最近腾讯发布 Q2 财报后股价盘中跌幅一度超过四个点很多朋友在社区里讨论“大跌之后到底怎么看”。作为技术开发者与其听各种情绪化解读不如自己拉一遍数据用 Python 把行情、财报发布日期、涨跌幅和可视化一次性跑通。这篇文章不会预测股价而是分享一套完整、可复制的量化分析方案从获取腾讯控股的港股日线数据到对齐财报发布时间再到计算事件窗口内的累计涨跌幅、绘制 K 线图与成交量图最后自动生成一份简单的分析报告。这套方案非常适合以下读者想用 Python 做个股事件分析的开发者对 akshare、pandas、mplfinance 感兴趣的数据分析初学者想自己验证“财报发布后股价怎么走”而不是只听消息面的人。文章会先解释核心概念再给环境准备、完整代码、运行结果和常见问题排查。读完你应该能直接改成分析其他港股或 A 股股票。1. 背景与核心概念1.1 财报发布与股价波动的关系上市公司财报是向投资者集中披露经营成果的重要窗口。腾讯这样的互联网巨头每个季度发布财报后市场都会根据营收增速、净利润、游戏业务表现、广告收入、金融科技与企业服务板块等指标快速调整预期。如果数据不及预期或者市场已经提前 priced in 了乐观预期就会出现“利好出尽是利空”的下跌。“大跌四个多点”在港股市场是一个比较明显的单日波动。普通投资者看到的是股价跳动但技术开发者需要思考的是这个跌幅在多大程度上属于公司基本面变化又在多大程度上属于市场情绪、流动性或大盘拖累要回答这个问题最好的方式是把历史数据拉出来计算财报发布日附近的收益率、波动率再与恒生指数同期走势对比。1.2 为什么用 Python 做股价数据分析Python 在金融数据分析领域有很强的生态优势。pandas 提供高效的时间序列处理能力akshare 封装了大量公开财经数据接口mplfinance 可以快速绘制专业 K 线图。整套流程从数据获取到可视化再到结果导出都可以在几十行代码内完成而且可复现、可修改。更重要的是这种方式不依赖任何“内幕消息”。所有数据都来自公开行情和财报日期分析逻辑也完全透明。对于担心数据安全和使用合规的朋友这套方案只使用公开数据接口不涉及任何非公开信息也没有任何绕过限制的内容。1.3 技术选型与数据来源本文选择以下核心工具工具作用Python 3.9运行环境pandas数据处理与分析akshare获取港股日线行情mplfinance绘制 K 线图与成交量matplotlib图表定制与保存数据来源方面akshare 的港股日线接口底层数据来自东方财富等公开来源普通个人开发者可以免费调用。需要提醒的是免费接口的稳定性和字段结构可能随版本调整实际使用时如果遇到字段不匹配优先检查 akshare 版本并查看官方文档。2. 环境准备与版本说明2.1 安装 Python 与依赖库建议使用 Python 3.9 及以上版本。可以使用 venv 或 conda 创建独立环境避免污染系统 Python。python -m venv tencent-analysis source tencent-analysis/bin/activate在虚拟环境中安装依赖pip install akshare pandas mplfinance matplotlib版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路。如果安装速度较慢可以使用国内 PyPI 镜像pip install akshare pandas mplfinance matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple2.2 验证 akshare 是否可用安装完成后先做一次最小验证import akshare as ak print(ak.__version__)能正常输出版本号就说明环境基本可用。如果这一步报错通常需要检查网络环境或者升级 aksharepip install --upgrade akshare2.3 项目结构建议按以下结构组织代码tencent-analysis/ ├── data/ │ └── tencent_hk_daily.csv ├── main.py ├── analyze.py ├── visualize.py └── README.mddata目录用于存放行情数据main.py负责主流程analyze.py负责数据处理与指标计算visualize.py负责绘图。这样拆分的好处是后期替换股票代码或分析逻辑时不需要改动全部代码。3. 获取腾讯控股历史行情数据3.1 akshare 获取港股数据的接口腾讯控股在港股的代码是 00700。akshare 中可以用stock_hk_daily获取港股日线数据。注意不同版本的 akshare 对symbol参数的要求可能略有差异常见写法是直接传入字符串00700。import akshare as ak df ak.stock_hk_daily(symbol00700, adjustqfq) print(df.tail())输出示例字段通常包括字段说明date交易日期open开盘价high最高价low最低价close收盘价volume成交量adjustqfq表示前复权数据适合用于收益率计算。如果不复权遇到分红派息时价格会出现跳空影响事件窗口分析。3.2 数据清洗与字段说明从接口拿到的数据列名可能是小写也可能是其他形式。为了保证后续代码兼容建议做一次统一清洗import pandas as pd df.columns [col.lower() for col in df.columns] df df.rename(columns{ date: trade_date, open: open, high: high, low: low, close: close, volume: volume }) df[trade_date] pd.to_datetime(df[trade_date]) df df.sort_values(trade_date).reset_index(dropTrue)这里把date改为trade_date并统一转换为 pandas 的datetime类型目的是方便后续按时间切片。排序后再重置索引避免原始索引影响事件窗口计算。3.3 保存数据到 CSV数据获取频率不固定为了减少重复请求可以把最新数据保存到本地df.to_csv(data/tencent_hk_daily.csv, indexFalse, encodingutf-8-sig)之后再次分析时可以直接读取本地 CSV减轻对免费接口的压力也方便离线复现df pd.read_csv(data/tencent_hk_daily.csv) df[trade_date] pd.to_datetime(df[trade_date])这里使用utf-8-sig编码主要考虑 Windows 下 Excel 打开 CSV 时中文不会乱码。如果只在代码里用utf-8也可以。4. 财报事件窗口分析4.1 定义财报发布日期腾讯在港股发布财报的时间通常是季度结束后的一个月左右。完整代码不应该写死日期而是通过变量传入。比如“腾讯发布 Q2 财报”对应的事件日期可以定义为event_date 2024-08-14 event_date pd.to_datetime(event_date)具体日期请以腾讯投资者关系官网的公告为准。本文只演示分析方法不把某个日期当作确定事实。4.2 计算事件窗口内的涨跌幅事件窗口分析的核心思路是以财报发布日为中心截取前后若干交易日的行情计算累计涨跌幅。例如分析财报发布日前后 5 个交易日的表现。def compute_event_window(df, event_date, before10, after10): df df.copy() df[trade_date] pd.to_datetime(df[trade_date]) # 找到事件日期在数据中的位置 try: idx df[df[trade_date] event_date].index[0] except IndexError: raise ValueError(事件日期不在数据范围内请检查日期是否为交易日) start_idx max(0, idx - before) end_idx min(len(df) - 1, idx after) window_df df.iloc[start_idx:end_idx 1].copy() window_df[pct_change] window_df[close].pct_change() * 100 window_df[cum_return] (1 window_df[pct_change] / 100).cumprod() - 1 return window_df需要关注几个关键点pct_change是相对前一交易日的单日收益率百分比不是相对财报发布日的累计收益。cum_return用来表示窗口内持有该股票的累计收益率以窗口第一日为基准。财报发布当天如果休市idx就会找不到需要在外部判断。调用示例window_df compute_event_window(df, event_date, before5, after10) print(window_df[[trade_date, close, pct_change, cum_return]])4.3 与恒生指数对比单看腾讯自己的走势很难判断“大跌四个多点”是公司问题还是大盘系统性波动。更合理的做法是拉取恒生指数同期数据做相对收益比较。akshare 获取恒生指数可以用hs_df ak.stock_hk_index_daily(symbolHSI)HSI是恒生指数代码。拿到数据后同样计算事件窗口内的累计收益再计算腾讯相对指数的超额收益hs_df hs_df.rename(columns{date: trade_date, close: hsi_close}) hs_df[trade_date] pd.to_datetime(hs_df[trade_date]) merged pd.merge(window_df, hs_df[[trade_date, hsi_close]], ontrade_date, howleft) merged[hsi_pct_change] merged[hsi_close].pct_change() * 100 merged[hsi_cum_return] (1 merged[hsi_pct_change] / 100).cumprod() - 1 merged[excess_return] merged[cum_return] - merged[hsi_cum_return]如果腾讯下跌但恒指同期跌幅接近甚至更大那么“腾讯大跌”更多是大盘因素如果恒指没怎么跌腾讯却跌了四个多点就需要认真分析公司层面的驱动因素。5. 可视化K 线图与跌幅标注5.1 使用 mplfinance 绘制 K 线图mplfinance 是绘制 K 线图的高效工具只需把 DataFrame 调整为它要求的格式索引为DatetimeIndex列名为Open、High、Low、Close、Volume。import mplfinance as mpf def plot_kline(df, event_date, titleTencent 00700.HK): plot_df df.copy() plot_df plot_df.rename(columns{ open: Open, high: High, low: Low, close: Close, volume: Volume }) plot_df plot_df.set_index(pd.DatetimeIndex(plot_df[trade_date])) plot_df plot_df[[Open, High, Low, Close, Volume]] # 自定义买入/卖出标记 ap [] if event_date in plot_df.index: ap.append(mpf.make_addplot( plot_df.loc[[event_date], Close], typescatter, marker^, markersize200, colorred )) mpf.plot( plot_df, typecandle, volumeTrue, titletitle, stylecharles, addplotap, figsize(14, 8), savefigdict(fnameoutput/kline.png, dpi150, bbox_inchestight) )这段代码做了几件事重命名列名使 mplfinance 识别。把交易日期设为索引。在财报发布日绘制一个红色三角标记。把图片保存到output/kline.png。5.2 绘制均线和成交量mplfinance 可以直接支持均线参数。更常见的做法是传入mav(5, 10, 20)绘制 5、10、20 日均线。mpf.plot( plot_df, typecandle, volumeTrue, mav(5, 10, 20), titleTencent 00700.HK with MA, styleyahoo, figsize(14, 8), savefigdict(fnameoutput/kline_ma.png, dpi150, bbox_inchestight) )均线可以辅助观察趋势。财报发布日如果股价跌破短期均线通常被技术派视为偏弱信号但这只是统计现象不是必然规律。5.3 绘制事件窗口收益曲线除了 K 线图收益率曲线更适合观察窗口内的累计变化import matplotlib.pyplot as plt def plot_return_curve(window_df, merged_df): plt.figure(figsize(12, 6)) plt.plot(window_df[trade_date], window_df[cum_return] * 100, labelTencent, markero) plt.plot(merged_df[trade_date], merged_df[hsi_cum_return] * 100, labelHSI, markers) plt.axvline(xevent_date, colorred, linestyle--, labelEarnings Date) plt.axhline(y0, colorgray, linewidth0.8) plt.legend() plt.title(Event Window Cumulative Return) plt.xlabel(Date) plt.ylabel(Cumulative Return (%)) plt.grid(alpha0.3) plt.savefig(output/return_curve.png, dpi150, bbox_inchestight)这张图可以直观展示财报发布后腾讯的累计收益曲线是否明显跑输恒生指数。6. 导出分析报告6.1 自动汇总数据分析不能只停留在图表上还需要把关键指标汇总成表格。可以输出两类指标财报发布日单日涨跌幅事件窗口内最大回撤、最大上涨、区间累计收益。def generate_summary(window_df): event_day window_df.iloc[0] # 这里需要根据实际逻辑调整 summary { start_date: window_df[trade_date].iloc[0].strftime(%Y-%m-%d), end_date: window_df[trade_date].iloc[-1].strftime(%Y-%m-%d), window_return: f{window_df[cum_return].iloc[-1] * 100:.2f}%, max_drawdown: f{window_df[cum_return].min() * 100:.2f}%, max_rise: f{window_df[cum_return].max() * 100:.2f}%, } return summary需要注意的是window_df如果以事件日前 5 天为起点cum_return的起点就是窗口第一天而不是财报发布日。如果只想看财报发布日后的表现应该把窗口起点设为事件日当天post_df window_df[window_df[trade_date] event_date].copy() post_df[cum_return_post] (1 post_df[pct_change] / 100).cumprod() - 1这样计算出的才是“财报发布后持有至今”的收益。6.2 输出可复现报告可以把汇总结果保存为 CSVsummary_df pd.DataFrame([generate_summary(window_df)]) summary_df.to_csv(output/summary.csv, indexFalse, encodingutf-8-sig) print(summary_df)也可以把 K 线图、收益曲线、汇总表格放在同一个输出目录方便后续整理成图文笔记。对于“腾讯发布 Q2 财报大跌四个多点后续怎么看”这个问题最终的分析结论应该建立在以上数据之上而不是拍脑袋。7. 常见问题与排查思路问题现象常见原因解决思路akshare接口报错或返回空数据网络波动、数据源更新、版本接口调整升级 akshare检查网络查看官方文档确认参数找不到事件日期财报发布日不是交易日或日期格式不对使用pd.to_datetime统一格式判断是否节假日休市字段不存在不同版本接口返回的列名不同打印列名做重命名映射K 线图中文乱码matplotlib 默认字体不支持中文设置中文字体例如plt.rcParams[font.sans-serif] [SimHei]收益率计算不对pct_change()计算的是环比变化不是相对事件日变化确认窗口基准日必要时单独计算事件日相对前收盘的变化免费接口被限流高频请求触发限制适量请求并保存 CSV避免频繁重复拉取具体到“大跌四个多点”的分析最容易踩的坑是窗口边界不统一。有人统计的是“财报当天相对前一天收盘的跌幅”有人统计的是“财报后 5 天累计跌幅”两者含义完全不同交流时一定要先说清楚口径。8. 最佳实践与工程建议8.1 数据源与口径统一免费接口的数据源可能有延迟或字段差异尤其是复权因子不一致时历史收益率的计算结果会不同。建议在分析前固定使用同一个数据源、同一个复权方式并在报告中标注数据来源。如果需要更严谨的数据可以考虑使用专业金融终端或付费数据服务但前提是注意合规授权。免费方案适合学习、研究和初步验证不适合直接作为投资决策的唯一依据。8.2 代码可维护性把数据获取、清洗、指标计算、可视化拆分成独立函数是数据分析项目的基本功。不要在main.py里堆几千行代码也不要到处硬编码日期和股票代码。建议把股票代码、事件日期、窗口大小都放到配置文件或函数参数中。下面提供一个更合理的函数签名示例def analyze_stock(stock_symbol: str, event_date: str, before: int 10, after: int 10, output_dir: str output): df fetch_data(stock_symbol) window_df compute_event_window(df, event_date, before, after) merged_df compare_with_index(window_df, index_symbolHSI) plot_kline(df, event_date) plot_return_curve(window_df, merged_df) summary generate_summary(window_df) return summary8.3 风险提示与合规边界本文所有内容仅用于技术学习和数据分析演示不构成任何投资建议。股市有风险过往走势不代表未来表现。尤其是所谓“财报后大跌”的事件分析本质是在小样本上做统计描述样本量有限不能作为可预期的交易策略。如果你真的想把这个方案用于实盘辅助需要额外考虑数据延迟风险停牌、除权除息等特殊事件交易成本与滑点财报实际发布时间与预期时间不一致使用数据的授权范围。8.4 扩展方向这套方案可以很方便地扩展成更完整的“事件分析框架”加入多个事件的对比分析比如过去 8 个季度的财报发布日前后涨跌幅统计。加入自然语言处理对财报文本进行情感分析看业绩电话会议中的高频词。加入回测框架把事件窗口策略写成信号测试历史表现。加入自动化定时任务财报发布后自动拉数据、生成图表、推送分析报告到企业微信或飞书机器人。如果你对后面这些方向感兴趣可以继续深入研究 pandas 的时间序列功能、金融特征工程以及轻量级回测框架。数据分析和基本面研究能力是理解公司长期价值的底层工具。本文的示例代码已经覆盖了从数据获取到结论输出的完整链路。你只需要根据自己的分析对象修改股票代码和财报发布日期就可以把同样的流程复用到其他个股上。动手跑一遍数据比单纯看新闻更容易形成自己的判断。
Python量化分析腾讯财报后股价：从数据到可视化的完整方案
最近腾讯发布 Q2 财报后股价盘中跌幅一度超过四个点很多朋友在社区里讨论“大跌之后到底怎么看”。作为技术开发者与其听各种情绪化解读不如自己拉一遍数据用 Python 把行情、财报发布日期、涨跌幅和可视化一次性跑通。这篇文章不会预测股价而是分享一套完整、可复制的量化分析方案从获取腾讯控股的港股日线数据到对齐财报发布时间再到计算事件窗口内的累计涨跌幅、绘制 K 线图与成交量图最后自动生成一份简单的分析报告。这套方案非常适合以下读者想用 Python 做个股事件分析的开发者对 akshare、pandas、mplfinance 感兴趣的数据分析初学者想自己验证“财报发布后股价怎么走”而不是只听消息面的人。文章会先解释核心概念再给环境准备、完整代码、运行结果和常见问题排查。读完你应该能直接改成分析其他港股或 A 股股票。1. 背景与核心概念1.1 财报发布与股价波动的关系上市公司财报是向投资者集中披露经营成果的重要窗口。腾讯这样的互联网巨头每个季度发布财报后市场都会根据营收增速、净利润、游戏业务表现、广告收入、金融科技与企业服务板块等指标快速调整预期。如果数据不及预期或者市场已经提前 priced in 了乐观预期就会出现“利好出尽是利空”的下跌。“大跌四个多点”在港股市场是一个比较明显的单日波动。普通投资者看到的是股价跳动但技术开发者需要思考的是这个跌幅在多大程度上属于公司基本面变化又在多大程度上属于市场情绪、流动性或大盘拖累要回答这个问题最好的方式是把历史数据拉出来计算财报发布日附近的收益率、波动率再与恒生指数同期走势对比。1.2 为什么用 Python 做股价数据分析Python 在金融数据分析领域有很强的生态优势。pandas 提供高效的时间序列处理能力akshare 封装了大量公开财经数据接口mplfinance 可以快速绘制专业 K 线图。整套流程从数据获取到可视化再到结果导出都可以在几十行代码内完成而且可复现、可修改。更重要的是这种方式不依赖任何“内幕消息”。所有数据都来自公开行情和财报日期分析逻辑也完全透明。对于担心数据安全和使用合规的朋友这套方案只使用公开数据接口不涉及任何非公开信息也没有任何绕过限制的内容。1.3 技术选型与数据来源本文选择以下核心工具工具作用Python 3.9运行环境pandas数据处理与分析akshare获取港股日线行情mplfinance绘制 K 线图与成交量matplotlib图表定制与保存数据来源方面akshare 的港股日线接口底层数据来自东方财富等公开来源普通个人开发者可以免费调用。需要提醒的是免费接口的稳定性和字段结构可能随版本调整实际使用时如果遇到字段不匹配优先检查 akshare 版本并查看官方文档。2. 环境准备与版本说明2.1 安装 Python 与依赖库建议使用 Python 3.9 及以上版本。可以使用 venv 或 conda 创建独立环境避免污染系统 Python。python -m venv tencent-analysis source tencent-analysis/bin/activate在虚拟环境中安装依赖pip install akshare pandas mplfinance matplotlib版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路。如果安装速度较慢可以使用国内 PyPI 镜像pip install akshare pandas mplfinance matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple2.2 验证 akshare 是否可用安装完成后先做一次最小验证import akshare as ak print(ak.__version__)能正常输出版本号就说明环境基本可用。如果这一步报错通常需要检查网络环境或者升级 aksharepip install --upgrade akshare2.3 项目结构建议按以下结构组织代码tencent-analysis/ ├── data/ │ └── tencent_hk_daily.csv ├── main.py ├── analyze.py ├── visualize.py └── README.mddata目录用于存放行情数据main.py负责主流程analyze.py负责数据处理与指标计算visualize.py负责绘图。这样拆分的好处是后期替换股票代码或分析逻辑时不需要改动全部代码。3. 获取腾讯控股历史行情数据3.1 akshare 获取港股数据的接口腾讯控股在港股的代码是 00700。akshare 中可以用stock_hk_daily获取港股日线数据。注意不同版本的 akshare 对symbol参数的要求可能略有差异常见写法是直接传入字符串00700。import akshare as ak df ak.stock_hk_daily(symbol00700, adjustqfq) print(df.tail())输出示例字段通常包括字段说明date交易日期open开盘价high最高价low最低价close收盘价volume成交量adjustqfq表示前复权数据适合用于收益率计算。如果不复权遇到分红派息时价格会出现跳空影响事件窗口分析。3.2 数据清洗与字段说明从接口拿到的数据列名可能是小写也可能是其他形式。为了保证后续代码兼容建议做一次统一清洗import pandas as pd df.columns [col.lower() for col in df.columns] df df.rename(columns{ date: trade_date, open: open, high: high, low: low, close: close, volume: volume }) df[trade_date] pd.to_datetime(df[trade_date]) df df.sort_values(trade_date).reset_index(dropTrue)这里把date改为trade_date并统一转换为 pandas 的datetime类型目的是方便后续按时间切片。排序后再重置索引避免原始索引影响事件窗口计算。3.3 保存数据到 CSV数据获取频率不固定为了减少重复请求可以把最新数据保存到本地df.to_csv(data/tencent_hk_daily.csv, indexFalse, encodingutf-8-sig)之后再次分析时可以直接读取本地 CSV减轻对免费接口的压力也方便离线复现df pd.read_csv(data/tencent_hk_daily.csv) df[trade_date] pd.to_datetime(df[trade_date])这里使用utf-8-sig编码主要考虑 Windows 下 Excel 打开 CSV 时中文不会乱码。如果只在代码里用utf-8也可以。4. 财报事件窗口分析4.1 定义财报发布日期腾讯在港股发布财报的时间通常是季度结束后的一个月左右。完整代码不应该写死日期而是通过变量传入。比如“腾讯发布 Q2 财报”对应的事件日期可以定义为event_date 2024-08-14 event_date pd.to_datetime(event_date)具体日期请以腾讯投资者关系官网的公告为准。本文只演示分析方法不把某个日期当作确定事实。4.2 计算事件窗口内的涨跌幅事件窗口分析的核心思路是以财报发布日为中心截取前后若干交易日的行情计算累计涨跌幅。例如分析财报发布日前后 5 个交易日的表现。def compute_event_window(df, event_date, before10, after10): df df.copy() df[trade_date] pd.to_datetime(df[trade_date]) # 找到事件日期在数据中的位置 try: idx df[df[trade_date] event_date].index[0] except IndexError: raise ValueError(事件日期不在数据范围内请检查日期是否为交易日) start_idx max(0, idx - before) end_idx min(len(df) - 1, idx after) window_df df.iloc[start_idx:end_idx 1].copy() window_df[pct_change] window_df[close].pct_change() * 100 window_df[cum_return] (1 window_df[pct_change] / 100).cumprod() - 1 return window_df需要关注几个关键点pct_change是相对前一交易日的单日收益率百分比不是相对财报发布日的累计收益。cum_return用来表示窗口内持有该股票的累计收益率以窗口第一日为基准。财报发布当天如果休市idx就会找不到需要在外部判断。调用示例window_df compute_event_window(df, event_date, before5, after10) print(window_df[[trade_date, close, pct_change, cum_return]])4.3 与恒生指数对比单看腾讯自己的走势很难判断“大跌四个多点”是公司问题还是大盘系统性波动。更合理的做法是拉取恒生指数同期数据做相对收益比较。akshare 获取恒生指数可以用hs_df ak.stock_hk_index_daily(symbolHSI)HSI是恒生指数代码。拿到数据后同样计算事件窗口内的累计收益再计算腾讯相对指数的超额收益hs_df hs_df.rename(columns{date: trade_date, close: hsi_close}) hs_df[trade_date] pd.to_datetime(hs_df[trade_date]) merged pd.merge(window_df, hs_df[[trade_date, hsi_close]], ontrade_date, howleft) merged[hsi_pct_change] merged[hsi_close].pct_change() * 100 merged[hsi_cum_return] (1 merged[hsi_pct_change] / 100).cumprod() - 1 merged[excess_return] merged[cum_return] - merged[hsi_cum_return]如果腾讯下跌但恒指同期跌幅接近甚至更大那么“腾讯大跌”更多是大盘因素如果恒指没怎么跌腾讯却跌了四个多点就需要认真分析公司层面的驱动因素。5. 可视化K 线图与跌幅标注5.1 使用 mplfinance 绘制 K 线图mplfinance 是绘制 K 线图的高效工具只需把 DataFrame 调整为它要求的格式索引为DatetimeIndex列名为Open、High、Low、Close、Volume。import mplfinance as mpf def plot_kline(df, event_date, titleTencent 00700.HK): plot_df df.copy() plot_df plot_df.rename(columns{ open: Open, high: High, low: Low, close: Close, volume: Volume }) plot_df plot_df.set_index(pd.DatetimeIndex(plot_df[trade_date])) plot_df plot_df[[Open, High, Low, Close, Volume]] # 自定义买入/卖出标记 ap [] if event_date in plot_df.index: ap.append(mpf.make_addplot( plot_df.loc[[event_date], Close], typescatter, marker^, markersize200, colorred )) mpf.plot( plot_df, typecandle, volumeTrue, titletitle, stylecharles, addplotap, figsize(14, 8), savefigdict(fnameoutput/kline.png, dpi150, bbox_inchestight) )这段代码做了几件事重命名列名使 mplfinance 识别。把交易日期设为索引。在财报发布日绘制一个红色三角标记。把图片保存到output/kline.png。5.2 绘制均线和成交量mplfinance 可以直接支持均线参数。更常见的做法是传入mav(5, 10, 20)绘制 5、10、20 日均线。mpf.plot( plot_df, typecandle, volumeTrue, mav(5, 10, 20), titleTencent 00700.HK with MA, styleyahoo, figsize(14, 8), savefigdict(fnameoutput/kline_ma.png, dpi150, bbox_inchestight) )均线可以辅助观察趋势。财报发布日如果股价跌破短期均线通常被技术派视为偏弱信号但这只是统计现象不是必然规律。5.3 绘制事件窗口收益曲线除了 K 线图收益率曲线更适合观察窗口内的累计变化import matplotlib.pyplot as plt def plot_return_curve(window_df, merged_df): plt.figure(figsize(12, 6)) plt.plot(window_df[trade_date], window_df[cum_return] * 100, labelTencent, markero) plt.plot(merged_df[trade_date], merged_df[hsi_cum_return] * 100, labelHSI, markers) plt.axvline(xevent_date, colorred, linestyle--, labelEarnings Date) plt.axhline(y0, colorgray, linewidth0.8) plt.legend() plt.title(Event Window Cumulative Return) plt.xlabel(Date) plt.ylabel(Cumulative Return (%)) plt.grid(alpha0.3) plt.savefig(output/return_curve.png, dpi150, bbox_inchestight)这张图可以直观展示财报发布后腾讯的累计收益曲线是否明显跑输恒生指数。6. 导出分析报告6.1 自动汇总数据分析不能只停留在图表上还需要把关键指标汇总成表格。可以输出两类指标财报发布日单日涨跌幅事件窗口内最大回撤、最大上涨、区间累计收益。def generate_summary(window_df): event_day window_df.iloc[0] # 这里需要根据实际逻辑调整 summary { start_date: window_df[trade_date].iloc[0].strftime(%Y-%m-%d), end_date: window_df[trade_date].iloc[-1].strftime(%Y-%m-%d), window_return: f{window_df[cum_return].iloc[-1] * 100:.2f}%, max_drawdown: f{window_df[cum_return].min() * 100:.2f}%, max_rise: f{window_df[cum_return].max() * 100:.2f}%, } return summary需要注意的是window_df如果以事件日前 5 天为起点cum_return的起点就是窗口第一天而不是财报发布日。如果只想看财报发布日后的表现应该把窗口起点设为事件日当天post_df window_df[window_df[trade_date] event_date].copy() post_df[cum_return_post] (1 post_df[pct_change] / 100).cumprod() - 1这样计算出的才是“财报发布后持有至今”的收益。6.2 输出可复现报告可以把汇总结果保存为 CSVsummary_df pd.DataFrame([generate_summary(window_df)]) summary_df.to_csv(output/summary.csv, indexFalse, encodingutf-8-sig) print(summary_df)也可以把 K 线图、收益曲线、汇总表格放在同一个输出目录方便后续整理成图文笔记。对于“腾讯发布 Q2 财报大跌四个多点后续怎么看”这个问题最终的分析结论应该建立在以上数据之上而不是拍脑袋。7. 常见问题与排查思路问题现象常见原因解决思路akshare接口报错或返回空数据网络波动、数据源更新、版本接口调整升级 akshare检查网络查看官方文档确认参数找不到事件日期财报发布日不是交易日或日期格式不对使用pd.to_datetime统一格式判断是否节假日休市字段不存在不同版本接口返回的列名不同打印列名做重命名映射K 线图中文乱码matplotlib 默认字体不支持中文设置中文字体例如plt.rcParams[font.sans-serif] [SimHei]收益率计算不对pct_change()计算的是环比变化不是相对事件日变化确认窗口基准日必要时单独计算事件日相对前收盘的变化免费接口被限流高频请求触发限制适量请求并保存 CSV避免频繁重复拉取具体到“大跌四个多点”的分析最容易踩的坑是窗口边界不统一。有人统计的是“财报当天相对前一天收盘的跌幅”有人统计的是“财报后 5 天累计跌幅”两者含义完全不同交流时一定要先说清楚口径。8. 最佳实践与工程建议8.1 数据源与口径统一免费接口的数据源可能有延迟或字段差异尤其是复权因子不一致时历史收益率的计算结果会不同。建议在分析前固定使用同一个数据源、同一个复权方式并在报告中标注数据来源。如果需要更严谨的数据可以考虑使用专业金融终端或付费数据服务但前提是注意合规授权。免费方案适合学习、研究和初步验证不适合直接作为投资决策的唯一依据。8.2 代码可维护性把数据获取、清洗、指标计算、可视化拆分成独立函数是数据分析项目的基本功。不要在main.py里堆几千行代码也不要到处硬编码日期和股票代码。建议把股票代码、事件日期、窗口大小都放到配置文件或函数参数中。下面提供一个更合理的函数签名示例def analyze_stock(stock_symbol: str, event_date: str, before: int 10, after: int 10, output_dir: str output): df fetch_data(stock_symbol) window_df compute_event_window(df, event_date, before, after) merged_df compare_with_index(window_df, index_symbolHSI) plot_kline(df, event_date) plot_return_curve(window_df, merged_df) summary generate_summary(window_df) return summary8.3 风险提示与合规边界本文所有内容仅用于技术学习和数据分析演示不构成任何投资建议。股市有风险过往走势不代表未来表现。尤其是所谓“财报后大跌”的事件分析本质是在小样本上做统计描述样本量有限不能作为可预期的交易策略。如果你真的想把这个方案用于实盘辅助需要额外考虑数据延迟风险停牌、除权除息等特殊事件交易成本与滑点财报实际发布时间与预期时间不一致使用数据的授权范围。8.4 扩展方向这套方案可以很方便地扩展成更完整的“事件分析框架”加入多个事件的对比分析比如过去 8 个季度的财报发布日前后涨跌幅统计。加入自然语言处理对财报文本进行情感分析看业绩电话会议中的高频词。加入回测框架把事件窗口策略写成信号测试历史表现。加入自动化定时任务财报发布后自动拉数据、生成图表、推送分析报告到企业微信或飞书机器人。如果你对后面这些方向感兴趣可以继续深入研究 pandas 的时间序列功能、金融特征工程以及轻量级回测框架。数据分析和基本面研究能力是理解公司长期价值的底层工具。本文的示例代码已经覆盖了从数据获取到结论输出的完整链路。你只需要根据自己的分析对象修改股票代码和财报发布日期就可以把同样的流程复用到其他个股上。动手跑一遍数据比单纯看新闻更容易形成自己的判断。
