Python量化分析AAPL股票：从数据清洗到机器学习建模

1. 项目概述

作为一名金融数据分析师，我经常需要处理和分析股票市场数据。苹果公司（AAPL）作为全球最具价值的上市公司之一，其股票数据具有极高的研究价值。本文将分享我如何使用Python对AAPL股票数据进行全面的量化分析，从数据清洗到机器学习建模的全过程。

这个项目特别适合以下几类读者：

• 想要学习金融数据分析的Python初学者
• 对量化交易感兴趣的开发者
• 需要处理时间序列数据的分析师
• 希望了解机器学习在金融领域应用的实践者

2. 数据准备与清洗

2.1 数据来源与字段说明

我使用的数据集来自Kaggle，包含了AAPL从1980年上市到2004年的日线交易数据。数据集包含7个核心字段：

提示：复权收盘价是最重要的指标，因为它已经考虑了拆股和分红的影响，能够真实反映股票的投资回报。

2.2 数据清洗实战

数据清洗是分析的基础，我采用了以下步骤确保数据质量：

python复制# 1. 处理缺失值
df = df.dropna()

# 2. 删除重复行
df = df.drop_duplicates()

# 3. 日期格式标准化
df['Date'] = pd.to_datetime(df['Date'], format='%d-%m-%Y', errors='coerce')
df = df.dropna(subset=['Date'])
df = df.set_index('Date')

# 4. 异常值处理
def detect_outliers(data, col):
    Q1 = data[col].quantile(0.25)
    Q3 = data[col].quantile(0.75)
    IQR = Q3 - Q1
    lower_bound = Q1 - 1.5 * IQR
    upper_bound = Q3 + 1.5 * IQR
    return data[(data[col] >= lower_bound) & (data[col] <= upper_bound)]

price_cols = ['Low', 'Open', 'High', 'Close', 'Adjusted Close']
for col in price_cols:
    df = detect_outliers(df, col)

清洗过程中有几个关键点需要注意：

1. 美股在周末和节假日不交易，这些日期的缺失数据可以直接删除
2. 价格异常值使用IQR方法检测，但成交量不需要清洗，因为成交量的波动本身就是市场信息
3. 日期必须转换为datetime格式并设为索引，方便后续的时间序列分析

3. 探索性数据分析(EDA)

3.1 基础统计分析

让我们先看看数据的基本特征：

python复制print(f"分析时间区间: {df.index.min()} 至 {df.index.max()}")
print(f"平均日收益率: {df['Daily_Return'].mean()*100:.4f}%")
print(f"日收益率波动率: {df['Daily_Return'].std()*100:.4f}%")
print(f"正收益天数占比: {(df['Daily_Return']>0).sum() / len(df['Daily_Return'])*100:.2f}%")

输出结果：

code复制分析时间区间: 1980-12-12 00:00:00 至 2004-10-13 00:00:00
平均日收益率: 0.0821%
日收益率波动率: 3.1862%
正收益天数占比: 46.91%

这些数据告诉我们：

• AAPL长期来看有正收益（平均日收益0.08%）
• 波动率3.19%属于中等水平
• 上涨天数略低于50%，说明少数大涨日贡献了大部分收益

3.2 可视化分析

我使用matplotlib绘制了几个关键图表：

python复制# 股价走势图
plt.figure(figsize=(12,6))
df['Adjusted Close'].plot(color='darkred', linewidth=1.5)
plt.title('AAPL复权股价走势')
plt.xlabel('日期')
plt.ylabel('价格(美元)')
plt.grid(True, alpha=0.3)
plt.show()

# 收益率分布图
plt.figure(figsize=(10,5))
df['Daily_Return'].plot(kind='hist', bins=50, alpha=0.7, color='purple', density=True)
df['Daily_Return'].plot(kind='kde', color='black', linewidth=2)
plt.title('日收益率分布')
plt.xlabel('日收益率')
plt.ylabel('概率密度')
plt.show()

从这些图表中我们可以观察到：

1. 股价长期呈上升趋势，特别是在2000年后增长加速
2. 日收益率近似正态分布，但尾部比正态分布更厚，意味着极端涨跌出现的概率更高

4. 线性回归建模

4.1 为什么选择线性回归？

在股票分析中，线性回归有几个独特优势：

1. 解释性强：可以明确知道每个特征对股价的影响程度
2. 计算高效：即使数据量很大也能快速训练
3. 基准模型：可以作为更复杂模型的比较基准

4.2 多元线性回归实现

让我们建立一个预测收盘价的模型：

python复制# 准备数据
X = df[['Open', 'High', 'Low', 'Volume']]
y = df['Close']

# 划分训练测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

# 评估模型
y_pred = lr_model.predict(X_test)
print(f"R²分数: {r2_score(y_test, y_pred):.4f}")
print(f"MAE: {mean_absolute_error(y_test, y_pred):.6f}")

输出结果：

code复制R²分数: 0.9994
MAE: 0.002450

这个结果非常理想，R²接近1表示模型解释力很强。让我们看看各特征的重要性：

python复制feature_importance = pd.DataFrame({
    '特征': X.columns,
    '权重': lr_model.coef_
}).sort_values('权重', ascending=False)

这个结果符合股票交易的常识：收盘价通常介于当日最高价和最低价之间，开盘价的影响相对较小，而成交量对收盘价的影响微乎其微。

4.3 时间序列预测

股票数据具有时间相关性，我们可以用前一天的收盘价预测今天的收盘价：

python复制df['Prev_Close'] = df['Close'].shift(1)
df = df.dropna()

X = df[['Prev_Close']]
y = df['Close']

# 按时间划分数据集
split = int(len(df)*0.8)
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]

# 训练和评估模型
lr_time = LinearRegression()
lr_time.fit(X_train, y_train)
y_pred = lr_time.predict(X_test)

print(f"时间序列模型R²: {r2_score(y_test, y_pred):.4f}")

输出结果：

code复制时间序列模型R²: 0.9810

这个结果说明前一天的收盘价对当天的收盘价有很强的预测能力，这是股票价格"趋势"特性的体现。

5. 实战经验与注意事项

在完成这个项目的过程中，我总结了几个重要的经验教训：

1. 复权价格至关重要：如果不使用复权价格，拆股会导致价格曲线出现断层，严重影响分析结果。

2. 时间序列的特殊性：千万不要随机划分训练集和测试集，必须按时间顺序划分，否则会导致"未来信息泄露"。

3. 成交量处理技巧：成交量的绝对值意义不大，通常需要计算移动平均或换手率等衍生指标。

4. 模型解释性优先：在量化交易的初期，使用简单可解释的模型比复杂黑箱模型更有价值。

5. 注意市场变化：不同时期的市场特征可能不同，模型需要定期重新训练。

一个常见的错误是直接使用收盘价建模而忽略复权处理。我曾经犯过这个错误，结果模型在拆股日期附近完全失效。正确的做法是始终使用Adjusted Close列作为价格基准。

对于想要进一步探索的读者，我建议：

1. 尝试添加技术指标(如MACD、RSI)作为新特征
2. 使用更复杂的时间序列模型(如ARIMA、LSTM)
3. 构建简单的交易策略并回测

记住，股票预测永远存在不确定性，再好的模型也不能保证100%准确。量化分析的价值在于提高概率优势，而不是寻找"圣杯"。