57. 绘制散点图

# ⚠️ 平台原始代码 - 请原样输入至教学平台（注释除外），平台才会判定答案正确
#任务一
import pandas as pd
index_closeprice = pd.read_excel("https://huoran.oss-cn-shenzhen.aliyuncs.com/1726722771060.xlsx") #导入数据
index_closeprice["日期"] = pd.to_datetime(index_closeprice["日期"] , format='%Y%m%d')  # 转换为日期时间格式
index_closeprice.set_index("日期",inplace=True)  # 将日期列设为index_closeprice数据框的索引
index_return = index_closeprice/index_closeprice.shift(1)-1 #计算股指的周涨跌幅 
index_return = index_return.dropna() #删除缺失值
print(index_return.corr())  #计算指数周涨跌幅的相关系数


#任务二
import matplotlib.pyplot as plt
import pandas as pd  # 导入Pandas数据分析库
plt.rcParams['font.sans-serif']=['SimHei']   # 用黑体显示中文
plt.rcParams['axes.unicode_minus']=False     # 正常显示负号


index_closeprice = pd.read_excel("https://huoran.oss-cn-shenzhen.aliyuncs.com/1726722771060.xlsx") #导入数据
index_closeprice["日期"] = pd.to_datetime(index_closeprice["日期"] , format='%Y%m%d')  # 转换为日期时间格式
index_closeprice.set_index("日期",inplace=True)  # 将日期列设为index_closeprice数据框的索引
index_return = index_closeprice/index_closeprice.shift(1)-1 #计算股指的周涨跌幅
index_return = index_return.dropna() #删除缺失值
plt.figure(figsize=(11,6))  # 创建图形画布
plt.subplot(1,2,1)  #第1行、第1列子图
plt.scatter(x=index_return.iloc[:,-1],y=index_return.iloc[:,0],c="c",marker="o")    #创业板指与上证综指的散点图 
plt.xlabel(u"创业板指",fontsize=13)  # 设置X轴标签
plt.ylabel(u"上证综指",fontsize=13,rotation=90)  # 设置Y轴标签
plt.xticks(fontsize=13)  # 设置X轴刻度标签
plt.yticks(fontsize=13)  # 设置Y轴刻度标签
plt.title(u"创业板指与上证综指的散点图",fontsize=15)  # 设置图表标题
plt.grid(True)  # 显示网格线
plt.subplot(1,2,2,sharex=plt.subplot(1,2,1),sharey=plt.subplot(1,2,1))  #与第一个子图共用X轴和Y轴
plt.scatter(x=index_return.iloc[:,-1],y=index_return.iloc[:,1],c="c",marker="o")  # 绑制散点图
plt.xlabel(u"创业板指",fontsize=13)  # 设置X轴标签
plt.ylabel(u"深证成指",fontsize=13,rotation=90)  # 设置Y轴标签
plt.xticks(fontsize=13)  # 设置X轴刻度标签
plt.yticks(fontsize=13)  # 设置Y轴刻度标签
plt.title(u"创业板指与深证成指的散点图",fontsize=15)  # 设置图表标题
plt.grid(True)  # 显示网格线
plt.savefig("1.png")  # 保存图形至文件

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 创建风险-收益数据
np.random.seed(42)
n_stocks = 50

# 模拟: 风险越高, 收益越高(正相关)
risk = np.random.uniform(0.1, 0.4, n_stocks)
return_mean = 0.03 + 0.5 * risk + np.random.normal(0, 0.02, n_stocks)

# 绘制散点图
plt.figure(figsize=(10, 6))
plt.scatter(risk, return_mean, s=100, alpha=0.7, color='#2E86AB', edgecolors='white')

# 添加拟合线
z = np.polyfit(risk, return_mean, 1)
p = np.poly1d(z)
plt.plot(risk, p(risk), 'r--', linewidth=2, label=f'拟合线: y={z[0]:.2f}x+{z[1]:.3f}')

plt.xlabel('风险(标准差)', fontsize=12)
plt.ylabel('期望收益率', fontsize=12)
plt.title('风险与收益的关系', fontsize=16, fontweight='bold')
plt.legend(fontsize=11)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

# 计算相关系数
correlation = np.corrcoef(risk, return_mean)[0, 1]
print(f'风险与收益的相关系数: {correlation:.4f}')

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 创建三个行业的数据
np.random.seed(42)
industries = {
    '银行': {'risk': np.random.uniform(0.1, 0.2, 15),
             'return': np.random.normal(0.04, 0.01, 15)},
    '科技': {'risk': np.random.uniform(0.25, 0.45, 15),
             'return': np.random.normal(0.08, 0.02, 15)},
    '公用事业': {'risk': np.random.uniform(0.08, 0.15, 15),
                 'return': np.random.normal(0.03, 0.008, 15)}
}

colors = {'银行': '#E3120B', '科技': '#008080', '公用事业': '#F0A700'}

plt.figure(figsize=(10, 6))
for industry, data in industries.items():
    plt.scatter(data['risk'], data['return'],
                s=120, alpha=0.7, color=colors[industry],
                edgecolors='white', label=industry, linewidths=1.5)

plt.xlabel('风险(标准差)', fontsize=12)
plt.ylabel('收益率', fontsize=12)
plt.title('不同行业风险-收益特征', fontsize=16, fontweight='bold')
plt.legend(fontsize=11, loc='upper left')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 创建三维数据（风险、收益、市值）
np.random.seed(42)
n = 30
data = pd.DataFrame({
    '风险': np.random.uniform(0.1, 0.4, n),
    '收益': np.random.normal(0.05, 0.02, n),
    '市值': np.random.uniform(50, 500, n)
})

plt.figure(figsize=(10, 6))
scatter = plt.scatter(data['风险'], data['收益'],
                      s=data['市值'] / 2, c=data['市值'],
                      cmap='Blues', alpha=0.6,
                      edgecolors='white', linewidths=1.5)

cbar = plt.colorbar(scatter)
cbar.set_label('市值(亿元)', fontsize=11)

# 标注市值最大的3家公司
top3 = data.nlargest(3, '市值')
for idx, row in top3.iterrows():
    plt.annotate(f'市值{row["市值"]:.0f}亿',
                 (row['风险'], row['收益']),
                 xytext=(5, 5), textcoords='offset points',
                 fontsize=9, bbox=dict(boxstyle='round,pad=0.3',
                                       facecolor='yellow', alpha=0.3))

plt.xlabel('风险(标准差)', fontsize=12)
plt.ylabel('收益率', fontsize=12)
plt.title('风险-收益-市值关系', fontsize=16, fontweight='bold')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from pandas.plotting import scatter_matrix

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

np.random.seed(42)
df_multi = pd.DataFrame({
    'PE': np.random.uniform(10, 60, 100),
    'PB': np.random.uniform(0.5, 10, 100),
    'ROE': np.random.uniform(0.05, 0.35, 100),
    '收益率': np.random.normal(0.05, 0.02, 100)
})

fig = plt.figure(figsize=(12, 12))
axes = scatter_matrix(df_multi, alpha=0.6, diagonal='kde',
                      c='#2E86AB', edgecolors='white',
                      figsize=(12, 12))

plt.suptitle('多变量散点图矩阵', fontsize=16, fontweight='bold', y=1.02)
plt.tight_layout()
plt.show()

print('相关系数矩阵:')
print(df_multi.corr().round(3))

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 创建数据
np.random.seed(42)
x = np.random.uniform(0, 10, 100)
y = 2 + 1.5 * x + np.random.normal(0, 2, 100)

# 绘制带回归线的散点图
plt.figure(figsize=(10, 6))
sns.regplot(x=x, y=y,
            scatter_kws={'s': 80, 'alpha': 0.6, 'color': '#2E86AB'},
            line_kws={'color': '#E3120B', 'linewidth': 2.5},
            ci=95)

plt.xlabel('X变量', fontsize=12)
plt.ylabel('Y变量', fontsize=12)
plt.title('线性回归与置信区间', fontsize=16, fontweight='bold')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

# 计算回归统计
from scipy import stats
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
print(f'回归方程: y = {slope:.2f}x + {intercept:.2f}')
print(f'R² = {r_value**2:.4f}')
print(f'p值 = {p_value:.4e}')

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 模拟市场收益率和个股收益率
np.random.seed(42)
n_obs = 60
market_return = np.random.normal(0.0008, 0.015, n_obs)
beta = 1.2
alpha = 0.0002
stock_return = alpha + beta * market_return + np.random.normal(0, 0.01, n_obs)

# 绘制证券特征线
plt.figure(figsize=(10, 6))
plt.scatter(market_return, stock_return,
            s=80, alpha=0.6, color='#2E86AB', edgecolors='white')

# 添加拟合线
z = np.polyfit(market_return, stock_return, 1)
p = np.poly1d(z)
x_line = np.linspace(market_return.min(), market_return.max(), 100)
plt.plot(x_line, p(x_line), 'r-', linewidth=2.5, label='证券特征线(SML)')

# 添加理论线（alpha=0）
plt.plot(x_line, beta * x_line, 'g--', linewidth=2, alpha=0.7, label='理论线(α=0)')

plt.xlabel('市场收益率 $R_m$', fontsize=12)
plt.ylabel('股票收益率 $R_i$', fontsize=12)
plt.title(f'CAPM模型: β={beta:.2f}, α={alpha:.4f}', fontsize=16, fontweight='bold')
plt.legend(fontsize=11)
plt.grid(True, alpha=0.3)
plt.axhline(y=0, color='k', linestyle='-', linewidth=0.5)
plt.axvline(x=0, color='k', linestyle='-', linewidth=0.5)
plt.tight_layout()
plt.show()

# 统计量
correlation = np.corrcoef(market_return, stock_return)[0, 1]
r_squared = correlation ** 2
print(f'Beta (β): {z[0]:.2f}')
print(f'Alpha (α): {z[1]:.4f}')
print(f'R²: {r_squared:.4f}')