美国的金融市场（主要是股市、债市和汇市）经常受到其国内各项经济数据影响而波动。不仅如此，这些经济数据甚至会影响远在太平洋对岸的港股和A股。因此对于世界经济火车头的美国，我们要有对其经济数据有一定程度的理解。
对于股市而言，几个比较重要的经济指标为：
1. 联储局公开市场委员会会议声明
联储局公开市场委员会(FOMC)是决定美国利率走向的主宰者，而利率是美国经济未来增长的最重要因素，它的变化都会令消费支出、公司利润、政府预算及股票债券和美元的价值都受到影响。
2.消费者物价指数 Consumer Price Index (CPI)
这个指标是市场上最瞩目的经济指标之一，通胀（缩）率是联储局决定是否加息的最主要参考指标，而消费者物价指数则是最重要的通胀（缩）指标。通胀（缩）会影响到民生、政府的财政政策和民间的所有经济活动。通胀（缩）对于投资市场来说是件非常可怕的事情，因为它制造了经济的不稳定性和不确定性，给股市会带来波动和风险。
3.生产者物价指数 Producer Price Index (PPI)
跟CPI一样，这个指标是预测通货膨胀的重要指标之一，不过它反映的是生产者这个环节，是在通胀转移到消费者之前的数据，也就是说它对通胀和利率政策更具前瞻性，尽管其对消费者的影响力不如CPI。
4.采购经理人指数 Purchasing Managers Index (PMI)
PMI是一项全面的经济指标，概括了美国整体制造业状况、就业及物价表现，是全球最受关注的经济资料之一。采购经理人指数为每月第一个公布的重要数据，加上其所反映的经济状况较为全面，因此市场十分重视数据所反映的具体结果。在一般意义上讲采购经理人指数上升，会带来美元汇价上涨；采购经理人指数下降，会带来美元汇价的下跌。
5.非农就业数据 Non-farm Payrolls (NFP)
是美国非农业人口的就业数据，由美国劳工部每月公布一次，反应美国经济的趋势，数据好说明经济好转，数据差说明经济转坏。非农数据会影响美联储对美元的货币政策，经济差，美联储会倾向减息，美元贬值，经济好，美联储会倾向加息，美元升值。
本文将教你如何使用Python调用 FRED(Federal Reserve Economic Data) 数据库API获取以上相关数据。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。
(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.
(可选2) 此外，推荐大家用VSCode编辑器来编写小型Python项目：Python 编程的最好搭档—VSCode 详细指南
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，输入命令安装依赖：
pip install fredapi
2.注册账户获取FredApi权限
为了能够获取FRED的数据，你需要先注册账号、然后申请一个API秘钥，完全免费，三分钟就能解决。
进入FRED主页：https://research.stlouisfed.org
右上角有一个『My Account』，点进去后，选择『Create New Account』申请 FRED 账号：
注册完成后，会跳转到会员页，点击左侧API Keys：
申请API秘钥：
申请完毕后就能获得一个API Key了。
3.通过接口获取Fredapi经济指标数据
FRED 数据量非常庞大，其分为大分类和大分类的子项目。大分类我们可以通过这样的代码获得：
import requests
import pandas as pd
import datetime as dt
def fetch_releases(api_key):
"""
取得 FRED 大分类信息
Args:
api_key (str): 秘钥
"""
r = requests.get('https://api.stlouisfed.org/fred/releases?api_key='+api_key+'&file_type=json', verify=True)
full_releases = r.json()['releases']
full_releases = pd.DataFrame.from_dict(full_releases)
full_releases = full_releases.set_index('id')
# full_releases.to_csv("full_releases.csv")
return full_releases导出为CSV后，你能看到所有的大分类ID及其说明。
每个大分类中有许多子项目，比如 355：Minimum Wage Rates 底下会有：
* FEDMINNFRWG：Nonfarm Workers Minimum Hourly Wage
* FEDMINFRMWG：Farm Workers Minimum Hourly Wage
每一个子项目也有一个专属的『子项目英文代码』，就是前面的那串英文字。
我们可以通过对大分类进行关键字搜索，获取我们文首提到的五个指标：
from fredapi import Fred
import requests
import numpy as np
import pandas as pd
import datetime as dt
def fetch_releases(api_key):
"""
取得 FRED 大分类信息
Args:
api_key (str): 秘钥
"""
r = requests.get('https://api.stlouisfed.org/fred/releases?api_key='+api_key+'&file_type=json', verify=True)
full_releases = r.json()['releases']
full_releases = pd.DataFrame.from_dict(full_releases)
full_releases = full_releases.set_index('id')
# full_releases.to_csv("full_releases.csv")
return full_releases
def fetch_release_id_data(release_id):
"""
按照分类ID获取数据
Args:
release_id (int): 大分类ID
Returns:
dataframe: 数据
"""
econ_data = pd.DataFrame(index=pd.date_range(start='2000-01-01', end=dt.datetime.today(), freq='MS'))
series_df = fred.search_by_release(release_id, limit=3, order_by='popularity', sort_order='desc')
for topic_label in series_df.index:
econ_data[series_df.loc[topic_label].title] = fred.get_series(topic_label, observation_start='2000-01-01', observation_end=dt.datetime.today())
return econ_data
api_key = '填入你的API秘钥'
fred = Fred(api_key)
full_releases = fetch_releases(api_key)
keywords = ["producer price", "consumer price", "fomc", "manufacturing", "employment"]
for search_keywords in keywords:
search_result = full_releases.name[full_releases.name.apply(lambda x: search_keywords in x.lower())]
econ_data = pd.DataFrame(index=pd.date_range(start='2000-01-01', end=dt.datetime.today(), freq='MS'))
for release_id in search_result.index:
print("scraping release_id: ", release_id)
econ_data = pd.concat([econ_data, fetch_release_id_data(release_id)], axis=1)
econ_data.to_csv(f"{search_keywords}.csv")上面就是完整的数据下载代码，如果你想直接获取脚本文件，请在Python实用宝典后台回复：FRED 下载。
填入你申请的 API 秘钥，运行脚本，就能获取我们想要的五个指标数据。会在当前文件夹下生成相应关键词的csv文件。比如 employment.csv 的内容如下:
里面包含了就业相关的许多数据，包括我们关注的非农数据等。
如果你想要更换关键词下载其他关键词的数据，也可以在keywords中进行增删。请注意，这里搜索必须使用小写单词。
获取数据只是第一步，最重要的是如何分析这些数据与股市的相关性。
德意志银行有一个研究发现历年来ISM(即PMI)指数的数值和标普500的同比增长数值是高度相关的。
类似于这样的数据分析切入点是非常有意思的，大家也可以尝试基于这些数据做一些自己的研究分析，说不定会有意外的发现。
我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。
有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。
原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！
Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典
