolling(window=5).std() * (np.sqrt(252)) # 预测年化波动率 ``` #### 绘制收益率和预测波动率图 通过调用 `plot()` 方法在同一张图片上显示两个系列的数据——实际的日收益率以及基于滚动标准差估计出来的未来一段时间内的预期波动水平。 ```python fig, ax1 = plt.subplots(figsize=(14,7)) color = 'tab:green' ax1.set_xlabel('Date') ax1.set_ylabel('Daily Return (%)', color=color) ax1.plot(dates[1:], returns*100, label='Daily Returns', color=color) ax1.tick_params(axis='y', labelcolor=color) ax2 = ax1.twinx() color = 'tab:red' ax2.set_ylabel('Annualized Volatility Forecast (%)', color=color) ax2.plot(dates[6:], volatility_forecast[:-5]*100, linestyle='--',label='Volatility Forecast', color=color) ax2.tick_params(axis='y', labelcolor=color) plt.title("Stock Daily Returns with Predicted Annualized Volatility", fontsize=16) fig.tight_layout() plt.show() ``` 这段代码片段展示了如何使用双坐标轴技术来对比展示两组不同尺度的时间序列数据：左侧绿色线条代表每日回报百分比变化；右侧红色虚线则表示对未来一年内可能发生的市场动荡程度的一种简单预估[^1]。