Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Faça um gráfico de velas com Python (Notas da biblioteca do Pandas)
Faça um gráfico de vela com Python (Pandas Bookstore Notes)
O vídeo fornece um guia passo a passo sobre como criar gráficos de velas usando a biblioteca Pandas do Python com dados CSV. Ele começa importando os dados CSV e criando um quadro de dados para usar na criação do gráfico. O tutorial também aborda a instalação da biblioteca mpl finance utilizada para parcelas financeiras. O vídeo destaca a importância de entender o Pandas para usá-lo efetivamente em Python e como alterar o tipo de gráfico e o intervalo de datas para representações precisas dos dados. Isso é útil até mesmo para tarefas como modelagem para negociação automatizada.
Negociação Algorítmica com Python (Árvore de Decisão)
Algoritmo de negociação com Python (árvore de decisões)
Neste vídeo sobre negociação algorítmica com Python, o palestrante usa uma abordagem de árvore de decisão para prever o movimento de preço do Bitcoin com base em correlações históricas entre SP500, ouro e ethereum. O modelo é treinado usando os dados do dia atual e, em seguida, usado para prever os resultados do dia seguinte. Embora as árvores de decisão possam ser úteis para previsões, o palestrante observa que elas podem não ser perfeitas com apenas uma pequena amostra de dados. Os espectadores podem acessar mais estratégias de negociação algorítmica, cursos e artigos relacionados à inteligência artificial e Python no site fornecido no vídeo.
Python para investimentos: como obter o índice do dólar? DXY
Python para inversões: Como sacar Dollar Index? DXY
O vídeo aborda a extração dos dados do índice DXY, que mede a força do dólar americano em relação a outras moedas, usando as bibliotecas Beautiful Soup e Pandas do Python. O apresentador fornece um código que extrai informações de porcentagem de variação dos dados DXY e as salva em um arquivo CSV para análises de dados adicionais e propósitos de aprendizado de máquina. Além disso, eles compartilham seu site com cursos gratuitos sobre Python, finanças e negociação algorítmica. Assim, o vídeo é um guia útil para extrair dados financeiros usando Python.
Negociação Algorítmica Usando Python - Curso Completo
Negociação Algorítmica Usando Python - Curso Completo
00:00:00 - 01:00:00 Este vídeo explica como usar o Python para negociar ações algoritmicamente. Ele começa apresentando os fundamentos da biblioteca pandas e, em seguida, demonstra como usá-la para criar um quadro de dados. O curso mostra como executar uma solicitação HTTP para uma ação e como usar os resultados da chamada da API para preencher o quadro de dados. Por fim, o curso discute como melhorar o desempenho do código agrupando solicitações de API em lote.
01:00:00 - 02:00:00 Este vídeo aborda como usar o Python para negociar ações usando um algoritmo automatizado. Ele começa criando uma lista de ações e símbolos e, em seguida, transformando essas ações em strings. Em seguida, o vídeo cria um URL para iniciar uma solicitação HTTP usando essa string. Por fim, o vídeo demonstra como executar essa solicitação e recuperar os dados.
02:00:00 - 03:00:00 Este vídeo ensina como usar o Python para criar uma estratégia de negociação algorítmica que usa a relação preço-lucro como uma métrica de valor. A estratégia seleciona ações com base nessa métrica e faz recomendações de compra e venda com base no preço atual da ação.
03:00:00 - 04:00:00 Este tutorial em vídeo explica como usar o Python para negociar ações algoritmicamente. Abrange como calcular vários indicadores de sucesso, como lidar com dados ausentes e como usar o Tratamento de Exceções para substituir valores ausentes.
04:00:00 - 04:30:00 Este vídeo explica como calcular pontuações percentuais para diferentes métricas de ações usando Python. Ele também aborda como usar Python para criar um arquivo Excel contendo preços de ações e tamanhos de posição para chamadas e vendas, e como formatar o arquivo para impressão.
Parte 1:
Parte 3:
Parte 4:
Parte 5:
Algorithmic Trading Python 2023 - TUTORIAL COMPLETO Iniciante
Algorithmic Trading Python 2023 - TUTORIAL COMPLETO Iniciante
Neste tutorial em vídeo, o autor investiga o processo de instalação e utilização de um programa Python para negociação algorítmica. Eles fornecem instruções passo a passo sobre como criar um arquivo Python 3 básico projetado especificamente para abrigar códigos relacionados a estratégias de negociação algorítmica. Além disso, eles demonstram como executar o código e imprimir as saídas resultantes para análise. O tutorial se concentra principalmente em aproveitar o poder da linguagem de programação Python para fins de negociação algorítmica. Abrange uma gama de funções e bibliotecas essenciais aplicáveis à negociação algorítmica, incluindo a biblioteca yfinance. O tutorial destaca a importância de usar essas funções e bibliotecas enquanto também explora as técnicas de download e processamento de dados usando planilhas.
Além disso, o tutorial em vídeo mostra o processo de gravação e leitura de arquivos CSV usando Python. Ele explica as etapas necessárias para criar um arquivo CSV e demonstra como ler e manipular o arquivo em um ambiente Python. Continuando com o tema da negociação de ações baseada em Python, o tutorial elucida a criação de um índice de ações e demonstra como a função "converter" do Python pode ser usada para modificar o formato do índice. Além disso, explica como a função "start.columns" do Python facilita alterações na lista de colunas especificamente para ações.
O próximo tutorial em vídeo também gira em torno do uso do Python para negociação de ações. Ele começa ilustrando o download e a análise dos dados do estoque, seguido pelo emprego da função "descrever" para analisar os dados adquiridos de forma eficaz. Por fim, demonstra a utilização da função "dot lock" para monitorar e acompanhar os preços das ações. Seguindo em frente, o tutorial em vídeo subsequente fornece uma explicação abrangente sobre o uso do Python para criar algoritmos para negociação de ações. Ele começa visualizando diferentes pontos de partida para três ações distintas, posteriormente ilustrando a normalização dos valores para representá-los dentro de um intervalo uniforme de 100 pontos. O tutorial orienta os espectadores a plotar os preços de fechamento normalizados de uma ação e a utilizar a função "ponto" (mole) para multiplicar os valores por 100, melhorando a legibilidade.
Da mesma forma, outro tutorial em vídeo se concentra na utilização do Python para criar algoritmos de negociação de ações. O tutorial descreve o processo de criação de uma nova coluna em um conjunto de dados para armazenar informações sobre estoques fechados. Explica ainda mais a utilização da função "shift" para realocar os dados na parte inferior da coluna. Além disso, mostra o cálculo das variações percentuais nos preços das ações do dia anterior. Mudando de assunto, outro tutorial apresenta aos alunos a utilização do Python para cálculos estatísticos relacionados à negociação algorítmica. Ele fornece orientação sobre o emprego de funções como "deslocar", "subtrair" e "dividir" para calcular dados relacionados a atrasos e diferenças.
Em seguida, o vídeo se aprofunda no cálculo de alterações percentuais para ativos financeiros usando Python. Ele demonstra a modificação da função "alterar" para melhorar a legibilidade, renomeando-a como "pst". Além disso, ele define a variável "períodos" como um e multiplica a alteração percentual por 100 para representá-la no formato de valor de ponto. O vídeo também aborda o cálculo da alteração padrão de um ativo, subtraindo-o da alteração percentual para eliminar o impacto do primeiro dia. O dataframe para um ativo específico é renomeado como "alterar" e a coluna "alterar" é criada. O tutorial termina executando uma verificação na coluna "change" usando "aafl" e salvando o dataframe.
Além disso, o autor do tutorial explica como calcular média, desvio padrão, alteração percentual e retornos para um determinado conjunto de dados. Eles também demonstram a plotagem de um histograma e a criação de um gráfico de sistema de acertos.
Continuando com os cálculos estatísticos, outro tutorial em vídeo explica o cálculo da média, variância e desvio padrão dos retornos de uma ação. Além disso, fornece orientação sobre como determinar o retorno médio anual e o retorno de variação anual.
Expandindo ainda mais, o tutorial mostra o cálculo do desvio padrão anual dos retornos de uma ação usando a função "std" em Python. Essa abordagem analisa com eficiência grandes conjuntos de dados, obtendo dados de um símbolo de ação em vez de pontos de dados individuais. O tutorial também demonstra a criação de colunas para rastrear a média e o desvio padrão do retorno de uma ação, bem como a média e o desvio padrão da variação percentual de uma ação. Explica ainda mais o cálculo da média e desvio padrão do retorno de uma ação usando a função "sumário".
O autor também aborda a criação de gráficos de dispersão e suas anotações para ilustrar o retorno e o risco associados a diferentes ações. Essa visualização ajuda a entender a relação entre retornos e riscos no contexto da negociação de ações. Seguindo em frente, o tutorial em vídeo se aprofunda no uso do Python para criar algoritmos para negociação de ações. Ele explora o uso de loops for e funções como covariância e correlação. Além disso, mostra a representação gráfica dos resultados do algoritmo, permitindo que os traders visualizem e analisem o desempenho de suas estratégias de negociação de forma eficaz.
Além disso, o tutorial explica como aproveitar a biblioteca seaborn para criar um mapa de calor representando as correlações de ações. Ele fornece um guia passo a passo junto com um download de código para todo o projeto, facilitando a implementação da análise de correlação de estoque usando Python. Mudando o foco, o apresentador em um tutorial em vídeo educa os espectadores sobre como calcular o risco e o potencial de recompensa de uma carteira de ações usando Python. Eles discutem as limitações de retornos simples e introduzem o conceito de retornos de log, demonstrando sua aplicação prática na avaliação de risco e recompensa. Essa análise ajuda os traders a tomar decisões informadas sobre a composição de seu portfólio e gerenciamento de risco.
Outro tutorial elucida o processo de cálculo de uma média móvel simples usando a função "rolling" em Python. Ao aplicar esta técnica, os traders podem suavizar as flutuações nos preços das ações e identificar tendências de forma mais eficaz. Além disso, um tutorial demonstra o cálculo da média, mediana e média móvel de um conjunto de dados, enfatizando sua importância na análise e compreensão dos padrões de dados.
Além disso, um tutorial em vídeo mostra o cálculo de várias médias móveis, incluindo a média móvel de 50 dias, a média móvel de 200 dias e a EMA (lucro sobre preço) de uma ação. Essas médias móveis são plotadas em um gráfico, ajudando os traders a identificar as principais tendências e possíveis sinais de negociação. Continuando com as técnicas de manipulação de dados, um tutorial em vídeo explica a utilização da função reindexar em pandas para substituir valores ausentes em um dataframe. Ele também abrange a aplicação de funções de preenchimento para frente e para trás para gerenciar dados ao encontrar feriados e fins de semana.
O tutorial em vídeo demonstra ainda mais o cálculo dos retornos de uma ação ao longo do tempo, abrangendo retornos de compra e manutenção, retornos cumulativos e retornos máximos. Além disso, ele explora o cálculo de retornos máximos cumulativos e visualiza os dados por meio de gráficos. Além disso, o tutorial explica como calcular os rebaixamentos de uma ação, bem como o retorno cumulativo máximo e o rebaixamento cumulativo máximo. Entender os levantamentos ajuda os traders a avaliar o risco associado aos investimentos e identificar possíveis cenários de perda. Na mesma linha, outro tutorial em vídeo discute o cálculo do rebaixamento e do rebaixamento máximo para uma ação. Além disso, fornece uma visão geral do cálculo do rebaixamento percentual, uma métrica crucial no gerenciamento de riscos.
Um tutorial do Python 2023 no YouTube apresenta aos espectadores a criação de uma estratégia de cruzamento de média móvel para negociação. Essa estratégia envolve a utilização de duas médias móveis, uma média móvel de 50 dias e uma média móvel de 100 dias, para determinar a tendência da ação e gerar sinais de negociação de acordo. Além disso, um tutorial em vídeo explica como escrever código Python para negociar ações. Ele demonstra o processo de determinação da compra ou venda de uma ação com base em seu preço atual e dados de preços passados. Ele também cobre o uso de uma biblioteca para rastrear a posição de uma ação ao longo do tempo, permitindo que os traders monitorem e gerenciem seu portfólio de forma eficaz.
O vídeo tutorial esclarece os espectadores sobre o backtesting de uma estratégia de negociação algorítmica usando retornos e desvio padrão. Ele mostra uma estratégia que supera uma média móvel de 50 dias em termos de retornos, mas apresenta um desvio padrão mais alto, destacando a compensação entre risco e recompensa. Além disso, o tutorial em vídeo orienta os usuários na criação de uma estratégia de investimento e na comparação com outras estratégias. Enfatiza que a estratégia com os melhores retornos é aquela com viés longo, indicando preferência por posições de alta.
Além disso, o autor apresenta uma função para criar uma estratégia de teste para negociação algorítmica. Essa função usa parâmetros como nome da ação, datas de início e término e retorna as principais métricas de desempenho, como retorno diário, retorno cumulativo e SMA (Média Móvel Simples). Ao utilizar esta função, os comerciantes podem avaliar a eficácia de suas estratégias de negociação e tomar decisões baseadas em dados. O tutorial passa a demonstrar como criar um script Python de negociação algorítmica. O script incorpora uma estratégia simples de stop-loss e take-profit, com o objetivo de obter um melhor desempenho geral em comparação com uma abordagem tradicional de investimento de compra e manutenção. Este script serve como base para o desenvolvimento de algoritmos de negociação mais sofisticados.
O apresentador também mostra o processo de backtesting de uma estratégia de negociação escrita em Python. A estratégia, criada pelo apresentador, é testada em dados históricos do mercado de ações de 2017, permitindo que os traders avaliem seu desempenho e viabilidade. Além disso, o tutorial explica como codificar um algoritmo Python2023 para negociar ações e criptomoedas. Abrange a utilização de APIs para acessar dados de várias bolsas de valores e criptomoedas, permitindo que os traders analisem dados de mercado em tempo real e implementem estratégias de negociação de acordo. O tutorial em vídeo explora ainda mais o uso do Python para negociar ações e criptomoedas. Abrange entrada de dados, análise, armazenamento, manipulação e execução de estratégias de negociação usando serviços de API. Ao alavancar essas técnicas, os traders podem automatizar seus processos de negociação e gerenciar com eficiência seus portfólios.
Além disso, o tutorial fornece orientações abrangentes sobre como usar o Python para negociar ações e outros ativos financeiros. Abrange conceitos fundamentais como análise e negociação de preços, bem como tópicos avançados como backtesting e utilização de APIs para integração de dados. Este tutorial equipa os traders com o conhecimento e as ferramentas necessárias para se engajar na negociação algorítmica de forma eficaz.
Concluindo, esses tutoriais e vídeos oferecem muitas informações sobre o uso do Python para negociação algorítmica. Eles cobrem uma ampla gama de tópicos, incluindo processamento de dados, análise estatística, visualização, desenvolvimento de estratégia, backtesting e negociação em tempo real. Seguindo esses tutoriais, os comerciantes podem aprimorar sua compreensão dos princípios de negociação algorítmica e aproveitar os recursos do Python para tomar decisões de negociação informadas.
dot (mole) para multiplicar os valores por 100 para torná-los mais fáceis de ler.
Como Obter uma Lista de Ações em uma Bolsa || Análise de Estoque com Python Parte 1
Como Obter uma Lista de Ações em uma Bolsa || Análise de Estoque com Python Parte 1
Esta é a primeira parte da minha série sobre como usar o Python para análise de ações. A série será dividida em três seções. Na primeira seção, vamos nos concentrar na obtenção e organização de dados para análise. A segunda parte abordará títulos individuais e, finalmente, demonstrarei como empacotar nosso código para fácil instalação usando pip. O código estará disponível no GitHub (link na descrição do vídeo). Você pode usar qualquer editor de texto de sua escolha.
O aspecto mais importante da análise de estoque é a fonte de dados. Usarei dados históricos abrangentes do final do dia, que incluem dados globais. Você pode começar com um plano gratuito, mas tem limitações quanto ao número de chamadas de API por dia. Se precisar de mais, você pode assinar um pacote de dados com preços especiais (link na descrição do vídeo).
Vamos começar importando os módulos necessários. Começaremos baixando metadados sobre títulos de uma bolsa específica. Precisamos fornecer uma chave de API e especificar a troca (o padrão é a Bolsa de Valores de Nova York). Fornecerei alguns exemplos para o mercado dos EUA, mas você pode explorar os mercados internacionais usando a documentação no site de dados históricos do fim do dia.
Depois de configurar a documentação, faremos uma chamada para o endpoint da API, passando a troca e a chave da API. Usaremos o módulo de pedidos para isso. A resposta estará no formato JSON, que iremos transformar em um DataFrame do pandas.
Por fim, adicionarei algumas instruções de impressão para mostrar o progresso e podemos testar o código executando uma função de ponto de entrada. Certifique-se de substituir a chave de API pela sua. O resultado será um DataFrame contendo os dados recuperados. Podemos filtrar ainda mais esses dados com base nos tipos de títulos nos quais estamos interessados, que serão abordados no próximo vídeo.
Espero que essas informações sejam úteis para você e espero vê-lo na próxima parte da série.
Como Baixar Símbolos de Ações S&P 500, Filtrar por Setor || Análise de Estoque com Python Parte 2
Como Baixar Símbolos de Ações S&P 500, Filtrar por Setor || Análise de Estoque com Python Parte 2
Esta é a segunda parte da minha série sobre análise de ações com Python. Se você ainda não viu a primeira parte, recomendo que veja. No vídeo anterior, baixamos dados de uma bolsa de valores específica e obtivemos um DataFrame com metadados. Agora, queremos filtrar os símbolos com base em seu tipo de título, como ações ordinárias, ETF ou fundos. Isso nos permitirá focar em títulos específicos antes de baixar os dados.
Vou adicionar uma nova função chamada "get_security_type" que usa os dados de troca DataFrame como entrada. Por padrão, filtraremos ações ordinárias, mas você pode especificar um tipo diferente, se necessário. A função retornará uma lista de símbolos que correspondem ao tipo de segurança especificado.
Além disso, notei que os dados históricos do final do dia não incluem os símbolos do S&P 500. Então, escreverei outra função chamada "get_sp500_symbols" para buscar os símbolos de um arquivo CSV. Esta função aceita um parâmetro opcional "setor" para filtrar os símbolos com base em setores. Por padrão, ele retorna todos os símbolos. A função retornará um DataFrame com colunas de símbolo, nome e setor.
Para implementar isso, usaremos a biblioteca pandas para ler o arquivo CSV e aplicar os filtros desejados com base nos parâmetros fornecidos.
Uma vez implementadas, podemos testar as funções. Por padrão, "get_security_type" retornará todos os símbolos e "get_sp500_symbols" também retornará todos os símbolos. Podemos especificar um setor para filtrar os símbolos do S&P 500.
Com essas funções instaladas, agora podemos filtrar símbolos com base em tipos de títulos e explorar ações do S&P 500. Na próxima parte da série, vamos nos concentrar no download e na curadoria dos dados.
Espero que você ache esta informação útil e estou ansioso para continuar a série com você.
Como baixar e salvar dados de preços de ações || Análise de Estoque com Python Parte 3
Como baixar e salvar dados de preços de ações || Análise de Estoque com Python Parte 3
Esta é a terceira parte da minha série sobre o uso do Python para análise de ações. Você pode encontrar os dois primeiros vídeos no link fornecido na descrição do vídeo. Todo o código usado na série está disponível em um repositório GitHub, que também está vinculado na descrição.
Nos vídeos anteriores, aprendemos como obter uma lista de títulos em uma bolsa específica e como filtrá-los com base em critérios específicos. Também escrevemos uma função para filtrar as ações do S&P 500. Neste vídeo, vamos nos concentrar em baixar e organizar os dados que nos interessam.
Para começar, precisamos instalar uma biblioteca auxiliar chamada "eod" que simplifica a interação com os dados do final do dia. Podemos usar essa biblioteca em vez de fazer chamadas de API tradicionais. Depois de instalá-lo usando pip, importamos a classe "EodHistoricalData" da biblioteca, o que nos permite fazer chamadas de API facilmente. Além disso, importamos o módulo "datetime" para definir limites de tempo e o módulo "os" para trabalhar com o sistema de arquivos.
Em seguida, definimos algumas datas padrão para o período de tempo para o qual desejamos recuperar os dados. Neste caso, definimos para aproximadamente um ano. Também definimos a data atual como referência se precisarmos das datas inicial e final.
Agora, podemos escrever a função principal chamada "get_data". Esta função aceita uma variedade de entradas, incluindo um único símbolo, uma lista de símbolos separados por vírgula ou uma lista de símbolos. Também requer uma chave de API e um caminho onde os dados serão armazenados. A função recupera dados para os tickers especificados usando a classe EodHistoricalData e os salva como um arquivo CSV na pasta especificada. Ele rastreia o número de títulos baixados e ignorados e fornece informações sobre o processo de download.
Depois de escrever a função, podemos testá-la passando alguns exemplos de argumentos e verificando a saída. Podemos ver os títulos baixados e os ignorados. A função recupera e salva com êxito os dados na pasta especificada.
Nos próximos vídeos, trabalharemos com os dados baixados, como extrair preços de fechamento e retornos, e explorar técnicas de visualização.
Análise de ações com Python: como extrair dados de preços de arquivos || Parte 4
Análise de ações com Python: como extrair dados de preços de arquivos || Parte 4
Bem-vindo à quarta parte da minha série Python para análise de ações. Você pode encontrar links para as três primeiras partes na descrição do vídeo e também acessar o código no repositório do GitHub.
Nos vídeos anteriores, abordamos a obtenção de uma lista de títulos, a filtragem da lista e o download de dados em arquivos CSV. Agora, neste vídeo, vamos nos concentrar em extrair a coluna do preço de fechamento dos dados baixados.
Para fazer isso, criaremos uma função chamada "get_closing_prices". A função usa uma pasta como entrada, com um valor padrão definido para os arquivos de dados. Por padrão, ele extrai a coluna de fechamento, mas você pode escolher a coluna de fechamento ajustada, se desejar.
Primeiro, lemos todos os arquivos válidos na pasta especificada, excluindo o arquivo que começa com "zero" para evitar duplicação. Em seguida, configuramos um DataFrame vazio.
Em seguida, percorremos os arquivos e verificamos se o fechamento ajustado está definido como verdadeiro. Se for, criamos um DataFrame temporário usando a função read_csv do pandas, especificando a pasta e o arquivo. Definimos a coluna do índice como a data e selecionamos a coluna de fechamento ajustada. Por fim, renomeamos a coluna para o símbolo do ticker.
Se o fechamento ajustado não for verdadeiro, seguimos um processo semelhante para a coluna de fechamento. Substituímos o DataFrame existente pelo DataFrame temporário para o primeiro arquivo e concatenamos o novo DataFrame no existente para os arquivos subsequentes.
Por fim, retornamos o DataFrame contendo os preços de fechamento. Além disso, gravamos o DataFrame em um arquivo CSV chamado "closes.csv", se desejado.
Você pode testar a função chamando-a com o nome da pasta desejada. A função retornará o DataFrame com os preços de fechamento. No exemplo mostrado, ele extraiu com sucesso a coluna de preço de fechamento para os títulos especificados.
Na parte cinco, calcularemos os dados de retorno com base nesses preços de fechamento.
Calcular retornos, criar matriz de correlação, plotar desempenho || Análise de Estoque com Python Parte 5
Calcular retornos, criar matriz de correlação, plotar desempenho || Análise de Estoque com Python Parte 5
Bem-vindo à quinta parte da minha série sobre como usar o Python para análise de ações. Na descrição do vídeo, você encontrará links para as quatro partes anteriores, bem como um link para o repositório GitHub, onde você pode acessar o código.
Na parte quatro, obtivemos os preços de fechamento de títulos selecionados e os salvamos em um arquivo. Agora, na parte cinco, vamos nos concentrar em calcular os retornos com base nesses preços de fechamento. Antes de prosseguirmos, precisamos importar a biblioteca NumPy.
Criaremos uma função chamada "calculate_returns" que recebe uma pasta e um nome de arquivo como entrada. Para lidar com possíveis erros, usaremos um bloco try-except. Dentro da função, usaremos pandas para ler os dados de um arquivo CSV. Vamos definir a coluna do índice para a data e retornar o DataFrame de retornos.
Podemos testar a função imprimindo o resultado, passando o nome da pasta e o nome do arquivo. No exemplo mostrado, ele calcula com sucesso os retornos dos títulos selecionados.
A partir daqui, existem vários próximos passos possíveis. Uma tarefa comum é calcular as correlações entre os títulos. Embora eu não vá me aprofundar na implementação específica, você pode usar o resultado da função anterior para criar uma função para calcular correlações. Você pode explorar diferentes opções, como ler os dados de um arquivo (por exemplo, Excel ou CSV) para aumentar a flexibilidade.
Outra função útil que podemos escrever é a de plotar os preços de fechamento. Para isso, precisamos importar a biblioteca matplotlib. A função "plot_closes" recebe os fechamentos como entrada, que pode ser um arquivo CSV ou Excel. Além disso, podemos optar por plotar os preços em relação ao preço inicial.
Dentro da função, lemos os dados usando pandas e, com base no parâmetro relativo, plotamos os preços como estão ou plotamos o desempenho em relação ao preço inicial. Podemos personalizar o gráfico com opções como linhas de grade e uma linha horizontal em zero (ou um, dependendo da representação desejada).
Testando a função, podemos ver o gráfico resultante para os títulos selecionados. Ao definir o parâmetro relativo como verdadeiro, podemos observar o desempenho em relação ao preço inicial.
Na parte seis, continuaremos trabalhando com preços de fechamento e variações, focando em salvar esses dados em um arquivo separado.