import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

# 加载股票数据（实际应用中可以从Yahoo Finance等API获取）
# 这里使用示例数据，实际应用中请替换为真实数据
# df = pd.read_csv('stock_data.csv')

# 创建示例数据
np.random.seed(42)  # 设置随机种子，保证结果可复现
date_range = pd.date_range(start='2024-01-01', end='2025-01-01', freq='B')
n = len(date_range)

# 生成正常的价格和成交量数据
closing_price = 100 + np.cumsum(np.random.randn(n))
volume = np.random.normal(500000, 100000, n)  # 均值为500000，标准差为100000的正态分布
volume = np.abs(volume).astype(int)  # 确保成交量为正数

# 人为添加一些成交量异常点
num_anomalies = 10
anomaly_indices = np.random.choice(n, num_anomalies, replace=False)
for i in anomaly_indices:
    # 随机决定是成交量放大还是缩小
    if np.random.rand() > 0.5:
        volume[i] = volume[i] * 3  # 成交量放大3倍
    else:
        volume[i] = volume[i] / 5  # 成交量缩小到1/5

# 创建DataFrame
df = pd.DataFrame({
    'Date': date_range,
    'Close': closing_price,
    'Volume': volume
})

# 计算5日平均成交量
df['Volume_MA5'] = df['Volume'].rolling(window=5).mean()

# 使用Z-score方法检测成交量异常
# Z-score表示数据点距离均值的标准差倍数
window_size = 20  # 计算Z-score的窗口大小
df['Volume_Zscore'] = df['Volume'].rolling(window=window_size).apply(
    lambda x: (x[-1] - x.mean()) / x.std() if x.std() > 0 else 0
)

# 设置异常阈值，通常为2或3个标准差
z_threshold = 2
df['Volume_Anomaly'] = np.abs(df['Volume_Zscore']) > z_threshold

# 使用箱线图方法检测异常（另一种常用方法）
q1 = df['Volume'].rolling(window=window_size).quantile(0.25)
q3 = df['Volume'].rolling(window=window_size).quantile(0.75)
iqr = q3 - q1
lower_bound = q1 - 1.5 * iqr
upper_bound = q3 + 1.5 * iqr
df['Volume_Outlier'] = (df['Volume'] < lower_bound) | (df['Volume'] > upper_bound)

# 可视化结果
plt.figure(figsize=(14, 8))

# 绘制价格走势图
plt.subplot(3, 1, 1)
plt.plot(df['Date'], df['Close'])
plt.title('价格走势')
plt.ylabel('价格')

# 绘制成交量图，并标记异常点
plt.subplot(3, 1, 2)
plt.bar(df['Date'], df['Volume'], label='成交量')
plt.plot(df['Date'], df['Volume_MA5'], color='red', label='5日平均成交量')
# 标记Z-score异常点
anomaly_dates = df[df['Volume_Anomaly']]['Date']
anomaly_volumes = df[df['Volume_Anomaly']]['Volume']
plt.scatter(anomaly_dates, anomaly_volumes, color='purple', marker='o', s=100, label='Z-score异常')
plt.title('成交量与异常检测')
plt.ylabel('成交量')
plt.legend()

# 绘制Z-score图
plt.subplot(3, 1, 3)
plt.plot(df['Date'], df['Volume_Zscore'])
plt.axhline(y=z_threshold, color='r', linestyle='--', label=f'上阈值 ({z_threshold})')
plt.axhline(y=-z_threshold, color='r', linestyle='--', label=f'下阈值 ({-z_threshold})')
plt.title('成交量Z-score')
plt.ylabel('Z-score')
plt.legend()

plt.tight_layout()
plt.show()

# 输出检测到的异常日期
print("检测到的成交量异常日期：")
anomaly_data = df[df['Volume_Anomaly']][['Date', 'Volume', 'Volume_MA5', 'Volume_Zscore']]
print(anomaly_data)

# 计算异常检测的统计信息
print(f"\n总交易日数: {n}")
print(f"检测到的异常日数: {len(anomaly_data)}")
print(f"异常日占比: {len(anomaly_data)/n:.2%}")

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import yfinance as yf  # 需要安装yfinance库：pip install yfinance
from datetime import datetime, timedelta

# 设置中文显示
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt.rcParams["axes.unicode_minus"] = False  # 解决负号显示问题

# 下载股票数据
def download_stock_data(ticker, start_date, end_date):
    try:
        data = yf.download(ticker, start=start_date, end=end_date)
        return data
    except Exception as e:
        print(f"下载数据时出错: {e}")
        # 如果下载失败，返回模拟数据
        date_range = pd.date_range(start=start_date, end=end_date, freq='B')
        n = len(date_range)
        closing_price = 100 + np.cumsum(np.random.randn(n))
        data = pd.DataFrame({
            'Close': closing_price
        }, index=date_range)
        return data

# 计算每日收益率
def calculate_daily_returns(data):
    data['Daily_Return'] = data['Close'].pct_change()
    return data

# 计算VaR（历史模拟法）
def calculate_var(returns, confidence_level=0.95, holding_period=1):
    # 去除NaN值
    clean_returns = returns.dropna()
    
    # 计算分位数（VaR值为负值，表示潜在损失）
    var = np.percentile(clean_returns, (1 - confidence_level) * 100)
    
    # 对于持有期大于1天的情况，假设收益率呈正态分布，使用时间平方根法则调整
    if holding_period > 1:
        var = var * np.sqrt(holding_period)
    
    return var

# 计算CVaR（条件风险价值）
def calculate_cvar(returns, confidence_level=0.95):
    clean_returns = returns.dropna()
    var = np.percentile(clean_returns, (1 - confidence_level) * 100)
    cvar = clean_returns[clean_returns <= var].mean()
    return cvar

# 可视化VaR结果
def plot_var_results(returns, var_95, var_99, cvar_95):
    plt.figure(figsize=(12, 6))
    
    # 绘制收益率分布直方图
    plt.hist(returns.dropna(), bins=50, density=True, alpha=0.6, color='blue', label='日收益率分布')
    
    # 添加VaR和CVaR标记
    plt.axvline(x=var_95, color='red', linestyle='--', label=f'95% VaR: {var_95:.4f}')
    plt.axvline(x=var_99, color='purple', linestyle='--', label=f'99% VaR: {var_99:.4f}')
    plt.axvline(x=cvar_95, color='orange', linestyle='-', label=f'95% CVaR: {cvar_95:.4f}')
    
    plt.title('收益率分布与VaR分析')
    plt.xlabel('日收益率')
    plt.ylabel('频率')
    plt.legend()
    plt.grid(True, alpha=0.3)
    plt.show()

# 主函数
def main():
    # 设置参数
    ticker = "AAPL"  # 股票代码，这里以苹果公司为例
    end_date = datetime.now()
    start_date = end_date - timedelta(days=365*3)  # 下载过去3年的数据
    confidence_level_95 = 0.95  # 95%置信水平
    confidence_level_99 = 0.99  # 99%置信水平
    holding_period = 1  # 持有期为1天
    
    # 下载数据
    print(f"正在下载 {ticker} 的历史数据...")
    data = download_stock_data(ticker, start_date, end_date)
    
    # 计算每日收益率
    data = calculate_daily_returns(data)
    
    # 计算VaR和CVaR
    var_95 = calculate_var(data['Daily_Return'], confidence_level_95, holding_period)
    var_99 = calculate_var(data['Daily_Return'], confidence_level_99, holding_period)
    cvar_95 = calculate_cvar(data['Daily_Return'], confidence_level_95)
    
    # 打印结果
    print(f"\n风险价值(VaR)分析结果:")
    print(f"95%置信水平下的1天VaR: {var_95:.4f} (表示有5%的概率损失超过{abs(var_95)*100:.2f}%)")
    print(f"99%置信水平下的1天VaR: {var_99:.4f} (表示有1%的概率损失超过{abs(var_99)*100:.2f}%)")
    print(f"95%置信水平下的1天CVaR: {cvar_95:.4f} (表示在超过VaR的情况下，平均损失为{abs(cvar_95)*100:.2f}%)")
    
    # 可视化结果
    plot_var_results(data['Daily_Return'], var_95, var_99, cvar_95)
    
    # 计算实际亏损超过VaR的天数（回溯测试）
    exceed_95 = data[data['Daily_Return'] < var_95]
    exceed_99 = data[data['Daily_Return'] < var_99]
    
    print(f"\n回溯测试结果:")
    print(f"总交易天数: {len(data['Daily_Return'].dropna())}")
    print(f"超过95% VaR的天数: {len(exceed_95)} ({len(exceed_95)/len(data['Daily_Return'].dropna())*100:.2f}%)")
    print(f"超过99% VaR的天数: {len(exceed_99)} ({len(exceed_99)/len(data['Daily_Return'].dropna())*100:.2f}%)")

if __name__ == "__main__":
    main()