Python大数据与量化交易-1-1-2-Python图表

代码主要实现了复利投资模拟功能。首先定义了sta001函数计算复利终值，考虑每年投入和复利增长。主程序部分先计算了 40 年总投入金额，然后对比了保守（5% 年利率）和激进（20% 年利率）两种投资模式 39 年后的收益情况，显示激进模式收益约为保守模式的 17 倍，体现了复利的力量。接着生成了四种不同年利率（5%、10%、15%、20%）下 0 到 39 年的复利终值数据，存入 DataFrame 并打印末尾几行。最后绘制了四种利率下收益随时间变化的曲线图，直观展示了不同利率对投资收益的影响，帮助用户理解复利投资的长期效应。

# 导入数值计算库numpy，用于数学计算
import numpy as np
# 导入数据处理库pandas，用于数据结构和分析
import pandas as pd
# 导入绘图库matplotlib，用于数据可视化
import matplotlib as mpl
# 导入绘图接口pyplot，提供类似MATLAB的绘图方式
import matplotlib.pyplot as plt

# =======================
# 设置matplotlib使用seaborn风格的白色网格背景
mpl.style.use('seaborn-whitegrid');

# 复利终值计算函数
def sta001(k, nyear, xd):
    # k: 年利率，nyear: 投资年数，xd: 每年投入金额
    # 计算复利终值（未来值），考虑每年投入和复利增长
    d2 = np.fv(k, nyear, -xd, -xd);
    # 结果四舍五入取整
    d2 = round(d2)
    return d2

# =======================

# 计算40年每年投入1.4的总投入金额
d40 = 1.4 * 40
print("d40,40 x 1.4=", d40)

# 计算保守投资模式（5%年利率）39年后的复利终值
d = sta001(0.05, 40-1, 1.4);
print("01保守投资模式，", d, round(d/d40))

# 计算激进投资模式（20%年利率）39年后的复利终值
d2 = sta001(0.20, 40-1, 1.4);
print("02激进投资模式，", d2, round(d2/d40))

# 计算两种投资模式的结果倍数差异
dk = round(d2/d)
print("dk,两者差别（xx倍）：", dk)

# 生成不同年利率下0-39年的复利终值数据
dx05 = [sta001(0.05, x, 1.4) for x in range(0, 40)]
dx10 = [sta001(0.10, x, 1.4) for x in range(0, 40)]
dx15 = [sta001(0.15, x, 1.4) for x in range(0, 40)]
dx20 = [sta001(0.20, x, 1.4) for x in range(0, 40)]

# 创建DataFrame存储不同利率的复利终值数据
df = pd.DataFrame(columns=['dx05', 'dx10', 'dx15', 'dx20']);
df['dx05'] = dx05; df['dx10'] = dx10;
df['dx15'] = dx15; df['dx20'] = dx20;

# 打印空行分隔输出
print("")
# 打印DataFrame的最后几行数据
print(df.tail())
# 使用默认设置绘制各利率下复利终值随时间的变化曲线
df.plot();

runfile('D:/zwPython/zwrk/6_零起点Python机器学习与量化交易/k101dr.py', wdir='D:/zwPython/zwrk/6_零起点Python机器学习与量化交易')
d40,40 x 1.4= 56.0
01保守投资模式， 169.0 3.0
02激进投资模式， 10281.0 184.0
dk,两者差别（xx倍）： 61.0

     dx05   dx10    dx15     dx20
35  134.0  419.0  1420.0   4955.0
36  142.0  462.0  1634.0   5947.0
37  151.0  510.0  1881.0   7138.0
38  160.0  562.0  2165.0   8567.0
39  169.0  620.0  2491.0  10281.0