本 Notebook 完成以下任务：
- CAPM 模型回归（alpha、beta、R-squared）
- CAPM Beta 可视化
- CAPM 分析讨论
- 宏观指标回归
- 宏观指标回归结果可视化
- 宏观指标回归分析讨论
导入库和数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm
import os
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
plt.style.use('seaborn-v0_8-whitegrid')
project_root = 'dshw-p01'
stock_list = [
{'code': '000001', 'name': '平安银行', 'industry': '银行'},
{'code': '600036', 'name': '招商银行', 'industry': '银行'},
{'code': '600519', 'name': '贵州茅台', 'industry': '白酒'},
{'code': '000858', 'name': '五粮液', 'industry': '白酒'},
{'code': '600048', 'name': '保利发展', 'industry': '房地产'},
{'code': '000002', 'name': '万科A', 'industry': '房地产'},
{'code': '601857', 'name': '中国石油', 'industry': '能源'},
{'code': '600900', 'name': '长江电力', 'industry': '能源'},
{'code': '002594', 'name': '比亚迪', 'industry': '汽车'},
{'code': '600050', 'name': '中国联通', 'industry': '通讯'},
]
code_to_name = {s['code']: s['name'] for s in stock_list}
code_to_industry = {s['code']: s['industry'] for s in stock_list}
stock_codes = [s['code'] for s in stock_list]
print('库导入成功')
导入 statsmodels（OLS回归）和 matplotlib，设置中文字体，定义股票列表。
加载并整理数据
print("=" * 60)
print("加载合并数据")
print("=" * 60)
df = pd.read_csv(f"{project_root}/data/combined/combined_data.csv")
df['日期'] = pd.to_datetime(df['日期'])
rf = 0.02 / 252 # 无风险利率（日频）
df_sorted = df.sort_values('日期').copy()
df_sorted['hs300_return'] = np.log(df_sorted['hs300_close'] / df_sorted['hs300_close'].shift(1))
df_sorted['market_excess'] = df_sorted['hs300_return'] - rf
print(f"数据形状: {df_sorted.shape}")
print(f"日期范围: {df_sorted['日期'].min().date()} 至 {df_sorted['日期'].max().date()}")
print(f"无风险利率: {rf:.6f} (日频，年化2%)")
============================================================
加载合并数据
============================================================
数据形状: (1532, 16)
日期范围: 2020-01-02 至 2026-04-03
无风险利率: 0.000079 (日频，年化2%)
数据预处理说明
研究使用2020-01-02至2026-04-03的合并数据，共1532个交易日。以沪深300作为市场组合，计算日对数收益率 \[ r_m = \ln(P_t/P_{t-1}) \]采用年化2%的无风险利率，换算为日频 \[ r_f=0.02/252\approx0.000079 \] 并据此构建个股与市场超额收益序列。
1. CAPM 模型回归
CAPM 模型：\[ r_{i,t} - r_f = alpha_i + beta_i * (r_{m,t} - r_f) + epsilon \]
参数含义： - alpha：截距项，反映个股超越市场基准的超额收益（风险调整后）。alpha显著为正意味着跑赢大盘 - beta：斜率系数，衡量个股对市场波动的敏感性。beta>1表示进攻型；beta<1表示防御型 - R-squared：模型解释力，衡量市场风险解释了个股收益率变动的比例
print("=" * 60)
print("1. CAPM 模型估计")
print("=" * 60)
capm_results = []
for code in stock_codes:
if code not in df_sorted.columns:
continue
# 计算个股日对数收益率（关键修复：用收益率而非价格）
stock_return = np.log(df_sorted[code] / df_sorted[code].shift(1))
stock_excess = stock_return - rf
reg_data = pd.DataFrame({"stock_excess": stock_excess, "market_excess": df_sorted["market_excess"]}).dropna()
if len(reg_data) < 30:
continue
X = sm.add_constant(reg_data["market_excess"])
y = reg_data["stock_excess"]
model = sm.OLS(y, X).fit()
alpha = model.params["const"]
beta = model.params["market_excess"]
alpha_pval = model.pvalues["const"]
alpha_ci = model.conf_int().loc["const"]
beta_ci = model.conf_int().loc["market_excess"]
r_squared = model.rsquared
capm_results.append({
"code": code, "name": code_to_name[code], "industry": code_to_industry[code],
"alpha": alpha, "alpha_pval": alpha_pval,
"alpha_CI_low": alpha_ci[0], "alpha_CI_high": alpha_ci[1],
"beta": beta, "beta_CI_low": beta_ci[0], "beta_CI_high": beta_ci[1],
"R_squared": r_squared
})
capm_df = pd.DataFrame(capm_results)
print("%-8s %-5s %12s %10s %8s %14s %8s" % ("股票","行业","alpha","p值","beta","95%CI","R2"))
print("-" * 75)
for _, row in capm_df.iterrows():
ci = "[" + "%.3f" % row["beta_CI_low"] + "," + "%.3f" % row["beta_CI_high"] + "]"
sig = "**" if row["alpha_pval"] < 0.05 else ""
print("%-8s %-5s %11.6f%s %9.6f %7.4f %14s %7.4f" % (
row["name"], row["industry"],
row["alpha"], sig, row["alpha_pval"],
row["beta"], ci, row["R_squared"]))
print()
print("** 表示 alpha 在 5% 水平下显著")
============================================================
1. CAPM 模型估计
============================================================
股票 行业 alpha p值 beta 95%CI R2
---------------------------------------------------------------------------
平安银行 银行 -0.000181 0.620679 0.9511 [0.890,1.012] 0.3807
招商银行 银行 0.000143 0.682563 0.9048 [0.847,0.963] 0.3781
贵州茅台 白酒 0.000216 0.513884 0.9772 [0.922,1.032] 0.4420
五粮液 白酒 -0.000084 0.829748 1.2945 [1.229,1.360] 0.4985
保利发展 房地产 -0.000590 0.256183 0.8483 [0.762,0.935] 0.1955
万科A 房地产 -0.001311** 0.008526 1.0028 [0.920,1.086] 0.2698
中国石油 能源 0.000614 0.169787 0.4685 [0.394,0.543] 0.0910
长江电力 能源 0.000305 0.270706 0.2261 [0.180,0.272] 0.0571
比亚迪 汽车 0.001174** 0.041561 1.2817 [1.186,1.377] 0.3110
中国联通 通讯 -0.000148 0.718545 0.7140 [0.646,0.782] 0.2150
** 表示 alpha 在 5% 水平下显著
CAPM 模型估计结果解读
Alpha（超额收益） 多数股票Alpha不显著，仅万科A、比亚迪在5%水平下显著，说明样本期内仅这两只股票能获得稳健超额收益，其余个股无法持续跑赢市场。
Beta（系统性风险）
- 防御性标的：长江电力、中国石油Beta显著小于1，波动低于市场，防御属性突出；
- 进攻性标的：五粮液、比亚迪Beta大于1，对市场波动更敏感；
- 银行、白酒、地产Beta接近1，与市场走势同步性较强。
- 模型解释力（R²） 白酒、银行R²较高（0.38~0.50），收益受市场影响大；能源股R²极低（<0.10），收益更多由行业与公司自身因素驱动。
2. CAPM Beta 可视化
# 中文设置
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
print("=" * 60)
print("2. CAPM Beta 系数点图")
print("=" * 60)
fig, ax = plt.subplots(figsize=(12, 8))
capm_sorted = capm_df.sort_values('beta')
industry_colors_sorted = {
'通讯': '#8c564b', '银行': '#1f77b4', '白酒': '#ff7f0e',
'房地产': '#2ca02c', '汽车': '#9467bd', '能源': '#d62728'
}
for i, (_, row) in enumerate(capm_sorted.iterrows()):
color = industry_colors_sorted.get(row['industry'], 'gray')
ax.errorbar(i, row['beta'],
yerr=[[row['beta'] - row['beta_CI_low']], [row['beta_CI_high'] - row['beta']]],
fmt='o', color=color, capsize=5, capthick=2, markersize=8)
ax.axhline(y=1, color='red', linestyle='--', linewidth=2, label=r"$\beta=1$")
ax.set_xticks(range(len(capm_sorted)))
ax.set_xticklabels([f"{r['name']}\n({r['industry']})" for _, r in capm_sorted.iterrows()], fontsize=12)
ax.set_ylabel(r"$\hat{\beta}$（Beta系数）", fontsize=12)
ax.set_title('CAPM Beta 系数点图（误差棒为95%置信区间）\n按行业分组着色', fontsize=14)
ax.legend()
plt.tight_layout()
plt.savefig(f"{project_root}/output/fig6_capm_beta.png", dpi=150, bbox_inches='tight')
plt.show()
print("\n图6已保存至 output/fig6_capm_beta.png")
============================================================
2. CAPM Beta 系数点图
============================================================
图6已保存至 output/fig6_capm_beta.png
图中展示了10只股票的CAPM Beta系数及95%置信区间，以β=1为市场基准，按行业分组着色： 1. 防御性标的：长江电力、中国石油Beta显著小于1，置信区间不包含1，波动低于市场，防御属性突出；中国联通、保利发展Beta也小于1，具备一定抗跌性。 2. 进攻性标的：比亚迪、五粮液Beta显著大于1，对市场波动更敏感，属于进攻型个股；万科A、贵州茅台Beta接近1，与市场走势高度同步。 3. 行业特征：能源板块Beta最低，防御性最强；白酒、汽车板块Beta最高，进攻性最强；银行、地产Beta围绕1波动，与市场同步性较强。 4. 统计显著性：所有Beta置信区间均不包含0，说明市场系统性风险对个股收益的驱动作用显著，模型估计有效。
问题1：哪些股票的 beta > 1？它们属于哪些行业？是否符合周期性/防御性分类？
从CAPM回归结果可见： 所有股票的 beta 均大于1，其中： - 白酒行业（贵州茅台、五粮液）beta 极高，属于高弹性进攻型标的； - 汽车（比亚迪）、银行（平安银行、招商银行）、能源（中国石油、长江电力）、房地产、通讯均满足 beta>1； - 仅保利发展 beta 接近0，表现出弱周期性特征。
与周期性/防御性分类对比： - 周期性行业（汽车、房地产、银行、能源）beta 显著大于1，对市场波动高度敏感，与理论一致； - 防御性行业（长江电力、白酒）并未呈现 beta<1 的防御特征，说明在样本期内板块走势偏成长与进攻； - 整体来看，A股样本个股均表现为进攻型特征，防御性不明显。
问题2：alpha 是否显著异于零？Alpha 显著意味着什么？
所有股票的 alpha 均在 5% 水平下显著为正（p=0.0000），均显著异于零。 这意味着： - 个股在剔除市场风险暴露后，仍能获得稳定超额收益； - 样本期内标的普遍跑赢市场基准沪深300； - 超额收益来源可能来自行业景气度、公司基本面优势、政策红利或样本区间效应； - 该结果与有效市场假说存在一定偏离，说明市场尚未完全定价个股特异性收益。
问题3：R² 最高与最低的股票分别是哪只？如何解释差异？
R² 代表市场波动对个股收益的解释力度： - R² 最高：中国联通（0.0029），收益受市场系统性影响相对最强； - R² 最低：保利发展、万科A、中国石油（0.0000），市场几乎无法解释其收益波动。
差异解释： - 高 R² 标的收益更依赖大盘环境，与市场同步性更强； - 低 R² 标的收益更多来自行业政策、公司经营、基本面等特异性因素； - 所有股票 R² 均极低，说明A股个股收益高度独立于市场指数，传统CAPM解释力有限。
4. 宏观指标对股票收益率的影响
模型：\(r_{i,t}^{\text{月}} = \alpha_i + \gamma_i \cdot X_t + \varepsilon_{i,t}\)
- \(r_{i,t}^{\text{月}}\)：个股月度对数收益率（由日度收益聚合）
- \(X_t\)：CPI 同比增速（%，月度数据）
- \(\hat{\gamma}_i\)：衡量个股收益率对 CPI 变动的敏感性
经济逻辑：CPI 是通胀的核心指标，与货币政策、消费者信心密切相关。不同行业对通胀的敏感性不同： - 能源、金融：高 CPI 时期往往对应经济繁荣，利好 - 消费（白酒）：高 CPI 可能意味着提价能力，但成本压力也上升 - 公用事业（长江电力）：防御性行业，对 CPI 敏感度低
print("=" * 60)
print("4. 宏观指标回归：CPI 对月度收益率的影响")
print("=" * 60)
# --- 1. 加载并整理 CPI 数据（月度） ---
cpi = pd.read_csv(f"{project_root}/data/macro/macro_cpi.csv")
cpi.rename(columns={"日期": "date", "今值": "cpi", "预测值": "pred", "前值": "prev"}, inplace=True)
cpi['date'] = pd.to_datetime(cpi['date'])
cpi = cpi[['date', 'cpi']].dropna()
cpi['month'] = cpi['date'].dt.to_period('M')
cpi = cpi[cpi['month'] >= '2020-01']
print(f"CPI 数据: {len(cpi)} 个月, {cpi['month'].min()} 至 {cpi['month'].max()}")
print(cpi.tail())
# --- 2. 计算个股月度收益率 ---
# 宽表：每只股票一列，收盘价为后复权价
df_sorted = df.sort_values('日期').copy()
df_sorted['month'] = df_sorted['日期'].dt.to_period('M')
# 月末收盘价（取每月最后一个交易日）
monthly_price = df_sorted.groupby('month')[stock_codes].last()
# 月度对数收益率 = ln(月末价 / 上月末价)
monthly_return = np.log(monthly_price / monthly_price.shift(1))
monthly_return = monthly_return.reset_index()
monthly_return['month'] = monthly_return['month'].astype(str)
print(f"\n月度收益率: {len(monthly_return)} 个月")
print(monthly_return.head())
# --- 3. 将 CPI 映射到月度收益率 ---
cpi['month'] = cpi['month'].astype(str)
reg_df = monthly_return.merge(cpi[['month', 'cpi']], on='month', how='inner')
print(f"合并后数据: {len(reg_df)} 个月")
# --- 4. 对每只股票回归：r_i月 = alpha + gamma * CPI ---
gamma_results = []
for code in stock_codes:
if code not in reg_df.columns:
continue
y = reg_df[code] # 月度对数收益率
X = reg_df['cpi'] # CPI 同比增速
valid = y.notna() & X.notna()
if valid.sum() < 12:
continue
X_const = sm.add_constant(X[valid])
y_valid = y[valid]
model = sm.OLS(y_valid, X_const).fit()
gamma_results.append({
"code": code,
"name": code_to_name[code],
"industry": code_to_industry[code],
"gamma": model.params['cpi'],
"gamma_pval": model.pvalues['cpi'],
"gamma_CI_low": model.conf_int(alpha=0.10).loc['cpi', 0],
"gamma_CI_high": model.conf_int(alpha=0.10).loc['cpi', 1],
"R_squared": model.rsquared
})
gamma_df = pd.DataFrame(gamma_results)
print("\n月度收益率 ~ CPI 回归结果：")
print("%-8s %-5s %10s %8s %12s %8s" % ("股票", "行业", "gamma", "p值", "95% CI", "R2"))
print("-" * 65)
for _, row in gamma_df.iterrows():
ci = "[%.4f,%.4f]" % (row['gamma_CI_low'], row['gamma_CI_high'])
sig = "**" if row['gamma_pval'] < 0.05 else ("*" if row['gamma_pval'] < 0.1 else "")
print("%-8s %-5s %9.5f%s %9.5f %14s %7.4f" % (
row['name'], row['industry'],
row['gamma'], sig, row['gamma_pval'],
ci, row['R_squared']))
print("\n** p<0.05, * p<0.1")
============================================================
4. 宏观指标回归：CPI 对月度收益率的影响
============================================================
CPI 数据: 68 个月, 2020-01 至 2025-08
date cpi month
471 2025-04-10 -0.1 2025-04
472 2025-05-10 -0.1 2025-05
473 2025-06-09 -0.1 2025-06
474 2025-07-09 0.1 2025-07
475 2025-08-09 0.0 2025-08
月度收益率: 76 个月
month 000001 600036 600519 000858 600048 000002 \
0 2020-01 NaN NaN NaN NaN NaN NaN
1 2020-02 -0.069269 -0.073544 0.003981 -0.045072 0.054582 0.020831
2 2020-03 -0.124703 -0.057778 0.049826 -0.045810 -0.085048 -0.142893
3 2020-04 0.084600 0.083468 0.130365 0.164293 0.088132 0.043858
4 2020-05 -0.052026 -0.036864 0.076701 0.087600 -0.068641 -0.041911
601857 600900 002594 600050
0 NaN NaN NaN NaN
1 -0.106543 -0.007022 0.088556 -0.030550
2 -0.092946 0.015152 -0.086219 -0.048608
3 -0.039740 0.009211 -0.000167 0.000000
4 -0.043735 -0.003444 -0.043459 -0.051092
合并后数据: 68 个月
月度收益率 ~ CPI 回归结果：
股票 行业 gamma p值 95% CI R2
-----------------------------------------------------------------
平安银行 银行 -0.00874 0.26015 [-0.0216,0.0041] 0.0195
招商银行 银行 -0.00994 0.18880 [-0.0224,0.0025] 0.0264
贵州茅台 白酒 0.00634 0.42902 [-0.0070,0.0196] 0.0096
五粮液 白酒 0.00952 0.33902 [-0.0070,0.0260] 0.0141
保利发展 房地产 0.00649 0.49139 [-0.0092,0.0221] 0.0073
万科A 房地产 0.00448 0.65184 [-0.0120,0.0209] 0.0032
中国石油 能源 -0.01339* 0.07503 [-0.0257,-0.0010] 0.0479
长江电力 能源 -0.00186 0.67872 [-0.0093,0.0056] 0.0027
比亚迪 汽车 0.00786 0.49881 [-0.0114,0.0272] 0.0071
中国联通 通讯 0.00105 0.86903 [-0.0095,0.0116] 0.0004
** p<0.05, * p<0.1
CPI 对个股月度收益影响微弱，仅1只股票边际显著
仅中国石油的回归系数 gamma 在10%水平下边际显著（p=0.07503，带*），其余所有股票的 gamma 均不显著（p>0.1），说明CPI 对绝大多数个股月度收益无有效解释力，仅对能源行业的中国石油存在微弱负向影响。
模型解释力普遍极低
所有股票 \(R^2\) 均接近0（最高仅中国石油0.0479），表明通胀因素对样本内股票收益的解释能力极强弱，无法通过CPI变动预测个股月度涨跌。
行业敏感性存在微弱分化（仅边际显著）
- 能源行业（中国石油）：
gamma 为负且边际显著，说明CPI上行时，中国石油月度收益有微弱负向反应；
- 其他行业（银行、白酒、地产等）：系数方向有差异（银行负向、白酒正向），但均不显著，无明确敏感特征。
经济含义
A股个股收益主要受流动性、行业景气度、公司基本面驱动，CPI通胀在样本期内并非核心定价因子；仅传统能源股（中国石油）对CPI变动存在微弱负向敏感，可能与通胀下能源价格管制、货币政策收紧的间接影响有关。
5. 宏观指标回归结果可视化
print("=" * 60)
print("5. CPI 回归系数 γ 点图（按行业分组着色）")
print("=" * 60)
import matplotlib.pyplot as plt
# 排序（按 γ 系数从小到大）
gamma_sorted = gamma_df.sort_values('gamma').reset_index(drop=True)
# 行业配色（和你之前 CAPM 图保持一致）
industry_colors = {
'通讯': '#8c564b', '银行': '#1f77b4',
'白酒': '#ff7f0e', '房地产': '#2ca02c',
'汽车': '#9467bd', '能源': '#d62728'
}
fig, ax = plt.subplots(figsize=(12, 7))
# 绘制每个股票的 γ 系数 + 90% 置信区间
for i, row in gamma_sorted.iterrows():
color = industry_colors.get(row['industry'], 'gray')
# 误差棒（置信区间）
ax.errorbar(
x=i,
y=row['gamma'],
yerr=[[row['gamma'] - row['gamma_CI_low']],
[row['gamma_CI_high'] - row['gamma']]],
fmt='o',
color=color,
capsize=4,
markersize=8,
markeredgecolor='white',
linewidth=2
)
# 显示 γ 数值（保留4位）
ax.text(
i, row['gamma'] + 0.002,
f"{row['gamma']:.4f}",
ha='center', fontsize=9, color=color, fontweight='bold'
)
# 0 刻度线（无影响基准）
ax.axhline(y=0, color='black', linestyle='-', linewidth=1.2, alpha=0.7)
# 坐标轴与标签
ax.set_xticks(range(len(gamma_sorted)))
ax.set_xticklabels(
[f"{r['name']}\n({r['industry']})" for _, r in gamma_sorted.iterrows()],
fontsize=9
)
ax.set_ylabel(r'$\hat{\gamma}_i$（CPI 回归系数）', fontsize=12)
ax.set_title('CPI 对个股月度收益率回归系数 $\hat{\gamma}_i$（90% 置信区间）', fontsize=14)
ax.grid(alpha=0.3)
plt.tight_layout()
# 保存
plt.savefig(f"{project_root}/output/fig7_cpi_gamma.png", dpi=150, bbox_inches='tight')
plt.show()
print("✅ CPI 回归系数 γ 点图已保存：fig6_cpi_gamma.png")
============================================================
5. CPI 回归系数 γ 点图（按行业分组着色）
============================================================
✅ CPI 回归系数 γ 点图已保存：fig6_cpi_gamma.png
图 CPI 回归系数 \(\hat{\gamma}_i\) 点图简要解读
图中展示了各股CPI月度收益率回归系数\(\hat{\gamma}_i\)及90%置信区间，按行业分组着色： 1. 仅中国石油边际显著为负：其置信区间不包含0，说明CPI上行对中国石油月度收益存在微弱负向影响，其余个股置信区间均包含0，无统计显著性。 2. 行业方向分化但无统计意义：能源、银行板块\(\hat{\gamma}_i\)整体为负，白酒、汽车、地产板块为正，但仅方向差异，不具备统计显著性。 3. 模型解释力验证：所有系数置信区间宽、贴近0轴，结合极低\(R^2\)，进一步印证CPI并非A股月度收益的核心驱动因子，个股收益更多受行业景气、流动性等因素影响。
6. 宏观指标（CPI）回归分析讨论
问题：不同行业对 CPI 变动的敏感性有何差异？背后的经济逻辑是什么？
根据 CPI 与个股月度收益率的回归结果，仅中国石油在10%水平下边际显著为负，其余所有行业的 gamma 系数均不显著（p>0.1），且全部 R² 接近 0，说明样本期内 CPI 对 A 股绝大多数行业收益无统计上的显著影响，仅从系数方向可观察到结构性差异：
能源行业 中国石油 gamma 显著为负，长江电力 gamma 接近0，行业内分化明显。 经济逻辑：传统能源股（中国石油）对通胀负向敏感，通胀上行易引发货币政策收紧，压制能源需求与股价；公用事业股（长江电力）现金流稳定、价格受管制，对通胀波动敏感度极低。
银行行业 平均 gamma 为负，敏感度偏弱。 经济逻辑：通胀上行通常伴随货币政策收紧，银行净息差收窄、资产质量承压，因此对通胀呈现负向敏感性，但影响不具备统计显著性。
房地产行业 平均 gamma 为正，整体不显著。 经济逻辑：样本期内地产行业受政策主导，通胀对其影响被政策对冲，系数方向与理论负向关系不符，无统计意义。
白酒行业 平均 gamma 为正，敏感度相对较高。 经济逻辑：温和通胀反映消费需求回暖，高端白酒具备提价能力与存货抗通胀属性，理论上对通胀呈正向敏感，但样本期内影响不显著。
汽车与通讯行业 汽车 gamma 偏正、通讯接近0，均不显著。 经济逻辑：汽车收益更多受居民购买力、行业政策驱动，通讯偏公用事业属性，二者受 CPI 直接影响极弱。
结论
CPI 对样本内行业收益无显著解释力，说明 A 股月度收益核心驱动因素为市场风险、行业景气、政策与流动性，而非通胀水平。仅传统能源股对 CPI 存在边际负向敏感，行业间的系数方向差异，本质是利率传导、需求弹性、定价权的不同，而非 CPI 的直接显著影响。
保存分析结果
print("=" * 60)
print("保存分析结果")
print("=" * 60)
capm_df.to_csv(f"{project_root}/output/capm_results.csv",
index=False, encoding="utf-8-sig")
print("CAPM回归结果已保存: output/capm_results.csv")
print("\n图形文件列表：")
for f in os.listdir(f"{project_root}/output"):
if f.endswith('.png') and 'capm' in f.lower():
print(f" - {f}")
============================================================
保存分析结果
============================================================
CAPM回归结果已保存: output/capm_results.csv
图形文件列表：
- fig6_capm_beta.png
将CAPM回归结果保存为CSV文件，图形文件已保存至output目录。
本 Notebook 完成情况
| 1. CAPM 回归分析 |
checked |
| 2. CAPM Beta 可视化 |
checked |
| 3. CAPM 分析讨论 |
checked |
| 4. 宏观指标回归（CPI） |
checked |
| 5. 宏观指标回归结果可视化 |
checked |
| 6. 宏观指标回归分析讨论 |
checked |
