Python para el trading algorítmico - página 14

[MetaQuotes]

Hacer un gráfico de velas con Python (Notas de la biblioteca de Pandas)

Hacer un gráfico de velas con Python (Notas de la librería Pandas)

El video proporciona una guía paso a paso sobre cómo crear gráficos de velas utilizando la biblioteca Pandas de Python con datos CSV. Comienza con la importación de los datos CSV y la creación de un marco de datos para usar en la creación de gráficos. El tutorial también cubre la instalación de la biblioteca de finanzas mpl utilizada para diagramas financieros. El video destaca la importancia de comprender Pandas para usarlo de manera efectiva en Python y cómo modificar el tipo de gráfico y el rango de fechas para obtener representaciones precisas de los datos. Esto es útil incluso para tareas como el modelado para operaciones automatizadas.

• En esta sección, el YouTuber explica cómo crear gráficos de velas utilizando la biblioteca Pandas de Python con datos CSV. El primer paso es obtener datos históricos en formato CSV, que se pueden descargar de varias fuentes en línea. Una vez que los datos CSV se importan al script, se crea un marco de datos, que es una colección de datos que se puede usar para crear el gráfico de velas japonesas. Luego, YouTuber continúa mostrando cómo seleccionar columnas específicas del marco de datos para crear el gráfico. Estos gráficos se pueden usar junto con algoritmos de aprendizaje automático para el comercio automatizado.
  
  
• 00:05:00 En esta sección, el video explica cómo crear un gráfico de velas japonesas con Python usando la biblioteca Pandas. El tutorial comienza seleccionando columnas de un conjunto de datos e invirtiendo el orden de un DataFrame, que es un paso importante cuando se trabaja con datos del mercado de valores. El video también cubre la instalación de mpl finance, una biblioteca utilizada para crear diagramas financieros. Luego, el tutorial procede a importar Pandas y mpl finance antes de seleccionar el archivo CSV que se utilizará.
  
  
• En esta sección del tutorial, el orador explica cómo crear gráficos de velas utilizando la biblioteca Pandas de Python. Mediante el uso de marcos de datos, los valores de cierre de las acciones se pueden mostrar en un gráfico. El orador explica cómo seleccionar diferentes tipos de gráficos usando la biblioteca mpf y cómo modificar el rango de fechas para acercar períodos específicos. El tutorial proporciona una guía paso a paso y destaca la importancia de comprender Pandas para usar esta biblioteca en Python de manera efectiva.
  
  
• 00:15:00 En esta sección, el video muestra cómo crear un gráfico de velas utilizando la biblioteca Pandas de Python. El primer paso es crear un DataFrame llamado "Gráfico" leyendo datos de un archivo CSV. El siguiente paso es usar DataFrame para crear un gráfico de velas usando la biblioteca "mpl_finance". El video muestra cómo personalizar el gráfico y cambiarlo a gráficos de líneas u otros tipos de gráficos. El código utilizado para crear el gráfico también se proporciona en la descripción del video. El video también enfatiza la importancia de seleccionar el rango de fechas apropiado al seleccionar datos del DataFrame, ya que esto puede ser útil para otras tareas como el modelado.

[MetaQuotes]

Comercio algorítmico con Python (Árbol de decisión)

Trading Algorítmico con Python (Árbol de decisiones)

En este video sobre el comercio algorítmico con Python, el orador utiliza un enfoque de árbol de decisiones para predecir el movimiento de precios de Bitcoin en función de las correlaciones históricas entre SP500, oro y ethereum. El modelo se entrena con los datos del día actual y luego se usa para predecir los resultados del día siguiente. Si bien los árboles de decisión pueden ser útiles para las predicciones, el orador señala que es posible que no sean perfectos con solo una pequeña muestra de datos. Los espectadores pueden acceder a más estrategias comerciales algorítmicas, cursos y artículos relacionados con la inteligencia artificial y Python en el sitio web proporcionado en el video.

• 00:00:00 En esta sección de la transcripción, el orador presenta el proceso de toma de decisiones utilizando un enfoque algorítmico, con un enfoque en los árboles de decisión. La metodología del árbol de decisión se aplica a los datos de las correlaciones históricas de movimiento de precios entre p500, oro y ethereum para predecir el movimiento de precios de Bitcoin. El modelo de entrenamiento se basa en los datos X del día actual, que se utilizan para predecir los datos del día siguiente. El ponente afirma que han desarrollado su enfoque, aplicando la intuición y la lógica al proceso.
  
  
• 00:05:00 En esta sección, el video demuestra cómo usar una estrategia comercial algorítmica para predecir si el precio de Bitcoin subirá o bajará al día siguiente. El algoritmo utiliza un modelo de árbol de decisión que se entrena con datos existentes y luego predice resultados futuros en función de las características de entrada. El ejemplo que se muestra en el video tiene un conjunto de datos limitado, pero se podría usar el mismo enfoque con conjuntos de datos más grandes para mejorar la precisión. Además, el video proporciona un sitio web donde los espectadores pueden acceder a más estrategias comerciales algorítmicas, así como a cursos y artículos relacionados con la inteligencia artificial y Python.
  
  
• 00:10:00 En esta sección, el orador explica cómo usar los árboles de decisión para hacer predicciones comerciales algorítmicas con Python. Demuestran el uso de árboles de decisión mediante la asignación de valores numéricos a los términos "arriba" y "abajo" para analizar las correlaciones en los datos. El orador sugiere que si bien los árboles de decisión pueden ser útiles para hacer predicciones, es posible que no sean perfectos con solo una pequeña muestra de datos. También sugieren que los árboles de decisión se pueden aplicar para predecir otros tipos de gráficos y que, para aprender más, las personas pueden ingresar a la inteligencia artificial.

[MetaQuotes]

Python para inversiones: ¿Cómo obtener el índice del dólar? DXY

Python para inversiones: ¿Cómo sacar Dollar Index? DXY

El video cubre la extracción de los datos del índice DXY, que mide la fortaleza del dólar estadounidense frente a otras monedas, utilizando las bibliotecas Beautiful Soup y Pandas de Python. El presentador proporciona un código que extrae la información del porcentaje de variación de los datos DXY y la guarda en un archivo CSV para un mayor análisis de datos y fines de aprendizaje automático. Además, comparten su sitio web con cursos gratuitos sobre Python, finanzas y comercio algorítmico. Por lo tanto, el video es una guía útil para extraer datos financieros usando Python.

• 00:00:00 En esta sección, el orador presenta el concepto del índice DXY, que mide la fortaleza del dólar estadounidense frente a otras monedas como el euro, el yen, la libra, el dólar canadiense, el franco suizo y la corona sueca. El orador explica que estos datos pueden ser útiles para inversiones automatizadas, análisis de datos y aprendizaje automático. Luego proporciona un código para extraer datos DXY de una página web utilizando la biblioteca Beautiful Soup de Python, con un enfoque en la obtención de la variación del índice. El orador también comparte su cuenta de Instagram y la página web de la que extrae los datos.
  
  
• 00:05:00 En esta sección del video, el presentador demuestra cómo extraer el índice del dólar (DXY) usando Python con fines de inversión. El presentador utiliza un código que guarda la información DXY en un archivo CSV para su posterior análisis. El código primero extrae la información porcentual de los datos DXY y luego la separa de la información de la fecha usando las funciones "dividir" y "reemplazar". Finalmente, el código guarda la información extraída en un archivo CSV que incluye dos columnas, una con la fecha y otra con el porcentaje de variación. El presentador sugiere que los datos extraídos se pueden utilizar con fines de aprendizaje automático y análisis de datos.
  
  
• 00:10:00 En esta sección, el orador demuestra cómo extraer Dollar Index usando Python. Muestran extractos de un script de Python y explican cómo funciona. El código utiliza la biblioteca pandas para extraer datos de una tabla HTML y almacenarlos en un archivo CSV para su posterior análisis. El orador también proporciona un enlace a su sitio web con cursos gratuitos sobre Python, comercio algorítmico y finanzas. En general, el video proporciona una guía útil para cualquiera que busque extraer datos financieros usando Python.

[MetaQuotes]

Comercio algorítmico usando Python - Curso completo

Comercio algorítmico usando Python - Curso completo

00:00:00 - 01:00:00 Este video explica cómo usar Python para negociar acciones algorítmicamente. Comienza presentando los conceptos básicos de la biblioteca pandas y luego demuestra cómo usarla para crear un marco de datos. Luego, el curso muestra cómo ejecutar una solicitud HTTP para una acción y cómo usar los resultados de la llamada API para completar el marco de datos. Finalmente, el curso analiza cómo mejorar el rendimiento del código mediante el procesamiento por lotes de solicitudes de API.

01:00:00 - 02:00:00 Este video cubre cómo usar Python para negociar acciones usando un algoritmo automatizado. Comienza creando una lista de acciones y símbolos, y luego transforma esas acciones en cadenas. Luego, el video crea una URL para iniciar una solicitud HTTP usando esa cadena. Finalmente, el video demuestra cómo ejecutar esa solicitud y recuperar los datos.

02:00:00 - 03:00:00 Este video enseña cómo usar Python para crear una estrategia comercial algorítmica que usa la relación precio-ganancia como una métrica de valor. La estrategia busca acciones en función de esta métrica y hace recomendaciones de compra y venta basadas en el precio actual de las acciones.

03:00:00 - 04:00:00 Este video tutorial explica cómo usar Python para negociar acciones algorítmicamente. Cubre cómo calcular varios indicadores de éxito, cómo lidiar con los datos faltantes y cómo usar el manejo de excepciones para reemplazar los valores faltantes.

04:00:00 - 04:30:00 Este video explica cómo calcular puntajes percentiles para diferentes métricas bursátiles usando Python. También cubre cómo usar Python para crear un archivo de Excel que contenga los precios de las acciones y los tamaños de posición para opciones call y put, y cómo formatear el archivo para imprimirlo.

Parte 1:

• 00:00:00 Este curso es sobre comercio algorítmico y Python. El primer proyecto es construir una versión de igual peso del popular fondo indexado S&P 500. El segundo proyecto es una estrategia de impulso cuantitativa que selecciona las mejores acciones en función de una variedad de métricas de impulso e inversión. El tercer proyecto es un evaluador de valor cuantitativo que selecciona acciones que son atractivas en función de una serie de métricas de valor.
  
  
• 00:05:00 Este curso está diseñado para enseñar Python para el comercio algorítmico. Python es un lenguaje popular para este tipo de comercio, pero es un lenguaje lento. Muchos profesionales han descubierto que Python se usa a menudo como un lenguaje de unión para activar código que en realidad se ejecuta en otros lenguajes. En este curso, usaremos Python para desarrollar tres estrategias comerciales algorítmicas.
  
  
• 00:10:00 Este video presenta el lenguaje de programación Python y muestra cómo usarlo para acceder a los datos de las API en línea. El curso se centrará en el uso de la API del código del IRS para recopilar datos del mercado de valores.
  
  
• 00:15:00 En este video, el instructor presenta los conceptos del comercio algorítmico y cómo crear varias estrategias de inversión en Python. El primer proyecto es crear una versión de igual peso del fondo índice S&P 500.
  
  
• 00:20:00 Este video tutorial de Python explica cómo usar las bibliotecas NumPy, pandas, Requests y XLS para crear una estrategia comercial algorítmica.
  
  
• 00:25:00 Este video es un tutorial sobre cómo usar Python para operar con acciones. El primer paso es guardar una lista de las 500 acciones del S&P 500 en un archivo CSV. Luego, importamos a nuestro Jupyter Notebook la clave de API de la nube de IE x y la usamos para adquirir un token de API. Comenzamos importando a nuestro script el archivo secrets.py, que almacena información confidencial, como la clave API. Luego usamos la clave API para adquirir datos financieros de la API de la nube de IE x. Los datos se almacenan en el marco de datos de un panda y podemos imprimir los datos para verificar que funcionan.
  
  
• 00:30:00 Esta parte del tutorial de Python cubre cómo usar la API en la nube para consultar la capitalización de mercado y los precios de las acciones para acciones individuales.
  
  
• 00:35:00 El video explica cómo usar la biblioteca de solicitudes para ejecutar una solicitud HTTP y almacenar los resultados en una variable. Muestra cómo crear un punto final de API mediante la herramienta de línea de comandos curl y cómo ejecutar la solicitud. La variable de datos contiene el objeto de respuesta de la solicitud, que tiene el código de estado y otra información.
  
  
• 00:40:00 Este video explica cómo usar el lenguaje de programación Python para negociar acciones usando algoritmos. El video muestra cómo configurar un entorno Python y cómo usar el método punto JSON para convertir datos de una solicitud HTTP en un objeto JSON. La variable de datos en el entorno de Python se comporta de la misma manera que la variable de cambio extendida en los documentos de iX Cloud. El video explica que los datos de precios en iX Cloud pueden no ser precisos y muestra cómo probar la precisión mediante una búsqueda en Google.
  
  
• 00:45:00 En este video, el autor explica cómo analizar una llamada API, cotizar acciones y calcular su capitalización de mercado. Luego explican cómo agregar puntos de datos al marco de datos de un panda y muestran cómo hacerlo imprimiendo el marco de datos como una lista.
  
  
• 00:50:00 Este video describe cómo usar Python para negociar acciones algorítmicamente. El curso comienza con la introducción de los conceptos básicos de pandas, una biblioteca de análisis de datos y luego continúa con la creación de un marco de datos y una serie de pandas. Luego, el curso demuestra cómo ejecutar una solicitud HTTP para una acción y cómo usar los resultados de la llamada API para completar el marco de datos de un panda. Finalmente, el curso muestra cómo mejorar el rendimiento del código mediante el procesamiento por lotes de solicitudes de API.
  
  
• 00:55:00 Este video brinda una descripción general del tema del comercio algorítmico usando Python, con un enfoque en el uso de la biblioteca de marcos de datos de pandas y el uso de llamadas API por lotes para acelerar el código. El video explica cómo dividir una lista de acciones en partes de 100 y cómo usar la función de partes para generar una lista de listas de series de pandas, cada una de las cuales está limitada a 100 elementos. Finalmente, se usa un bucle for para ejecutar llamadas API por lotes para cada acción en la lista de acciones, y la información de cada acción se agrega al marco de datos final.

Parte 2:

• 01:00:00 Este video tutorial de Python demuestra cómo usar el lenguaje de programación Python para negociar acciones usando un algoritmo automatizado. El video comienza creando una lista de acciones y símbolos, y luego transforma esas acciones en cadenas. Luego, el video crea una URL para iniciar una solicitud HTTP usando esa cadena. Finalmente, el video demuestra cómo ejecutar esa solicitud y recuperar los datos.
  
  
• 01:05:00 Este video enseña cómo usar Python para realizar transacciones algorítmicas. Cubre cómo crear una URL de llamada API, analizar datos de la llamada API y usar la biblioteca de solicitudes para obtener los datos. El video también muestra cómo agregar un índice de ignorar a la clase de la serie pandas y cómo ejecutar el código.
  
  
• 01:10:00 Este script de Python calcula rápidamente la cantidad de acciones a comprar para un tamaño de cartera ingresado por el usuario.
  
  
• 01:15:00 Este script de Python calcula el tamaño de la posición y compra acciones de una acción para alcanzar ese tamaño de posición. Utiliza la función de redondeo a la baja del módulo matemático para redondear a la baja el número de acciones a comprar.
  
  
• 01:20:00 El video muestra cómo usar Python para operar con acciones. La primera sección del video explica cómo acceder y usar datos en un marco de datos. La segunda sección explica cómo guardar el marco de datos en un archivo de Excel.
  
  
• 01:25:00 Este video demuestra cómo usar Python para crear algoritmos para operar. El primer paso es crear un archivo de Excel y pasar el marco de datos desde un módulo de pandas. A continuación, se introduce el formato, con diferentes formatos para celdas de cadena, dólar y entero. Finalmente, el formato se aplica a las celdas del archivo de Excel.
  
  
• 01:30:00 Este video enseña cómo usar Python para negociar acciones usando un algoritmo automatizado. La primera parte del video explica cómo crear un formato de columna en un diccionario, que se usa para formatear las columnas en una hoja de cálculo de Excel. La segunda parte del video muestra cómo crear dos bucles que formatean automáticamente las columnas en la hoja de cálculo.
  
  
• 01:35:00 Este video explica cómo crear una estrategia comercial algorítmica en Python utilizando un entorno virtual. Primero, el instructor abre un Jupyter Notebook para iniciar el entorno virtual. A continuación, activan el entorno virtual y crean un nuevo proyecto. El proyecto incluye un modelo de predicción de precios de acciones, un modelo de predicción de capitalización de mercado y un modelo de predicción de número de acciones para comprar. Luego, el instructor muestra cómo recorrer los modelos y enviar las predicciones a un archivo. Finalmente, muestran cómo guardar el archivo y finalizar la lección.
  
  
• 01:40:00 En este video, el notebookista explica cómo usar Python para negociar acciones usando una estrategia de negociación algorítmica. El curso cubre cómo importar bibliotecas, cómo hacer llamadas a la API y cómo crear una estrategia basada en el impulso.
  
  
• 01:45:00 Este video enseña cómo usar Python para el comercio algorítmico. Cubre los conceptos básicos de cómo usar el lenguaje para el análisis de rendimiento y el comercio. El video muestra cómo usar la biblioteca de Solicitudes para hacer una llamada API fácil para obtener datos de acciones.
  
  
• 01:50:00 En este video, el autor demuestra cómo usar Python para crear llamadas API por lotes para el comercio algorítmico. El autor primero divide una lista de acciones en grupos de 100, luego crea un marco de datos de Panda en blanco y lo instancia. Para cada acción en la lista de cadenas de símbolos, el autor crea una URL de llamada de API por lotes y llama al método JSON para transformarla de un sujeto de solicitud a un objeto JSON.
  
  
• 01:55:00 El video explica cómo usar Python para negociar acciones usando algoritmos. El instructor demuestra cómo recorrer las acciones, analizar las métricas relevantes y agregarlas a un marco de datos.

Parte 3:

• 02:00:00 Este video tutorial explica cómo usar Python para negociar acciones usando algoritmos. Abarca cómo crear un marco de datos, recorrer símbolos, realizar llamadas API y ordenar datos. El marco de datos final se utiliza para determinar qué acciones comprar.
  
  
• 02:05:00 Este videotutorial de Python muestra cómo usar la biblioteca pandas para calcular el número de acciones a comprar para una estrategia de impulso. El tutorial primero ordena las filas de un marco de datos en función de las devoluciones de precios de un año y luego usa el parámetro inplace equals true para modificar el marco de datos original, en lugar de devolver una copia temporal. A continuación, el marco de datos se modifica para que solo contenga las 50 acciones con el impulso de precio más alto. Finalmente, la función para calcular el número de acciones a comprar para la estrategia de impulso se crea y se especializa para aceptar solo errores de valor. A continuación, la estrategia se ejecuta y tiene éxito.
  
  
• 02:10:00 Este curso cubre cómo escribir código para crear una estrategia comercial algorítmica simple, cómo probar la estrategia y cómo usar la estrategia para comprar y vender acciones. La estrategia se basa en la suposición de que una acción es una acción de impulso de alta calidad o una acción de impulso de baja calidad. La estrategia funciona comprando acciones cuando el precio es bajo y vendiendo acciones cuando el precio es alto.
  
  
• 02:15:00 Este video de Python enseña cómo crear una estrategia de impulso cuantitativo utilizando un marco de datos de precios de acciones y valores de retorno durante diferentes períodos de tiempo. La estrategia utiliza una variedad de métricas de impulso para identificar acciones de alta calidad.
  
  
• 02:20:00 El autor analiza cómo crear un algoritmo para negociar acciones usando Python. Primero crean una lista de métricas para rastrear y luego usan la biblioteca Sai pi para calcular los puntajes percentiles para cada métrica. A continuación, crean un bucle para calcular las puntuaciones percentiles de cada columna del marco de datos. Finalmente, usan el bucle para crear una estrategia para negociar acciones.
  
  
• 02:25:00 Este video enseña cómo usar el lenguaje de programación Python para negociar acciones algorítmicamente. El instructor usa el método LFC (mínimos cuadrados lineales) para calcular el puntaje percentil para cada columna en un marco de datos.
  
  
• 02:30:00 Este curso explica cómo usar Python para realizar transacciones algorítmicas. El curso comienza con una introducción a la programación de Python y explica cómo usar el módulo de estadísticas para calcular puntajes percentiles para diferentes períodos de tiempo y clases de activos. La función Media se usa luego para calcular el promedio de estas puntuaciones. A continuación, se usa un bucle para calcular la puntuación HTM para cada fila en el marco de datos HTM. Finalmente, se imprime la trama de datos HM para verificar que los cálculos fueron exitosos.
  
  
• 02:35:00 En este video, el autor enseña cómo usar Python para calcular un "puntaje HTM" para cada acción en un marco de datos y seleccionar las 50 acciones con mejor impulso usando el puntaje HTM como filtro.
  
  
• 02:40:00 Este video demuestra cómo usar Python para negociar acciones usando algoritmos. El autor inicializa un marco de datos y luego formatea los datos en un documento de Excel para usuarios no técnicos.
  
  
• 02:45:00 El autor del video enseña cómo usar Python para crear un sistema de comercio algorítmico. El primer paso es crear un diccionario de letras de columna a valores de columna y luego recorrer el diccionario para aplicar el formato apropiado a cada columna. El segundo paso es usar el objeto escritor para escribir los datos en un archivo de Excel. El tercer paso es usar el método de configuración de columnas para aplicar dinámicamente los formatos a cada columna en el marco de datos.
  
  
• 02:50:00 En este video, el instructor muestra cómo formatear archivos de Excel para usar en el comercio algorítmico y cómo crear una estrategia de inversión de valor basada en una métrica.
  
  
• 02:55:00 Este video demuestra cómo usar Python para construir una estrategia comercial algorítmica que usa la relación precio-ganancia como una métrica de valor. La estrategia busca acciones en función de esta métrica y hace recomendaciones de compra y venta basadas en el precio actual de las acciones.

Parte 4:

• 03:00:00 El video explica cómo usar el lenguaje de programación Python para crear modelos comerciales algorítmicos. Demuestra cómo usar la biblioteca de solicitudes para realizar solicitudes HTTP y cómo transformar valores de datos en objetos JSON. Luego, el video muestra cómo calcular las proporciones de precios y ganancias utilizando los precios de las acciones de dos bolsas diferentes.
  
  
• 03:05:00 Este video explica cómo ejecutar una llamada API por lotes usando Python.
  
  
• 03:10:00 El video muestra cómo usar la biblioteca de solicitudes de Python para ejecutar una solicitud de obtención de datos del mercado de valores. Luego, estos datos se analizan y se utilizan para generar una serie de panda.
  
  
• 03:15:00 Este curso explica cómo usar Python para realizar transacciones algorítmicas. Primero, el instructor explica cómo crear un marco de datos en Python. A continuación, el instructor explica cómo eliminar acciones de glamour de un marco de datos. Finalmente, el instructor explica cómo devolver las 50 acciones principales desde un marco de datos de acuerdo con un esquema de pedido.
  
  
• 03:20:00 En este video, el instructor explica cómo usar Python para realizar transacciones algorítmicas. Primero, ordenaron el marco de datos para asegurarse de que las acciones con la relación precio-beneficio más baja estuvieran en la parte superior. Luego, usaron el método de soltar para eliminar una nueva columna de índice. Luego ordenaron el marco de datos nuevamente utilizando el parámetro in situ es igual a verdadero para mantener modificado el marco de datos original. Luego calcularon el tamaño de la posición y calcularon el precio por acción para cada acción. Finalmente, utilizaron la función de entrada de cartera para calcular el tamaño de la posición de cada acción en el marco de datos.
  
  
• 03:25:00 Este video presenta el concepto de negociación algorítmica y cómo se puede usar Python para crear una estrategia de valor. Luego, el video demuestra cómo usar Python para acceder a la API de ix Cloud para extraer datos para múltiples métricas de valoración. Si todo va bien, los datos se devolverán como un marco de datos panda y el video indicará que los datos funcionan correctamente.
  
  
• 03:30:00 En este video, el autor demuestra cómo usar Python para realizar transacciones algorítmicas. El autor primero muestra cómo obtener la relación precio/beneficio y luego analiza este valor de la API en la nube del IRS. A continuación, el autor demuestra cómo asignar un valor a cada métrica y cómo analizar estos datos desde la API en la nube del IRS. Finalmente, el autor muestra cómo usar la relación precio/ventas para encontrar la relación precio/valor contable.
  
  
• 03:35:00 Este video tutorial explica cómo usar Python para realizar transacciones algorítmicas. El curso comienza enseñando cómo calcular la relación precio-ventas de una empresa, utilizando una métrica diferente (precio para reservar). A continuación, el curso enseña cómo calcular el valor de la empresa, las ganancias antes de intereses, impuestos, depreciación y amortización (EBITDA) y el valor de la empresa a la ganancia bruta (EV/EBIT). Finalmente, el curso muestra cómo calcular la relación valor-ganancias (EV/EBIT) al final del período para una empresa.
  
  
• 03:40:00 En este video, el autor muestra cómo usar Python para el comercio algorítmico. Comienzan mostrando cómo calcular las métricas de valoración y luego crean un bucle para completar un marco de datos con la información calculada. Concluyen el video imprimiendo los códigos de estado para las llamadas API.
  
  
• 03:45:00 En este video, el autor demuestra cómo usar Python para negociar acciones algorítmicamente. Primero crean un marco de datos de símbolos bursátiles y valores de datos, y luego usan el método de agregar para agregar datos al marco de datos para cada ticker. Luego, usan el método head para analizar los puntos de datos de cada ticker y luego usan el método append para agregar esos puntos de datos al marco de datos de pandas. Finalmente, utilizan el método de percentil para calcular las puntuaciones de percentil de existencias.
  
  
• 03:50:00 Este video tutorial de 1 hora cubre cómo usar Python para negociar acciones, usando varios cálculos para generar indicadores de éxito. Cuando uno de los cálculos falla, el instructor usa el Manejo de excepciones para reemplazar el valor con un valor ficticio.
  
  
• 03:55:00 En este video, el instructor explica cómo lidiar con los datos que faltan en un marco de datos usando pandas. Primero, explican cómo identificar qué columnas en un marco de datos contienen datos faltantes. Luego, muestran cómo usar el método de relleno para reemplazar los datos que faltan con un valor promedio de una columna diferente.

Parte 5:

• 04:00:00 Este video explica cómo calcular puntajes percentiles para diferentes métricas bursátiles usando Python. Primero, el extracto de la transcripción muestra cómo crear un diccionario de métricas de stock y luego cómo usar el método "LLC" de la biblioteca pandas para acceder a los puntajes percentiles para cada métrica.
  
  
• 04:05:00 El video enseña cómo usar Python para realizar transacciones algorítmicas. La primera parte del tutorial muestra cómo usar la función percentil de puntaje del módulo de estadísticas de puntos Sai pi para acceder a puntajes percentiles para un conjunto de datos determinado. La segunda parte del tutorial muestra cómo calcular la puntuación RV para una fila dada en un conjunto de datos usando el método LSC.
  
  
• 04:10:00 El video explica cómo usar Python para calcular varias métricas de valoración, incluidas las relaciones P/E, las relaciones PB, las relaciones PS, las relaciones Evie/EBIT y Eb/beneficio bruto. Una vez que se calculan las métricas, el video demuestra cómo imprimir los datos y compararlos con los valores esperados.
  
  
• 04:15:00 En este video de Python, el autor demuestra cómo calcular el tamaño de la posición para una cartera usando los pandas de la biblioteca de Python. Primero, crean un marco de datos con el índice de las 50 acciones más baratas de su universo. Luego, filtran el marco de datos para incluir solo las 50 acciones y restablecen el índice para subrayar. Luego pasan el parámetro de caída para evitar duplicar el índice existente y crean un ciclo for para calcular el tamaño de la posición para cada acción. Finalmente, imprimen el tamaño de posición para cada acción y lo comparan con el tamaño de posición deseado de $50,000.
  
  
• 04:20:00 Este video enseña cómo usar Python para negociar acciones algorítmicamente. La primera parte del video cubre los conceptos básicos de cómo crear un marco de datos e imprimirlo. La segunda parte del video cubre cómo usar Python para crear un archivo de Excel que contenga los precios de las acciones y los tamaños de posición para llamadas y opciones de venta. Finalmente, el video muestra cómo formatear el archivo de Excel y enviarlo a una impresora.
  
  
• 04:25:00 Este video demuestra cómo usar Python para realizar transacciones algorítmicas. El instructor demuestra cómo formatear una hoja de cálculo para almacenar datos con fines comerciales y cómo usar varias funciones de Python para realizar varias tareas en la hoja de cálculo.
  
  
• 04:30:00 Este tutorial presenta el uso de Python para la inversión de valor cuantitativo mediante un método para identificar las 50 acciones más baratas del S&P 500. El tutorial proporciona instrucciones paso a paso para formatear y ejecutar el código, y concluye con una hoja de cálculo completa.

[MetaQuotes]

Algorithmic Trading Python 2023 - TUTORIAL COMPLETO Principiante

Algorithmic Trading Python 2023 - TUTORIAL COMPLETO Principiante

En este video tutorial, el autor profundiza en el proceso de instalación y uso de un programa Python para el comercio algorítmico. Proporcionan instrucciones paso a paso sobre cómo crear un archivo básico de Python 3 diseñado específicamente para albergar código relacionado con estrategias comerciales algorítmicas. Además, demuestran cómo ejecutar el código e imprimir los resultados resultantes para su análisis. El tutorial se enfoca principalmente en aprovechar el poder del lenguaje de programación Python para fines comerciales algorítmicos. Cubre una gama de funciones esenciales y bibliotecas aplicables al comercio algorítmico, incluida la biblioteca yfinance. El tutorial destaca la importancia de usar estas funciones y bibliotecas al tiempo que explora las técnicas de descarga y procesamiento de datos usando hojas de cálculo.

Además, el video tutorial muestra el proceso de escritura y lectura de archivos CSV usando Python. Explica los pasos necesarios para crear un archivo CSV y demuestra cómo leer y manipular el archivo dentro de un entorno de Python. Continuando con el tema del comercio de acciones basado en Python, el tutorial aclara la creación de un índice bursátil y demuestra cómo se puede usar la función "convertir" de Python para modificar el formato del índice. Además, explica cómo la función de Python "start.columns" facilita los cambios en la lista de columnas específicamente para acciones.

El siguiente video tutorial también gira en torno al uso de Python para el comercio de acciones. Comienza ilustrando la descarga y el análisis de los datos de stock, seguido por el empleo de la función "describir" para analizar los datos adquiridos de manera efectiva. Por último, demuestra la utilización de la función de "bloqueo de puntos" para monitorear y rastrear los precios de las acciones. Continuando, el siguiente video tutorial proporciona una explicación completa del uso de Python para crear algoritmos para el comercio de acciones. Comienza visualizando diferentes puntos de partida para tres acciones distintas, ilustrando posteriormente la normalización de valores para representarlos dentro de un rango uniforme de 100 puntos. Luego, el tutorial guía a los espectadores a trazar los precios de cierre normalizados de una acción y utilizar la función de "punto" (mol) para multiplicar los valores por 100, lo que mejora la legibilidad.

De manera similar, otro video tutorial se enfoca en utilizar Python para crear algoritmos de negociación de acciones. El tutorial describe el proceso de creación de una nueva columna dentro de un conjunto de datos para almacenar información sobre acciones cerradas. Explica además la utilización de la función de "cambio" para reubicar los datos en la parte inferior de la columna. Además, muestra el cálculo de los cambios porcentuales en los precios de las acciones desde el día anterior. Cambiando de marcha, otro tutorial introduce a los estudiantes a utilizar Python para cálculos estadísticos relacionados con el comercio algorítmico. Brinda orientación sobre el empleo de funciones como "cambiar", "restar" y "dividir" para calcular datos relacionados con el retraso y la diferencia.

A continuación, el video profundiza en el cálculo de cambios porcentuales para activos financieros usando Python. Demuestra cómo modificar la función "cambiar" para mejorar la legibilidad renombrándola como "pst". Además, establece la variable "períodos" en uno y multiplica el cambio porcentual por 100 para representarlo en formato de valor en puntos. El video también cubre el cálculo del cambio estándar para un activo, restándolo del cambio porcentual para eliminar el impacto del primer día. El marco de datos para un activo específico se renombra como "cambio" y se crea la columna "cambio". El tutorial concluye ejecutando una verificación en la columna "cambiar" usando "aafl" y guardando el marco de datos.

Además, el autor del tutorial explica cómo calcular la media, la desviación estándar, el cambio porcentual y los rendimientos de un conjunto de datos determinado. También demuestran trazar un histograma y crear un gráfico de sistema de hits.

Continuando con los cálculos estadísticos, otro video tutorial explica cómo calcular la media, la varianza y la desviación estándar de los rendimientos de una acción. Además, proporciona orientación sobre cómo determinar el rendimiento medio anual y el rendimiento de la varianza anual.

Ampliando aún más, el tutorial muestra el cálculo de la desviación estándar anual de los rendimientos de una acción utilizando la función "std" en Python. Este enfoque analiza de manera eficiente grandes conjuntos de datos tomando datos de un símbolo de cotización en lugar de puntos de datos individuales. El tutorial también demuestra la creación de columnas para rastrear la media y la desviación estándar del rendimiento de una acción, así como la media y la desviación estándar del cambio porcentual de una acción. Explica además cómo calcular la media y la desviación estándar del rendimiento de una acción utilizando la función "resumen".

El autor también cubre la creación de diagramas de dispersión y sus anotaciones para ilustrar el rendimiento y el riesgo asociado con diferentes acciones. Esta visualización ayuda a comprender la relación entre rendimientos y riesgos en el contexto del comercio de acciones. Continuando, el video tutorial profundiza en el uso de Python para crear algoritmos para negociar acciones. Explora el uso de bucles for y funciones como la covarianza y la correlación. Además, muestra la representación gráfica de los resultados del algoritmo, lo que permite a los operadores visualizar y analizar el rendimiento de sus estrategias comerciales de manera efectiva.

Además, el tutorial explica cómo aprovechar la biblioteca marina para crear un mapa de calor que represente las correlaciones de las acciones. Proporciona una guía paso a paso junto con una descarga de código para todo el proyecto, lo que facilita la implementación del análisis de correlación de acciones utilizando Python. Cambiando de enfoque, el presentador en un video tutorial educa a los espectadores sobre cómo calcular el riesgo y el potencial de recompensa de una cartera de acciones usando Python. Analizan las limitaciones de las devoluciones simples e introducen el concepto de devoluciones logarítmicas, demostrando su aplicación práctica en la evaluación del riesgo y la recompensa. Este análisis ayuda a los comerciantes a tomar decisiones informadas con respecto a la composición de su cartera y la gestión de riesgos.

Otro tutorial aclara el proceso de cálculo de un promedio móvil simple usando la función de "rotación" en Python. Al aplicar esta técnica, los comerciantes pueden suavizar las fluctuaciones en los precios de las acciones e identificar tendencias de manera más efectiva. Además, un tutorial demuestra el cálculo de la media, la mediana y el promedio móvil de un conjunto de datos, enfatizando su importancia en el análisis y la comprensión de los patrones de datos.

Además, un video tutorial muestra el cálculo de varios promedios móviles, incluido el promedio móvil de 50 días, el promedio móvil de 200 días y la EMA (ganancias a precio) de una acción. Estos promedios móviles luego se trazan en un gráfico, lo que ayuda a los operadores a identificar tendencias clave y posibles señales comerciales. Continuando con las técnicas de manipulación de datos, un video tutorial explica la utilización de la función de reindexación en pandas para reemplazar los valores faltantes dentro de un marco de datos. También cubre la aplicación de funciones de llenado hacia adelante y hacia atrás para administrar datos cuando se encuentran días festivos y fines de semana.

El videotutorial demuestra aún más el cálculo de los rendimientos de una acción a lo largo del tiempo, que abarca los rendimientos de compra y retención, los rendimientos acumulativos y los rendimientos máximos. Además, explora el cálculo de los rendimientos máximos acumulativos y visualiza los datos a través del trazado de gráficos. Además, el tutorial explica cómo calcular las reducciones para una acción, así como el rendimiento acumulativo máximo y la reducción acumulada máxima. Comprender las reducciones ayuda a los operadores a evaluar el riesgo asociado con las inversiones e identificar posibles escenarios de pérdida. De manera similar, otro video tutorial analiza el cálculo de la reducción y la reducción máxima de una acción. Además, proporciona una descripción general del cálculo del porcentaje de reducción, una métrica crucial en la gestión de riesgos.

Un tutorial de Python 2023 en YouTube presenta a los espectadores la creación de una estrategia cruzada de promedio móvil para el comercio. Esta estrategia implica utilizar dos promedios móviles, un promedio móvil de 50 días y un promedio móvil de 100 días, para determinar la tendencia de las acciones y generar señales comerciales en consecuencia. Además, un video tutorial explica cómo escribir código Python para operar con acciones. Demuestra el proceso de determinar si comprar o vender una acción en función de su precio actual y los datos de precios anteriores. También cubre el uso de una biblioteca para rastrear la posición de una acción a lo largo del tiempo, lo que permite a los operadores monitorear y administrar su cartera de manera efectiva.

El video tutorial ilustra a los espectadores sobre la prueba retrospectiva de una estrategia comercial algorítmica utilizando rendimientos y desviación estándar. Muestra una estrategia que supera un promedio móvil de 50 días en términos de rendimiento, pero viene con una desviación estándar más alta, destacando la compensación entre riesgo y recompensa. Además, el videotutorial guía a los usuarios a través de la creación de una estrategia de inversión y la comparación con otras estrategias. Destaca que la estrategia con mejores rendimientos es la que tiene un sesgo largo, lo que indica una preferencia por posiciones alcistas.

Además, el autor presenta una función para crear una estrategia de prueba para el comercio algorítmico. Esta función toma parámetros como el nombre de la acción, las fechas de inicio y finalización, y devuelve métricas clave de rendimiento, como el rendimiento diario, el rendimiento acumulativo y el SMA (promedio móvil simple). Al utilizar esta función, los comerciantes pueden evaluar la efectividad de sus estrategias comerciales y tomar decisiones basadas en datos. Luego, el tutorial procede a demostrar cómo crear un script de Python de comercio algorítmico. El script incorpora una estrategia simple de stop-loss y take-profit, con el objetivo de lograr un mejor rendimiento general en comparación con un enfoque de inversión tradicional de comprar y mantener. Este script sirve como base para desarrollar algoritmos comerciales más sofisticados.

El presentador también muestra el proceso de backtesting de una estrategia comercial escrita en Python. La estrategia, creada por el presentador, se prueba en datos históricos del mercado de valores de 2017, lo que permite a los operadores evaluar su rendimiento y viabilidad. Además, el tutorial explica cómo codificar un algoritmo Python2023 para negociar acciones y criptomonedas. Cubre la utilización de API para acceder a datos de varios intercambios de acciones y criptomonedas, lo que permite a los comerciantes analizar datos de mercado en tiempo real e implementar estrategias comerciales en consecuencia. El video tutorial explora aún más el uso de Python para negociar acciones y criptomonedas. Abarca la entrada de datos, el análisis, el almacenamiento, la manipulación y la ejecución de estrategias comerciales utilizando servicios API. Al aprovechar estas técnicas, los comerciantes pueden automatizar sus procesos comerciales y administrar sus carteras de manera eficiente.

Además, el tutorial proporciona una guía completa sobre el uso de Python para negociar acciones y otros activos financieros. Cubre conceptos fundamentales como el análisis de precios y el comercio, así como temas avanzados como backtesting y uso de API para la integración de datos. Este tutorial proporciona a los comerciantes los conocimientos y las herramientas necesarios para participar en el comercio algorítmico de manera efectiva.

En conclusión, estos tutoriales y videos ofrecen una gran cantidad de información sobre el uso de Python para el comercio algorítmico. Cubren una amplia gama de temas, incluido el procesamiento de datos, el análisis estadístico, la visualización, el desarrollo de estrategias, el backtesting y el comercio en tiempo real. Al seguir estos tutoriales, los comerciantes pueden mejorar su comprensión de los principios comerciales algorítmicos y aprovechar las capacidades de Python para tomar decisiones comerciales informadas.

• 00:00:00 En este video, el autor explica cómo instalar y usar un programa Python de comercio algorítmico. A continuación, explican cómo crear un archivo básico de Python 3 para almacenar código para una estrategia comercial algorítmica. Finalmente, muestran cómo ejecutar el código imprimiendo los resultados.
  
  
• 00:05:00 Este tutorial explica cómo usar el lenguaje de programación Python para realizar transacciones algorítmicas. El tutorial cubre varias funciones y bibliotecas que se pueden usar en el comercio algorítmico, como la biblioteca y finance. El tutorial también muestra cómo descargar y procesar datos en una hoja de cálculo.
  
  
• 00:10:00 Este video de YouTube demuestra cómo escribir un archivo CSV y cómo leerlo en Python.
  
  
• 00:15:00 Este tutorial explica cómo usar Python para operar con acciones. El video primero explica cómo crear un índice bursátil y luego muestra cómo usar la función de conversión de Python para cambiar el formato del índice. Finalmente, explica cómo usar la función de Python start.columns para cambiar la lista de columnas para acciones.
  
  
• 00:20:00 Este video tutorial explica cómo usar Python para operar con acciones. La primera parte del tutorial cubre cómo descargar y analizar datos de acciones. A continuación, el tutorial cubre cómo usar la función de descripción para analizar los datos. Finalmente, el tutorial cubre cómo usar la función de bloqueo de puntos para realizar un seguimiento de los precios de las acciones.
  
  
• 00:25:00 Este video tutorial explica cómo usar el lenguaje de programación Python para crear un algoritmo para operar con acciones. El tutorial comienza mostrando los diferentes puntos de partida para tres acciones diferentes y luego demuestra cómo normalizar los valores para que todos estén representados en rangos de 100 puntos. A continuación, el tutorial muestra cómo trazar la norma del precio de cierre de una acción y cómo usar el
  función de punto (mol) para multiplicar los valores por 100 para que sean más fáciles de leer.
  
  
• 00:30:00 Este video tutorial demuestra cómo usar el lenguaje de programación Python para crear algoritmos para negociar acciones. El primer paso es crear una nueva columna de datos para almacenar la información sobre las acciones que se han cerrado. A continuación, el video explica cómo usar la función de cambio para mover los datos al final de la columna. Finalmente, el tutorial muestra cómo calcular el cambio porcentual en los precios de las acciones desde el día anterior.
  
  
• 00:35:00 En este tutorial, aprenderá a usar el lenguaje de programación Python para calcular varios datos estadísticos relacionados con el comercio algorítmico. Aprenderá a usar las funciones shift, rested y split by para calcular datos relacionados con lag y diff.
  
  
• 00:40:00 El video cubre cómo calcular el cambio porcentual de un activo financiero usando Python. La función de cambio se cambia a pst para que sea más fácil de leer, y luego la variable de períodos se establece en uno. Luego, el cambio porcentual se multiplica por cien para convertirlo en un valor en puntos. A continuación, se calcula el cambio estándar del activo y se resta del cambio porcentual para eliminar el efecto del primer día. Se cambia el nombre de la manzana del marco de datos a cambio y se crea el cambio de columna. Se ejecuta Aafl para verificar los cambios de columna y se guarda el marco de datos.
  
  
• 00:45:00 En este tutorial, el autor demuestra cómo calcular la media y la desviación estándar de un conjunto de datos en particular, así como el cambio porcentual y los rendimientos del cambio mensual. También demuestra cómo trazar un histograma y un gráfico de sistema de aciertos.
  
  
• 00:50:00 Este video explica cómo calcular la media, la varianza y la desviación estándar de los rendimientos de una acción. El video también explica cómo calcular el rendimiento medio anual y cómo calcular el rendimiento var anual.
  
  
• 00:55:00 Este video tutorial explica cómo calcular la desviación estándar anual del rendimiento de una acción dada usando la función std. La función std toma datos de un símbolo de cotización, en lugar de puntos de datos individuales, lo que la hace más eficiente para analizar grandes conjuntos de datos. El tutorial también muestra cómo crear una columna para realizar un seguimiento de la media y la desviación estándar del rendimiento de una acción, así como una columna para realizar un seguimiento de la media y la desviación estándar del cambio porcentual de una acción. Finalmente, explica cómo calcular la media y la desviación estándar del rendimiento de una acción utilizando la función de resumen.
  
  
• 01:00:00 El autor explica cómo crear un diagrama de dispersión y anotarlo para mostrar el rendimiento y el riesgo asociado con varias acciones.
  
  
• 01:05:00 Este video tutorial explica cómo usar el lenguaje de programación Python para crear algoritmos para negociar acciones. El tutorial cubre el uso de bucles for y las funciones de covarianza y correlación, así como una representación gráfica de los resultados.
  
  
• 01:10:00 Este tutorial explica cómo usar la biblioteca Seaborn para crear un mapa de calor de correlaciones de acciones. El tutorial también incluye una descarga de código para todo el proyecto.
  
  
• 01:15:00 En este video, el presentador enseña cómo calcular el potencial de riesgo y recompensa de una cartera de acciones usando Python. Analiza las limitaciones de las devoluciones simples y las devoluciones de registros y demuestra cómo funcionan en la práctica.
  
  
• 01:20:00 Este tutorial explica cómo calcular un promedio móvil simple usando la función móvil en Python.
  
  
• 01:25:00 Este tutorial demuestra cómo calcular la media y la mediana de un conjunto de valores, así como la media móvil.
  
  
• 01:30:00 Este video muestra cómo calcular el promedio móvil de 50 días, el promedio móvil de 200 días y la ema (o "ganancias a precio") de una acción. El video también muestra cómo trazar estos promedios en un gráfico.
  
  
• 01:35:00 En este video, dot day explica cómo usar la función de reindexación en pandas para reemplazar los valores faltantes en un marco de datos. El video también cubre cómo usar las funciones de relleno hacia adelante y hacia atrás para administrar datos cuando hay festivos y sábados y domingos incluidos.
  
  
• 01:40:00 Este video explica cómo calcular los rendimientos de una acción a lo largo del tiempo, incluidos los rendimientos de compra y retención, los rendimientos acumulativos y los rendimientos máximos. También analiza cómo calcular los rendimientos máximos acumulativos y cómo trazar un gráfico de los datos.
  
  
• 01:45:00 Este video explica cómo calcular las reducciones para una acción y cómo calcular el rendimiento acumulado máximo y el máximo acumulado máximo para una acción.
  
  
• 01:50:00 El video explica cómo calcular el drawdown y el drawdown máximo para una acción, y también proporciona una descripción general de cómo calcular el porcentaje de drawdown.
  
  
• 01:55:00 En este video de YouTube, un tutorial de Python 2023 explica cómo crear una estrategia de cruce de promedio móvil. La estrategia consiste en utilizar dos medias móviles, una de 50 días y otra de 100 días, para determinar la tendencia de las acciones.
  
  
• 02:00:00 Este video tutorial explica cómo usar Python para escribir código para negociar acciones. El video demuestra cómo escribir código para determinar si una acción debe comprarse o venderse, según su precio actual y su precio pasado. El video también explica cómo usar una biblioteca para rastrear la posición de una acción a lo largo del tiempo.
  
  
• 02:05:00 El video explica cómo realizar una prueba retrospectiva de una estrategia comercial de algoritmo utilizando rendimientos y desviación estándar. La estrategia logra un rendimiento mayor que un promedio móvil de 50 días, pero tiene una desviación estándar alta.
  
  
• 02:10:00 Este video explica cómo crear una estrategia para una inversión determinada y cómo compararla con otras estrategias. La estrategia con los mejores rendimientos es la estrategia con sesgo largo.
  
  
• 02:15:00 El autor presenta una función para crear una estrategia de prueba para el comercio algorítmico. La función toma el nombre de una acción, la fecha de inicio y finalización, y devuelve el rendimiento diario, el rendimiento acumulativo y el sma.
  
  
• 02:20:00 Este tutorial muestra cómo crear un algoritmo de Python para negociar acciones y cómo usarlo para hacer predicciones sobre los precios futuros de las acciones. El tutorial incluye una demostración de cómo calcular el rendimiento de una inversión en acciones, así como la desviación estándar de ese rendimiento.
  
  
• 02:25:00 La clase sma backtester se utiliza para crear una estrategia que calcula los rendimientos y la desviación estándar. La clase también incluye una función para obtener datos.
  
  
• 02:30:00 El video muestra cómo usar la función getdata para descargar datos de acciones, cómo crear una función de resultado de prueba y cómo calcular el rendimiento y el rendimiento superior de una estrategia de compra y retención utilizando los datos.
  
  
• 02:35:00 El autor demuestra cómo calcular el rendimiento y el rendimiento de una estrategia comercial algorítmica. El autor también demuestra cómo crear una función para trazar los resultados.
  
  
• 02:40:00 En este tutorial, el autor enseña cómo construir un script de Python de comercio algorítmico. El script utiliza una estrategia simple de stop-loss y take-profit para lograr una ventaja de rendimiento general sobre una inversión de comprar y mantener.
  
  
• 02:45:00 Este video muestra cómo probar una estrategia comercial escrita en Python. La estrategia fue escrita por el presentador y fue probada en el mercado de valores en 2017.
  
  
• 02:50:00 Este tutorial explica cómo codificar un algoritmo Python2023 para operar con acciones y criptomonedas. El tutorial también cubre cómo usar una API para acceder a datos de varios intercambios de acciones y criptomonedas.
  
  
• 02:55:00 Este video tutorial explica cómo usar Python para operar con acciones y criptomonedas. El video cubre cómo ingresar y analizar datos, cómo almacenar y manipular datos, y cómo enviar una estrategia comercial utilizando los servicios API.
  
  
• 03:00:00 Este tutorial explica cómo usar Python para negociar acciones y otros activos financieros. El curso cubre conceptos básicos como el análisis de precios y el comercio, así como temas más avanzados como el backtesting y el uso de API.

[MetaQuotes]

Cómo obtener una lista de acciones en una bolsa || Análisis de acciones con Python Parte 1

Cómo obtener una lista de acciones en una bolsa || Análisis de acciones con Python Parte 1

Esta es la primera parte de mi serie sobre el uso de Python para el análisis de acciones. La serie se dividirá en tres secciones. En la primera sección, nos centraremos en la obtención y organización de datos para el análisis. La segunda parte cubrirá valores individuales y, finalmente, demostraré cómo empaquetar nuestro código para una fácil instalación usando pip. El código estará disponible en GitHub (enlace en la descripción del video). Puede utilizar cualquier editor de texto de su elección.

El aspecto más importante del análisis de acciones es la fuente de datos. Usaré datos históricos completos al final del día, que incluyen datos globales. Puede comenzar con un plan gratuito, pero tiene limitaciones en la cantidad de llamadas a la API por día. Si necesita más, puede suscribirse a un paquete de datos con precios especiales (enlace en la descripción del video).

Empecemos por importar los módulos necesarios. Comenzaremos descargando metadatos sobre valores de un intercambio específico. Necesitamos proporcionar una clave API y especificar el intercambio (predeterminado en la Bolsa de Valores de Nueva York). Proporcionaré algunos ejemplos para el mercado estadounidense, pero puede explorar los mercados internacionales utilizando la documentación en el sitio web de datos históricos al final del día.

Una vez que tengamos la documentación configurada, haremos una llamada al extremo de la API, pasando el intercambio y la clave de la API. Usaremos el módulo de solicitudes para esto. La respuesta estará en formato JSON, que transformaremos en un DataFrame de pandas.

Finalmente, agregaré algunas declaraciones de impresión para mostrar el progreso, y podemos probar el código ejecutando una función de punto de entrada. Asegúrese de reemplazar la clave API con la suya propia. El resultado será un DataFrame que contendrá los datos recuperados. Podemos filtrar aún más estos datos en función de los tipos de valores que nos interesan, que se tratarán en el próximo video.

Espero que encuentre útil esta información, y espero verlo en la próxima parte de la serie.

[MetaQuotes]

Cómo descargar símbolos bursátiles S&P 500, filtrar por sector || Análisis de acciones con Python Parte 2

Cómo descargar símbolos bursátiles S&P 500, filtrar por sector || Análisis de acciones con Python Parte 2

Esta es la segunda parte de mi serie sobre análisis de acciones con Python. Si no has visto la primera parte, te recomiendo que le eches un vistazo. En el video anterior, descargamos datos de una bolsa de valores específica y obtuvimos un DataFrame con metadatos. Ahora, queremos filtrar los símbolos según su tipo de seguridad, como acciones comunes, ETF o fondos. Esto nos permitirá centrarnos en valores específicos antes de descargar datos.

Agregaré una nueva función llamada "get_security_type" que toma el DataFrame de datos de intercambio como entrada. De forma predeterminada, filtraremos por acciones comunes, pero puede especificar un tipo diferente si es necesario. La función devolverá una lista de símbolos que coinciden con el tipo de seguridad especificado.

Además, noté que los datos históricos al final del día no incluyen los símbolos S&P 500. Entonces, escribiré otra función llamada "get_sp500_symbols" para obtener los símbolos de un archivo CSV. Esta función acepta un parámetro de "sector" opcional para filtrar los símbolos basados en sectores. De forma predeterminada, devuelve todos los símbolos. La función devolverá un DataFrame con columnas de símbolo, nombre y sector.

Para implementar esto, usaremos la biblioteca pandas para leer el archivo CSV y aplicar los filtros deseados según los parámetros proporcionados.

Una vez implementado, podemos probar las funciones. De forma predeterminada, "get_security_type" devolverá todos los símbolos y "get_sp500_symbols" también devolverá todos los símbolos. Podemos especificar un sector para filtrar los símbolos S&P 500.

Con estas funciones implementadas, ahora podemos filtrar símbolos según los tipos de valores y explorar acciones del S&P 500. En la siguiente parte de la serie, nos centraremos en descargar y seleccionar los datos.

Espero que esta información le resulte útil y espero continuar la serie con usted.

[MetaQuotes]

Cómo descargar y guardar datos de precios de acciones || Análisis de acciones con Python Parte 3

Cómo descargar y guardar datos de precios de acciones || Análisis de acciones con Python Parte 3

Esta es la tercera parte de mi serie sobre el uso de Python para el análisis de acciones. Puede encontrar los dos primeros videos en el enlace provisto en la descripción del video. Todo el código utilizado en la serie está disponible en un repositorio de GitHub, que también está vinculado en la descripción.

En los videos anteriores, aprendimos cómo obtener una lista de valores en un intercambio específico y cómo filtrarlos según criterios específicos. También escribimos una función para filtrar las acciones del S&P 500. En este video, nos enfocaremos en descargar y organizar los datos que nos interesan.

Para comenzar, necesitamos instalar una biblioteca auxiliar llamada "eod" que simplifica la interacción con los datos del final del día. Podemos usar esta biblioteca en lugar de hacer llamadas API tradicionales. Después de instalarlo usando pip, importamos la clase "EodHistoricalData" de la biblioteca, lo que nos permite realizar llamadas a la API fácilmente. Además, importamos el módulo "datetime" para establecer límites de tiempo y el módulo "os" para trabajar con el sistema de archivos.

A continuación, establecemos algunas fechas predeterminadas para el período de tiempo para el que queremos recuperar datos. En este caso, lo configuramos para que sea aproximadamente un año. También establecemos la fecha actual como referencia si necesitamos tanto la fecha de inicio como la de finalización.

Ahora, podemos proceder a escribir la función principal llamada "get_data". Esta función acepta una variedad de entradas, incluido un solo símbolo, una lista de símbolos separados por comas o una lista de símbolos. También requiere una clave API y una ruta donde se almacenarán los datos. La función recupera datos para los tickers especificados utilizando la clase EodHistoricalData y los guarda como un archivo CSV en la carpeta especificada. Realiza un seguimiento de la cantidad de valores descargados y omitidos y proporciona información sobre el proceso de descarga.

Después de escribir la función, podemos probarla pasando algunos argumentos de muestra y comprobando la salida. Podemos ver los valores descargados y los saltados. La función recupera y guarda con éxito los datos en la carpeta especificada.

En los próximos videos, trabajaremos con los datos descargados, como la extracción de precios de cierre y rendimientos, y exploraremos técnicas de visualización.

[MetaQuotes]

Análisis de acciones con Python: cómo extraer datos de precios de archivos || parte 4

Análisis de acciones con Python: cómo extraer datos de precios de archivos || parte 4

Bienvenido a la cuarta parte de mi serie Python para el análisis de acciones. Puede encontrar enlaces a las primeras tres partes en la descripción del video y también acceder al código en el repositorio de GitHub.

En los videos anteriores, cubrimos la obtención de una lista de valores, el filtrado de la lista y la descarga de datos en archivos CSV. Ahora, en este video, nos enfocaremos en extraer la columna del precio de cierre de los datos descargados.

Para hacer esto, crearemos una función llamada "obtener_precios_de_cierre". La función toma una carpeta como entrada, con un valor predeterminado establecido para los archivos de datos. De forma predeterminada, extrae la columna de cierre, pero puede elegir la columna de cierre ajustada si lo desea.

Primero, leemos todos los archivos válidos en la carpeta especificada, excluyendo el archivo que comienza con "cero" para evitar la duplicación. Luego, configuramos un DataFrame vacío.

A continuación, recorremos los archivos y verificamos si el cierre ajustado se establece en verdadero. Si es así, creamos un DataFrame temporal usando la función read_csv de pandas, especificando la carpeta y el archivo. Configuramos la columna de índice para que sea la fecha y seleccionamos la columna de cierre ajustada. Finalmente, cambiamos el nombre de la columna al símbolo de cotización.

Si el cierre ajustado no es verdadero, seguimos un proceso similar para la columna de cierre. Reemplazamos el DataFrame existente con el DataFrame temporal para el primer archivo y concatenamos el nuevo DataFrame en el existente para los archivos posteriores.

Finalmente, devolvemos el DataFrame que contiene los precios de cierre. Además, escribimos el DataFrame en un archivo CSV llamado "closes.csv" si lo desea.

Puede probar la función llamándola con el nombre de carpeta deseado. La función devolverá el DataFrame con los precios de cierre. En el ejemplo que se muestra, extrajo con éxito la columna del precio de cierre de los valores especificados.

En la quinta parte, calcularemos los datos de retorno en función de estos precios de cierre.

[MetaQuotes]

Calcular devoluciones, crear matriz de correlación, trazar rendimiento || Análisis de acciones con Python Parte 5

Calcular devoluciones, crear matriz de correlación, trazar rendimiento || Análisis de acciones con Python Parte 5

Bienvenido a la quinta parte de mi serie sobre el uso de Python para el análisis de acciones. En la descripción del video, encontrará enlaces a las cuatro partes anteriores, así como un enlace al repositorio de GitHub donde puede acceder al código.

En la cuarta parte, obtuvimos los precios de cierre de valores seleccionados y los guardamos en un archivo. Ahora, en la quinta parte, nos centraremos en calcular los rendimientos en función de estos precios de cierre. Antes de continuar, necesitamos importar la biblioteca NumPy.

Crearemos una función llamada "calculate_returns" que toma como entrada una carpeta y un nombre de archivo. Para manejar posibles errores, usaremos un bloque try-except. Dentro de la función, usaremos pandas para leer los datos de un archivo CSV. Estableceremos la columna de índice en la fecha y devolveremos el DataFrame de las devoluciones.

Podemos probar la función imprimiendo el resultado, pasando el nombre de la carpeta y el nombre del archivo. En el ejemplo que se muestra, calcula con éxito los rendimientos de los valores seleccionados.

A partir de aquí, hay varios posibles pasos a seguir. Una tarea común es calcular las correlaciones entre los valores. Si bien no me sumergiré en la implementación específica, puede usar el resultado de la función anterior para crear una función para calcular las correlaciones. Puede explorar diferentes opciones, como leer los datos de un archivo (por ejemplo, Excel o CSV) para mejorar la flexibilidad.

Otra función útil que podemos escribir es una para trazar los precios de cierre. Para esto, necesitamos importar la biblioteca matplotlib. La función "plot_closes" toma los cierres como entrada, que puede ser un archivo CSV o Excel. Además, podemos optar por trazar los precios en relación con el precio inicial.

Dentro de la función, leemos los datos usando pandas y, en función del parámetro relativo, representamos los precios tal como son o representamos el rendimiento en relación con el precio inicial. Podemos personalizar la trama con opciones como líneas de cuadrícula y una línea horizontal en cero (o uno, según la representación deseada).

Al probar la función, podemos ver el gráfico resultante para los valores seleccionados. Al establecer el parámetro relativo en verdadero, podemos observar el rendimiento en relación con el precio inicial.

En la sexta parte, continuaremos trabajando con los precios de cierre y los cambios, enfocándonos en guardar esos datos en un archivo separado.