Python для алготрейдинга - страница 15
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Рассчитать доходность, создать матрицу корреляции, построить график производительности || Анализ запасов с помощью Python, часть 5
Рассчитать доходность, создать матрицу корреляции, построить график производительности || Анализ запасов с помощью Python, часть 5
Добро пожаловать в пятую часть моей серии статей об использовании Python для анализа акций. В описании видео вы найдете ссылки на предыдущие четыре части, а также ссылку на репозиторий GitHub, где вы можете получить доступ к коду.
В четвертой части мы получили цены закрытия для выбранных ценных бумаг и сохранили их в файл. Теперь, в пятой части, мы сосредоточимся на расчете доходности на основе этих цен закрытия. Прежде чем мы продолжим, нам нужно импортировать библиотеку NumPy.
Мы создадим функцию под названием «calculate_returns», которая принимает в качестве входных данных папку и имя файла. Для обработки потенциальных ошибок мы будем использовать блок try-except. Внутри функции мы будем использовать pandas для чтения данных из CSV-файла. Мы установим столбец индекса на дату и вернем DataFrame результатов.
Мы можем протестировать функцию, распечатав результат, передав имя папки и имя файла. В показанном примере он успешно вычисляет доходность для выбранных ценных бумаг.
Отсюда есть несколько возможных следующих шагов. Одной из общих задач является расчет корреляций между ценными бумагами. Хотя я не буду углубляться в конкретную реализацию, вы можете использовать результат предыдущей функции для создания функции для вычисления корреляций. Вы можете изучить различные варианты, такие как чтение данных из файла (например, Excel или CSV), чтобы повысить гибкость.
Еще одна полезная функция, которую мы можем написать, — это построение цен закрытия. Для этого нам нужно импортировать библиотеку matplotlib. Функция «plot_closes» принимает закрытия в качестве входных данных, которые могут быть файлами CSV или Excel. Кроме того, мы можем построить график цен относительно начальной цены.
Внутри функции мы считываем данные с помощью панд и на основе относительного параметра строим цены как они есть или строим производительность относительно начальной цены. Мы можем настроить график с помощью таких параметров, как линии сетки и горизонтальная линия на нуле (или один, в зависимости от желаемого представления).
Тестируя функцию, мы можем увидеть результирующий график для выбранных бумаг. Установив относительный параметр в значение true, мы можем наблюдать за производительностью относительно начальной цены.
В шестой части мы продолжим работать с ценами закрытия и изменениями, сосредоточившись на сохранении этих данных в отдельный файл.Загрузка, преобразование и запись данных в Excel с помощью Python || Анализ запасов с помощью Python, часть 6
Загрузка, преобразование и запись данных в Excel с помощью Python || Анализ запасов с помощью Python, часть 6
Добро пожаловать в шестую часть моей серии статей об анализе акций с помощью Python. В описании видео вы найдете ссылки на предыдущие пять видео, а также ссылку на репозиторий GitHub, содержащий код.
В предыдущей части мы рассмотрели различные способы построения графика цен закрытия для выбранных акций. Теперь, в шестой части, мы используем другой подход для получения данных и работы с файлами Excel. Мы создадим функцию под названием «get_return_data», которая принимает как минимум один тикер в качестве входных данных (несколько тикеров можно разделить запятыми или сохранить в объекте коллекции Python). Кроме того, эта функция позволяет пользователям указывать дату и выбирать между ценой закрытия или скорректированной ценой закрытия. Данные будут сохранены в файл Excel, а также могут быть сохранены в переменной.
Для начала нам нужно настроить клиент API. Как и прежде, мы будем использовать API «исторических данных на конец дня». Вам нужно будет заменить переменную «key» своим собственным ключом API.
Затем мы создаем временный DataFrame для хранения загруженных данных. Мы перебираем тикеры, переданные функции, и используем блок try-except для обработки любых потенциальных ошибок. В зависимости от того, хочет ли пользователь скорректировать цены закрытия или цены закрытия, мы добавляем соответствующий столбец из результата вызова API в столбец тикера в DataFrame.
После того, как мы загрузили и сохранили данные, мы можем выполнить любые необходимые преобразования. В этом случае мы вычисляем мгновенную доходность с помощью NumPy и удаляем первую строку. Мы также рассчитываем обычное процентное изменение с помощью встроенного метода.
Наконец, мы записываем данные в файл Excel, используя объект записи pandas Excel в менеджере контекста. На этом шаге необходимо указать имя файла и необязательный формат даты. Каждая переменная вставляется в файл «возвратов», и печатается сообщение, указывающее на завершение задачи. Функция возвращает цены закрытия и может быть расширена для возврата других данных.
Тестируя функцию с четырьмя тикерами, мы видим сгенерированный файл, содержащий загруженные данные. Файл можно открыть в Excel для просмотра данных.
На этом заканчивается шестая часть серии. В седьмой части мы рассмотрим, как отображать результаты нескольких акций на одном графике.
Python для анализа акций: построение сетки производительности нескольких ценных бумаг w\matplotlib || Часть 7
Python для анализа акций: построение сетки производительности нескольких ценных бумаг w\matplotlib || Часть 7
Добро пожаловать в седьмую часть моей серии статей об использовании Python для анализа акций. В описании видео вы найдете ссылки на предыдущие шесть видео, а также репозиторий GitHub, содержащий код.
В шестой части мы разработали функцию для загрузки данных, выполнения преобразований и сохранения их в файл Excel. Теперь, в седьмой части, мы сосредоточимся на отображении относительных результатов нескольких акций на одном графике.
Для начала прочитаем все файлы в определенной папке. В этом случае мы будем искать в папке «энергия». Мы пропустим все файлы, начинающиеся с нуля.
Используя библиотеку matplotlib, мы создадим объект подзаголовка. Количество строк будет определяться потолком длины файлов, разделенным на четыре, так как мы хотим отображать четыре графика в строке. Мы сделаем рисунок большим, чтобы вместить потенциально много графиков.
Далее мы будем отслеживать количество добавленных графиков и использовать вложенный цикл for для перебора строк и столбцов рисунка. Если мы достигнем последней строки, и она не заполнена, мы обработаем исключение, увеличив счетчик.
В цикле мы будем считывать цены закрытия из каждого файла и преобразовывать данные в относительную производительность. Мы построим относительную производительность по соответствующим осям и добавим горизонтальную линию на отметке 0. Чтобы отформатировать данные в процентах, мы импортируем модуль тикера из matplotlib.
В блоке исключений мы не будем предпринимать никаких действий, так как знаем, что у нас закончились данные для построения графика. Мы просто пройдем и увеличим счетчик, чтобы перейти к следующему файлу.
После того, как все данные будут нанесены на график, мы покажем график.
Тестируя код с файлами в папке «energy», мы можем увидеть результирующий график, отображающий относительную производительность 21 ценной бумаги примерно за год.
На этом седьмая часть цикла заканчивается. В следующем видео мы рассмотрим дополнительные сокращения данных из API исторических данных на конец дня.Загрузить список акций, которые собираются объявить о доходах или дивидендах || Анализ запасов с помощью Python, часть 8
Загрузить список акций, которые собираются объявить о доходах или дивидендах || Анализ запасов с помощью Python, часть 8
Добро пожаловать в восьмую часть моей серии статей об использовании Python для анализа акций. В этом видео мы углубимся в API исторических данных на конец дня и рассмотрим дополнительные функции помимо получения цен. API всеобъемлющий, и хотя мы не будем охватывать все, я покажу вам пару примеров, которые могут оказаться полезными. Документация, предоставляемая API, обширна и может помочь вам в изучении различных наборов данных.
Во-первых, мы сосредоточимся на получении данных о доходах компаний, отчитывающихся на этой неделе. Для начала мы инициализируем наш клиент API, передав наш ключ API (замените его своим). Затем мы загрузим данные и сохраним их в DataFrame.
Функция, которую мы будем использовать для этой задачи, не требует никаких параметров. Когда у нас будет DataFrame, мы извлечем символы компаний, сообщающих о доходах на этой неделе, и сохраним их в списке.
Чтобы отфильтровать данные для конкретной биржи, например, США, мы пройдемся по каждой строке в DataFrame и проверим, заканчивается ли символ на «нас». Символы акций называются кодами в исторических данных на конец дня, и их окончания соответствуют бирже, к которой они принадлежат. Мы добавим соответствующие символы в наш список, за исключением биржевой информации.
После прохода по всем строкам мы напечатаем количество компаний, сообщивших о доходах на этой неделе, и вернем список символов для дальнейшего анализа.
Двигаясь дальше, давайте рассмотрим, как получить дивиденды за конкретную экс-дату. Начнем с сегодняшней даты. Настройка функции будет аналогична предыдущей, где мы создаем клиент API и загружаем данные в DataFrame.
Функция, которую мы будем использовать на этот раз, называется get_bulk_market. С помощью этой функции вы можете получить различные точки данных, включая цены закрытия для всего рынка. Для дивидендов мы укажем интересующие нас данные как «дивиденды».
После выполнения вызова мы вернем полученный DataFrame.
Тестируя эту функцию, мы получим дивиденды с сегодняшней экс-датой. Код напечатает дивиденды, принимая значения по умолчанию для рынка США и текущую дату.
Полученный DataFrame будет отображать дивиденды с соответствующими ставками. Поскольку мы рассматриваем рынок США, дивиденды будут в долларах США. Кроме того, DataFrame предоставляет информацию о частоте выплаты дивидендов.
На этом восьмая часть заканчивается. В девятой части мы завершим первый раздел созданием простого скринера.Как создать скринер акций с помощью API || Анализ акций с помощью Python, часть 9
Как создать скринер акций с помощью API || Анализ акций с помощью Python, часть 9
Это 9-я часть нашей серии статей об анализе акций с помощью Python. Ссылки на предыдущие видео вы можете найти в описании, а также код на GitHub.
В этом заключительном сегменте раздела 1 мы рассмотрим пример скринера акций. Цель состоит в том, чтобы создать простой скринер, который анализирует 52-недельный максимум, текущую цену и отношение цены к прибыли нескольких ценных бумаг. Это поможет нам идентифицировать ценные бумаги для дальнейшего анализа.
Для этого мы будем использовать фундаментальный поток исторических данных на конец дня. Давайте начнем с изучения данных, которые мы получаем от обращения к этому фиду. Мы создадим клиентский объект и получим основные данные для конкретной ценной бумаги, например Apple. Это даст нам большой фрейм данных с различной информацией, включая финансы, балансы и многое другое. Мы можем исследовать определенные разделы, используя местоположения индекса.
Далее мы сосредоточимся на технических характеристиках индекса и будем использовать как вспомогательную библиотеку исторических данных на конец дня, так и конечную точку для массовой загрузки цен закрытия за последний день. Мы сохраним данные во фрейме данных и сбросим индекс. Этот вызов получает цены закрытия для всех ценных бумаг на фондовой бирже США. Затем мы можем отфильтровать данные, чтобы включить только интересующие нас ценные бумаги.
Чтобы создать наш скринер акций, мы создадим клиент и пройдемся по символам, которые мы хотим проанализировать. Мы заполним словарь 52-недельным максимумом для каждой ценной бумаги. Если у ценной бумаги нет этой информации, мы пропустим ее и продолжим цикл.
После получения необходимых данных мы объединим цены закрытия, 52-недельные максимумы и рассчитаем отношение цены к прибыли. Мы вернем результирующий фрейм данных, содержащий ценные бумаги, их цены закрытия, максимумы и коэффициенты.
Чтобы протестировать наш скринер, мы будем извлекать символы из S&P 500 с помощью функции get_sp и распечатывать результат. Это покажет цены закрытия, 52-недельные максимумы и коэффициенты для первых 10 ценных бумаг в S&P 500.
В части 10 мы углубимся в анализ отдельных ценных бумаг, когда начнем создавать класс для этой цели. Присоединяйтесь к нам в следующей части, чтобы узнать больше об анализе ценных бумаг на индивидуальном уровне.
Анализ акций Python: как автоматически анализировать акции с помощью Python || Часть 10
Анализ акций Python: как автоматически анализировать акции с помощью Python || Часть 10
Это будет 10-я часть моей серии статей о Python для анализа акций. Вы можете найти ссылки на предыдущие видео в описании ниже, а также ссылку на репозиторий GitHub, где доступен весь код. В этой части мы сосредоточимся на отдельных ценных бумагах, а не на целых фондовых биржах или больших списках символов акций.
Для начала я уже включил необходимые импорты для этой части, такие как datetime, matplotlib, numpy, pandas и seaborn. Я также определил символическую константу, представляющую дату около года назад, которую пользователь может изменить, используя дату в формате ISO.
Далее я напишу класс Stock, который будет обрабатывать отдельные ценные бумаги. Класс будет инициализирован с параметрами символа акции, ключа API и даты (со значением по умолчанию). Кроме того, это позволит пользователю указать папку, в которой могут быть сохранены данные, со значением по умолчанию «Нет».
Внутри класса я определю метод get_data, который будет извлекать биржевые данные. Сначала он проверит, доступны ли данные в указанной папке, сравнив символ с доступными файлами. Если данные будут найдены, они будут прочитаны в DataFrame и стандартизированы. В противном случае он будет извлекать данные с помощью API и возвращать их в виде DataFrame.
При инициализации экземпляра Stock символ, ключ API, дата и данные будут сохранены как переменные экземпляра. Чтобы проверить функциональность, я создам объект Stock и распечатаю данные.
На этом заканчивается 10-я часть серии. В части 11 мы добавим в класс Stock дополнительные преобразования данных.Python для анализа акций: автоматический расчет и построение графиков доходности акций и волатильности || Часть 11
Python для анализа акций: автоматический расчет и построение графиков доходности акций и волатильности || Часть 11
Добро пожаловать в часть 11 моей серии статей о Python для анализа акций. Вы можете найти ссылки на предыдущие видео и репозиторий GitHub в описании ниже.
В части 10 мы создали простой класс для инициализации биржевого символа и извлечения его данных либо из локальной папки, либо через API. В этой части мы углубимся в преобразования данных и начнем отображать данные.
Во-первых, я добавлю новый метод под названием «calculate_volatility», который принимает DataFrame в качестве входных данных. Чтобы интегрировать этот метод с методом «get_data», я соответствующим образом изменю его. Внутри метода «calculate_volatility» я добавлю несколько столбцов в DataFrame. Первый столбец будет доходностью, рассчитанной как логарифмическая разница цен закрытия с точностью до четвертого знака после запятой.
Далее я рассчитаю скользящую волатильность, которая представляет собой стандартное отклонение доходности за 21-дневный период. Я округлю результат до четырех знаков после запятой. Кроме того, я включу столбцы абсолютного изменения, спреда между максимумами и минимумами и ожидаемого изменения с соответствующим округлением.
Чтобы проанализировать величину движения акции, я вычислю столбец под названием «величина», представляющий фактическое изменение, деленное на ожидаемое изменение, округленное до двух знаков после запятой. Наконец, я включу столбец абсолютных значений для возможных графических целей.
Я отбрасываю начальные строки, содержащие значения NaN, полученные в результате вычислений, а затем вызываю метод «calculate_volatility» внутри метода «get_data».
Давайте протестируем код, инициализировав экземпляр Stock и распечатав DataFrame.
Теперь давайте построим распределение возврата, создав гистограмму. Я определю даты начала и окончания, а затем построю гистограмму с 20 интервалами и цветом края. Чтобы улучшить заголовок, я буду использовать надзаголовок с двумя строками, указывающими диапазон дат. Наконец, я покажу сюжет.
Давайте запустим код и изучим гистограмму, которая дает представление о распределении доходности акций за последний год.
На этом часть 11 завершена. В части 12 мы продолжим работу над дополнительными графиками, прежде чем перейти к другим преобразованиям данных.Как рассчитать и нормализовать ожидаемую доходность акций || Анализ акций Python, часть 12
Как рассчитать и нормализовать ожидаемую доходность акций || Анализ акций Python, часть 12
Добро пожаловать в часть 12 моей серии статей о Python, посвященную анализу акций. Вы можете найти код и ссылки на другие видео в описании ниже.
В части 11 мы выполнили базовые преобразования данных в нашем классе Stock, добавив столбцы в DataFrame и построив график распределения доходности. В этом видео мы продолжим с дополнительными вариантами построения графиков, которые могут быть полезны для анализа акций.
Для начала построим график волатильности акции. Настройка будет аналогична той, что мы делали раньше, включая суперзаголовок и даты начала и окончания. Мы создадим точечную диаграмму, где ось X представляет доходность, а ось Y представляет абсолютную величину изменения стандартных отклонений. Мы добавим горизонтальные и вертикальные линии для справки.
Давайте запустим код и изучим точечную диаграмму волатильности. Мы можем наблюдать диапазон процентных изменений и количество стандартных отклонений. Например, за последний год не было никаких изменений, кроме трех с половиной стандартных отклонений.
Далее, давайте построим график производительности акций. Опять же, большая часть кода осталась прежней, поэтому мы можем скопировать его и внести некоторые коррективы. Вместо точечной диаграммы мы создадим линейный график для отслеживания относительной производительности с течением времени. Мы разделим цены закрытия на цены закрытия в первый день, вычтем 1, чтобы получить процентное изменение, умножим на 100 и отформатируем его как проценты по оси Y. Мы сохраним горизонтальную линию для справки.
Запуск кода отобразит линейный график производительности акций. Мы можем увидеть, как акция повела себя за данный период времени, сравнив ее со стартовой ценой. При этом мы можем наблюдать положительную динамику, за которой в последние месяцы последовало снижение.
Не стесняйтесь настраивать размер фигуры и исследовать другие параметры графика в соответствии с вашими потребностями.
На этом часть 12 завершена. В части 13 мы углубимся в дополнительные преобразования данных.Python для анализа акций: фильтрация данных по сроку действия опциона и волатильности || Часть 13
Python для анализа акций: фильтрация данных по сроку действия опциона и волатильности || Часть 13
Добро пожаловать в 13-ю часть моей серии статей о Python, посвященную анализу акций. Вы можете найти код и ссылки на другие видео на GitHub в описании ниже.
В Части 12 мы рассмотрели различные графики, которые могут быть полезны для анализа запасов. В этом видео мы расширим наш класс Stock, добавив пару методов для проверки различных фрагментов данных.
Во-первых, давайте напишем метод для определения дней, когда истекает срок действия опционов. Это третья пятница каждого месяца. Мы назовем этот метод «option_expiration». Для этого мы создадим маску, используя функцию NumPy np.where. Укажем три условия: индекс данных должен быть больше 14 числа (самая ранняя третья пятница), меньше 21 числа (самая поздняя третья пятница) и соответствовать пятнице (день недели 4). Мы вернем данные с применением этой маски, в результате чего DataFrame будет включать только пятницы с истечением срока действия.
Далее мы напишем наш окончательный метод, который определяет, как долго длилась низкая волатильность с момента последних двух стандартных отклонений. Мы назовем этот метод «low_vol_duration». Чтобы реализовать это, мы добавим к данным столбец с названием «дни менее 2 стандартных отклонений» и инициализируем его нулями. Затем мы пройдемся по данным и проверим величину каждой строки. Если величина меньше двух, мы увеличим счетчик и обновим соответствующую строку в столбце «Дни менее 2 стандартных отклонений». Если величина равна двум или больше, мы сбросим счетчик на ноль. Наконец, мы вернем DataFrame, содержащий только строки с двумя перемещениями по стандартному отклонению, показывая количество дней между каждым перемещением.
Давайте запустим код и изучим результаты. Мы можем видеть дни истечения опциона, которые приходятся на 15-е и 21-е число каждого месяца. Кроме того, у нас есть продолжительность низкой волатильности, указывающая количество дней с момента двух предыдущих движений стандартного отклонения. Например, около года назад мы прошли два дня с момента предыдущего движения двух стандартных отклонений, за которыми последовали периоды 32, 41 и так далее.
На этом завершается часть 13 и завершается раздел 2. Я призываю вас продолжать разработку и расширение класса Stock в соответствии с вашими потребностями. В части 14 мы рассмотрим, как упаковать наши функции в пакет Python, который можно установить с помощью pip.Анализ запасов Python: создавайте и публикуйте собственные пользовательские пакеты Python с помощью Pip в VS Code
Анализ запасов Python: создавайте и публикуйте собственные пользовательские пакеты Python с помощью Pip в VS Code
В этом видео я проведу вас через процесс упаковки кода Python в библиотеку, которую можно установить с помощью pip. Это последнее видео из моей серии о Python для анализа акций, в котором мы рассмотрели такие темы, как извлечение данных, преобразование данных, визуализация и проверка данных. Ссылки на предыдущие видео вы можете найти в описании ниже, а также ссылку на репозиторий GitHub.
Цель упаковки нашего кода — сделать его более удобным для использования и повторного использования в конкретных проектах Python. Хотя я продемонстрирую процесс, как если бы мы публиковали код в PyPI (Python Package Index), важно отметить, что код может быть готов для PyPI не сразу. Сначала мы настроим его и установим локально, чтобы понять процесс. Однако в будущем вы можете изменить код и создать что-то, чем вы хотели бы поделиться с более широкой аудиторией.
Процесс упаковки может варьироваться в зависимости от сложности проекта. В нашем случае, поскольку наш код состоит из двух модулей, процесс относительно прост. Вот краткий обзор шагов:
После того, как вы настроили папки и файлы конфигурации, вы можете установить библиотеку локально, используя pip. Откройте командную строку, перейдите в родительскую папку и выполните команду «pip install.». Это установит библиотеку, сделав ее доступной из любой среды Python.
После установки вы можете протестировать библиотеку, запустив Python и импортировав модуль «анализ». Вы также можете использовать функцию «помощь» для просмотра метаданных о пакете.
Помните, что процесс упаковки может меняться со временем, и есть несколько способов упаковать код для установки. Шаги, которые я описал здесь, являются отправной точкой, и вы можете изучить дополнительные параметры по мере того, как ваши проекты станут более сложными.
Я надеюсь, что это руководство поможет вам приступить к созданию собственных пакетов Python.