在上一堂課中，掌櫃介紹了獲取**資料的方法，即通過Tushare的API介面獲取最新資料。 有了基礎資料，我們可以做一些簡單的分析。
今天，我們將介紹乙個特別簡單且可操作的策略——簡單定期投資，即在每個月的第乙個交易日，以每年最後乙個交易日的開盤價賣出一手（100股）。
按照慣例，第一次使用時，需要先導入相關的 Python 庫。
importtushare as ts
importpandas as pd
importnumpy as np
根據上一課講授的內容，平安銀行2013-2024年的交易資料一次性提取自圖方股份。
選擇平安銀行自2024年以來的漲跌資訊。
pro = ts.pro api（） 初始化介面。
df_pingan = pro.daily(ts_code='000001.sz',start_date='20130101',end_date='20231201')
為了進一步處理資料，原始資料中“交易日期”的格式為文字格式，需要以 Python 支援的日期時間格式進行處理，並將“交易日期”設定為索引。
df_pingan['trade_date'] = pd.to_datetime(df_pingan['trade_date'],format='%y%m%d'） 將文字資料轉換為標準時間序列
df_pingan.set_index('trade_date'， inplace=true） 將交易時間設定為索引
df_pingan.head()
從十年的資料中提取每個月第乙個交易日的資料，這裡可以使用pandas Dataframe的resample命令來方便資料的分組，類似於groupby分組的用法，但resample更適合時序資料，可以快速分組，按日期過濾。
例如，resample（'m'） 是每個月日曆的最後一天，resample（'a'） 是一年中的最後一天。 對各組進行劃分後，可以進行統計分析，例如，使用第乙個和最後乙個方法對第乙個和最後乙個資料進行統計，也有平均值和總和等常規的統計方法。
df_buy = df_pingan.resample('m').first（） 選擇每月第乙個交易日的資料作為參考
df_buy.tail()
需要注意的是，此處顯示的系列指數與資料不符，例如 2023-12-31 的開盤價（“開盤價”）65 美元是截至 2023 年 12 月 1 日的資料。 這裡的序列指數對應的是第乙個交易日的資料，應該理解為組名，沒有實際意義。
對每個月進行分組並提取第一天的資料後，就可以輕鬆進入下一步。 你只需要把每個月的開倉時間加起來，再乘以100股的數量就可以得到所有的費用，這要花費175757元。
花的錢
cost = df_buy['open'].sum() 100
成本 同樣，下一步是選擇一年中的最後乙個交易日，並使用開盤價作為交易**。
df_sell = df_pingan.resample('a').last（）[1] 每年選擇最後交易日資料作為賣出參考
df_sell.tail()
這裡需要注意的是，2024年還沒有結束，還不是賣出全年的時候。
因此，僅計算 2013 年至 2022 年的銷售利潤。
收益為164064元。
賣**賺錢
revenue = df_sell['open'].sum() 1200
revenue
這裡也計算了2024年***的價值，2024年持有的***的價值，按最近一期計算，即2024年12月1日的***價格為11592元。
計算 2023 年收入
last_money = df_pingan['close'][0]*1200
last_money
將出售**的收益加到2024年的持股價值中，再減去***的成本，定期投資的回報為-101元。
這意味著我在平安銀行十年虧了101塊錢，這還不包括這十年的通貨膨脹，還有交易手續費和稅費，我其實應該虧得更多。
要知道，10年前，平安銀行的股價還不止15元，而現在只值9元6，跌幅整整三分之一。 在股價三分之一的情況下，基本可以保證盈虧平衡，可見簡單的定期投資也有一定的好處。
但總的來說，簡單的定期投資策略還是很難保證到好的回報，還不如把錢存進銀行賺利息。