Python im algorithmischen Handel - Seite 14

 

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.

  • In diesem Abschnitt erklärt der YouTuber, wie man Candlestick-Charts mit Pythons Pandas-Bibliothek mit CSV-Daten erstellt. Der erste Schritt besteht darin, historische Daten im CSV-Format zu erhalten, die online von verschiedenen Quellen heruntergeladen werden können. Sobald die CSV-Daten in das Skript importiert wurden, wird ein Datenrahmen erstellt, bei dem es sich um eine Sammlung von Daten handelt, die zum Erstellen des Candlestick-Diagramms verwendet werden können. Der YouTuber zeigt dann weiter, wie man bestimmte Spalten aus dem Datenrahmen auswählt, um das Diagramm zu erstellen. Diese Diagramme können in Verbindung mit maschinellen Lernalgorithmen für den automatisierten Handel verwendet werden.

  • 00:05:00 In diesem Abschnitt erläutert das Video, wie Sie mit Python unter Verwendung der Pandas-Bibliothek ein Candlestick-Diagramm erstellen. Das Tutorial beginnt mit der Auswahl von Spalten aus einem Dataset und der Umkehrung der Reihenfolge eines DataFrame, was ein wichtiger Schritt bei der Arbeit mit Börsendaten ist. Das Video behandelt auch die Installation von mpl finance, einer Bibliothek, die zum Erstellen von Finanzplots verwendet wird. Das Tutorial fährt dann mit dem Importieren von Pandas und mpl finance fort, bevor die zu verwendende CSV-Datei ausgewählt wird.

  • In diesem Abschnitt des Tutorials erklärt der Referent, wie man Candlestick-Charts mit der Pandas-Bibliothek von Python erstellt. Durch die Verwendung von Data Frames können die Schlusswerte von Aktien in einem Diagramm angezeigt werden. Der Referent erklärt, wie man mithilfe der mpf-Bibliothek verschiedene Arten von Diagrammen auswählt und wie man den Datumsbereich ändert, um bestimmte Zeiträume zu vergrößern. Das Tutorial bietet eine Schritt-für-Schritt-Anleitung und hebt hervor, wie wichtig es ist, Pandas zu verstehen, um diese Bibliothek effektiv in Python zu verwenden.

  • 00:15:00 In diesem Abschnitt zeigt das Video, wie Sie mit der Pandas-Bibliothek von Python ein Candlestick-Diagramm erstellen. Der erste Schritt besteht darin, einen DataFrame namens „Chart“ zu erstellen, indem Daten aus einer CSV-Datei gelesen werden. Der nächste Schritt besteht darin, den DataFrame zu verwenden, um mithilfe der Bibliothek „mpl_finance“ ein Candlestick-Diagramm zu erstellen. Das Video zeigt, wie Sie das Diagramm anpassen und in Liniendiagramme oder andere Diagrammtypen ändern. Der zur Erstellung des Diagramms verwendete Code ist ebenfalls in der Videobeschreibung enthalten. Das Video betont auch die Bedeutung der Auswahl des geeigneten Datumsbereichs bei der Auswahl von Daten aus dem DataFrame, da dies für andere Aufgaben wie die Modellierung nützlich sein kann.
 

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.

  • 00:00:00 In diesem Abschnitt des Transkripts stellt der Referent den Entscheidungsprozess unter Verwendung eines algorithmischen Ansatzes mit Schwerpunkt auf Entscheidungsbäumen vor. Die Entscheidungsbaummethode wird auf Daten aus historischen Preisbewegungskorrelationen zwischen p500, Gold und Ethereum angewendet, um die Bitcoin-Preisbewegung vorherzusagen. Das Trainingsmodell basiert auf X-Daten für den aktuellen Tag, die verwendet werden, um die Daten für den folgenden Tag vorherzusagen. Der Sprecher gibt an, dass sie ihren Ansatz entwickelt haben, indem sie Intuition und Logik auf den Prozess angewendet haben.

  • 00:05:00 In diesem Abschnitt zeigt das Video, wie man mithilfe einer algorithmischen Handelsstrategie vorhersagt, ob der Preis von Bitcoin am nächsten Tag steigen oder fallen wird. Der Algorithmus verwendet ein Entscheidungsbaummodell, das mit vorhandenen Daten trainiert wird, und prognostiziert dann zukünftige Ergebnisse basierend auf den Eingabemerkmalen. Das im Video gezeigte Beispiel hat einen begrenzten Datensatz, aber der gleiche Ansatz könnte mit größeren Datensätzen verwendet werden, um die Genauigkeit zu verbessern. Darüber hinaus bietet das Video eine Website, auf der die Zuschauer auf weitere algorithmische Handelsstrategien sowie Kurse und Artikel zu künstlicher Intelligenz und Python zugreifen können.

  • 00:10:00 In diesem Abschnitt erklärt der Referent, wie man mithilfe von Entscheidungsbäumen algorithmische Handelsvorhersagen mit Python macht. Sie demonstrieren die Verwendung von Entscheidungsbäumen, indem sie den Begriffen „oben“ und „unten“ numerische Werte zuweisen, um Korrelationen in Daten zu analysieren. Der Redner weist darauf hin, dass Entscheidungsbäume zwar nützlich sein können, um Vorhersagen zu treffen, aber mit nur einer kleinen Datenstichprobe möglicherweise nicht perfekt sind. Sie schlagen auch vor, dass Entscheidungsbäume angewendet werden können, um andere Arten von Diagrammen vorherzusagen, und dass Menschen für mehr Lernen auf künstliche Intelligenz zugreifen können.
 

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.

  • 00:00:00 In diesem Abschnitt stellt der Referent das Konzept des DXY-Index vor, der die Stärke des US-Dollar gegenüber anderen Währungen wie Euro, Yen, Pfund, kanadischem Dollar, Schweizer Franken und schwedischer Krone misst. Der Referent erklärt, dass diese Daten für automatisierte Investitionen, Datenanalyse und maschinelles Lernen nützlich sein können. Anschließend stellt er einen Code zum Extrahieren von DXY-Daten aus einer Webseite mithilfe der Bibliothek Beautiful Soup von Python bereit, wobei der Schwerpunkt auf dem Abrufen der Variation des Index liegt. Der Sprecher teilt auch seinen Instagram-Handle und die Webseite, von der er die Daten kratzt.

  • 00:05:00 In diesem Abschnitt des Videos demonstriert der Moderator, wie der Dollar-Index (DXY) mit Python für Investitionszwecke extrahiert wird. Der Präsentator verwendet einen Code, der DXY-Informationen zur späteren Analyse in einer CSV-Datei speichert. Der Code extrahiert zuerst die Prozentinformationen aus den DXY-Daten und trennt sie dann mit den Funktionen „split“ und „replace“ von den Datumsinformationen. Schließlich speichert der Code die extrahierten Informationen in einer CSV-Datei, die zwei Spalten enthält – eine mit dem Datum und die andere mit dem Variationsprozentsatz. Der Moderator schlägt vor, dass die extrahierten Daten für maschinelles Lernen und Datenanalysezwecke verwendet werden können.

  • 00:10:00 In diesem Abschnitt demonstriert der Referent, wie man den Dollar-Index mit Python extrahiert. Sie zeigen Ausschnitte aus einem Python-Skript und erklären, wie es funktioniert. Der Code verwendet die Pandas-Bibliothek, um Daten aus einer HTML-Tabelle zu extrahieren und sie zur weiteren Analyse in einer CSV-Datei zu speichern. Der Referent bietet auch einen Link zu seiner Website mit kostenlosen Kursen zu Python, algorithmischem Handel und Finanzen. Insgesamt bietet das Video eine hilfreiche Anleitung für alle, die Finanzdaten mit Python extrahieren möchten.
 

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:

  • 00:00:00 Dieser Kurs befasst sich mit algorithmischem Handel und Python. Das erste Projekt ist der Aufbau einer gleichgewichteten Version des beliebten S&P 500-Indexfonds. Das zweite Projekt ist eine quantitative Momentum-Strategie, die die besten Aktien auf der Grundlage verschiedener Momentum-Investitionskennzahlen auswählt. Das dritte Projekt ist ein quantitativer Wert-Screener, der Aktien auswählt, die auf der Grundlage einer Reihe von Wertkennzahlen attraktiv sind.

  • 00:05:00 Dieser Kurs soll Python für den algorithmischen Handel lehren. Python ist eine beliebte Sprache für diese Art des Handels, aber es ist eine langsame Sprache. Viele Praktiker haben herausgefunden, dass Python häufig als Klebesprache verwendet wird, um Code auszulösen, der tatsächlich in anderen Sprachen ausgeführt wird. In diesem Kurs werden wir Python verwenden, um drei algorithmische Handelsstrategien zu entwickeln.

  • 00:10:00 Dieses Video stellt die Programmiersprache Python vor und zeigt, wie man damit auf Daten von Online-APIs zugreift. Der Schwerpunkt des Kurses liegt auf der Verwendung der IRS-Code-API zum Sammeln von Börsendaten.

  • 00:15:00 In diesem Video stellt der Dozent die Konzepte des algorithmischen Handels vor und zeigt, wie man verschiedene Anlagestrategien in Python erstellt. Das erste Projekt besteht darin, eine gleichgewichtete Version des S&P 500-Indexfonds zu schaffen.

  • 00:20:00 Dieses Python-Video-Tutorial erklärt, wie Sie die Bibliotheken NumPy, Pandas, Requests und XLS verwenden, um eine algorithmische Handelsstrategie zu erstellen.

  • 00:25:00 Dieses Video ist ein Tutorial zur Verwendung von Python für den Aktienhandel. Der erste Schritt besteht darin, eine Liste der 500 Aktien des S&P 500 in einer CSV-Datei zu speichern. Anschließend importieren wir den IE x Cloud-API-Schlüssel in unser Jupyter-Notebook und verwenden ihn zum Erwerb eines API-Tokens. Wir beginnen mit dem Importieren der Datei „secrets.py“ in unser Skript, in der vertrauliche Informationen wie der API-Schlüssel gespeichert sind. Anschließend verwenden wir den API-Schlüssel, um Finanzdaten von der IE x Cloud-API abzurufen. Die Daten werden im Datenrahmen eines Pandas gespeichert und wir können die Daten ausdrucken, um zu überprüfen, ob sie funktionieren.

  • 00:30:00 In diesem Teil des Python-Tutorials wird erläutert, wie Sie mit der Cloud-API Marktkapitalisierung und Aktienkurse für einzelne Aktien abfragen.

  • 00:35:00 Das Video erklärt, wie man die Requests-Bibliothek verwendet, um eine HTTP-Anfrage auszuführen und die Ergebnisse in einer Variablen zu speichern. Es zeigt, wie man mit dem Curl-Befehlszeilentool einen API-Endpunkt erstellt und die Anfrage ausführt. Die Datenvariable enthält das Antwortobjekt der Anfrage, das den Statuscode und andere Informationen enthält.

  • 00:40:00 In diesem Video wird erklärt, wie man mit der Programmiersprache Python mithilfe von Algorithmen Aktien handelt. Das Video zeigt, wie man eine Python-Umgebung einrichtet und wie man mit der dot-JSON-Methode Daten aus einer HTTP-Anfrage in ein JSON-Objekt konvertiert. Die Datenvariable in der Python-Umgebung verhält sich genauso wie die erweiterte Änderungsvariable in den iX Cloud-Dokumenten. Das Video erklärt, dass die Preisdaten in der iX Cloud möglicherweise nicht korrekt sind, und zeigt, wie Sie die Genauigkeit mithilfe einer Google-Suche testen können.

  • 00:45:00 In diesem Video erklärt der Autor, wie man einen API-Aufruf analysiert, Aktien bewertet und ihre Marktkapitalisierung berechnet. Anschließend erklären sie, wie man Datenpunkte an den Datenrahmen eines Pandas anhängt und zeigen, wie man das macht, indem man den Datenrahmen als Liste ausdruckt.

  • 00:50:00 Dieses Video beschreibt, wie man mit Python algorithmisch mit Aktien handelt. Der Kurs beginnt mit der Einführung in die Grundlagen von Pandas, einer Datenanalysebibliothek, und fährt dann mit der Erstellung eines Datenrahmens und einer Pandas-Serie fort. Der Kurs zeigt dann, wie man eine HTTP-Anfrage für eine Aktie ausführt und wie man die Ergebnisse des API-Aufrufs nutzt, um den Datenrahmen eines Pandas zu füllen. Abschließend zeigt der Kurs, wie Sie die Leistung des Codes durch Stapeln von API-Anfragen verbessern können.

  • 00:55:00 Dieses Video bietet einen Überblick über das Thema algorithmischer Handel mit Python, wobei der Schwerpunkt auf der Verwendung der Pandas-Datenrahmenbibliothek und der Verwendung von Batch-API-Aufrufen zur Beschleunigung des Codes liegt. In dem Video wird erläutert, wie eine Aktienliste in 100er-Blöcke aufgeteilt wird und wie die Chunks-Funktion verwendet wird, um eine Liste mit Listen von Pandas-Serien zu erstellen, die jeweils auf 100 Elemente begrenzt sind. Schließlich wird eine for-Schleife verwendet, um Batch-API-Aufrufe für jede Aktie in der Aktienliste auszuführen, und die Informationen von jeder Aktie werden an den endgültigen Datenrahmen angehängt.
Teil 2:
  • 01:00:00 Dieses Python-Video-Tutorial zeigt, wie Sie die Programmiersprache Python verwenden, um Aktien mithilfe eines automatisierten Algorithmus zu handeln. Das Video 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.

  • 01:05:00 In diesem Video erfahren Sie, wie Sie mit Python algorithmischen Handel durchführen. Es behandelt, wie Sie eine API-Aufruf-URL erstellen, Daten aus dem API-Aufruf analysieren und die Anforderungsbibliothek verwenden, um die Daten abzurufen. Das Video zeigt außerdem, wie man der Pandas-Serienklasse einen Ignorierindex hinzufügt und wie man den Code ausführt.

  • 01:10:00 Dieses Python-Skript berechnet schnell die Anzahl der zu kaufenden Aktien für eine vom Benutzer eingegebene Portfoliogröße.

  • 01:15:00 Dieses Python-Skript berechnet die Positionsgröße und kauft Aktien einer Aktie, um diese Positionsgröße zu erreichen. Es nutzt die Abrundungsfunktion des Mathematikmoduls, um die Anzahl der zu kaufenden Aktien abzurunden.

  • 01:20:00 Das Video zeigt, wie man mit Python Aktien handelt. Im ersten Abschnitt des Videos wird erläutert, wie auf Daten in einem Datenrahmen zugegriffen und diese verwendet werden. Im zweiten Abschnitt wird erklärt, wie der Datenrahmen in einer Excel-Datei gespeichert wird.

  • 01:25:00 Dieses Video zeigt, wie man mit Python Algorithmen für den Handel erstellt. Der erste Schritt besteht darin, eine Excel-Datei zu erstellen und den Datenrahmen aus einem Pandas-Modul zu übergeben. Als Nächstes wird die Formatierung eingeführt, mit unterschiedlichen Formaten für String-, Dollar- und Integer-Zellen. Abschließend wird das Format auf die Zellen in der Excel-Datei angewendet.

  • 01:30:00 In diesem Video erfahren Sie, wie Sie mit Python mithilfe eines automatisierten Algorithmus mit Aktien handeln. Im ersten Teil des Videos wird erklärt, wie man in einem Wörterbuch ein Spaltenformat erstellt, das zur Formatierung der Spalten in einer Excel-Tabelle verwendet wird. Der zweite Teil des Videos zeigt, wie man zwei Schleifen erstellt, die die Spalten in der Tabelle automatisch formatieren.

  • 01:35:00 In diesem Video wird erklärt, wie Sie mithilfe einer virtuellen Umgebung eine algorithmische Handelsstrategie in Python erstellen. Zunächst öffnet der Kursleiter ein Jupyter-Notebook, um die virtuelle Umgebung zu starten. Als nächstes aktivieren sie die virtuelle Umgebung und erstellen ein neues Projekt. Das Projekt umfasst ein Aktienkursvorhersagemodell, ein Marktkapitalisierungsvorhersagemodell und ein Vorhersagemodell für eine Reihe von Aktien zum Kauf. Der Kursleiter zeigt dann, wie man die Modelle durchläuft und die Vorhersagen in eine Datei ausgibt. Abschließend zeigen sie, wie man die Datei speichert und die Lektion beendet.

  • 01:40:00 In diesem Video erklärt Notebookist, wie man mit Python mithilfe einer algorithmischen Handelsstrategie mit Aktien handelt. Der Kurs behandelt das Importieren von Bibliotheken, das Durchführen von API-Aufrufen und den Aufbau einer auf Momentum basierenden Strategie.

  • 01:45:00 In diesem Video erfahren Sie, wie Sie Python für den algorithmischen Handel verwenden. Es behandelt die Grundlagen der Verwendung der Sprache für Leistungsanalysen und den Handel. Das Video zeigt, wie Sie mithilfe der Requests-Bibliothek einen einfachen API-Aufruf zum Abrufen von Bestandsdaten durchführen.

  • 01:50:00 In diesem Video zeigt der Autor, wie man mit Python Batch-API-Aufrufe für den algorithmischen Handel erstellt. Der Autor unterteilt zunächst eine Liste von Aktien in Gruppen von 100, erstellt dann einen leeren Panda-Datenrahmen und instanziiert ihn. Für jede Aktie in der Liste der Symbolzeichenfolgen erstellt der Autor eine Batch-API-Aufruf-URL und ruft die JSON-Methode dafür auf, um sie von einem Anforderungssubjekt in ein JSON-Objekt umzuwandeln.

  • 01:55:00 Das Video erklärt, wie man mit Python mithilfe von Algorithmen Aktien handelt. Der Kursleiter zeigt, wie man Aktien durchläuft, die relevanten Metriken analysiert und sie an einen Datenrahmen anhängt.

Teil 3:

  • 02:00:00 In diesem Video-Tutorial wird erläutert, wie Sie mit Python mithilfe von Algorithmen Aktien handeln. Es behandelt das Erstellen eines Datenrahmens, das Durchlaufen von Symbolen, das Durchführen von API-Aufrufen und das Sortieren von Daten. Der endgültige Datenrahmen wird verwendet, um zu bestimmen, welche Aktien gekauft werden sollen.

  • 02:05:00 Dieses Python-Video-Tutorial zeigt, wie Sie mithilfe der Pandas-Bibliothek die Anzahl der zu kaufenden Aktien für eine Momentum-Strategie berechnen. Das Tutorial sortiert zunächst die Zeilen eines Datenrahmens basierend auf Preisrenditen für ein Jahr und verwendet dann den Inplace-Equals-True-Parameter, um den ursprünglichen Datenrahmen zu ändern, anstatt eine temporäre Kopie zurückzugeben. Als Nächstes wird der Datenrahmen so geändert, dass er nur die 50 Aktien mit der höchsten Kursdynamik enthält. Schließlich wird die Funktion zur Berechnung der Anzahl der zu kaufenden Aktien für die Momentum-Strategie erstellt und darauf spezialisiert, nur Wertfehler zu akzeptieren. Die Strategie wird dann umgesetzt und ist erfolgreich.

  • 02:10:00 In diesem Kurs geht es darum, wie man Code schreibt, um eine einfache algorithmische Handelsstrategie zu erstellen, wie man die Strategie testet und wie man die Strategie zum Kauf und Verkauf von Aktien verwendet. Die Strategie basiert auf der Annahme, dass es sich bei einer Aktie entweder um eine Momentum-Aktie hoher Qualität oder um eine Momentum-Aktie niedriger Qualität handelt. Die Strategie besteht darin, Aktien zu kaufen, wenn der Preis niedrig ist, und Aktien zu verkaufen, wenn der Preis hoch ist.

  • 02:15:00 In diesem Python-Video erfahren Sie, wie Sie mithilfe eines Datenrahmens aus Aktienkursen und Renditewerten über verschiedene Zeiträume eine quantitative Momentum-Strategie erstellen. Die Strategie nutzt eine Vielzahl von Momentum-Kennzahlen, um qualitativ hochwertige Aktien zu identifizieren.

  • 02:20:00 Der Autor diskutiert, wie man mit Python einen Algorithmus für den Aktienhandel erstellt. Sie erstellen zunächst eine Liste der zu verfolgenden Metriken und verwenden dann die Sai-Pi-Bibliothek, um Perzentilwerte für jede Metrik zu berechnen. Als Nächstes erstellen sie eine Schleife, um die Perzentilwerte für jede Spalte im Datenrahmen zu berechnen. Schließlich nutzen sie die Schleife, um eine Strategie für den Aktienhandel zu entwickeln.

  • 02:25:00 In diesem Video erfahren Sie, wie Sie mit der Programmiersprache Python algorithmisch mit Aktien handeln. Der Kursleiter verwendet die LFC-Methode (lineare kleinste Quadrate), um den Perzentilwert für jede Spalte in einem Datenrahmen zu berechnen.

  • 02:30:00 In diesem Kurs wird erläutert, wie Sie mit Python algorithmischen Handel durchführen. Der Kurs beginnt mit einer Einführung in die Python-Programmierung und erklärt, wie Sie mit dem Statistikmodul Perzentilwerte für verschiedene Zeiträume und Anlageklassen berechnen. Anschließend wird die Mittelwertfunktion verwendet, um den Durchschnitt dieser Bewertungen zu berechnen. Als nächstes wird eine Schleife verwendet, um den HTM-Score für jede Zeile im HTM-Datenrahmen zu berechnen. Abschließend wird der HM-Datenrahmen gedruckt, um zu überprüfen, ob die Berechnungen erfolgreich waren.

  • 02:35:00 In diesem Video zeigt der Autor, wie man mit Python einen „HTM-Score“ für jede Aktie in einem Datenrahmen berechnet und die 50 besten Momentum-Aktien mithilfe des HTM-Scores als Filter auswählt.

  • 02:40:00 Dieses Video zeigt, wie man mit Python mithilfe von Algorithmen Aktien handelt. Der Autor initialisiert einen Datenrahmen und formatiert die Daten dann in ein Excel-Dokument für technisch nicht versierte Benutzer.

  • 02:45:00 Der Autor des Videos zeigt, wie man mit Python ein algorithmisches Handelssystem erstellt. Der erste Schritt besteht darin, ein Wörterbuch von Spaltenbuchstaben zu Spaltenwerten zu erstellen und dann das Wörterbuch zu durchlaufen, um das entsprechende Format auf jede Spalte anzuwenden. Der zweite Schritt besteht darin, das Writer-Objekt zu verwenden, um die Daten in eine Excel-Datei zu schreiben. Der dritte Schritt besteht darin, die Methode „Spalte festlegen“ zu verwenden, um die Formate dynamisch auf jede Spalte im Datenrahmen anzuwenden.

  • 02:50:00 In diesem Video zeigt der Kursleiter, wie man Excel-Dateien für den Einsatz im algorithmischen Handel formatiert und wie man eine Value-Investing-Strategie basierend auf einer Metrik erstellt.

  • 02:55:00 Dieses Video zeigt, wie man mit Python eine algorithmische Handelsstrategie erstellt, 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.

Teil 4:

  • 03:00:00 Das Video erläutert, wie man mit der Programmiersprache Python algorithmische Handelsmodelle erstellt. Es zeigt, wie Sie die Anforderungsbibliothek verwenden, um HTTP-Anfragen zu stellen, und wie Sie Datenwerte in JSON-Objekte umwandeln. Anschließend zeigt das Video, wie man anhand der Aktienkurse zweier verschiedener Börsen Kurs- und Gewinnverhältnisse berechnet.

  • 03:05:00 In diesem Video wird erklärt, wie Sie einen Batch-API-Aufruf mit Python ausführen.

  • 03:10:00 Das Video zeigt, wie Sie mit der Python-Requests-Bibliothek eine Get-Anfrage ausführen, um Daten von der Börse abzurufen. Diese Daten werden dann analysiert und zur Generierung einer Panda-Serie verwendet.

  • 03:15:00 In diesem Kurs wird erläutert, wie Sie mit Python algorithmischen Handel durchführen. Zunächst erklärt der Dozent, wie man einen Datenrahmen in Python erstellt. Als Nächstes erklärt der Kursleiter, wie man Glamour-Aktien aus einem Datenrahmen entfernt. Abschließend erklärt der Kursleiter, wie die Top-50-Aktien aus einem Datenrahmen gemäß einem Bestellschema zurückgegeben werden.

  • 03:20:00 In diesem Video erklärt der Dozent, wie man mit Python algorithmischen Handel durchführt. Zunächst sortierten sie den Datenrahmen, um sicherzustellen, dass die Aktien mit dem niedrigsten Kurs-Gewinn-Verhältnis ganz oben standen. Als nächstes verwendeten sie die Drop-Methode, um eine neue Indexspalte zu löschen. Anschließend sortierten sie den Datenrahmen erneut mit dem Parameter „in place equal true“, um den ursprünglichen Datenrahmen beizubehalten. Anschließend berechneten sie die Positionsgröße und den Preis pro Aktie für jede Aktie. Schließlich verwendeten sie die Portfolio-Eingabefunktion, um die Positionsgröße für jede Aktie im Datenrahmen zu berechnen.

  • 03:25:00 Dieses Video stellt das Konzept des algorithmischen Handels vor und zeigt, wie Python zum Erstellen einer Wertstrategie verwendet werden kann. Das Video zeigt dann, wie man mit Python auf die ix Cloud API zugreift, um Daten für mehrere Bewertungsmetriken abzurufen. Wenn alles gut geht, werden die Daten als Panda-Datenrahmen zurückgegeben und das Video zeigt an, dass die Daten ordnungsgemäß funktionieren.

  • 03:30:00 In diesem Video zeigt der Autor, wie man mit Python algorithmischen Handel durchführt. Der Autor zeigt zunächst, wie man das Kurs-Gewinn-Verhältnis erhält und analysiert diesen Wert dann über die IRS-Cloud-API. Als Nächstes demonstriert der Autor, wie man jeder Metrik einen Wert zuweist und wie man diese Daten über die IRS-Cloud-API analysiert. Abschließend zeigt der Autor, wie man das Preis-Umsatz-Verhältnis nutzt, um das Preis-Buchwert-Verhältnis zu ermitteln.

  • 03:35:00 In diesem Video-Tutorial wird erläutert, wie Sie mit Python algorithmischen Handel durchführen. Der Kurs beginnt mit der Vermittlung der Berechnung des Preis-Umsatz-Verhältnisses eines Unternehmens anhand einer anderen Kennzahl (Preis-Buchwert). Anschließend erfahren Sie im Kurs, wie Sie den Unternehmenswert, den Gewinn vor Zinsen, Steuern und Abschreibungen (EBITDA) und den Unternehmenswert im Verhältnis zum Bruttogewinn (EV/EBIT) berechnen. Abschließend zeigt der Kurs, wie man das Value-to-Earnings-Verhältnis (EV/EBIT) für ein Unternehmen am Ende der Periode berechnet.

  • 03:40:00 In diesem Video zeigt der Autor, wie man Python für den algorithmischen Handel verwendet. Sie zeigen zunächst, wie Bewertungsmetriken berechnet werden, und erstellen dann eine Schleife, um einen Datenrahmen mit den berechneten Informationen zu füllen. Zum Abschluss des Videos drucken sie die Statuscodes für die API-Aufrufe aus.

  • 03:45:00 In diesem Video demonstriert der Autor, wie man mit Python Aktien algorithmisch handelt. Sie erstellen zunächst einen Datenrahmen aus Aktiensymbolen und Datenwerten und fügen dann mit der Append-Methode Daten für jeden Ticker zum Datenrahmen hinzu. Als nächstes verwenden sie die Head-Methode, um Datenpunkte für jeden Ticker zu analysieren, und verwenden dann die Append-Methode, um diese Datenpunkte zum Pandas-Datenrahmen hinzuzufügen. Schließlich verwenden sie die Perzentilmethode, um die Perzentilwerte der Aktien zu berechnen.

  • 03:50:00 In diesem einstündigen Video-Tutorial erfahren Sie, wie Sie mit Python Aktien handeln und verschiedene Berechnungen verwenden, um Erfolgsindikatoren zu generieren. Wenn eine der Berechnungen fehlschlägt, verwendet der Kursleiter die Ausnahmebehandlung, um den Wert durch einen Dummy-Wert zu ersetzen.

  • 03:55:00 In diesem Video erklärt der Kursleiter mithilfe von Pandas, wie mit fehlenden Daten in einem Datenrahmen umgegangen wird. Zunächst erklären sie, wie man erkennt, welche Spalten in einem Datenrahmen fehlende Daten enthalten. Anschließend zeigen sie, wie Sie mit der Methode „Ausfüllen“ die fehlenden Daten durch einen Durchschnittswert aus einer anderen Spalte ersetzen.

Teil 5:

  • 04:00:00 In diesem Video wird erläutert, wie Sie mit Python Perzentilwerte für verschiedene Aktienkennzahlen berechnen. Zunächst zeigt der Transkriptauszug, wie man ein Wörterbuch mit Aktienmetriken erstellt und dann, wie man mit der „LLC“-Methode der Pandas-Bibliothek auf die Perzentilwerte für jede Metrik zugreift.

  • 04:05:00 Das Video zeigt, wie man mit Python algorithmischen Handel durchführt. Der erste Teil des Tutorials zeigt, wie Sie die Perzentil-Score-Funktion aus dem Sai pi dot stats-Modul verwenden, um auf Perzentil-Scores für einen bestimmten Datensatz zuzugreifen. Im zweiten Teil des Tutorials wird gezeigt, wie der RV-Score für eine bestimmte Zeile in einem Datensatz mithilfe der LSC-Methode berechnet wird.

  • 04:10:00 Das Video erklärt, wie man mit Python verschiedene Bewertungskennzahlen berechnet, darunter KGV-Verhältnisse, PB-Verhältnisse, PS-Verhältnisse, Evie/EBIT-Verhältnisse und Eb/Bruttogewinn. Sobald die Metriken berechnet sind, zeigt das Video, wie die Daten gedruckt und mit den erwarteten Werten verglichen werden.

  • 04:15:00 In diesem Python-Video zeigt der Autor, wie man die Positionsgröße für ein Portfolio mithilfe der Python-Bibliothek Pandas berechnet. Zunächst erstellen sie einen Datenrahmen mit dem Index der 50 Aktien, die in ihrem Universum am günstigsten sind. Als Nächstes filtern sie den Datenrahmen so, dass nur die 50 Aktien enthalten sind, und setzen den Index auf Unterstrich zurück. Anschließend übergeben sie den Drop-Parameter, um eine Duplizierung des vorhandenen Index zu vermeiden, und erstellen eine for-Schleife, um die Positionsgröße für jede Aktie zu berechnen. Schließlich drucken sie die Positionsgröße für jede Aktie aus und vergleichen sie mit der gewünschten Positionsgröße von 50.000 US-Dollar.

  • 04:20:00 In diesem Video erfahren Sie, wie Sie mit Python algorithmisch mit Aktien handeln. Der erste Teil des Videos behandelt die Grundlagen zum Erstellen und Ausdrucken eines Datenrahmens. Im zweiten Teil des Videos wird erläutert, wie Sie mit Python eine Excel-Datei erstellen, die die Aktienkurse und Positionsgrößen für Calls und Puts enthält. Abschließend zeigt das Video, wie Sie die Excel-Datei formatieren und an einen Drucker senden.

  • 04:25:00 Dieses Video zeigt, wie man mit Python algorithmischen Handel durchführt. Der Dozent zeigt, wie man eine Tabellenkalkulation formatiert, um Daten für Handelszwecke zu speichern, und wie man verschiedene Python-Funktionen verwendet, um verschiedene Aufgaben in der Tabellenkalkulation auszuführen.

  • 04:30:00 Dieses Tutorial führt in die Verwendung von Python für quantitatives Value Investing ein und verwendet eine Methode zur Identifizierung der 50 günstigsten Aktien im S&P 500. Das Tutorial bietet Schritt-für-Schritt-Anleitungen zum Formatieren und Ausführen des Codes und endet mit eine ausgefüllte Tabelle.
Algorithmic Trading Using Python - Full Course
Algorithmic Trading Using Python - Full Course
  • 2020.12.04
  • www.youtube.com
Learn how to perform algorithmic trading using Python in this complete course. Algorithmic trading means using computers to make investment decisions. Comput...
 

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.

  • 00:00:00 In diesem Video erläutert der Autor die Installation und Verwendung eines Python-Programms für den algorithmischen Handel. Als Nächstes erklären sie, wie man eine einfache Python-3-Datei erstellt, die den Code für eine algorithmische Handelsstrategie enthält. Abschließend zeigen sie, wie der Code ausgeführt wird, indem die Ergebnisse gedruckt werden.

  • 00:05:00 In diesem Tutorial wird erläutert, wie Sie mit der Programmiersprache Python algorithmischen Handel durchführen. Das Tutorial behandelt verschiedene Funktionen und Bibliotheken, die im algorithmischen Handel verwendet werden können, wie beispielsweise die Y-Finance-Bibliothek. Das Tutorial zeigt auch, wie man Daten in einer Tabelle herunterlädt und verarbeitet.

  • 00:10:00 Dieses YouTube-Video zeigt, wie man eine CSV-Datei schreibt und wie man sie in Python liest.

  • 00:15:00 In diesem Tutorial wird erläutert, wie Sie mit Python Aktien handeln. Das Video erklärt zunächst, wie man einen Aktienindex erstellt, und zeigt dann, wie man mit der Python-Funktion „convert“ das Indexformat ändert. Abschließend wird erläutert, wie Sie mit der Python-Funktion start.columns die Spaltenliste für Aktien ändern.

  • 00:20:00 In diesem Video-Tutorial wird erläutert, wie Sie mit Python Aktien handeln. Der erste Teil des Tutorials behandelt das Herunterladen und Analysieren von Bestandsdaten. Als Nächstes behandelt das Tutorial die Verwendung der Beschreibungsfunktion zum Analysieren der Daten. Abschließend erfahren Sie im Tutorial, wie Sie mit der Dot-Lock-Funktion den Überblick über Aktienkurse behalten.

  • 00:25:00 In diesem Video-Tutorial wird erklärt, wie Sie mit der Programmiersprache Python einen Algorithmus für den Aktienhandel erstellen. Das Tutorial beginnt mit der Anzeige der verschiedenen Startpunkte für drei verschiedene Aktien und zeigt dann, wie die Werte normalisiert werden, sodass sie alle in 100-Punkte-Bereichen dargestellt werden. Als nächstes zeigt das Tutorial, wie man die Norm des Schlusskurses einer Aktie grafisch darstellt und wie man sie verwendet
    Verwenden Sie die Punktfunktion (Mol), um die Werte mit 100 zu multiplizieren, um sie leichter lesbar zu machen.

  • 00:30:00 Dieses Video-Tutorial zeigt, wie Sie mit der Programmiersprache Python Algorithmen für den Aktienhandel erstellen. Der erste Schritt besteht darin, eine neue Datenspalte zu erstellen, um die Informationen über die geschlossenen Bestände zu speichern. Als nächstes erklärt das Video, wie Sie die Verschiebungsfunktion verwenden, um die Daten an das Ende der Spalte zu verschieben. Abschließend zeigt das Tutorial, wie man die prozentuale Veränderung der Aktienkurse gegenüber dem Vortag berechnet.

  • 00:35:00 In diesem Tutorial erfahren Sie, wie Sie mit der Programmiersprache Python verschiedene statistische Daten im Zusammenhang mit dem algorithmischen Handel berechnen. Sie erfahren, wie Sie die Funktionen Verschiebung, Subtraktion und Division durch verwenden, um Daten im Zusammenhang mit Verzögerung und Differenz zu berechnen.

  • 00:40:00 Das Video zeigt, wie man mit Python die prozentuale Veränderung für einen finanziellen Vermögenswert berechnet. Die Änderungsfunktion wird zur besseren Lesbarkeit in pst geändert, und dann wird die Periodenvariable auf den Wert Eins gesetzt. Die prozentuale Änderung wird dann mit Hundert multipliziert, um sie in einen Punktwert umzuwandeln. Anschließend wird die Standardänderung für den Vermögenswert berechnet und von der prozentualen Änderung abgezogen, um den Effekt des ersten Tages zu entfernen. Der Datenrahmen „Apple“ wird in „Änderung“ umbenannt und die Spalte „Änderung“ wird erstellt. Aafl wird ausgeführt, um die Spaltenänderungen zu überprüfen, und der Datenrahmen wird gespeichert.

  • 00:45:00 In diesem Tutorial zeigt der Autor, wie man den Mittelwert und die Standardabweichung eines bestimmten Datensatzes sowie die prozentuale Änderung und Rendite der monatlichen Änderung berechnet. Er zeigt auch, wie man ein Histogramm erstellt und ein Systemdiagramm erstellt.

  • 00:50:00 In diesem Video wird erklärt, wie der Mittelwert, die Varianz und die Standardabweichung der Renditen einer Aktie berechnet werden. Das Video erklärt außerdem, wie man die jährliche Durchschnittsrendite und die jährliche Var-Rendite berechnet.

  • 00:55:00 In diesem Video-Tutorial wird erläutert, wie Sie die jährliche Standardabweichung der Rendite einer bestimmten Aktie mithilfe der Standardfunktion berechnen. Die std-Funktion übernimmt Daten von einem Tickersymbol und nicht von einzelnen Datenpunkten, was sie für die Analyse großer Datensätze effizienter macht. Das Tutorial zeigt außerdem, wie Sie eine Spalte erstellen, um den Mittelwert und die Standardabweichung der Rendite einer Aktie zu verfolgen, sowie eine Spalte, um den Mittelwert und die Standardabweichung der prozentualen Veränderung einer Aktie zu verfolgen. Abschließend wird erläutert, wie der Mittelwert und die Standardabweichung der Rendite einer Aktie mithilfe der Zusammenfassungsfunktion berechnet werden.

  • 01:00:00 Der Autor erklärt, wie man ein Streudiagramm erstellt und es mit Anmerkungen versehen kann, um die Rendite und das Risiko verschiedener Aktien darzustellen.

  • 01:05:00 In diesem Video-Tutorial wird erklärt, wie Sie mit der Programmiersprache Python Algorithmen für den Aktienhandel erstellen. Das Tutorial behandelt die Verwendung von for-Schleifen und den Kovarianz- und Korrelationsfunktionen sowie eine grafische Darstellung der Ergebnisse.

  • 01:10:00 In diesem Tutorial wird erklärt, wie Sie mit der Seaborn-Bibliothek eine Heatmap der Bestandskorrelationen erstellen. Das Tutorial beinhaltet auch einen Code-Download für das gesamte Projekt.

  • 01:15:00 In diesem Video zeigt der Moderator, wie man mit Python das Risiko- und Ertragspotenzial eines Aktienportfolios berechnet. Er erörtert die Einschränkungen einfacher Rückgaben und Protokollrückgaben und zeigt, wie sie in der Praxis funktionieren.

  • 01:20:00 In diesem Tutorial wird erläutert, wie Sie mit der Rolling-Funktion in Python einen einfachen gleitenden Durchschnitt berechnen.

  • 01:25:00 Dieses Tutorial zeigt, wie man den Mittelwert und den Median einer Reihe von Werten sowie den gleitenden Durchschnitt berechnet.

  • 01:30:00 Dieses Video zeigt, wie man den gleitenden 50-Tage-Durchschnitt, den gleitenden 200-Tage-Durchschnitt und den EMA (oder „Gewinn-zu-Preis“) einer Aktie berechnet. Das Video zeigt auch, wie diese Durchschnittswerte in einem Diagramm dargestellt werden.

  • 01:35:00 In diesem Video erklärt Dot Day, wie man die Re-Index-Funktion in Pandas verwendet, um fehlende Werte in einem Datenrahmen zu ersetzen. Das Video zeigt auch, wie Sie die Vorwärts- und Rückwärtsfüllfunktionen verwenden, um Daten zu verwalten, wenn Feiertage sowie Samstage und Sonntage enthalten sind.

  • 01:40:00 In diesem Video wird erläutert, wie die Renditen einer Aktie im Laufe der Zeit berechnet werden, einschließlich Buy-and-Hold-Renditen, kumulierten Renditen und maximalen Renditen. Außerdem wird erläutert, wie die kumulative maximale Rendite berechnet und ein Diagramm der Daten erstellt wird.

  • 01:45:00 In diesem Video wird erläutert, wie die Drawdowns für eine Aktie berechnet werden und wie die maximale kumulative Rendite und das maximale kumulative Maximum für eine Aktie berechnet werden.

  • 01:50:00 Das Video erläutert die Berechnung des Drawdowns und des maximalen Drawdowns für eine Aktie und bietet außerdem einen Überblick über die Berechnung des prozentualen Drawdowns.

  • 01:55:00 In diesem YouTube-Video erklärt ein Python 2023-Tutorial, wie man eine Crossover-Strategie mit gleitendem Durchschnitt erstellt. Die Strategie beinhaltet die Verwendung zweier gleitender Durchschnitte, eines 50-Tage- und eines 100-Tage-Durchschnitts, um den Trend der Aktie zu bestimmen.

  • 02:00:00 In diesem Video-Tutorial wird erläutert, wie Sie mit Python Code für den Aktienhandel schreiben. Das Video zeigt, wie man Code schreibt, um basierend auf dem aktuellen Preis und dem vergangenen Preis zu bestimmen, ob eine Aktie gekauft oder verkauft werden soll. Das Video erklärt außerdem, wie man mithilfe einer Bibliothek die Position einer Aktie im Zeitverlauf verfolgt.

  • 02:05:00 Das Video erklärt, wie man eine Algorithmus-Handelsstrategie anhand von Renditen und Standardabweichung erneut testet. Die Strategie erzielt eine höhere Rendite als ein gleitender 50-Tage-Durchschnitt, weist jedoch eine hohe Standardabweichung auf.

  • 02:10:00 In diesem Video wird erklärt, wie man eine Strategie für eine bestimmte Investition erstellt und wie man sie mit anderen Strategien vergleicht. Die Strategie mit der besten Rendite ist die Strategie mit der Long-Ausrichtung.

  • 02:15:00 Der Autor stellt eine Funktion zur Erstellung einer Teststrategie für den algorithmischen Handel vor. Die Funktion übernimmt den Aktiennamen sowie das Start- und Enddatum und gibt die Tagesrendite, die kumulative Rendite und den SMA zurück.

  • 02:20:00 Dieses Tutorial zeigt, wie man einen Python-Algorithmus für den Aktienhandel erstellt und wie man ihn verwendet, um Vorhersagen über zukünftige Aktienkurse zu treffen. Das Tutorial beinhaltet eine Demonstration, wie man die Rendite einer Investition in eine Aktie berechnet, sowie die Standardabweichung dieser Rendite.

  • 02:25:00 Die SMA-Backtester-Klasse wird verwendet, um eine Strategie zu erstellen, die Renditen und Standardabweichung berechnet. Die Klasse enthält auch eine Funktion zum Abrufen von Daten.

  • 02:30:00 Das Video zeigt, wie Sie mit der Funktion „getdata“ Bestandsdaten herunterladen, wie Sie eine Testergebnisfunktion erstellen und wie Sie anhand der Daten die Leistung und Outperformance einer Buy-and-Hold-Strategie berechnen.

  • 02:35:00 Der Autor zeigt, wie man die Performance und Outperformance einer algorithmischen Handelsstrategie berechnet. Der Autor zeigt auch, wie man eine Funktion zum Plotten der Ergebnisse erstellt.

  • 02:40:00 In diesem Tutorial lehrt der Autor, wie man ein Python-Skript für den algorithmischen Handel erstellt. Das Skript verwendet eine einfache Stop-Loss- und Take-Profit-Strategie, um einen Gesamtleistungsvorteil gegenüber einer Buy-and-Hold-Investition zu erzielen.

  • 02:45:00 Dieses Video zeigt, wie man eine in Python geschriebene Handelsstrategie erneut testet. Die Strategie wurde vom Moderator verfasst und 2017 an der Börse getestet.

  • 02:50:00 In diesem Tutorial wird erklärt, wie man einen Python2023-Algorithmus für den Handel mit Aktien und Kryptowährungen programmiert. Das Tutorial behandelt auch die Verwendung einer API für den Zugriff auf Daten verschiedener Aktien- und Kryptowährungsbörsen.

  • 02:55:00 Dieses Video-Tutorial erklärt, wie man Python für den Handel mit Aktien und Kryptowährungen verwendet. Das Video behandelt die Eingabe und Analyse von Daten, das Speichern und Bearbeiten von Daten sowie das Senden einer Handelsstrategie mithilfe von API-Diensten.

  • 03:00:00 In diesem Tutorial wird erläutert, wie Sie mit Python Aktien und andere Finanzanlagen handeln. Der Kurs behandelt grundlegende Konzepte wie Preisanalyse und Handel sowie fortgeschrittenere Themen wie Backtesting und die Verwendung von APIs.
Algorithmic Trading Python 2023 - FULL TUTORIAL Beginner
Algorithmic Trading Python 2023 - FULL TUTORIAL Beginner
  • 2022.01.14
  • www.youtube.com
We have a created an Algorithmic Trading Course in python for pure beginners wherein we discuss multiple concepts from a basic zero to hero framework. The vi...
 

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.

How to Download S&P 500 Stock Symbols, Filter by Sector || Stock Analysis with Python Part 2
How to Download S&P 500 Stock Symbols, Filter by Sector || Stock Analysis with Python Part 2
  • 2022.06.09
  • www.youtube.com
@MattMacarty #dataanalytics #pythonprogramming #stockmarket ✅ Please SUBSCRIBE:https://www.youtube.com/subscription_center?add_user=mjmacartyVideos:...
 

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.

How to Download and Save Stock Price Data || Stock Analysis with Python Part 3
How to Download and Save Stock Price Data || Stock Analysis with Python Part 3
  • 2022.06.13
  • www.youtube.com
​ @Matt Macarty #dataanalytics #pythonprogramming #stockmarket ✅ Please SUBSCRIBE:https://www.youtube.com/subscription_center?add_user=mjmacartyVid...
 

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.

Stock Analysis with Python: How to Extract Price Data from Files || Part 4
Stock Analysis with Python: How to Extract Price Data from Files || Part 4
  • 2022.06.16
  • www.youtube.com
​ @Matt Macarty #dataanalytics #pythonprogramming #stockmarket ✅ Please SUBSCRIBE:https://www.youtube.com/subscription_center?add_user=mjmacartyVid...
 

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.
Calculate Returns, Create Correlation Matrix, Plot Performance || Stock Analysis with Python Part 5
Calculate Returns, Create Correlation Matrix, Plot Performance || Stock Analysis with Python Part 5
  • 2022.06.20
  • www.youtube.com
​ @Matt Macarty #dataanalytics #pythonprogramming #stockmarket ✅ Please SUBSCRIBE:https://www.youtube.com/subscription_center?add_user=mjmacartyVid...