Python para el trading algorítmico - página 15
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Descargue, transforme y escriba datos en Excel con Python || Análisis de acciones con Python Parte 6
Descargue, transforme y escriba datos en Excel con Python || Análisis de acciones con Python Parte 6
Bienvenido a la sexta parte de mi serie sobre análisis de acciones con Python. En la descripción del video, encontrará enlaces a los cinco videos anteriores, así como un enlace al repositorio de GitHub que contiene el código.
En la parte anterior, exploramos diferentes formas de trazar precios de cierre para acciones seleccionadas. Ahora, en la sexta parte, adoptaremos un enfoque diferente para obtener datos y trabajar con archivos de Excel. Crearemos una función llamada "get_return_data" que toma al menos un ticker como entrada (se pueden separar varios tickers por comas o almacenarse en un objeto de colección de Python). Además, la función permite a los usuarios especificar una fecha y elegir entre los precios de cierre o cierre ajustado. Los datos se guardarán en un archivo de Excel y también se pueden almacenar en una variable.
Para comenzar, necesitamos configurar el cliente API. Como antes, usaremos la API de "datos históricos al final del día". Deberá reemplazar la variable "clave" con su propia clave API.
A continuación, creamos un DataFrame temporal para almacenar los datos descargados. Recorremos los tickers pasados a la función y usamos un bloque try-except para manejar cualquier error potencial. Dependiendo de si el usuario quiere precios de cierre o de cierre ajustados, agregamos la columna correspondiente del resultado de la llamada API a la columna de cotización en el DataFrame.
Una vez que hayamos descargado y almacenado los datos, podemos realizar las transformaciones deseadas. En este caso, calculamos la tasa de retorno instantánea usando NumPy y eliminamos la primera fila. También calculamos el cambio porcentual regular utilizando un método integrado.
Finalmente, escribimos los datos en un archivo de Excel utilizando el objeto de escritura pandas Excel dentro de un administrador de contexto. Este paso requiere proporcionar el nombre del archivo y el formato de fecha opcional. Cada variable se inserta en el archivo de "devoluciones" y se imprime un mensaje para indicar la finalización de la tarea. La función devuelve los precios de cierre y se puede expandir para devolver también otros datos.
Al probar la función con cuatro tickers, podemos ver el archivo generado que contiene los datos descargados. El archivo se puede abrir en Excel para ver los datos.
Eso concluye la sexta parte de la serie. En la séptima parte, exploraremos cómo trazar los rendimientos de múltiples acciones en una sola figura.
Python para análisis bursátil: Trazado de cuadrícula de rendimiento de múltiples valores w\matplotlib || Parte 7
Python para análisis bursátil: Trazado de cuadrícula de rendimiento de múltiples valores w\matplotlib || Parte 7
Bienvenido a la séptima parte de mi serie sobre el uso de Python para el análisis de acciones. En la descripción del video, encontrará enlaces a los seis videos anteriores, así como al repositorio de GitHub que contiene el código.
En la sexta parte, desarrollamos una función para descargar datos, realizar transformaciones y guardarlos en un archivo de Excel. Ahora, en la séptima parte, nos concentraremos en trazar los rendimientos relativos de múltiples acciones en un solo gráfico.
Para comenzar, leeremos todos los archivos en una carpeta específica. En este caso, buscaremos en la carpeta "energía". Omitiremos cualquier archivo que comience con cero.
Usando la biblioteca matplotlib, crearemos un objeto de subtrama. El número de filas vendrá determinado por el techo de la longitud de los archivos dividido por cuatro, ya que queremos mostrar cuatro gráficos por fila. Haremos que la figura sea grande para acomodar potencialmente muchos gráficos.
A continuación, realizaremos un seguimiento de la cantidad de gráficos agregados y usaremos un bucle for anidado para iterar a través de las filas y columnas de la figura. Si llegamos a la última fila y no está llena, manejaremos la excepción incrementando el conteo.
Dentro del bucle, leeremos los precios de cierre de cada archivo y transformaremos los datos en rendimiento relativo. Graficaremos el rendimiento relativo en los ejes correspondientes y agregaremos una línea horizontal en 0. Para formatear los datos como un porcentaje, importaremos el módulo ticker de matplotlib.
En el bloque de excepción, no realizaremos ninguna acción, ya que sabemos que nos hemos quedado sin datos para trazar. Simplemente pasaremos e incrementaremos el conteo para pasar al siguiente archivo.
Una vez que se hayan trazado todos los datos, mostraremos el gráfico.
Al probar el código con los archivos en la carpeta "energía", podemos ver el gráfico resultante que muestra los rendimientos relativos de 21 valores durante aproximadamente un año.
Eso concluye la séptima parte de la serie. En el próximo video, exploraremos cortes de datos adicionales de la API de datos históricos al final del día.Descargar listado de acciones a punto de anunciar utilidades o dividendos || Análisis de acciones con Python Parte 8
Descargar listado de acciones a punto de anunciar utilidades o dividendos || Análisis de acciones con Python Parte 8
Bienvenido a la octava parte de mi serie sobre el uso de Python para el análisis de acciones. En este video, profundizaremos en la API de datos históricos al final del día y exploraremos funcionalidades adicionales más allá de la recuperación de precios. La API es completa y, aunque no cubriremos todo, le mostraré un par de ejemplos que pueden resultarle útiles. La documentación proporcionada por la API es extensa y puede guiarlo en la exploración de diferentes conjuntos de datos.
En primer lugar, nos centraremos en obtener datos de ganancias de las empresas que informan esta semana. Para comenzar, inicializaremos nuestro cliente API pasando nuestra clave API (reemplácela con la suya). Luego, descargaremos los datos y los almacenaremos en un DataFrame.
La función que usaremos para esta tarea no requiere ningún parámetro. Una vez que tengamos el DataFrame, extraeremos los símbolos de las empresas que reportan ganancias esta semana y los almacenaremos en una lista.
Para filtrar los datos para un intercambio específico, como los EE. UU., recorreremos cada fila en el DataFrame y verificaremos si el símbolo termina con "nosotros". Los símbolos bursátiles se denominan códigos en los datos históricos al final del día y sus terminaciones corresponden a la bolsa a la que pertenecen. Agregaremos los símbolos relevantes a nuestra lista, excluyendo la información de intercambio.
Después de recorrer todas las filas, imprimiremos la cantidad de empresas que informaron ganancias esta semana y devolveremos la lista de símbolos para un análisis más detallado.
Continuando, exploremos cómo recuperar dividendos para una fecha ex-fecha específica. Comenzaremos con la fecha de hoy. La configuración de la función será similar a la anterior, donde creamos un cliente API y descargamos los datos en un DataFrame.
La función que usaremos esta vez se llama get_bulk_market. Desde esta función, puede obtener varios puntos de datos, incluidos los precios de cierre de todo un mercado. Para los dividendos, especificaremos los datos que nos interesan como "dividendos".
Después de realizar la llamada, devolveremos el DataFrame resultante.
Probando esta función, recuperaremos los dividendos con la fecha ex de hoy. El código imprimirá los dividendos, asumiendo los valores predeterminados para el mercado estadounidense y la fecha de hoy.
El DataFrame resultante mostrará los dividendos con sus respectivas tasas. Dado que estamos analizando el mercado estadounidense, los dividendos serán en dólares estadounidenses. Además, el DataFrame proporciona información sobre la frecuencia de los pagos de dividendos.
Eso concluye la octava parte. En la parte nueve, concluiremos la sección uno con la creación de un filtro simple.Cómo crear un evaluador de acciones mediante una API || Análisis de acciones con Python Parte 9
Cómo crear un evaluador de acciones mediante una API || Análisis de acciones con Python Parte 9
Esta es la parte 9 de nuestra serie sobre análisis de acciones con Python. Puede encontrar enlaces a los videos anteriores en la descripción, así como el código en GitHub.
En este segmento final de la sección 1, exploraremos un ejemplo de filtro de acciones. El objetivo es crear un filtro simple que analice el máximo de 52 semanas, el precio actual y la relación precio-beneficio de múltiples valores. Esto nos ayudará a identificar valores para su posterior análisis.
Para lograr esto, utilizaremos la fuente fundamental de datos históricos al final del día. Comencemos examinando los datos que obtenemos de una llamada a este feed. Crearemos un objeto de cliente y recuperaremos datos fundamentales para un valor específico, como Apple. Esto nos dará un gran marco de datos con diversa información, incluidas finanzas, balances y más. Podemos explorar secciones específicas usando ubicaciones de índice.
A continuación, nos centraremos en los aspectos técnicos del índice y utilizaremos la biblioteca auxiliar de datos históricos al final del día y un punto final para descargar en masa los precios de cierre del día más reciente. Almacenaremos los datos en un marco de datos y restableceremos el índice. Esta llamada obtiene los precios de cierre de todos los valores en la bolsa de valores de EE. UU. Luego podemos filtrar los datos para incluir solo los valores que nos interesan.
Para construir nuestro evaluador de acciones, crearemos un cliente y recorreremos los símbolos que queremos analizar. Completaremos un diccionario con el máximo de 52 semanas para cada valor. Si un valor no tiene esta información disponible, la omitiremos y continuaremos con el ciclo.
Después de obtener los datos necesarios, fusionaremos los precios de cierre, los máximos de 52 semanas y calcularemos la relación precio/beneficio. Devolveremos el marco de datos resultante que contiene los valores, sus precios de cierre, máximos y proporciones.
Para probar nuestro filtro, recuperaremos símbolos del S&P 500 usando la función get_sp e imprimiremos el resultado. Esto mostrará los precios de cierre, los máximos de 52 semanas y las proporciones de los primeros 10 valores en el S&P 500.
En la Parte 10, profundizaremos en el análisis de valores individuales a medida que comencemos a crear una clase para ese propósito. Únase a nosotros en la siguiente parte para obtener más información sobre el análisis de valores a nivel individual.
Stock Analysis Python: Cómo analizar acciones automáticamente con Python || parte 10
Stock Analysis Python: Cómo analizar acciones automáticamente con Python || parte 10
Esta será la Parte 10 de mi serie sobre Python para el análisis de acciones. Puede encontrar los enlaces a los videos anteriores en la descripción a continuación, así como un enlace al repositorio de GitHub donde está disponible todo el código. En esta parte, comenzaremos a centrarnos en valores individuales en lugar de bolsas de valores completas o grandes listas de símbolos bursátiles.
Para empezar, ya he incluido las importaciones necesarias para esta parte, como datetime, matplotlib, numpy, pandas y seaborn. También definí una constante simbólica que representa una fecha de hace aproximadamente un año, que el usuario puede cambiar usando una fecha con formato ISO.
A continuación, escribiré una clase llamada "Stock" que manejará valores individuales. La clase se inicializará con parámetros para el símbolo bursátil, la clave API y la fecha (con un valor predeterminado). Además, permitirá al usuario especificar una carpeta donde se pueden guardar los datos, con un valor predeterminado de Ninguno.
Dentro de la clase, definiré un método llamado "get_data" que obtendrá los datos de stock. Primero comprobará si los datos ya están disponibles en la carpeta especificada comparando el símbolo con los archivos disponibles. Si se encuentran los datos, se leerán en un DataFrame y se estandarizarán. De lo contrario, obtendrá los datos mediante la API y los devolverá como un marco de datos.
Al inicializar una instancia de Stock, el símbolo, la clave API, la fecha y los datos se almacenarán como variables de instancia. Para probar la funcionalidad, crearé un objeto Stock e imprimiré los datos.
Eso concluye la Parte 10 de la serie. En la Parte 11, agregaremos más transformaciones de datos a la clase Stock.Python para análisis de acciones: calcule y grafique automáticamente la rentabilidad y la volatilidad de las acciones || parte 11
Python para análisis de acciones: calcule y grafique automáticamente la rentabilidad y la volatilidad de las acciones || parte 11
Bienvenido a la Parte 11 de mi serie sobre Python para el análisis de acciones. Puede encontrar los enlaces a los videos anteriores y al repositorio de GitHub en la descripción a continuación.
En la Parte 10, creamos una clase simple para inicializar un símbolo bursátil y obtener sus datos desde una carpeta local o mediante una API. En esta parte, profundizaremos más en las transformaciones de datos y comenzaremos a trazar los datos.
Primero, agregaré un nuevo método llamado "calculate_volatility" que toma un DataFrame como entrada. Para integrar este método con el método "get_data", lo modificaré en consecuencia. Dentro del método "calculate_volatility", agregaré varias columnas al DataFrame. La primera columna serán las rentabilidades, calculadas como la diferencia logarítmica de los precios de cierre con precisión de cuatro decimales.
A continuación, calcularé la volatilidad continua, que representa la desviación estándar de los rendimientos durante un período de 21 días. Redondearé el resultado a cuatro decimales. Además, incluiré las columnas de cambio absoluto, diferencial alto-bajo y cambio esperado, con el redondeo adecuado.
Para analizar la magnitud del movimiento de la acción, calcularé una columna llamada "magnitud" que representa el cambio real dividido por el cambio esperado, redondeado a dos decimales. Por último, incluiré una columna de valor absoluto para posibles fines gráficos.
Eliminaré las filas iniciales que contienen valores NaN resultantes de los cálculos y luego llamaré al método "calculate_volatility" dentro del método "get_data".
Probemos el código inicializando una instancia de Stock e imprimiendo el DataFrame.
Ahora, tracemos la distribución de retorno creando un histograma. Determinaré las fechas de inicio y finalización, y luego trazaré el histograma con 20 contenedores y un color de borde. Para mejorar el título, usaré un supertítulo con dos líneas, especificando el rango de fechas. Finalmente, mostraré la trama.
Ejecutemos el código y examinemos el histograma, que proporciona una descripción general de la distribución de rendimiento de las acciones durante el último año.
Eso concluye la Parte 11. En la Parte 12, continuaremos trabajando en gráficos adicionales antes de pasar a otras transformaciones de datos.Cómo calcular y normalizar la rentabilidad esperada de las acciones || Análisis de acciones de Python Parte 12
Cómo calcular y normalizar la rentabilidad esperada de las acciones || Análisis de acciones de Python Parte 12
Bienvenido a la Parte 12 de mi serie sobre Python para el análisis de acciones. Puede encontrar el código y los enlaces a otros videos en la descripción a continuación.
En la Parte 11, realizamos transformaciones de datos básicas en nuestra clase Stock agregando columnas al DataFrame y trazando la distribución de los rendimientos. En este video, continuaremos con más opciones de trazado que pueden ser útiles para el análisis de acciones.
Para comenzar, representemos gráficamente la volatilidad de la acción. La configuración será similar a lo que hemos hecho antes, incluido el súper título y las fechas de inicio y finalización. Crearemos un diagrama de dispersión, donde el eje x representa los rendimientos y el eje y representa la magnitud absoluta del cambio en las desviaciones estándar. Agregaremos líneas horizontales y verticales como referencia.
Ejecutemos el código y examinemos el diagrama de dispersión de la volatilidad. Podemos observar el rango de cambios porcentuales y el número de desviaciones estándar. Por ejemplo, durante el último año, no ha habido cambios más allá de tres desviaciones estándar y media.
A continuación, tracemos el rendimiento de la acción. Nuevamente, la mayor parte del código sigue siendo el mismo, por lo que podemos copiarlo y hacer algunos ajustes. En lugar de un gráfico de dispersión, crearemos un gráfico de líneas para realizar un seguimiento del rendimiento relativo a lo largo del tiempo. Dividiremos los precios de cierre por el precio de cierre del primer día, restaremos 1 para obtener el cambio porcentual, lo multiplicaremos por 100 y lo formatearemos como un porcentaje en el eje y. Mantendremos la línea horizontal como referencia.
Ejecutar el código mostrará el gráfico de líneas del rendimiento de las acciones. Podemos ver cómo le ha ido a la acción durante el período de tiempo dado, comparándolo con el precio inicial. En este caso, podemos observar una tendencia positiva seguida de una caída en los últimos meses.
Siéntete libre de personalizar el tamaño de la figura y explorar otras opciones de trama según tus necesidades.
Eso concluye la Parte 12. En la Parte 13, nos sumergiremos en transformaciones de datos adicionales.Python para análisis de acciones: filtre datos por vencimiento de opciones y volatilidad || parte 13
Python para análisis de acciones: filtre datos por vencimiento de opciones y volatilidad || parte 13
Bienvenido a la Parte 13 de mi serie sobre Python para el análisis de acciones. Puede encontrar el código y los enlaces a otros videos en GitHub en la descripción a continuación.
En la Parte 12, exploramos varios gráficos que podrían ser útiles para el análisis de acciones. En este video, ampliaremos nuestra clase Stock agregando un par de métodos para examinar diferentes segmentos de los datos.
Primero, escribamos un método para identificar los días en que vencen las opciones. Son los terceros viernes de cada mes. Llamaremos a este método "option_expiration". Para lograr esto, crearemos una máscara usando la función np.where de NumPy. Especificaremos tres condiciones: el índice de los datos debe ser mayor que el día 14 (el tercer viernes más temprano posible), menor que el 21 (el tercer viernes más tarde posible) y corresponder a un viernes (día de la semana 4). Devolveremos los datos con esta máscara aplicada, lo que dará como resultado un DataFrame que solo incluye los viernes de vencimiento.
A continuación, escribiremos nuestro método final, que determina cuánto tiempo ha durado la baja volatilidad desde los últimos dos movimientos de desviación estándar. Llamaremos a este método "low_vol_duration". Para implementar esto, agregaremos una columna a los datos llamada "días con menos de 2 desviaciones estándar" y la inicializaremos con ceros. Luego, iteraremos sobre los datos y verificaremos la magnitud de cada fila. Si la magnitud es inferior a dos, incrementaremos el conteo y actualizaremos la fila correspondiente en la columna "días con menos de 2 desviaciones estándar". Si la magnitud es dos o más, restableceremos la cuenta a cero. Finalmente, devolveremos el DataFrame que contiene solo las filas con dos movimientos de desviación estándar, mostrando la cantidad de días entre cada movimiento.
Ejecutemos el código y examinemos los resultados. Podemos ver los días de vencimiento de la opción, que caen entre el 15 y el 21 de cada mes. Además, tenemos la duración de baja volatilidad, que indica el número de días desde el movimiento anterior de dos desviaciones estándar. Por ejemplo, hace aproximadamente un año, habíamos pasado dos días desde el movimiento anterior de dos desviaciones estándar, seguido de períodos de 32, 41, y así sucesivamente.
Eso concluye la Parte 13 y concluye la Sección 2. Lo animo a continuar desarrollando y expandiendo la clase Stock según sus necesidades. En la Parte 14, exploraremos cómo empaquetar nuestras funciones en un paquete de Python que se puede instalar usando pip.Análisis de stock de Python: cree y publique sus propios paquetes de Python personalizados con Pip en VS Code
Análisis de stock de Python: cree y publique sus propios paquetes de Python personalizados con Pip en VS Code
En este video, lo guiaré a través del proceso de empaquetar su código de Python en una biblioteca que se puede instalar usando pip. Este es el video final de mi serie sobre Python para el análisis de acciones, donde cubrimos temas como la recuperación de datos, la transformación de datos, la visualización y la detección de datos. Puede encontrar enlaces a los videos anteriores en la descripción a continuación, así como un enlace al repositorio de GitHub.
El objetivo de empaquetar nuestro código es hacerlo más conveniente para usar y reutilizar en proyectos específicos de Python. Aunque demostraré el proceso como si estuviéramos publicando el código en PyPI (Python Package Index), es importante tener en cuenta que es posible que el código no esté listo para PyPI de inmediato. Primero lo configuraremos e instalaremos localmente para entender el proceso. Sin embargo, en el futuro, puede modificar el código y crear algo que le gustaría compartir con una audiencia más amplia.
El proceso de empaquetado puede variar dependiendo de la complejidad del proyecto. En nuestro caso, dado que nuestro código consta de dos módulos, el proceso es relativamente simple. Aquí hay una descripción general de los pasos:
Una vez que haya configurado las carpetas y los archivos de configuración, puede instalar la biblioteca localmente usando pip. Abra la línea de comando, navegue a la carpeta principal y ejecute el comando "pip install". Esto instalará la biblioteca, haciéndola accesible desde cualquier entorno de Python.
Después de la instalación, puede probar la biblioteca iniciando Python e importando el módulo "analizar". También puede usar la función de "ayuda" para ver los metadatos sobre el paquete.
Recuerde que el proceso de empaquetado puede evolucionar con el tiempo y que existen varias formas de empaquetar el código para la instalación. Los pasos que describí aquí son un punto de partida y puede explorar opciones adicionales a medida que sus proyectos se vuelven más complejos.
Espero que este tutorial lo ayude a comenzar a crear sus propios paquetes de Python.
Análisis de stock de Python: cree y publique sus propios paquetes de Python personalizados con Pip en VS Code
Análisis de stock de Python: cree y publique sus propios paquetes de Python personalizados con Pip en VS Code
En este video, lo guiaré a través del proceso de empaquetar su código de Python en una biblioteca que se puede instalar usando pip. Este es el video final de mi serie sobre Python para el análisis de acciones, donde cubrimos temas como la recuperación de datos, la transformación de datos, la visualización y la detección de datos. Puede encontrar enlaces a los videos anteriores en la descripción a continuación, así como un enlace al repositorio de GitHub.
El objetivo de empaquetar nuestro código es hacerlo más conveniente para usar y reutilizar en proyectos específicos de Python. Aunque demostraré el proceso como si estuviéramos publicando el código en PyPI (Python Package Index), es importante tener en cuenta que es posible que el código no esté listo para PyPI de inmediato. Primero lo configuraremos e instalaremos localmente para entender el proceso. Sin embargo, en el futuro, puede modificar el código y crear algo que le gustaría compartir con una audiencia más amplia.
El proceso de empaquetado puede variar dependiendo de la complejidad del proyecto. En nuestro caso, dado que nuestro código consta de dos módulos, el proceso es relativamente simple. Aquí hay una descripción general de los pasos:
Una vez que haya configurado las carpetas y los archivos de configuración, puede instalar la biblioteca localmente usando pip. Abra la línea de comando, navegue a la carpeta principal y ejecute el comando "pip install". Esto instalará la biblioteca, haciéndola accesible desde cualquier entorno de Python.
Después de la instalación, puede probar la biblioteca iniciando Python e importando el módulo "analizar". También puede usar la función de "ayuda" para ver los metadatos sobre el paquete.
Recuerde que el proceso de empaquetado puede evolucionar con el tiempo y que existen varias formas de empaquetar el código para la instalación. Los pasos que describí aquí son un punto de partida y puede explorar opciones adicionales a medida que sus proyectos se vuelven más complejos.
Espero que este tutorial lo ayude a comenzar a crear sus propios paquetes de Python.