Python im algorithmischen Handel - Seite 14
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Candlestick-Chart mit Python erstellen (Pandas Library Notes)
Candle Graph mit Python erstellen (Pandas Bookstore Notes)
Das Video bietet eine Schritt-für-Schritt-Anleitung zum Erstellen von Candlestick-Charts mithilfe der Pandas-Bibliothek von Python mit CSV-Daten. Es beginnt mit dem Importieren der CSV-Daten und dem Erstellen eines Datenrahmens für die Diagrammerstellung. Das Tutorial behandelt auch die Installation der mpl-Finanzbibliothek, die für Finanzplots verwendet wird. Das Video zeigt, wie wichtig es ist, Pandas zu verstehen, um es effektiv in Python zu verwenden, und wie Sie den Diagrammtyp und den Datumsbereich für eine genaue Darstellung der Daten ändern können. Dies ist sogar für Aufgaben wie die Modellierung für den automatisierten Handel nützlich.
Algorithmischer Handel mit Python (Entscheidungsbaum)
Trading Algorítmico con Python (Arbol de Decisiones)
In diesem Video über den algorithmischen Handel mit Python verwendet der Referent einen Entscheidungsbaumansatz, um die Preisbewegung von Bitcoin basierend auf historischen Korrelationen zwischen SP500, Gold und Ethereum vorherzusagen. Das Modell wird mit aktuellen Tagesdaten trainiert und dann verwendet, um die Ergebnisse des nächsten Tages vorherzusagen. Während Entscheidungsbäume für Vorhersagen nützlich sein können, merkt der Sprecher an, dass sie mit nur einer kleinen Datenstichprobe möglicherweise nicht perfekt sind. Zuschauer können auf der im Video bereitgestellten Website auf weitere algorithmische Handelsstrategien, Kurse und Artikel zu künstlicher Intelligenz und Python zugreifen.
Python für Investitionen: Wie bekomme ich den Dollar-Index? DXY
Python für Umkehrungen: ¿Cómo sacar Dollar Index? DXY
Das Video behandelt die Extraktion der Daten des DXY-Index, der die Stärke des US-Dollars gegenüber anderen Währungen misst, unter Verwendung der Bibliotheken Beautiful Soup und Pandas von Python. Der Presenter stellt einen Code bereit, der Informationen zum Variationsprozentsatz aus den DXY-Daten extrahiert und sie in einer CSV-Datei für weitere Datenanalysen und maschinelle Lernzwecke speichert. Darüber hinaus teilen sie ihre Website mit kostenlosen Kursen zu Python, Finanzen und algorithmischem Handel. Daher ist das Video eine nützliche Anleitung zum Extrahieren von Finanzdaten mit Python.
Algorithmischer Handel mit Python – Vollständiger Kurs
Algorithmischer Handel mit Python – Vollständiger Kurs
00:00:00 - 01:00:00 In diesem Video wird erklärt, wie man mit Python algorithmisch mit Aktien handelt. Es beginnt mit einer Einführung in die Grundlagen der Pandas-Bibliothek und zeigt dann, wie man damit einen Datenrahmen erstellt. Anschließend zeigt der Kurs, wie man eine HTTP-Anfrage für eine Aktie ausführt und wie man die Ergebnisse des API-Aufrufs nutzt, um den Datenrahmen zu füllen. Abschließend wird in dem Kurs erläutert, wie die Leistung des Codes durch Stapeln von API-Anfragen verbessert werden kann.
01:00:00 - 02:00:00 In diesem Video erfahren Sie, wie Sie mit Python mithilfe eines automatisierten Algorithmus Aktien handeln. Es beginnt mit der Erstellung einer Liste von Aktien und Symbolen und der anschließenden Umwandlung dieser Aktien in Zeichenfolgen. Als Nächstes erstellt das Video eine URL, um mithilfe dieser Zeichenfolge eine HTTP-Anfrage zu starten. Abschließend zeigt das Video, wie man diese Anfrage ausführt und die Daten zurückerhält.
02:00:00 - 03:00:00 In diesem Video erfahren Sie, wie Sie mit Python eine algorithmische Handelsstrategie erstellen, die das Kurs-Gewinn-Verhältnis als Wertmetrik verwendet. Die Strategie sucht anhand dieser Kennzahl nach Aktien und gibt Kauf- und Verkaufsempfehlungen auf der Grundlage des aktuellen Aktienkurses ab.
03:00:00 - 04:00:00 In diesem Video-Tutorial wird erläutert, wie Sie mit Python algorithmisch mit Aktien handeln. Es behandelt die Berechnung verschiedener Erfolgsindikatoren, den Umgang mit fehlenden Daten und die Verwendung der Ausnahmebehandlung zum Ersetzen fehlender Werte.
04:00:00 - 04:30:00 In diesem Video wird erläutert, wie Sie mit Python Perzentilwerte für verschiedene Aktienkennzahlen berechnen. Außerdem erfahren Sie, wie Sie mit Python eine Excel-Datei erstellen, die Aktienkurse und Positionsgrößen für Calls und Puts enthält, und wie Sie die Datei zum Drucken formatieren.
Teil 1:
Teil 3:
Teil 4:
Teil 5:
Algorithmic Trading Python 2023 – VOLLSTÄNDIGES TUTORIAL Anfänger
Algorithmic Trading Python 2023 – VOLLSTÄNDIGES TUTORIAL Anfänger
In diesem Video-Tutorial befasst sich der Autor mit der Installation und Verwendung eines Python-Programms für den algorithmischen Handel. Sie bieten Schritt-für-Schritt-Anleitungen zum Erstellen einer einfachen Python-3-Datei, die speziell für die Unterbringung von Code im Zusammenhang mit algorithmischen Handelsstrategien entwickelt wurde. Darüber hinaus demonstrieren sie, wie der Code ausgeführt und die resultierenden Ausgaben zur Analyse gedruckt werden. Das Tutorial konzentriert sich hauptsächlich auf die Nutzung der Leistungsfähigkeit der Programmiersprache Python für algorithmische Handelszwecke. Es deckt eine Reihe wesentlicher Funktionen und Bibliotheken ab, die auf den algorithmischen Handel anwendbar sind, einschließlich der yfinance-Bibliothek. Das Tutorial unterstreicht die Bedeutung der Verwendung dieser Funktionen und Bibliotheken und untersucht gleichzeitig Techniken zum Herunterladen und Verarbeiten von Daten mithilfe von Tabellenkalkulationen.
Darüber hinaus zeigt das Video-Tutorial den Prozess des Schreibens und Lesens von CSV-Dateien mit Python. Es erklärt die notwendigen Schritte zum Erstellen einer CSV-Datei und zeigt, wie die Datei in einer Python-Umgebung gelesen und bearbeitet wird. In Fortführung des Themas des Python-basierten Aktienhandels erläutert das Tutorial die Erstellung eines Aktienindex und zeigt, wie die Python-Funktion „convert“ zum Ändern des Indexformats verwendet werden kann. Darüber hinaus wird erklärt, wie die Python-Funktion „start.columns“ Änderungen an der Spaltenliste speziell für Aktien ermöglicht.
Auch im nächsten Video-Tutorial geht es um die Verwendung von Python für den Aktienhandel. Es beginnt mit der Veranschaulichung des Herunterladens und Parsens von Bestandsdaten, gefolgt von der Verwendung der Funktion „Beschreiben“, um die erfassten Daten effektiv zu analysieren. Schließlich wird die Verwendung der „Dot Lock“-Funktion zur Überwachung und Verfolgung von Aktienkursen demonstriert. Das anschließende Video-Tutorial bietet eine umfassende Erklärung der Verwendung von Python zur Erstellung von Algorithmen für den Aktienhandel. Es beginnt mit der Visualisierung unterschiedlicher Ausgangspunkte für drei verschiedene Aktien und veranschaulicht anschließend die Normalisierung der Werte, um sie innerhalb eines einheitlichen 100-Punkte-Bereichs darzustellen. Das Tutorial führt die Zuschauer dann durch die grafische Darstellung der normalisierten Schlusskurse einer Aktie und die Verwendung der „Punkt“-Funktion (Mol), um die Werte mit 100 zu multiplizieren und so die Lesbarkeit zu verbessern.
In ähnlicher Weise konzentriert sich ein weiteres Video-Tutorial auf die Verwendung von Python zur Erstellung von Aktienhandelsalgorithmen. Das Tutorial beschreibt den Prozess der Erstellung einer neuen Spalte in einem Datensatz, um Informationen zu geschlossenen Beständen zu speichern. Außerdem wird die Verwendung der „Shift“-Funktion erläutert, um Daten an das Ende der Spalte zu verschieben. Darüber hinaus wird die Berechnung der prozentualen Veränderungen der Aktienkurse gegenüber dem Vortag angezeigt. Um den Gang zu wechseln: Ein weiteres Tutorial führt Lernende in die Verwendung von Python für statistische Berechnungen im Zusammenhang mit dem algorithmischen Handel ein. Es bietet Anleitungen zum Einsatz von Funktionen wie „Verschieben“, „Subtrahieren“ und „Dividieren“, um Verzögerungs- und Diff-bezogene Daten zu berechnen.
Als nächstes befasst sich das Video mit der Berechnung prozentualer Änderungen für Finanzanlagen mithilfe von Python. Es zeigt, wie die Funktion „Ändern“ geändert wird, um die Lesbarkeit zu verbessern, indem sie in „pst“ umbenannt wird. Darüber hinaus wird die Variable „Perioden“ auf eins gesetzt und die prozentuale Änderung mit 100 multipliziert, um sie im Punktwertformat darzustellen. Das Video behandelt außerdem die Berechnung der Standardänderung für einen Vermögenswert und deren Subtraktion von der prozentualen Änderung, um die Auswirkungen des ersten Tages zu eliminieren. Der Datenrahmen für ein bestimmtes Asset wird in „Änderung“ umbenannt und die Spalte „Änderung“ wird erstellt. Das Tutorial endet mit der Überprüfung der Spalte „Änderung“ mithilfe von „aafl“ und dem Speichern des Datenrahmens.
Darüber hinaus erklärt der Autor des Tutorials, wie Mittelwert, Standardabweichung, prozentuale Änderung und Rendite für einen bestimmten Datensatz berechnet werden. Sie demonstrieren außerdem das Zeichnen eines Histogramms und das Erstellen eines Treffersystemdiagramms.
Als Fortsetzung der statistischen Berechnungen erklärt ein weiteres Video-Tutorial die Berechnung des Mittelwerts, der Varianz und der Standardabweichung der Renditen einer Aktie. Darüber hinaus bietet es Hinweise zur Bestimmung der jährlichen Durchschnittsrendite und der jährlichen Varianzrendite.
Darüber hinaus zeigt das Tutorial die Berechnung der jährlichen Standardabweichung der Renditen einer Aktie mithilfe der Funktion „std“ in Python. Dieser Ansatz analysiert effizient große Datensätze, indem er Daten von einem Tickersymbol anstelle einzelner Datenpunkte übernimmt. Das Tutorial zeigt auch das Erstellen von Spalten, um den Mittelwert und die Standardabweichung der Rendite einer Aktie sowie den Mittelwert und die Standardabweichung der prozentualen Veränderung einer Aktie zu verfolgen. Darüber hinaus wird die Berechnung des Mittelwerts und der Standardabweichung der Rendite einer Aktie mithilfe der Funktion „Zusammenfassung“ erläutert.
Der Autor befasst sich auch mit der Erstellung von Streudiagrammen und deren Kommentierung, um die Rendite und das Risiko verschiedener Aktien zu veranschaulichen. Diese Visualisierung hilft beim Verständnis des Zusammenhangs zwischen Renditen und Risiken im Kontext des Aktienhandels. Anschließend befasst sich das Video-Tutorial mit der Verwendung von Python zur Erstellung von Algorithmen für den Aktienhandel. Es untersucht die Verwendung von for-Schleifen und Funktionen wie Kovarianz und Korrelation. Darüber hinaus wird die grafische Darstellung der Ergebnisse des Algorithmus angezeigt, sodass Händler die Leistung ihrer Handelsstrategien effektiv visualisieren und analysieren können.
Darüber hinaus erklärt das Tutorial, wie Sie die Seaborn-Bibliothek nutzen können, um eine Heatmap zu erstellen, die Bestandskorrelationen darstellt. Es bietet eine Schritt-für-Schritt-Anleitung sowie einen Code-Download für das gesamte Projekt und erleichtert so die Implementierung der Aktienkorrelationsanalyse mit Python. Der Moderator verlagert den Fokus und erklärt den Zuschauern in einem Video-Tutorial die Berechnung des Risiko- und Ertragspotenzials eines Aktienportfolios mithilfe von Python. Sie diskutieren die Grenzen einfacher Renditen und stellen das Konzept der Protokollrenditen vor und demonstrieren deren praktische Anwendung bei der Bewertung von Risiko und Ertrag. Diese Analyse hilft Händlern, fundierte Entscheidungen hinsichtlich der Zusammensetzung ihres Portfolios und des Risikomanagements zu treffen.
Ein weiteres Tutorial erläutert den Prozess der Berechnung eines einfachen gleitenden Durchschnitts mithilfe der „Rolling“-Funktion in Python. Durch die Anwendung dieser Technik können Händler die Schwankungen der Aktienkurse glätten und Trends effektiver erkennen. Darüber hinaus demonstriert ein Tutorial die Berechnung des Mittelwerts, des Medians und des gleitenden Durchschnitts eines Datensatzes und betont deren Bedeutung für die Analyse und das Verständnis von Datenmustern.
Darüber hinaus zeigt ein Video-Tutorial die Berechnung verschiedener gleitender Durchschnitte, einschließlich des gleitenden 50-Tage-Durchschnitts, des gleitenden 200-Tage-Durchschnitts und des EMA (Earnings-to-Price) einer Aktie. Diese gleitenden Durchschnitte werden dann in einem Diagramm dargestellt und helfen Händlern dabei, wichtige Trends und potenzielle Handelssignale zu erkennen. Als Fortsetzung der Datenmanipulationstechniken erklärt ein Video-Tutorial die Verwendung der Neuindizierungsfunktion in Pandas, um fehlende Werte innerhalb eines Datenrahmens zu ersetzen. Es behandelt auch die Anwendung von Vorwärts- und Rückwärtsfüllfunktionen zur Datenverwaltung an Feiertagen und Wochenenden.
Das Video-Tutorial demonstriert außerdem die Berechnung der Renditen einer Aktie im Zeitverlauf, einschließlich Buy-and-Hold-Renditen, kumulierter Renditen und maximaler Renditen. Darüber hinaus wird die Berechnung kumulativer Maximalrenditen untersucht und die Daten durch grafische Darstellung visualisiert. Darüber hinaus erklärt das Tutorial, wie man Drawdowns für eine Aktie berechnet, sowie die maximale kumulative Rendite und den maximalen kumulativen Drawdown. Das Verständnis von Drawdowns hilft Händlern, das mit Investitionen verbundene Risiko einzuschätzen und potenzielle Verlustszenarien zu identifizieren. In ähnlicher Weise wird in einem anderen Video-Tutorial die Berechnung des Drawdowns und des maximalen Drawdowns für eine Aktie erläutert. Darüber hinaus bietet es einen Überblick über die Berechnung des prozentualen Drawdowns, einer wichtigen Kennzahl im Risikomanagement.
Ein Python 2023-Tutorial auf YouTube führt die Zuschauer in die Erstellung einer Crossover-Strategie mit gleitendem Durchschnitt für den Handel ein. Bei dieser Strategie werden zwei gleitende Durchschnitte verwendet, ein gleitender 50-Tage-Durchschnitt und ein gleitender 100-Tage-Durchschnitt, um den Trend der Aktie zu bestimmen und entsprechende Handelssignale zu generieren. Darüber hinaus erklärt ein Video-Tutorial, wie man Python-Code für den Aktienhandel schreibt. Es zeigt den Prozess der Entscheidung, ob eine Aktie auf der Grundlage ihres aktuellen Preises und früherer Preisdaten gekauft oder verkauft werden soll. Es umfasst auch die Verwendung einer Bibliothek zur Verfolgung der Position einer Aktie im Zeitverlauf, sodass Händler ihr Portfolio effektiv überwachen und verwalten können.
Das Tutorial-Video klärt die Zuschauer über das Backtesting einer algorithmischen Handelsstrategie unter Verwendung von Renditen und Standardabweichung auf. Es stellt eine Strategie vor, die hinsichtlich der Rendite einen gleitenden 50-Tage-Durchschnitt übertrifft, jedoch eine höhere Standardabweichung aufweist, was den Kompromiss zwischen Risiko und Ertrag hervorhebt. Darüber hinaus führt das Video-Tutorial die Benutzer durch die Erstellung einer Anlagestrategie und den Vergleich mit anderen Strategien. Es wird betont, dass die Strategie mit den besten Renditen diejenige mit einer Long-Ausrichtung ist, was auf eine Präferenz für bullische Positionen hinweist.
Darüber hinaus stellt der Autor eine Funktion zur Erstellung einer Teststrategie für den algorithmischen Handel vor. Diese Funktion verwendet Parameter wie Aktienname, Start- und Enddatum und gibt wichtige Leistungskennzahlen wie tägliche Rendite, kumulative Rendite und SMA (einfacher gleitender Durchschnitt) zurück. Mithilfe dieser Funktion können Händler die Wirksamkeit ihrer Handelsstrategien bewerten und datengesteuerte Entscheidungen treffen. Das Tutorial zeigt dann, wie man ein Python-Skript für den algorithmischen Handel erstellt. Das Skript beinhaltet eine einfache Stop-Loss- und Take-Profit-Strategie mit dem Ziel, eine bessere Gesamtperformance im Vergleich zu einem herkömmlichen Buy-and-Hold-Investmentansatz zu erzielen. Dieses Skript dient als Grundlage für die Entwicklung ausgefeilterer Handelsalgorithmen.
Der Moderator zeigt auch den Prozess des Backtestings einer in Python geschriebenen Handelsstrategie. Die vom Moderator erstellte Strategie wird anhand historischer Börsendaten aus dem Jahr 2017 getestet, sodass Händler ihre Leistung und Realisierbarkeit bewerten können. Darüber hinaus erklärt das Tutorial, wie man einen Python2023-Algorithmus für den Handel mit Aktien und Kryptowährungen programmiert. Es umfasst die Nutzung von APIs für den Zugriff auf Daten verschiedener Aktien- und Kryptowährungsbörsen und ermöglicht es Händlern, Marktdaten in Echtzeit zu analysieren und entsprechende Handelsstrategien umzusetzen. Das Video-Tutorial befasst sich weiter mit der Verwendung von Python für den Handel mit Aktien und Kryptowährungen. Es umfasst die Dateneingabe, Analyse, Speicherung, Bearbeitung und Ausführung von Handelsstrategien mithilfe von API-Diensten. Durch den Einsatz dieser Techniken können Händler ihre Handelsprozesse automatisieren und ihre Portfolios effizient verwalten.
Darüber hinaus bietet das Tutorial umfassende Anleitungen zur Verwendung von Python für den Handel mit Aktien und anderen Finanzanlagen. Es behandelt grundlegende Konzepte wie Preisanalyse und Handel sowie fortgeschrittene Themen wie Backtesting und die Verwendung von APIs für die Datenintegration. Dieses Tutorial stattet Händler mit den notwendigen Kenntnissen und Werkzeugen aus, um effektiv am algorithmischen Handel teilzunehmen.
Zusammenfassend bieten diese Tutorials und Videos eine Fülle von Informationen zur Verwendung von Python für den algorithmischen Handel. Sie decken ein breites Themenspektrum ab, darunter Datenverarbeitung, statistische Analyse, Visualisierung, Strategieentwicklung, Backtesting und Echtzeithandel. Durch das Befolgen dieser Tutorials können Händler ihr Verständnis der algorithmischen Handelsprinzipien verbessern und die Fähigkeiten von Python nutzen, um fundierte Handelsentscheidungen zu treffen.
Verwenden Sie die Punktfunktion (Mol), um die Werte mit 100 zu multiplizieren, um sie leichter lesbar zu machen.
So erhalten Sie eine Liste der Aktien an einer Börse || Aktienanalyse mit Python Teil 1
So erhalten Sie eine Liste der Aktien an einer Börse || Aktienanalyse mit Python Teil 1
Dies ist der erste Teil meiner Serie über die Verwendung von Python für die Aktienanalyse. Die Serie wird in drei Abschnitte unterteilt. Im ersten Abschnitt konzentrieren wir uns auf die Beschaffung und Organisation von Daten für die Analyse. Im zweiten Teil geht es um einzelne Wertpapiere, und schließlich werde ich zeigen, wie wir unseren Code für eine einfache Installation mit pip verpacken. Der Code wird auf GitHub verfügbar sein (Link in der Videobeschreibung). Sie können einen beliebigen Texteditor Ihrer Wahl verwenden.
Der wichtigste Aspekt der Aktienanalyse ist die Datenquelle. Ich werde umfassende historische Tagesenddaten verwenden, zu denen auch globale Daten gehören. Sie können mit einem kostenlosen Plan beginnen, dieser unterliegt jedoch Einschränkungen hinsichtlich der Anzahl der API-Aufrufe pro Tag. Wenn Sie mehr benötigen, können Sie ein Datenpaket zum Sonderpreis abonnieren (Link in der Videobeschreibung).
Beginnen wir mit dem Import der erforderlichen Module. Wir beginnen mit dem Herunterladen von Metadaten zu Wertpapieren von einer bestimmten Börse. Wir müssen einen API-Schlüssel bereitstellen und die Börse angeben (standardmäßig die New York Stock Exchange). Ich werde einige Beispiele für den US-Markt nennen, aber Sie können internationale Märkte anhand der Dokumentation auf der Website mit historischen Tagesenddaten erkunden.
Sobald wir die Dokumentation eingerichtet haben, rufen wir den API-Endpunkt auf und übergeben dabei den Austausch- und API-Schlüssel. Wir werden hierfür das Modul „Anfragen“ verwenden. Die Antwort erfolgt im JSON-Format, das wir in einen Pandas-DataFrame umwandeln.
Abschließend werde ich einige Druckanweisungen hinzufügen, um den Fortschritt anzuzeigen, und wir können den Code testen, indem wir eine Einstiegspunktfunktion ausführen. Stellen Sie sicher, dass Sie den API-Schlüssel durch Ihren eigenen ersetzen. Das Ergebnis ist ein DataFrame, der die abgerufenen Daten enthält. Wir können diese Daten weiter filtern, basierend auf den Arten von Wertpapieren, an denen wir interessiert sind, was im nächsten Video behandelt wird.
Ich hoffe, dass Sie diese Informationen hilfreich finden, und freue mich darauf, Sie im nächsten Teil der Serie zu sehen.
So laden Sie S&P 500-Aktiensymbole herunter, filtern nach Sektor || Aktienanalyse mit Python Teil 2
So laden Sie S&P 500-Aktiensymbole herunter, filtern nach Sektor || Aktienanalyse mit Python Teil 2
Dies ist Teil zwei meiner Serie zur Aktienanalyse mit Python. Wenn Sie den ersten Teil noch nicht gesehen haben, empfehle ich Ihnen, ihn sich anzusehen. Im vorherigen Video haben wir Daten von einer bestimmten Börse heruntergeladen und einen DataFrame mit Metadaten erhalten. Jetzt möchten wir Symbole nach ihrem Wertpapiertyp herausfiltern, z. B. Stammaktien, ETFs oder Fonds. Dadurch können wir uns vor dem Herunterladen der Daten auf bestimmte Wertpapiere konzentrieren.
Ich füge eine neue Funktion namens „get_security_type“ hinzu, die den Austauschdaten-DataFrame als Eingabe verwendet. Standardmäßig filtern wir nach Stammaktien, Sie können jedoch bei Bedarf einen anderen Typ angeben. Die Funktion gibt eine Liste von Symbolen zurück, die dem angegebenen Sicherheitstyp entsprechen.
Außerdem ist mir aufgefallen, dass die historischen Tagesenddaten die S&P 500-Symbole nicht enthalten. Deshalb schreibe ich eine weitere Funktion namens „get_sp500_symbols“, um die Symbole aus einer CSV-Datei abzurufen. Diese Funktion akzeptiert einen optionalen „Sektor“-Parameter, um die Symbole nach Sektoren zu filtern. Standardmäßig werden alle Symbole zurückgegeben. Die Funktion gibt einen DataFrame mit Symbol-, Namens- und Sektorspalten zurück.
Um dies zu implementieren, verwenden wir die Pandas-Bibliothek, um die CSV-Datei zu lesen und die gewünschten Filter basierend auf den bereitgestellten Parametern anzuwenden.
Nach der Implementierung können wir die Funktionen testen. Standardmäßig gibt „get_security_type“ alle Symbole zurück und „get_sp500_symbols“ gibt ebenfalls alle Symbole zurück. Wir können einen Sektor angeben, um die S&P 500-Symbole zu filtern.
Mit diesen Funktionen können wir nun Symbole nach Wertpapiertypen filtern und Aktien des S&P 500 erkunden. Im nächsten Teil der Serie werden wir uns auf das Herunterladen und Kuratieren der Daten konzentrieren.
Ich hoffe, dass Sie diese Informationen nützlich finden und freue mich darauf, die Serie mit Ihnen fortzusetzen.
So laden Sie Aktienkursdaten herunter und speichern sie || Aktienanalyse mit Python Teil 3
So laden Sie Aktienkursdaten herunter und speichern sie || Aktienanalyse mit Python Teil 3
Dies ist Teil drei meiner Serie über die Verwendung von Python für die Aktienanalyse. Die ersten beiden Videos finden Sie über den Link in der Videobeschreibung. Der gesamte in der Serie verwendete Code ist in einem GitHub-Repository verfügbar, das auch in der Beschreibung verlinkt ist.
In den vorherigen Videos haben wir gelernt, wie man eine Liste der Wertpapiere einer bestimmten Börse erhält und diese nach bestimmten Kriterien filtert. Wir haben auch eine Funktion geschrieben, um die S&P 500-Aktien herauszufiltern. In diesem Video konzentrieren wir uns auf das Herunterladen und Organisieren der Daten, die uns interessieren.
Um zu beginnen, müssen wir eine Hilfsbibliothek namens „eod“ installieren, die die Interaktion mit Tagesenddaten vereinfacht. Wir können diese Bibliothek verwenden, anstatt herkömmliche API-Aufrufe durchzuführen. Nach der Installation mit pip importieren wir die Klasse „EodHistoricalData“ aus der Bibliothek, was uns einfache API-Aufrufe ermöglicht. Zusätzlich importieren wir das Modul „datetime“ zum Setzen von Zeitlimits und das Modul „os“ zum Arbeiten mit dem Dateisystem.
Als Nächstes legen wir einige Standarddaten für den Zeitraum fest, für den wir Daten abrufen möchten. In diesem Fall legen wir den Wert auf etwa ein Jahr fest. Wir legen auch das aktuelle Datum als Referenz fest, wenn wir sowohl das Start- als auch das Enddatum benötigen.
Jetzt können wir mit dem Schreiben der Hauptfunktion namens „get_data“ fortfahren. Diese Funktion akzeptiert eine Vielzahl von Eingaben, einschließlich eines einzelnen Symbols, einer durch Kommas getrennten Liste von Symbolen oder einer Liste von Symbolen. Es erfordert außerdem einen API-Schlüssel und einen Pfad, in dem die Daten gespeichert werden. Die Funktion ruft mithilfe der EodHistoricalData-Klasse Daten für die angegebenen Ticker ab und speichert sie als CSV-Datei im angegebenen Ordner. Es verfolgt die Anzahl der heruntergeladenen und übersprungenen Wertpapiere und liefert Informationen über den Download-Vorgang.
Nachdem wir die Funktion geschrieben haben, können wir sie testen, indem wir einige Beispielargumente übergeben und die Ausgabe überprüfen. Wir können die heruntergeladenen und alle übersprungenen Wertpapiere sehen. Die Funktion ruft die Daten erfolgreich ab und speichert sie im angegebenen Ordner.
In den kommenden Videos werden wir mit den heruntergeladenen Daten arbeiten, beispielsweise Schlusskurse und Renditen extrahieren, und Visualisierungstechniken erkunden.
Aktienanalyse mit Python: So extrahieren Sie Preisdaten aus Dateien || Teil 4
Aktienanalyse mit Python: So extrahieren Sie Preisdaten aus Dateien || Teil 4
Willkommen zum vierten Teil meiner Python-Serie zur Aktienanalyse. Links zu den ersten drei Teilen finden Sie in der Videobeschreibung und können auch auf den Code im GitHub-Repository zugreifen.
In den vorherigen Videos haben wir uns mit dem Abrufen einer Wertpapierliste, dem Filtern der Liste und dem Herunterladen von Daten in CSV-Dateien befasst. In diesem Video konzentrieren wir uns nun auf das Extrahieren der Schlusskursspalte aus den heruntergeladenen Daten.
Dazu erstellen wir eine Funktion namens „get_closing_prices“. Die Funktion verwendet einen Ordner als Eingabe, wobei ein Standardwert für die Datendateien festgelegt ist. Standardmäßig wird die Abschlussspalte extrahiert, Sie können jedoch bei Bedarf die angepasste Abschlussspalte auswählen.
Zuerst lesen wir alle gültigen Dateien im angegebenen Ordner, mit Ausnahme der Datei, die mit „Null“ beginnt, um Duplikate zu vermeiden. Dann richten wir einen leeren DataFrame ein.
Als nächstes durchlaufen wir die Dateien und prüfen, ob der angepasste Abschluss auf „true“ gesetzt ist. Wenn dies der Fall ist, erstellen wir mit der Funktion read_csv von Pandas einen temporären DataFrame und geben dabei den Ordner und die Datei an. Wir legen die Indexspalte auf das Datum fest und wählen die angepasste Abschlussspalte aus. Abschließend benennen wir die Spalte in das Tickersymbol um.
Wenn der angepasste Schlusskurs nicht wahr ist, gehen wir für die Schlussspalte ähnlich vor. Wir ersetzen den vorhandenen DataFrame durch den temporären DataFrame für die erste Datei und verketten den neuen DataFrame mit dem vorhandenen für nachfolgende Dateien.
Zum Schluss geben wir den DataFrame zurück, der die Schlusskurse enthält. Zusätzlich schreiben wir den DataFrame auf Wunsch in eine CSV-Datei mit dem Namen „closes.csv“.
Sie können die Funktion testen, indem Sie sie mit dem gewünschten Ordnernamen aufrufen. Die Funktion gibt den DataFrame mit den Schlusskursen zurück. Im gezeigten Beispiel wurde die Schlusskursspalte für die angegebenen Wertpapiere erfolgreich extrahiert.
Im fünften Teil berechnen wir Renditedaten auf Basis dieser Schlusskurse.
Renditen berechnen, Korrelationsmatrix erstellen, Leistung grafisch darstellen || Aktienanalyse mit Python Teil 5
Renditen berechnen, Korrelationsmatrix erstellen, Leistung grafisch darstellen || Aktienanalyse mit Python Teil 5
Willkommen zum fünften Teil meiner Serie über die Verwendung von Python für die Aktienanalyse. In der Videobeschreibung finden Sie Links zu den vorherigen vier Teilen sowie einen Link zum GitHub-Repository, wo Sie auf den Code zugreifen können.
Im vierten Teil haben wir die Schlusskurse ausgewählter Wertpapiere eingeholt und in einer Datei gespeichert. Im fünften Teil konzentrieren wir uns nun auf die Berechnung der Rendite auf Basis dieser Schlusskurse. Bevor wir fortfahren, müssen wir die NumPy-Bibliothek importieren.
Wir erstellen eine Funktion namens „calculate_returns“, die einen Ordner und einen Dateinamen als Eingabe verwendet. Um mögliche Fehler zu behandeln, verwenden wir einen Try-Except-Block. Innerhalb der Funktion verwenden wir Pandas, um die Daten aus einer CSV-Datei zu lesen. Wir setzen die Indexspalte auf das Datum und geben den DataFrame der Rückgaben zurück.
Wir können die Funktion testen, indem wir das Ergebnis ausdrucken und den Ordnernamen und den Dateinamen übergeben. Im gezeigten Beispiel wird die Rendite für die ausgewählten Wertpapiere erfolgreich berechnet.
Von hier aus gibt es mehrere mögliche nächste Schritte. Eine häufige Aufgabe besteht darin, die Korrelationen zwischen den Wertpapieren zu berechnen. Ich werde zwar nicht näher auf die konkrete Implementierung eingehen, Sie können jedoch das Ergebnis der vorherigen Funktion verwenden, um eine Funktion zur Berechnung von Korrelationen zu erstellen. Sie können verschiedene Optionen ausprobieren, z. B. das Lesen der Daten aus einer Datei (z. B. Excel oder CSV), um die Flexibilität zu erhöhen.
Eine weitere nützliche Funktion, die wir schreiben können, ist die Darstellung der Schlusskurse. Dazu müssen wir die Matplotlib-Bibliothek importieren. Die Funktion „plot_closes“ verwendet die Abschlüsse als Eingabe, bei denen es sich um eine CSV- oder Excel-Datei handeln kann. Darüber hinaus können wir die Preise relativ zum Startpreis darstellen.
Innerhalb der Funktion lesen wir die Daten mithilfe von Pandas und zeichnen basierend auf dem relativen Parameter die aktuellen Preise oder die Leistung im Verhältnis zum Startpreis auf. Wir können das Diagramm mit Optionen wie Gitterlinien und einer horizontalen Linie bei Null (oder Eins, je nach gewünschter Darstellung) anpassen.
Beim Testen der Funktion können wir das resultierende Diagramm für die ausgewählten Wertpapiere sehen. Indem wir den relativen Parameter auf true setzen, können wir die Leistung im Verhältnis zum Startpreis beobachten.
Im sechsten Teil werden wir weiter mit Schlusskursen und Änderungen arbeiten und uns dabei auf die Speicherung dieser Daten in einer separaten Datei konzentrieren.