Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Trading algoritmico con Python (indicatore delle bande di Bollinger)
Trading Algorítmico con Python (Indicador Bandas de Bollinger)
In questo video, il relatore discute le bande di Bollinger, come misurano la volatilità del mercato e come creare un sistema di ordini automatizzato basato su di esse utilizzando Python. Il relatore illustra le principali librerie utilizzate, come Yahoo Finance e Pandas, e sottolinea l'importanza di specificare i parametri per personalizzare il sistema per ogni titolo analizzato. Dimostrano anche l'aggiunta di dati alle colonne di acquisto e vendita e come confrontare la data dell'ultima vendita con la data corrente e avviare una vendita se corrispondono. Infine, il relatore ricorda agli spettatori che l'analisi tecnica non è sempre accurata e suggerisce di combinare vari indicatori e utilizzare l'intelligenza artificiale per prendere decisioni di trading informate.
Crea un grafico a candele con Python (Note della libreria Pandas)
Crea grafico a candela con Python (Note della libreria Pandas)
Il video fornisce una guida dettagliata su come creare grafici a candele utilizzando la libreria Pandas di Python con dati CSV. Inizia con l'importazione dei dati CSV e la creazione di un frame di dati da utilizzare per la creazione del grafico. Il tutorial copre anche l'installazione della libreria finanziaria mpl utilizzata per i grafici finanziari. Il video evidenzia l'importanza di comprendere Pandas per utilizzarlo efficacemente in Python e come modificare il tipo di grafico e l'intervallo di date per rappresentazioni accurate dei dati. Questo è utile anche per attività come la modellazione per il trading automatico.
Trading algoritmico con Python (Albero decisionale)
Trading Algorítmico con Python (Arbol de decisioni)
In questo video sul trading algoritmico con Python, l'oratore utilizza un approccio ad albero decisionale per prevedere il movimento dei prezzi di Bitcoin sulla base di correlazioni storiche tra SP500, oro ed ethereum. Il modello viene addestrato utilizzando i dati del giorno corrente e quindi utilizzato per prevedere i risultati del giorno successivo. Sebbene gli alberi decisionali possano essere utili per le previsioni, il relatore osserva che potrebbe non essere perfetto con solo un piccolo campione di dati. Gli spettatori possono accedere a più strategie di trading algoritmico, corsi e articoli relativi all'intelligenza artificiale e Python sul sito Web fornito nel video.
Python per gli investimenti: come ottenere l'indice del dollaro? DXY
Python para inversiones: ¿Cómo sacar Dollar Index? DXY
Il video copre l'estrazione dei dati dell'indice DXY, che misura la forza del dollaro USA rispetto ad altre valute, utilizzando le librerie Beautiful Soup e Pandas di Python. Il presentatore fornisce un codice che estrae le informazioni sulla percentuale di variazione dai dati DXY e le salva in un file CSV per ulteriori analisi dei dati e scopi di machine learning. Inoltre, condividono il loro sito Web con corsi gratuiti su Python, finanza e trading algoritmico. Pertanto, il video è un'utile guida per l'estrazione di dati finanziari utilizzando Python.
Trading algoritmico con Python - Corso completo
Trading algoritmico con Python - Corso completo
00:00:00 - 01:00:00 Questo video spiega come usare Python per scambiare azioni in modo algoritmico. Inizia introducendo le basi della libreria pandas e poi dimostra come usarla per creare un frame di dati. Il corso mostra quindi come eseguire una richiesta HTTP per uno stock e come utilizzare i risultati della chiamata API per popolare il frame di dati. Infine, il corso discute come migliorare le prestazioni del codice raggruppando le richieste API.
01:00:00 - 02:00:00 Questo video illustra come utilizzare Python per negoziare azioni utilizzando un algoritmo automatizzato. Inizia creando un elenco di azioni e simboli e quindi trasformando tali azioni in stringhe. Successivamente, il video crea un URL per avviare una richiesta HTTP utilizzando quella stringa. Infine, il video mostra come eseguire tale richiesta e recuperare i dati.
02:00:00 - 03:00:00 Questo video insegna come utilizzare Python per creare una strategia di trading algoritmica che utilizza il rapporto prezzo-utili come metrica di valore. La strategia seleziona le azioni in base a questa metrica e formula raccomandazioni di acquisto e vendita in base al prezzo corrente delle azioni.
03:00:00 - 04:00:00 Questo video tutorial spiega come utilizzare Python per negoziare azioni in modo algoritmico. Descrive come calcolare vari indicatori di successo, come gestire i dati mancanti e come utilizzare la gestione delle eccezioni per sostituire i valori mancanti.
04:00:00 - 04:30:00 Questo video spiega come calcolare i punteggi percentili per diverse metriche di borsa utilizzando Python. Descrive anche come utilizzare Python per creare un file Excel contenente i prezzi delle azioni e le dimensioni delle posizioni per call e put e come formattare il file per la stampa.
Parte 1:
Parte 3:
Parte 4:
Parte 5:
Algorithmic Trading Python 2023 - TUTORIAL COMPLETO Principiante
Algorithmic Trading Python 2023 - TUTORIAL COMPLETO Principiante
In questo video tutorial, l'autore approfondisce il processo di installazione e utilizzo di un programma Python per il trading algoritmico. Forniscono istruzioni dettagliate sulla creazione di un file Python 3 di base specificamente progettato per ospitare il codice relativo alle strategie di trading algoritmico. Inoltre, dimostrano come eseguire il codice e stampare gli output risultanti per l'analisi. Il tutorial si concentra principalmente sullo sfruttamento della potenza del linguaggio di programmazione Python per scopi di trading algoritmico. Copre una gamma di funzioni e librerie essenziali applicabili al trading algoritmico, inclusa la libreria yfinance. Il tutorial evidenzia l'importanza dell'utilizzo di queste funzioni e librerie mentre esplora anche il download dei dati e le tecniche di elaborazione utilizzando fogli di calcolo.
Inoltre, il tutorial video mostra il processo di scrittura e lettura di file CSV utilizzando Python. Spiega i passaggi necessari per creare un file CSV e dimostra come leggere e manipolare il file all'interno di un ambiente Python. Continuando con il tema del trading azionario basato su Python, il tutorial chiarisce la creazione di un indice azionario e dimostra come la funzione "convert" di Python può essere utilizzata per modificare il formato dell'indice. Inoltre, spiega come la funzione Python "start.columns" faciliti le modifiche all'elenco delle colonne specificamente per le azioni.
Il prossimo tutorial video ruota anche attorno all'utilizzo di Python per il trading azionario. Inizia illustrando il download e l'analisi dei dati di borsa, seguita dall'utilizzo della funzione "descrivi" per analizzare efficacemente i dati acquisiti. Infine, dimostra l'utilizzo della funzione "dot lock" per monitorare e tenere traccia dei prezzi delle azioni. Andando avanti, il video tutorial successivo fornisce una spiegazione completa dell'utilizzo di Python per creare algoritmi per il trading azionario. Inizia visualizzando diversi punti di partenza per tre titoli distinti, illustrando successivamente la normalizzazione dei valori per rappresentarli all'interno di un intervallo uniforme di 100 punti. Il tutorial guida quindi gli spettatori nel tracciare i prezzi di chiusura normalizzati di un'azione e nell'utilizzare la funzione "punto" (talpa) per moltiplicare i valori per 100, migliorando la leggibilità.
Allo stesso modo, un altro tutorial video si concentra sull'utilizzo di Python per creare algoritmi di trading azionario. L'esercitazione delinea il processo di creazione di una nuova colonna all'interno di un set di dati per memorizzare le informazioni relative alle scorte chiuse. Spiega inoltre l'utilizzo della funzione "shift" per riposizionare i dati nella parte inferiore della colonna. Inoltre, mostra il calcolo delle variazioni percentuali dei prezzi delle azioni rispetto al giorno precedente. Cambiando marcia, un altro tutorial introduce gli studenti all'utilizzo di Python per calcoli statistici relativi al trading algoritmico. Fornisce indicazioni sull'utilizzo di funzioni come "shift", "subtract" e "divide" per calcolare i dati relativi a ritardi e differenze.
Successivamente, il video approfondisce il calcolo delle variazioni percentuali per le attività finanziarie utilizzando Python. Dimostra la modifica della funzione "modifica" per migliorare la leggibilità rinominandola come "pst". Inoltre, imposta la variabile "periodi" su uno e moltiplica la variazione percentuale per 100 per rappresentarla in formato valore in punti. Il video copre anche il calcolo della variazione standard per un asset, sottraendola dalla variazione percentuale per eliminare l'impatto del primo giorno. Il dataframe per un asset specifico viene rinominato come "modifica" e viene creata la colonna "modifica". Il tutorial si conclude con l'esecuzione di un controllo sulla colonna "change" utilizzando "aafl" e il salvataggio del dataframe.
Inoltre, l'autore del tutorial spiega come calcolare media, deviazione standard, variazione percentuale e rendimenti per un determinato set di dati. Dimostrano anche la tracciatura di un istogramma e la creazione di un grafico del sistema di hit.
Continuando con i calcoli statistici, un altro video tutorial spiega come calcolare la media, la varianza e la deviazione standard dei rendimenti di un titolo. Inoltre, fornisce indicazioni sulla determinazione del rendimento medio annuo e del rendimento della varianza annuale.
Espandendosi ulteriormente, il tutorial mostra il calcolo della deviazione standard annuale dei rendimenti di un titolo utilizzando la funzione "std" in Python. Questo approccio analizza in modo efficiente set di dati di grandi dimensioni prendendo i dati da un simbolo ticker anziché da singoli punti dati. L'esercitazione dimostra anche la creazione di colonne per tenere traccia della media e della deviazione standard del rendimento di un'azione, nonché della media e della deviazione standard della variazione percentuale di un'azione. Spiega inoltre il calcolo della media e della deviazione standard del rendimento di un titolo utilizzando la funzione "riepilogo".
L'autore copre anche la creazione di grafici a dispersione e le loro annotazioni per illustrare il rendimento e il rischio associati a diversi titoli. Questa visualizzazione aiuta a comprendere la relazione tra rendimenti e rischi nel contesto del trading azionario. Andando avanti, il tutorial video approfondisce l'uso di Python per creare algoritmi per il trading di azioni. Esplora l'uso di cicli for e funzioni come la covarianza e la correlazione. Inoltre, mostra la rappresentazione grafica dei risultati dell'algoritmo, consentendo ai trader di visualizzare e analizzare efficacemente le prestazioni delle loro strategie di trading.
Inoltre, il tutorial spiega come sfruttare la libreria Seaborn per creare una heatmap che rappresenti le correlazioni azionarie. Fornisce una guida passo-passo insieme a un download del codice per l'intero progetto, facilitando l'implementazione dell'analisi della correlazione azionaria utilizzando Python. Spostando l'attenzione, il presentatore in un tutorial video istruisce gli spettatori sul calcolo del potenziale di rischio e rendimento di un portafoglio di titoli utilizzando Python. Discutono i limiti dei rendimenti semplici e introducono il concetto di rendimenti logaritmici, dimostrando la loro applicazione pratica nella valutazione del rischio e della ricompensa. Questa analisi aiuta i trader a prendere decisioni informate in merito alla composizione del proprio portafoglio e alla gestione del rischio.
Un altro tutorial chiarisce il processo di calcolo di una media mobile semplice utilizzando la funzione "rolling" in Python. Applicando questa tecnica, i trader possono attenuare le fluttuazioni dei prezzi delle azioni e identificare le tendenze in modo più efficace. Inoltre, un'esercitazione illustra il calcolo della media, della mediana e della media mobile di un set di dati, sottolineandone l'importanza nell'analisi e nella comprensione dei modelli di dati.
Inoltre, un tutorial video mostra il calcolo di varie medie mobili, tra cui la media mobile a 50 giorni, la media mobile a 200 giorni e l'EMA (guadagno-prezzo) di un'azione. Queste medie mobili vengono quindi tracciate su un grafico, aiutando i trader a identificare le tendenze chiave e i potenziali segnali di trading. Continuando con le tecniche di manipolazione dei dati, un video tutorial spiega l'utilizzo della funzione reindicizza nei panda per sostituire i valori mancanti all'interno di un dataframe. Copre anche l'applicazione delle funzioni di riempimento in avanti e all'indietro per gestire i dati quando si incontrano festività e fine settimana.
Il tutorial video dimostra ulteriormente il calcolo dei rendimenti per un'azione nel tempo, comprendendo i rendimenti di acquisto e sospensione, i rendimenti cumulativi e i rendimenti massimi. Inoltre, esplora il calcolo dei rendimenti massimi cumulativi e visualizza i dati attraverso la rappresentazione grafica. Inoltre, il tutorial spiega come calcolare i drawdown per un'azione, nonché il massimo rendimento cumulativo e il massimo drawdown cumulativo. La comprensione dei drawdown aiuta i trader a valutare il rischio associato agli investimenti e a identificare potenziali scenari di perdita. Allo stesso modo, un altro tutorial video discute il calcolo del drawdown e del drawdown massimo per un'azione. Inoltre, fornisce una panoramica del calcolo del drawdown percentuale, una metrica cruciale nella gestione del rischio.
Un tutorial di Python 2023 su YouTube introduce gli spettatori alla creazione di una strategia crossover media mobile per il trading. Questa strategia prevede l'utilizzo di due medie mobili, una media mobile di 50 giorni e una media mobile di 100 giorni, per determinare l'andamento del titolo e generare segnali di trading di conseguenza. Inoltre, un video tutorial spiega come scrivere codice Python per il trading di azioni. Dimostra il processo per determinare se acquistare o vendere un'azione in base al suo prezzo attuale e ai dati sui prezzi passati. Copre anche l'utilizzo di una libreria per tenere traccia della posizione di un titolo nel tempo, consentendo ai trader di monitorare e gestire il proprio portafoglio in modo efficace.
Il video tutorial illumina gli spettatori sul backtest di una strategia di trading algoritmico utilizzando rendimenti e deviazione standard. Presenta una strategia che supera una media mobile a 50 giorni in termini di rendimenti, ma presenta una deviazione standard più elevata, evidenziando il compromesso tra rischio e rendimento. Inoltre, il tutorial video guida gli utenti attraverso la creazione di una strategia di investimento e il confronto con altre strategie. Sottolinea che la strategia con i migliori rendimenti è quella con un orientamento lungo, indicando una preferenza per le posizioni rialziste.
Inoltre, l'autore introduce una funzione per creare una strategia di test per il trading algoritmico. Questa funzione accetta parametri come il nome dell'azione, le date di inizio e di fine e restituisce le metriche delle prestazioni chiave come il rendimento giornaliero, il rendimento cumulativo e la SMA (media mobile semplice). Utilizzando questa funzione, i trader possono valutare l'efficacia delle loro strategie di trading e prendere decisioni basate sui dati. Il tutorial procede quindi dimostrando come creare uno script Python per il trading algoritmico. Lo script incorpora una semplice strategia di stop-loss e take-profit, con l'obiettivo di ottenere prestazioni complessive migliori rispetto a un tradizionale approccio di investimento buy-and-hold. Questo script funge da base per lo sviluppo di algoritmi di trading più sofisticati.
Il presentatore mostra anche il processo di backtesting di una strategia di trading scritta in Python. La strategia, creata dal presentatore, viene testata sui dati storici del mercato azionario del 2017, consentendo ai trader di valutarne le prestazioni e la fattibilità. Inoltre, il tutorial spiega come codificare un algoritmo Python2023 per il trading di azioni e criptovalute. Copre l'utilizzo delle API per accedere ai dati da vari scambi di azioni e criptovalute, consentendo ai trader di analizzare i dati di mercato in tempo reale e implementare strategie di trading di conseguenza. Il video tutorial esplora ulteriormente l'utilizzo di Python per scambiare azioni e criptovalute. Comprende l'inserimento dei dati, l'analisi, l'archiviazione, la manipolazione e l'esecuzione di strategie commerciali utilizzando i servizi API. Sfruttando queste tecniche, i trader possono automatizzare i loro processi di trading e gestire in modo efficiente i loro portafogli.
Inoltre, il tutorial fornisce una guida completa sull'utilizzo di Python per negoziare azioni e altre attività finanziarie. Copre concetti fondamentali come l'analisi dei prezzi e il trading, nonché argomenti avanzati come il backtesting e l'utilizzo di API per l'integrazione dei dati. Questo tutorial fornisce ai trader le conoscenze e gli strumenti necessari per impegnarsi efficacemente nel trading algoritmico.
In conclusione, questi tutorial e video offrono una grande quantità di informazioni sull'utilizzo di Python per il trading algoritmico. Coprono una vasta gamma di argomenti, tra cui l'elaborazione dei dati, l'analisi statistica, la visualizzazione, lo sviluppo della strategia, il backtesting e il trading in tempo reale. Seguendo questi tutorial, i trader possono migliorare la loro comprensione dei principi del trading algoritmico e sfruttare le capacità di Python per prendere decisioni di trading informate.
funzione punto (mole) per moltiplicare i valori per 100 per facilitarne la lettura.
Come ottenere un elenco di azioni in borsa || Analisi delle scorte con Python Parte 1
Come ottenere un elenco di azioni in borsa || Analisi delle scorte con Python Parte 1
Questa è la prima parte della mia serie sull'utilizzo di Python per l'analisi delle azioni. La serie sarà divisa in tre sezioni. Nella prima sezione, ci concentreremo sull'ottenimento e l'organizzazione dei dati per l'analisi. La seconda parte coprirà i singoli titoli e, infine, dimostrerò come impacchettare il nostro codice per una facile installazione usando pip. Il codice sarà disponibile su GitHub (link nella descrizione del video). Puoi utilizzare qualsiasi editor di testo di tua scelta.
L'aspetto più importante dell'analisi delle scorte è la fonte dei dati. Userò dati storici completi di fine giornata, che includono dati globali. Puoi iniziare con un piano gratuito, ma ha limitazioni sul numero di chiamate API al giorno. Se hai bisogno di più, puoi abbonarti a un pacchetto di dati con un prezzo speciale (link nella descrizione del video).
Iniziamo importando i moduli necessari. Inizieremo scaricando i metadati sui titoli da uno scambio specifico. Dobbiamo fornire una chiave API e specificare la borsa (per impostazione predefinita la Borsa di New York). Fornirò alcuni esempi per il mercato statunitense, ma puoi esplorare i mercati internazionali utilizzando la documentazione sul sito Web dei dati storici di fine giornata.
Una volta impostata la documentazione, effettueremo una chiamata all'endpoint API, passando lo scambio e la chiave API. Useremo il modulo delle richieste per questo. La risposta sarà in formato JSON, che trasformeremo in un DataFrame panda.
Infine, aggiungerò alcune istruzioni di stampa per mostrare l'avanzamento e possiamo testare il codice eseguendo una funzione del punto di ingresso. Assicurati di sostituire la chiave API con la tua. Il risultato sarà un DataFrame contenente i dati recuperati. Possiamo filtrare ulteriormente questi dati in base ai tipi di titoli a cui siamo interessati, che saranno trattati nel prossimo video.
Spero che queste informazioni ti siano utili e non vedo l'ora di vederti nella prossima parte della serie.
Come scaricare i simboli azionari S&P 500, filtro per settore || Analisi delle scorte con Python Parte 2
Come scaricare i simboli azionari S&P 500, filtro per settore || Analisi delle scorte con Python Parte 2
Questa è la seconda parte della mia serie sull'analisi delle azioni con Python. Se non hai visto la prima parte, ti consiglio di dargli un'occhiata. Nel video precedente, abbiamo scaricato i dati da una borsa specifica e ottenuto un DataFrame con metadati. Ora, vogliamo filtrare i simboli in base al loro tipo di sicurezza, come azioni ordinarie, ETF o fondi. Questo ci consentirà di concentrarci su titoli specifici prima di scaricare i dati.
Aggiungerò una nuova funzione chiamata "get_security_type" che accetta i dati di scambio DataFrame come input. Per impostazione predefinita, filtreremo per le azioni ordinarie, ma puoi specificare un tipo diverso se necessario. La funzione restituirà un elenco di simboli che corrispondono al tipo di sicurezza specificato.
Inoltre, ho notato che i dati storici di fine giornata non includono i simboli S&P 500. Quindi, scriverò un'altra funzione chiamata "get_sp500_symbols" per recuperare i simboli da un file CSV. Questa funzione accetta un parametro opzionale "settore" per filtrare i simboli in base ai settori. Per impostazione predefinita, restituisce tutti i simboli. La funzione restituirà un DataFrame con colonne simbolo, nome e settore.
Per implementare ciò, utilizzeremo la libreria Pandas per leggere il file CSV e applicare i filtri desiderati in base ai parametri forniti.
Una volta implementato, possiamo testare le funzioni. Per impostazione predefinita, "get_security_type" restituirà tutti i simboli e anche "get_sp500_symbols" restituirà tutti i simboli. Possiamo specificare un settore per filtrare i simboli S&P 500.
Con queste funzioni in atto, ora possiamo filtrare i simboli in base ai tipi di sicurezza ed esplorare le azioni dell'S&P 500. Nella parte successiva della serie, ci concentreremo sul download e sulla cura dei dati.
Spero che troverai utili queste informazioni e non vedo l'ora di continuare la serie con te.
Come scaricare e salvare i dati sui prezzi delle azioni || Analisi delle scorte con Python Parte 3
Come scaricare e salvare i dati sui prezzi delle azioni || Analisi delle scorte con Python Parte 3
Questa è la terza parte della mia serie sull'utilizzo di Python per l'analisi delle azioni. Puoi trovare i primi due video nel link fornito nella descrizione del video. Tutto il codice utilizzato nella serie è disponibile su un repository GitHub, anch'esso linkato nella descrizione.
Nei video precedenti abbiamo visto come ottenere un elenco di titoli su una borsa specifica e come filtrarli in base a criteri specifici. Abbiamo anche scritto una funzione per filtrare le azioni S&P 500. In questo video, ci concentreremo sul download e sull'organizzazione dei dati che ci interessano.
Per iniziare, dobbiamo installare una libreria di supporto chiamata "eod" che semplifica l'interazione con i dati di fine giornata. Possiamo utilizzare questa libreria invece di effettuare chiamate API tradizionali. Dopo averlo installato utilizzando pip, importiamo la classe "EodHistoricalData" dalla libreria, che ci consente di effettuare facilmente chiamate API. Inoltre, importiamo il modulo "datetime" per impostare i limiti di tempo e il modulo "os" per lavorare con il file system.
Successivamente, impostiamo alcune date predefinite per il periodo di tempo per il quale vogliamo recuperare i dati. In questo caso, lo impostiamo a circa un anno. Impostiamo anche la data corrente come riferimento se abbiamo bisogno sia della data di inizio che di quella di fine.
Ora possiamo procedere a scrivere la funzione principale chiamata "get_data". Questa funzione accetta una varietà di input, incluso un singolo simbolo, un elenco di simboli separati da virgole o un elenco di simboli. Richiede inoltre una chiave API e un percorso in cui verranno archiviati i dati. La funzione recupera i dati per i ticker specificati utilizzando la classe EodHistoricalData e li salva come file CSV nella cartella specificata. Tiene traccia del numero di titoli scaricati e saltati e fornisce informazioni sul processo di download.
Dopo aver scritto la funzione, possiamo testarla passando alcuni argomenti di esempio e controllando l'output. Possiamo vedere i titoli scaricati e quelli saltati. La funzione recupera e salva correttamente i dati nella cartella specificata.
Nei prossimi video lavoreremo con i dati scaricati, come l'estrazione dei prezzi di chiusura e dei rendimenti, ed esploreremo le tecniche di visualizzazione.
Analisi delle scorte con Python: come estrarre i dati sui prezzi dai file || Parte 4
Analisi delle scorte con Python: come estrarre i dati sui prezzi dai file || Parte 4
Benvenuti alla quarta parte della mia serie Python per l'analisi delle azioni. Puoi trovare collegamenti alle prime tre parti nella descrizione del video e anche accedere al codice sul repository GitHub.
Nei video precedenti abbiamo trattato come ottenere un elenco di titoli, filtrare l'elenco e scaricare i dati in file CSV. Ora, in questo video, ci concentreremo sull'estrazione della colonna del prezzo di chiusura dai dati scaricati.
Per fare ciò, creeremo una funzione chiamata "get_closing_prices". La funzione accetta una cartella come input, con un valore predefinito impostato per i file di dati. Per impostazione predefinita, estrae la colonna di chiusura, ma puoi scegliere la colonna di chiusura regolata se lo desideri.
Per prima cosa leggiamo tutti i file validi nella cartella specificata, escludendo il file che inizia con "zero" per evitare duplicazioni. Quindi, impostiamo un DataFrame vuoto.
Successivamente, eseguiamo un ciclo dei file e controlliamo se la chiusura regolata è impostata su true. Se lo è, creiamo un DataFrame temporaneo utilizzando la funzione read_csv di panda, specificando la cartella e il file. Impostiamo la colonna dell'indice in modo che sia la data e selezioniamo la colonna di chiusura rettificata. Infine, rinominiamo la colonna con il simbolo ticker.
Se la chiusura rettificata non è vera, seguiamo un processo simile per la colonna di chiusura. Sostituiamo il DataFrame esistente con il DataFrame temporaneo per il primo file e concateniamo il nuovo DataFrame su quello esistente per i file successivi.
Infine, restituiamo il DataFrame contenente i prezzi di chiusura. Inoltre, se lo desideri, scriviamo il DataFrame in un file CSV denominato "closes.csv".
Puoi testare la funzione chiamandola con il nome della cartella desiderata. La funzione restituirà il DataFrame con i prezzi di chiusura. Nell'esempio mostrato, ha estratto con successo la colonna del prezzo di chiusura per i titoli specificati.
Nella quinta parte, calcoleremo i dati di rendimento sulla base di questi prezzi di chiusura.