【论文复现】- 基于北向资金流动的量化投资策略研究（一）
北向资金流动对指数涨跌的影响分析
数据获取
通过Tushare库获取北向资金数据，北向资金从2014年开始流入大陆。
尝试直接调取2014年到2022年底的数据
运行结果如下
通过for循环多次调用，cancat拼接
运行结果如下
写入本地
同样通过Tushare库获取沪深300指数数据，代码399300.SZ。
获取时间范围和北向资金数据对应的指数数据
运行结果如下
写入本地
数据处理
对数据进行预处理，根据北向资金时间来筛选出沪深 300指数对应数据
读取本地数据
首先看一下数据格式
结果如下
只有north_money是需要用到的，dataframe的索引是默认索引，并且trade_date格式是int型，需要转换成datetime格式，设为索引。
处理后的北向资金数据如下
沪深300数据同理，文章主要考虑收盘价、涨跌和涨跌幅三组数据，收盘价这组数据由于起始开盘价格不确定，受此影响，会对后续的分析产生干扰；涨跌幅这组数据是通过涨跌比开盘价计算得到，也会有开盘价的影响，这两个指标均不利于对后续的分析；而涨跌这组数据所反映的比较直观，数据变化大小合适，可以反映另外两个指标，所以这里只保留涨跌数据来与北向资金进行分析。
处理后沪深300数据如下
将北向资金数据和沪深300数据按索引拼接
结果如下
写入本地
平稳性检验
利用自相关图和偏自相关图检验时间序列数据的平稳性
读取本地数据，由于北向资金数据受港股停盘影响，有许多空值，这里的处理是直接剔除空值所在的行
statsmodels模块可以直接绘制自相关和偏自相关图
利用单位根 ADF 检验时间序列数据的平稳性
在Python中，有两个常用的包提供了ADF检验，分别是statsmodel和arch
利用arch模块进行ADF检验
statsmodel模块进行ADF检验代码如下，结果相同
北向资金数据和沪深300数据均为平稳序列。
格兰杰因果检验
自变量为北向资金流入，因变量为沪深300涨跌
结果如下
皮尔逊相关检验
调用scipy.stats中的pearsonr方法
运行结果如下
返回值为皮尔逊相关系数和双尾p值
