02:20:00 著者は、Python を使用して株を取引するためのアルゴリズムを作成する方法について説明します。まず追跡するメトリクスのリストを作成し、次に Sai pi ライブラリを使用して各メトリクスのパーセンタイル スコアを計算します。次に、データ フレーム内の各列のパーセンタイル スコアを計算するループを作成します。最後に、ループを使用して株式取引の戦略を作成します。
03:25:00 このビデオでは、アルゴリズム取引の概念と、Python を使用して価値戦略を作成する方法を紹介します。次に、ビデオでは、Python を使用して ix Cloud API にアクセスし、複数の評価指標のデータを取り込む方法を示します。すべてがうまくいけば、データはパンダ データフレームとして返され、ビデオはデータが正しく動作していることを示します。
03:30:00 このビデオでは、著者が Python を使用してアルゴリズム取引を実行する方法を示しています。著者はまず株価収益率を取得する方法を示し、次に IRS クラウド API からこの値を解析します。次に、著者は各指標に値を割り当てる方法と、IRS クラウド API からこのデータを解析する方法を示します。最後に、著者は価格対売上高比率を使用して価格対書籍比率を求める方法を示します。
Learn how to perform algorithmic trading using Python in this complete course. Algorithmic trading means using computers to make investment decisions. Comput...
著者は、さまざまな株式に関連するリターンとリスクを示すための散布図の作成と注釈の付け方についても説明します。この視覚化は、株式取引のコンテキストにおけるリターンとリスクの関係を理解するのに役立ちます。次に、ビデオ チュートリアルでは、Python を使用して株を取引するためのアルゴリズムを作成する方法について詳しく説明します。 for ループと、共分散や相関などの関数の使用法について説明します。さらに、アルゴリズムの結果がグラフで表示されるため、トレーダーは取引戦略のパフォーマンスを効果的に視覚化して分析できます。
プレゼンターは、Python で書かれた取引戦略のバックテストのプロセスも紹介します。プレゼンターが作成したこの戦略は、2017 年からの過去の株式市場データに基づいてテストされ、トレーダーがそのパフォーマンスと実行可能性を評価できるようになります。さらに、このチュートリアルでは、株や暗号通貨を取引するための Python2023 アルゴリズムをコーディングする方法について説明します。 API を使用してさまざまな株式取引所や仮想通貨取引所からのデータにアクセスする方法について説明しており、トレーダーがリアルタイムの市場データを分析し、それに応じて取引戦略を実行できるようにします。ビデオチュートリアルでは、Python を使用して株や暗号通貨を取引する方法についてさらに詳しく説明します。これには、API サービスを使用したデータ入力、分析、保存、操作、取引戦略の実行が含まれます。これらのテクニックを活用することで、トレーダーは取引プロセスを自動化し、ポートフォリオを効率的に管理できます。
さらに、このチュートリアルでは、Python を使用して株やその他の金融資産を取引するための包括的なガイダンスを提供します。価格分析や取引などの基本的な概念だけでなく、バックテストやデータ統合のための API の利用などの高度なトピックもカバーしています。このチュートリアルでは、トレーダーにアルゴリズム取引を効果的に行うために必要な知識とツールを提供します。
We have a created an Algorithmic Trading Course in python for pure beginners wherein we discuss multiple concepts from a basic zero to hero framework. The vi...
株価分析で最も重要な側面はデータソースです。グローバル データを含む包括的な 1 日の終わりの履歴データを使用します。無料プランから始めることもできますが、1 日あたりの API 呼び出し数に制限があります。さらに必要な場合は、特別価格でデータ バンドルを購読できます (ビデオの説明にあるリンク)。
必要なモジュールをインポートすることから始めましょう。まず、特定の取引所から証券に関するメタデータをダウンロードします。 API キーを提供し、取引所 (デフォルトはニューヨーク証券取引所) を指定する必要があります。ここでは米国市場の例をいくつか紹介しますが、一日の終わりの履歴データ Web サイトのドキュメントを使用して国際市場を探索することもできます。
ドキュメントを設定したら、API エンドポイントを呼び出し、交換と API キーを渡します。これにはリクエストモジュールを使用します。応答は JSON 形式であり、これを pandas DataFrame に変換します。
最後に、進行状況を表示するためにいくつかの print ステートメントを追加します。エントリ ポイント関数を実行してコードをテストできます。 API キーは必ず自分のものに置き換えてください。結果は、取得されたデータを含む DataFrame になります。関心のある証券の種類に基づいてこのデータをさらにフィルタリングできます。これについては次のビデオで説明します。
Python でローソク足チャートを作成する (Pandas Library Notes)
Python でローソク足グラフを作成する (Pandas Bookstore Notes)
このビデオでは、Python の Pandas ライブラリと CSV データを使用してローソク足チャートを作成する方法についてステップバイステップのガイドを提供します。まず、CSV データをインポートし、グラフの作成に使用するデータ フレームを作成します。このチュートリアルでは、財務プロットに使用される mpl Finance ライブラリのインストールについても説明します。このビデオでは、Python で Pandas を効果的に使用するには Pandas を理解することの重要性と、データを正確に表現するためにグラフの種類と日付範囲を変更する方法を強調しています。これは、自動取引のモデリングなどのタスクにも役立ちます。
Python を使用したアルゴリズム取引 (ディシジョン ツリー)
Python を使用した取引アルゴリズム (意思決定の決定)
Python を使用したアルゴリズム取引に関するこのビデオでは、講演者がデシジョン ツリー アプローチを使用して、SP500、金、イーサリアムの間の歴史的な相関関係に基づいてビットコインの価格変動を予測します。モデルは当日のデータを使用してトレーニングされ、翌日の結果を予測するために使用されます。デシジョン ツリーは予測に役立ちますが、講演者は、データ サンプルが少ないだけでは完璧ではない可能性があると述べています。視聴者は、ビデオ内で提供される Web サイトで、人工知能と Python に関連するより多くのアルゴリズム取引戦略、コース、記事にアクセスできます。
投資のための Python: ドルインデックスを取得するには? DXY
Python の反転: ¿Cómo sacar Dollar Index? DXY
このビデオでは、Python の Beautiful Soup ライブラリと Pandas ライブラリを使用して、他の通貨に対する米ドルの強さを測定する DXY Index データの抽出について説明します。プレゼンターは、DXY データから変動パーセンテージ情報を抽出し、さらなるデータ分析と機械学習を目的として CSV ファイルに保存するコードを提供します。さらに、Python、金融、アルゴリズム取引に関する無料コースを提供する Web サイトを共有しています。したがって、このビデオは、Python を使用して財務データを抽出するための便利なガイドです。
Python を使用したアルゴリズム取引 - フルコース
Python を使用したアルゴリズム取引 - フルコース
00:00:00 - 01:00:00このビデオでは、Python を使用してアルゴリズム的に株を取引する方法を説明します。まず、pandas ライブラリの基本を紹介し、次にそれを使用してデータ フレームを作成する方法を示します。次に、このコースでは、株式の HTTP リクエストを実行する方法と、API 呼び出しの結果を使用してデータ フレームにデータを入力する方法を示します。最後に、このコースでは API リクエストをバッチ処理することでコードのパフォーマンスを向上させる方法について説明します。
01:00:00 - 02:00:00 このビデオでは、Python を使用して自動アルゴリズムを使用して株を取引する方法について説明します。まず株とシンボルのリストを作成し、それらの株を文字列に変換します。次に、ビデオは、その文字列を使用して HTTP リクエストを起動するための URL を作成します。最後に、ビデオでは、そのリクエストを実行してデータを取得する方法を示します。
02:00:00 - 03:00:00 このビデオでは、Python を使用して、株価収益率を価値指標として使用するアルゴリズム取引戦略を作成する方法を説明します。この戦略は、この指標に基づいて株式を選別し、現在の株価に基づいて売買の推奨を行います。
03:00:00 - 04:00:00 このビデオチュートリアルでは、Python を使用してアルゴリズム的に株を取引する方法を説明します。さまざまな成功指標の計算方法、欠損データの処理方法、例外処理を使用して欠損値を置き換える方法について説明します。
04:00:00 - 04:30:00 このビデオでは、Python を使用してさまざまな株価指標のパーセンタイル スコアを計算する方法を説明します。また、Python を使用して株価とコールとプットのポジション サイズを含む Excel ファイルを作成する方法、および印刷用にファイルをフォーマットする方法についても説明します。
パート1：
パート 3:
パート 4:
パート 5:
アルゴリズム取引 Python 2023 - フルチュートリアル 初心者向け
アルゴリズム取引 Python 2023 - フルチュートリアル 初心者向け
このビデオチュートリアルでは、著者がアルゴリズム取引用の Python プログラムをインストールして利用するプロセスを詳しく説明します。これらは、アルゴリズム取引戦略に関連するコードを収容するために特別に設計された基本的な Python 3 ファイルを作成するための段階的な手順を提供します。さらに、コードを実行し、結果の出力を分析のために出力する方法も示します。このチュートリアルは主に、アルゴリズム取引を目的として Python プログラミング言語の力を利用することに焦点を当てています。 yfinance ライブラリなど、アルゴリズム取引に適用できるさまざまな必須関数とライブラリをカバーしています。このチュートリアルでは、これらの関数とライブラリを使用する重要性を強調するとともに、スプレッドシートを使用したデータのダウンロードと処理手法についても説明します。
さらに、ビデオ チュートリアルでは、Python を使用して CSV ファイルを読み書きするプロセスを紹介します。 CSV ファイルを作成するために必要な手順を説明し、Python 環境内でファイルを読み取り、操作する方法を示します。引き続き Python ベースの株取引のテーマを取り上げ、このチュートリアルでは株価指数の作成を説明し、Python 関数「convert」を使用して指数形式を変更する方法を示します。さらに、Python 関数「start.columns」を使用して、株式に特化した列リストの変更を容易にする方法についても説明します。
次のビデオチュートリアルも、株式取引での Python の使用を中心に展開しています。まず、株式データのダウンロードと解析を説明し、次に「記述」機能を使用して取得したデータを効果的に分析します。最後に、株価を監視および追跡するための「ドット ロック」機能の利用方法を示します。次に、後続のビデオ チュートリアルでは、Python を使用して株取引用のアルゴリズムを作成する方法について包括的に説明します。まず、3 つの異なる株の異なる開始点を視覚化し、続いて均一な 100 ポイントの範囲内で値を表すための正規化を示します。次に、チュートリアルでは、株価の正規化された終値をプロットし、「ドット」(モル) 関数を利用して値を 100 倍して読みやすさを向上させる方法を視聴者に案内します。
同様に、別のビデオ チュートリアルでは、Python を利用して株取引アルゴリズムを作成することに焦点を当てています。このチュートリアルでは、クローズされた株式に関する情報を保存するためにデータセット内に新しい列を作成するプロセスの概要を説明します。さらに、「シフト」関数を使用してデータを列の一番下に再配置する方法についても説明します。さらに、前日からの株価の変化率の計算も表示されます。ギアを変えて、アルゴリズム取引に関連する統計計算に Python を利用する方法を学習者に紹介する別のチュートリアルです。 「シフト」、「減算」、「除算」などの関数を使用してラグや差分関連のデータを計算するためのガイダンスを提供します。
次に、ビデオでは、Python を使用して金融資産の変化率を計算する方法を詳しく説明します。ここでは、「change」関数の名前を「pst」に変更して読みやすさを向上させる変更を示します。さらに、「periods」変数を 1 に設定し、変化率に 100 を乗算してポイント値形式で表します。このビデオでは、資産の標準的な変化を計算し、変化率からそれを差し引いて初日の影響を排除する方法も説明しています。特定のアセットのデータフレームの名前が「change」に変更され、「change」列が作成されます。このチュートリアルは、「aafl」を使用して「change」列のチェックを実行し、データフレームを保存することで終了します。
さらに、チュートリアルの作成者は、特定のデータセットの平均、標準偏差、変化率、およびリターンを計算する方法を説明します。また、ヒストグラムのプロットとヒット システム グラフの作成も示します。
統計計算を続ける別のビデオ チュートリアルでは、株式の収益の平均、分散、標準偏差の計算について説明しています。さらに、年間平均リターンと年間分散リターンを決定するためのガイダンスも提供します。
さらに拡張して、チュートリアルでは、Python の「std」関数を使用して株式収益の年間標準偏差を計算する方法を紹介します。このアプローチでは、個々のデータ ポイントではなくティッカー シンボルからデータを取得することで、大規模なデータセットを効率的に分析します。このチュートリアルでは、株式の収益率の平均と標準偏差、および株式の変化率の平均と標準偏差を追跡するための列の作成についても説明します。さらに、「サマリー」機能を使用した株式収益率の平均と標準偏差の計算についても説明します。
著者は、さまざまな株式に関連するリターンとリスクを示すための散布図の作成と注釈の付け方についても説明します。この視覚化は、株式取引のコンテキストにおけるリターンとリスクの関係を理解するのに役立ちます。次に、ビデオ チュートリアルでは、Python を使用して株を取引するためのアルゴリズムを作成する方法について詳しく説明します。 for ループと、共分散や相関などの関数の使用法について説明します。さらに、アルゴリズムの結果がグラフで表示されるため、トレーダーは取引戦略のパフォーマンスを効果的に視覚化して分析できます。
さらに、このチュートリアルでは、seaborn ライブラリを活用して株価相関を示すヒートマップを作成する方法についても説明します。ステップバイステップのガイドとプロジェクト全体のコードのダウンロードが提供されており、Python を使用した株価相関分析の実装が容易になります。焦点を変えて、ビデオチュートリアルのプレゼンターは、Python を使用して株のポートフォリオのリスクと潜在的な報酬の計算について視聴者を教育します。彼らは単純なリターンの限界について議論し、対数リターンの概念を導入し、リスクと報酬の評価における実際の応用例を示しています。この分析は、トレーダーがポートフォリオの構成とリスク管理に関して情報に基づいた意思決定を行うのに役立ちます。
別のチュートリアルでは、Python の「ローリング」関数を使用して単純な移動平均を計算するプロセスを説明します。この手法を適用することで、トレーダーは株価の変動を平滑化し、トレンドをより効果的に特定することができます。さらに、チュートリアルではデータセットの平均、中央値、移動平均の計算を示し、データ パターンの分析と理解におけるそれらの重要性を強調しています。
さらに、ビデオチュートリアルでは、株式の 50 日移動平均、200 日移動平均、EMA (株価収益率) などのさまざまな移動平均の計算を紹介しています。これらの移動平均はグラフ上にプロットされ、トレーダーが主要なトレンドと潜在的な取引シグナルを特定するのに役立ちます。データ操作テクニックを続けるビデオ チュートリアルでは、パンダの再インデックス関数を使用してデータフレーム内の欠損値を置き換える方法を説明します。また、休日や週末に遭遇した場合にデータを管理するための前方および後方フィル関数のアプリケーションについても説明します。
ビデオ チュートリアルではさらに、バイ アンド ホールド リターン、累積リターン、および最大リターンを含む、長期にわたる株式のリターンの計算を示します。さらに、累積最大収益の計算を調査し、グラフプロットを通じてデータを視覚化します。さらに、チュートリアルでは、株式のドローダウン、最大累積リターンと最大累積ドローダウンの計算方法についても説明します。ドローダウンを理解することは、トレーダーが投資に関連するリスクを評価し、潜在的な損失シナリオを特定するのに役立ちます。同様に、別のビデオチュートリアルでは、株式のドローダウンと最大ドローダウンの計算について説明しています。さらに、リスク管理における重要な指標であるドローダウン率の計算の概要も提供します。
YouTube の Python 2023 チュートリアルでは、取引のための移動平均クロスオーバー戦略の作成を視聴者に紹介しています。この戦略には、50 日移動平均と 100 日移動平均の 2 つの移動平均を利用して、株式の傾向を判断し、それに応じて取引シグナルを生成することが含まれます。さらに、ビデオチュートリアルでは、株を取引するための Python コードの書き方を説明しています。現在の価格と過去の価格データに基づいて株を買うか売るかを決定するプロセスを示します。また、ライブラリを使用して株式のポジションを長期的に追跡し、トレーダーがポートフォリオを効果的に監視および管理できるようにする方法についても説明します。
このチュートリアル ビデオでは、リターンと標準偏差を使用したアルゴリズム取引戦略のバックテストについて視聴者に啓発しています。これは、リターンの点で 50 日移動平均を上回りますが、標準偏差が高く、リスクと報酬の間のトレードオフを強調する戦略を示しています。さらに、ビデオチュートリアルでは、投資戦略を作成し、それを他の戦略と比較する方法をユーザーに案内します。最高のリターンをもたらす戦略はロングバイアスのある戦略であることを強調しており、強気のポジションを好むことを示しています。
さらに、著者はアルゴリズム取引のテスト戦略を作成する機能を紹介します。この関数は銘柄名、開始日と終了日などのパラメーターを受け取り、日次収益、累積収益、SMA (単純移動平均) などの主要なパフォーマンス指標を返します。この機能を利用することで、トレーダーは取引戦略の有効性を評価し、データに基づいた意思決定を行うことができます。次に、チュートリアルはアルゴリズム取引の Python スクリプトを構築する方法を示します。このスクリプトにはシンプルなストップロスとテイクプロフィット戦略が組み込まれており、従来のバイアンドホールド投資アプローチと比較して全体的なパフォーマンスの向上を目指しています。このスクリプトは、より洗練された取引アルゴリズムを開発するための基盤として機能します。
プレゼンターは、Python で書かれた取引戦略のバックテストのプロセスも紹介します。プレゼンターが作成したこの戦略は、2017 年からの過去の株式市場データに基づいてテストされ、トレーダーがそのパフォーマンスと実行可能性を評価できるようになります。さらに、このチュートリアルでは、株や暗号通貨を取引するための Python2023 アルゴリズムをコーディングする方法について説明します。 API を使用してさまざまな株式取引所や仮想通貨取引所からのデータにアクセスする方法について説明しており、トレーダーがリアルタイムの市場データを分析し、それに応じて取引戦略を実行できるようにします。ビデオチュートリアルでは、Python を使用して株や暗号通貨を取引する方法についてさらに詳しく説明します。これには、API サービスを使用したデータ入力、分析、保存、操作、取引戦略の実行が含まれます。これらのテクニックを活用することで、トレーダーは取引プロセスを自動化し、ポートフォリオを効率的に管理できます。
さらに、このチュートリアルでは、Python を使用して株やその他の金融資産を取引するための包括的なガイダンスを提供します。価格分析や取引などの基本的な概念だけでなく、バックテストやデータ統合のための API の利用などの高度なトピックもカバーしています。このチュートリアルでは、トレーダーにアルゴリズム取引を効果的に行うために必要な知識とツールを提供します。
結論として、これらのチュートリアルとビデオは、アルゴリズム取引での Python の使用に関する豊富な情報を提供します。データ処理、統計分析、視覚化、戦略開発、バックテスト、リアルタイム取引など、幅広いトピックをカバーしています。これらのチュートリアルに従うことで、トレーダーはアルゴリズム取引の原則について理解を深め、Python の機能を活用して情報に基づいた取引の意思決定を行うことができます。
値を読みやすくするために値を 100 倍するドット (モル) 関数。
取引所の株式リストを取得する方法 || Pythonによる株価分析 その1
取引所の株式リストを取得する方法 || Pythonによる株価分析 その1
これは、株価分析での Python の使用に関する私のシリーズの最初の部分です。シリーズは 3 つのセクションに分かれています。最初のセクションでは、分析用のデータの取得と整理に焦点を当てます。パート 2 では個々の証券について説明し、最後に、pip を使用して簡単にインストールできるようにコードをパッケージ化する方法を示します。コードは GitHub で入手できます (ビデオの説明内のリンク)。任意のテキスト エディタを使用できます。
株価分析で最も重要な側面はデータソースです。グローバル データを含む包括的な 1 日の終わりの履歴データを使用します。無料プランから始めることもできますが、1 日あたりの API 呼び出し数に制限があります。さらに必要な場合は、特別価格でデータ バンドルを購読できます (ビデオの説明にあるリンク)。
必要なモジュールをインポートすることから始めましょう。まず、特定の取引所から証券に関するメタデータをダウンロードします。 API キーを提供し、取引所 (デフォルトはニューヨーク証券取引所) を指定する必要があります。ここでは米国市場の例をいくつか紹介しますが、一日の終わりの履歴データ Web サイトのドキュメントを使用して国際市場を探索することもできます。
ドキュメントを設定したら、API エンドポイントを呼び出し、交換と API キーを渡します。これにはリクエストモジュールを使用します。応答は JSON 形式であり、これを pandas DataFrame に変換します。
最後に、進行状況を表示するためにいくつかの print ステートメントを追加します。エントリ ポイント関数を実行してコードをテストできます。 API キーは必ず自分のものに置き換えてください。結果は、取得されたデータを含む DataFrame になります。関心のある証券の種類に基づいてこのデータをさらにフィルタリングできます。これについては次のビデオで説明します。
この情報がお役に立てば幸いです。このシリーズの次のパートでお会いできることを楽しみにしています。
S&P 500 銘柄記号をダウンロードし、セクターごとにフィルターする方法 || Pythonによる株価分析 その2
S&P 500 銘柄記号をダウンロードし、セクターごとにフィルターする方法 || Pythonによる株価分析 その2
これは、Python を使用した株価分析に関するシリーズのパート 2 です。まだパート1を見ていない方は、ぜひ見てみることをお勧めします。前のビデオでは、特定の証券取引所からデータをダウンロードし、メタデータを含む DataFrame を取得しました。ここで、普通株、ETF、ファンドなどの証券タイプに基づいてシンボルをフィルタリングしたいと思います。これにより、データをダウンロードする前に特定の証券に焦点を当てることができます。
交換データ DataFrame を入力として受け取る「get_security_type」という新しい関数を追加します。デフォルトでは普通株式をフィルターしますが、必要に応じて別のタイプを指定できます。この関数は、指定されたセキュリティ タイプに一致するシンボルのリストを返します。
さらに、一日の終わりの履歴データには S&P 500 のシンボルが含まれていないことに気付きました。そこで、CSV ファイルからシンボルを取得する「get_sp500_symbols」という別の関数を作成します。この関数は、セクタに基づいてシンボルをフィルタリングするためのオプションの「セクタ」パラメータを受け入れます。デフォルトでは、すべてのシンボルが返されます。この関数は、シンボル、名前、セクター列を含むデータフレームを返します。
これを実装するには、pandas ライブラリを使用して CSV ファイルを読み取り、指定されたパラメーターに基づいて必要なフィルターを適用します。
実装したら、機能をテストできます。デフォルトでは、「get_security_type」はすべてのシンボルを返し、「get_sp500_symbols」もすべてのシンボルを返します。セクターを指定して S&P 500 シンボルをフィルターできます。
これらの機能を導入すると、証券タイプに基づいてシンボルをフィルタリングし、S&P 500 の銘柄を探索できるようになります。シリーズの次のパートでは、データのダウンロードとキュレーションに焦点を当てます。
この情報がお役に立てば幸いです。今後もシリーズを続けていきたいと思っています。
株価データをダウンロードして保存する方法 || Pythonによる株価分析 その3
株価データをダウンロードして保存する方法 || Pythonによる株価分析 その3
これは、株価分析での Python の使用に関する私のシリーズのパート 3 です。最初の 2 つのビデオは、ビデオの説明にあるリンクから見つけることができます。このシリーズで使用されているすべてのコードは、説明内でもリンクされている GitHub リポジトリで入手できます。
前回のビデオでは、特定の取引所の有価証券のリストを取得する方法と、特定の基準に基づいて証券をフィルタリングする方法を学びました。また、S&P 500 銘柄を除外する関数も作成しました。このビデオでは、関心のあるデータのダウンロードと整理に焦点を当てます。
まず、1 日の終わりのデータとのやり取りを簡素化する「eod」と呼ばれるヘルパー ライブラリをインストールする必要があります。従来の API 呼び出しを行う代わりに、このライブラリを使用できます。 pip を使用してインストールした後、ライブラリから「EodHistoricalData」クラスをインポートします。これにより、API 呼び出しを簡単に行うことができます。さらに、時間制限を設定するための「datetime」モジュールと、ファイル システムを操作するための「os」モジュールをインポートします。
次に、データを取得する期間のデフォルトの日付をいくつか設定します。今回は約1年とさせていただきます。また、開始日と終了日の両方が必要な場合は、現在の日付を参照として設定します。
ここで、「get_data」というメイン関数の作成に進むことができます。この関数は、単一のシンボル、カンマ区切りのシンボルのリスト、シンボルのリストなど、さまざまな入力を受け入れます。また、API キーとデータが保存されるパスも必要です。この関数は、EodHistoricalData クラスを使用して指定されたティッカーのデータを取得し、指定されたフォルダーに CSV ファイルとして保存します。ダウンロードおよびスキップされた証券の数を追跡し、ダウンロード プロセスに関する情報を提供します。
関数を作成した後、いくつかのサンプル引数を渡して出力をチェックすることでテストできます。ダウンロードした証券とスキップされた証券を確認できます。この関数は、データを正常に取得し、指定されたフォルダーに保存します。
今後のビデオでは、終値やリターンの抽出など、ダウンロードしたデータを操作し、視覚化テクニックを検討します。
Python による株価分析: ファイルから価格データを抽出する方法 ||パート 4
Python による株価分析: ファイルから価格データを抽出する方法 ||パート 4
株価分析に関する Python シリーズのパート 4 へようこそ。ビデオの説明に最初の 3 つのパートへのリンクがあり、GitHub リポジトリのコードにもアクセスできます。
前回のビデオでは、有価証券のリストの取得、リストのフィルタリング、CSV ファイルへのデータのダウンロードについて説明しました。このビデオでは、ダウンロードしたデータから終値列を抽出することに焦点を当てます。
これを行うには、「get_closed_prices」という関数を作成します。この関数は、データ ファイルにデフォルト値が設定されたフォルダーを入力として受け取ります。デフォルトでは終値列が抽出されますが、必要に応じて調整された終値列を選択できます。
まず、重複を避けるために「0」で始まるファイルを除いて、指定されたフォルダー内のすべての有効なファイルを読み取ります。次に、空の DataFrame を設定します。
次に、ファイルをループして、調整された close が true に設定されているかどうかを確認します。存在する場合は、pandas の read_csv 関数を使用して、フォルダーとファイルを指定して一時的な DataFrame を作成します。インデックス列を日付に設定し、調整された終値列を選択します。最後に、列の名前をティッカー シンボルに変更します。
調整された終値が true でない場合、終値列に対して同様のプロセスに従います。最初のファイルの既存の DataFrame を一時 DataFrame に置き換え、後続のファイルの既存の DataFrame に新しい DataFrame を連結します。
最後に、終値を含む DataFrame を返します。さらに、必要に応じて、DataFrame を「closes.csv」という名前の CSV ファイルに書き込みます。
目的のフォルダー名を使用して関数を呼び出すことで、関数をテストできます。この関数は、終値を含む DataFrame を返します。示された例では、指定された証券の終値列が正常に抽出されました。
パート 5 では、これらの終値に基づいてリターン データを計算します。
|| 収益の計算、相関行列の作成、パフォーマンスのプロット || Pythonによる株価分析 その5
|| 収益の計算、相関行列の作成、パフォーマンスのプロット || Pythonによる株価分析 その5
株価分析での Python の使用に関するシリーズのパート 5 へようこそ。ビデオの説明には、前の 4 つのパートへのリンクと、コードにアクセスできる GitHub リポジトリへのリンクがあります。
パート 4 では、選択した証券の終値を取得し、ファイルに保存しました。さて、パート 5 では、これらの終値に基づいてリターンを計算することに焦点を当てます。先に進む前に、NumPy ライブラリをインポートする必要があります。
フォルダーとファイル名を入力として受け取る「calculate_returns」という関数を作成します。潜在的なエラーを処理するには、try-Except ブロックを使用します。関数内では、パンダを使用して CSV ファイルからデータを読み取ります。インデックス列を日付に設定し、戻り値の DataFrame を返します。
フォルダー名とファイル名を渡して結果を出力することで、関数をテストできます。示されている例では、選択した証券のリターンが正常に計算されています。
ここから、いくつかの次のステップが考えられます。一般的なタスクの 1 つは、証券間の相関関係を計算することです。特定の実装については詳しく説明しませんが、前の関数の結果を使用して相関関係を計算する関数を構築できます。柔軟性を高めるために、ファイル (Excel や CSV など) からデータを読み取るなど、さまざまなオプションを検討できます。
作成できるもう 1 つの便利な関数は、終値をプロットする関数です。このためには、matplotlib ライブラリをインポートする必要があります。関数「plot_closes」は、入力として終値を受け取ります。これは、CSV ファイルまたは Excel ファイルにすることができます。さらに、開始価格を基準にして価格をプロットすることもできます。
関数内では、pandas を使用してデータを読み取り、相対パラメーターに基づいて、価格をそのままプロットするか、開始価格と比較したパフォーマンスをプロットします。グリッド線やゼロ (または必要な表現に応じて 1) の水平線などのオプションを使用してプロットをカスタマイズできます。
関数をテストすると、選択した証券の結果のプロットが表示されます。相対パラメータを true に設定すると、開始価格と比較したパフォーマンスを観察できます。
パート 6 では、データを別のファイルに保存することに重点を置き、終値と変動の処理を続けます。