Algoritmik ticarette Python - sayfa 15
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Python ile Verileri İndirin, Dönüştürün ve Excel'e Yazın || Python Bölüm 6 ile Stok Analizi
Python ile Verileri İndirin, Dönüştürün ve Excel'e Yazın || Python Bölüm 6 ile Stok Analizi
Python ile stok analizi serimin altıncı bölümüne hoş geldiniz. Video açıklamasında, önceki beş videonun bağlantılarının yanı sıra kodu içeren GitHub deposuna bir bağlantı bulacaksınız.
Önceki bölümde, seçilen hisse senetleri için kapanış fiyatlarını çizmenin farklı yollarını araştırdık. Şimdi, altıncı bölümde, verileri elde etmek ve Excel dosyalarıyla çalışmak için farklı bir yaklaşım izleyeceğiz. Girdi olarak en az bir hisse senedi alan "get_return_data" adında bir işlev yaratacağız (birden çok hisse senedi virgülle ayrılabilir veya bir Python toplama nesnesinde saklanabilir). Ek olarak, işlev, kullanıcıların bir tarih belirlemesine ve kapanış veya ayarlanmış kapanış fiyatları arasında seçim yapmasına olanak tanır. Veriler bir Excel dosyasına kaydedilecek ve ayrıca bir değişkende saklanabilir.
Başlamak için API istemcisini kurmamız gerekiyor. Daha önce olduğu gibi, "gün sonu geçmiş verileri" API'sini kullanacağız. "key" değişkenini kendi API anahtarınızla değiştirmeniz gerekecek.
Ardından, indirilen verileri depolamak için geçici bir DataFrame oluşturuyoruz. İşleve iletilen şeritler üzerinde döngü yaparız ve olası hataları işlemek için bir try-except bloğu kullanırız. Kullanıcının ayarlanmış kapanış fiyatı mı yoksa kapanış fiyatı mı istediğine bağlı olarak, API çağrısı sonucundaki ilgili sütunu DataFrame'deki ticker sütununa ekleriz.
Verileri indirip sakladıktan sonra, istenen dönüşümleri gerçekleştirebiliriz. Bu durumda NumPy kullanarak anlık getiri oranını hesaplıyoruz ve ilk satırı bırakıyoruz. Ayrıca yerleşik bir yöntem kullanarak normal yüzde değişimini de hesaplıyoruz.
Son olarak, bir bağlam yöneticisi içindeki pandas Excel yazma nesnesini kullanarak verileri bir Excel dosyasına yazıyoruz. Bu adım, dosya adının ve isteğe bağlı tarih biçiminin sağlanmasını gerektirir. Her değişken, "dönüşler" dosyasına eklenir ve görevin tamamlandığını belirtmek için bir mesaj yazdırılır. İşlev, kapanış fiyatlarını döndürür ve diğer verileri de döndürmek için genişletilebilir.
Fonksiyonu dört işaretleyici ile test ederek, indirilen verileri içeren oluşturulan dosyayı görebiliriz. Verileri görüntülemek için dosya Excel'de açılabilir.
Bu, serinin altıncı bölümünü bitiriyor. Yedinci bölümde, birden çok hisse senedinin performansını tek bir rakamda nasıl çizeceğimizi keşfedeceğiz.
Hisse Senedi Analizi için Python: Çoklu Menkul Kıymetlerin Performans Tablosunu Çizme w\matplotlib || 7. Bölüm
Hisse Senedi Analizi için Python: Çoklu Menkul Kıymetlerin Performans Tablosunu Çizme w\matplotlib || 7. Bölüm
Hisse senedi analizi için Python kullanımıyla ilgili serimin yedinci bölümüne hoş geldiniz. Video açıklamasında, kodu içeren GitHub deposunun yanı sıra önceki altı videoya bağlantılar bulacaksınız.
Altıncı bölümde, verileri indirmek, dönüşümleri gerçekleştirmek ve bir Excel dosyasına kaydetmek için bir işlev geliştirdik. Şimdi, yedinci bölümde, birden çok hisse senedinin göreli performanslarını tek bir grafik üzerinde çizmeye odaklanacağız.
Başlamak için, belirli bir klasördeki tüm dosyaları okuyacağız. Bu durumda, "enerji" klasörüne bakıyor olacağız. Sıfır ile başlayan tüm dosyaları atlayacağız.
Matplotlib kütüphanesini kullanarak bir subplot nesnesi yaratacağız. Her satırda dört grafik görüntülemek istediğimiz için satır sayısı, dosyaların uzunluğunun tavanının dörde bölünmesiyle belirlenecektir. Potansiyel olarak birçok grafiği barındıracak şekilde rakamı büyüteceğiz.
Ardından, eklenen grafiklerin sayısını takip edeceğiz ve şeklin satırları ve sütunları arasında yineleme yapmak için iç içe bir for döngüsü kullanacağız. Son satıra ulaşırsak ve bu satır dolu değilse, sayımı artırarak istisnayı hallederiz.
Döngü içinde, her dosyadan kapanış fiyatlarını okuyacağız ve verileri göreli performansa dönüştüreceğiz. Göreli performansı karşılık gelen eksenlerde çizeceğiz ve 0'a yatay bir çizgi ekleyeceğiz. Verileri yüzde olarak biçimlendirmek için, kayan yazı modülünü matplotlib'den içe aktaracağız.
İstisna bloğunda, çizilecek verilerimizin tükendiğini bildiğimiz için herhangi bir işlem yapmayacağız. Bir sonraki dosyaya geçmek için sayımı basitçe geçip artıracağız.
Tüm veriler çizildikten sonra, grafiği göstereceğiz.
Kodu "energy" klasöründeki dosyalarla test ettiğimizde, yaklaşık bir yıl boyunca 21 menkul kıymetin göreli performanslarını gösteren sonuçtaki grafiği görebiliriz.
Bu, serinin yedinci bölümünü bitiriyor. Bir sonraki videoda, gün sonu geçmiş verileri API'sinden ek veri kesintilerini keşfedeceğiz.Kazanç veya Temettü Açıklanacak Hisselerin Listesini İndirin || Python Bölüm 8 ile Stok Analizi
Kazanç veya Temettü Açıklanacak Hisselerin Listesini İndirin || Python Bölüm 8 ile Stok Analizi
Hisse senedi analizi için Python kullanımıyla ilgili serimin sekizinci bölümüne hoş geldiniz. Bu videoda, gün sonu geçmiş verileri API'sini daha derinlemesine inceleyeceğiz ve fiyatları almanın ötesinde ek işlevleri keşfedeceğiz. API kapsamlıdır ve her şeyi kapsamayacak olsak da size yararlı bulabileceğiniz birkaç örnek göstereceğim. API tarafından sağlanan belgeler kapsamlıdır ve farklı veri kümelerini keşfetmenizde size yol gösterebilir.
İlk olarak, bu hafta raporlama yapan şirketler için kazanç verileri elde etmeye odaklanacağız. Başlamak için, API anahtarımızı (kendi anahtarınızla değiştirin) ileterek API istemcimizi başlatacağız. Daha sonra verileri indireceğiz ve bir DataFrame'de saklayacağız.
Bu görev için kullanacağımız fonksiyon herhangi bir parametre gerektirmiyor. DataFrame'e sahip olduğumuzda, bu hafta kazanç bildiren şirketlerin sembollerini çıkaracağız ve bir listede saklayacağız.
ABD gibi belirli bir değiş tokuşa ilişkin verileri filtrelemek için DataFrame'deki her satırda dolaşacağız ve sembolün "biz" ile bitip bitmediğini kontrol edeceğiz. Hisse senedi sembolleri, gün sonu geçmiş verilerinde kod olarak geçmektedir ve bitişleri ait oldukları borsaya karşılık gelmektedir. Değişim bilgileri hariç, ilgili sembolleri listemize ekleyeceğiz.
Tüm satırları dolaştıktan sonra, bu hafta kazanç bildiren şirketlerin sayısını yazdıracağız ve daha fazla analiz için sembol listesini döndüreceğiz.
Devam edelim, belirli bir eski tarih için temettülerin nasıl alınacağını keşfedelim. Bugünün tarihi ile başlayacağız. İşlev kurulumu, bir API istemcisi oluşturduğumuz ve verileri bir DataFrame'e indirdiğimiz öncekine benzer olacaktır.
Bu sefer kullanacağımız fonksiyonun adı get_bulk_market. Bu fonksiyondan, tüm piyasa için kapanış fiyatları dahil olmak üzere çeşitli veri noktaları elde edebilirsiniz. Temettüler için ilgilendiğimiz verileri "temettüler" olarak belirteceğiz.
Aramayı yaptıktan sonra, ortaya çıkan DataFrame'i döndüreceğiz.
Bu işlevi test ederek, bugünün eski tarihli temettülerini alacağız. Kod, ABD pazarı ve bugünün tarihi için varsayılan değerleri varsayarak temettüleri yazdıracaktır.
Ortaya çıkan DataFrame, temettüleri ilgili oranlarıyla birlikte gösterecektir. ABD pazarına baktığımız için, temettüler ABD doları cinsinden olacaktır. Ek olarak DataFrame, temettü ödemelerinin sıklığı hakkında bilgi sağlar.
Bu, sekizinci bölümü tamamlıyor. Dokuzuncu bölümde, basit bir ekranlayıcı oluşturarak birinci bölümü bitireceğiz.API Kullanarak Stok İzleyici Nasıl Oluşturulur || Python Bölüm 9 ile Stok Analizi
API Kullanarak Stok İzleyici Nasıl Oluşturulur || Python Bölüm 9 ile Stok Analizi
Bu, Python ile stok analizi serimizin 9. bölümüdür. Açıklamada önceki videoların bağlantılarını ve GitHub'daki kodu bulabilirsiniz.
1. bölümün bu son bölümünde, bir hisse senedi tarayıcı örneğini inceleyeceğiz. Amaç, birden çok menkul kıymetin 52 haftanın en yüksek, cari fiyatını ve fiyat-kazanç oranını analiz eden basit bir tarayıcı oluşturmaktır. Bu, daha fazla analiz için menkul kıymetleri belirlememize yardımcı olacaktır.
Bunu başarmak için, gün sonu geçmiş verileri temel akışını kullanacağız. Bu beslemeye yapılan bir çağrıdan aldığımız verileri inceleyerek başlayalım. Bir istemci nesnesi oluşturacağız ve Apple gibi belirli bir güvenlik için temel verileri alacağız. Bu bize finansal bilgiler, bilançolar ve daha fazlası dahil olmak üzere çeşitli bilgiler içeren geniş bir veri çerçevesi verecektir. Dizin konumlarını kullanarak belirli bölümleri keşfedebiliriz.
Ardından, endeksin teknik özelliklerine odaklanacağız ve hem gün sonu geçmiş veri yardımcı kitaplığını hem de en son gün için toplu indirme kapanış fiyatları için bir uç nokta kullanacağız. Verileri bir veri çerçevesinde saklayacağız ve dizini sıfırlayacağız. Bu çağrı, ABD borsasındaki tüm menkul kıymetler için kapanış fiyatlarını getirir. Ardından verileri yalnızca ilgilendiğimiz menkul kıymetleri içerecek şekilde filtreleyebiliriz.
Hisse senedi tarayıcımızı oluşturmak için bir müşteri oluşturacağız ve analiz etmek istediğimiz semboller arasında dolaşacağız. Her menkul kıymet için 52 haftanın en yüksek değeriyle bir sözlük dolduracağız. Bir menkul kıymetin bu bilgileri yoksa, onu atlar ve döngüye devam ederiz.
Gerekli verileri elde ettikten sonra, 52 haftanın en yüksek seviyeleri olan kapanış fiyatlarını birleştirip fiyat-kazanç oranını hesaplayacağız. Menkul kıymetleri, kapanış fiyatlarını, yükseklerini ve oranlarını içeren sonuç veri çerçevesini döndürürüz.
İzleyicimizi test etmek için get_sp işlevini kullanarak S&P 500'den semboller alacağız ve sonucu yazdıracağız. Bu, S&P 500'deki ilk 10 menkul kıymet için kapanış fiyatlarını, 52 haftanın en yüksek seviyelerini ve oranlarını gösterecek.
10. Bölümde, bu amaç için bir sınıf oluşturmaya başlarken bireysel menkul kıymetlerin analizini derinlemesine inceleyeceğiz. Menkul kıymetleri bireysel düzeyde analiz etme hakkında daha fazla bilgi edinmek için bir sonraki bölümde bize katılın.
Stok Analizi Python: Python ile Hisse Senetlerini Otomatik Olarak Analiz Etme || 10. Bölüm
Stok Analizi Python: Python ile Hisse Senetlerini Otomatik Olarak Analiz Etme || 10. bölüm
Bu, stok analizi için Python serimin 10. Bölümü olacak. Önceki videoların bağlantılarını aşağıdaki açıklamada ve ayrıca tüm kodun bulunduğu GitHub deposuna bir bağlantı bulabilirsiniz. Bu bölümde, tüm borsalar veya büyük hisse senedi sembolleri listeleri yerine bireysel menkul kıymetlere odaklanmaya başlayacağız.
Başlamak için, bu kısım için gerekli olan importları, örneğin datetime, matplotlib, numpy, pandas ve seaborn'u dahil ettim. Ayrıca yaklaşık bir yıl önceki bir tarihi temsil eden ve kullanıcı tarafından ISO biçimli bir tarih kullanılarak değiştirilebilen sembolik bir sabit tanımladım.
Sonra, bireysel menkul kıymetleri idare edecek olan "Stok" adında bir sınıf yazacağım. Sınıf, stok sembolü, API anahtarı ve tarih (varsayılan bir değerle) için parametrelerle başlatılacaktır. Ek olarak, kullanıcının verilerin kaydedilebileceği bir klasörü, varsayılan Yok değeriyle belirtmesine olanak tanır.
Sınıfın içinde, stok verilerini getirecek "get_data" adında bir yöntem tanımlayacağım. İlk olarak, sembolü mevcut dosyalarla karşılaştırarak verilerin belirtilen klasörde mevcut olup olmadığını kontrol edecektir. Veri bulunursa, bir DataFrame'e okunacak ve standartlaştırılacaktır. Aksi takdirde, API'yi kullanarak verileri getirecek ve bir DataFrame olarak döndürecektir.
Bir Stock örneği başlatıldığında sembol, API anahtarı, tarih ve veriler örnek değişkenleri olarak depolanır. İşlevselliği test etmek için bir Stock nesnesi oluşturacağım ve verileri yazdıracağım.
Bu serinin 10. Bölümünü bitiriyor. 11. Bölümde, Stock sınıfına daha fazla veri dönüşümü ekleyeceğiz.Hisse Senedi Analizi için Python: Stok İadelerini ve Volatiliteyi Otomatik Olarak Hesaplayın ve Grafikleyin || Bölüm 11
Hisse Senedi Analizi için Python: Stok İadelerini ve Volatiliteyi Otomatik Olarak Hesaplayın ve Grafikleyin || Bölüm 11
Stok analizi için Python serimin 11. Bölümüne hoş geldiniz. Önceki videoların ve GitHub deposunun bağlantılarını aşağıdaki açıklamada bulabilirsiniz.
10. Bölümde, bir hisse senedi sembolünü başlatmak ve verilerini yerel bir klasörden veya bir API aracılığıyla getirmek için basit bir sınıf oluşturduk. Bu bölümde, veri dönüşümlerini daha ayrıntılı olarak inceleyeceğiz ve verileri çizmeye başlayacağız.
İlk olarak, bir DataFrame'i girdi olarak alan "calculate_volatility" adlı yeni bir yöntem ekleyeceğim. Bu yöntemi "get_data" yöntemiyle entegre etmek için buna göre değiştireceğim. "calculate_volatility" yönteminin içinde DataFrame'e birkaç sütun ekleyeceğim. İlk sütun, dört ondalık hassasiyetle kapanış fiyatlarının logaritmik farkı olarak hesaplanan getiriler olacaktır.
Ardından, 21 günlük bir dönem boyunca getirilerin standart sapmasını temsil eden yuvarlanan volatiliteyi hesaplayacağım. Sonucu dört ondalık basamağa yuvarlayacağım. Ek olarak, mutlak değişim, yüksek-düşük dağılım ve beklenen değişim sütunlarını uygun yuvarlama ile ekleyeceğim.
Hisse senedi hareketinin büyüklüğünü analiz etmek için, gerçek değişikliğin beklenen değişikliğe bölünmesini temsil eden, iki ondalık basamağa yuvarlanmış "büyüklük" adlı bir sütun hesaplayacağım. Son olarak, potansiyel grafik oluşturma amaçları için bir mutlak değer sütunu ekleyeceğim.
Hesaplamalardan çıkan NaN değerlerini içeren ilk satırları bırakacağım ve ardından "get_data" yöntemi içinde "calculate_volatility" yöntemini çağıracağım.
Bir Stock örneği başlatarak ve DataFrame'i yazdırarak kodu test edelim.
Şimdi bir histogram oluşturarak getiri dağılımını çizelim. Başlangıç ve bitiş tarihlerini belirleyeceğim ve sonra histogramı 20 kutu ve bir kenar rengiyle çizeceğim. Başlığı geliştirmek için, tarih aralığını belirten iki satırlık bir üst başlık kullanacağım. Son olarak, grafiği göstereceğim.
Kodu çalıştıralım ve hisse senedinin geçen yılki getiri dağılımına genel bir bakış sağlayan histogramı inceleyelim.
Böylece 11. Bölüm sona eriyor. 12. Bölüm'de, diğer veri dönüşümlerine geçmeden önce ek grafikler üzerinde çalışmaya devam edeceğiz.Beklenen Hisse Senedi Getirilerini Hesaplama ve Normalleştirme || Python Stok Analizi Bölüm 12
Beklenen Hisse Senedi Getirilerini Hesaplama ve Normalleştirme || Python Stok Analizi Bölüm 12
Stok analizi için Python serimin 12. Bölümüne hoş geldiniz. Kodu ve diğer videoların bağlantılarını aşağıdaki açıklamada bulabilirsiniz.
11. Bölümde, DataFrame'e sütunlar ekleyerek ve getirilerin dağılımını çizerek Stock sınıfımızda temel veri dönüşümlerini gerçekleştirdik. Bu videoda hisse senedi analizi için faydalı olabilecek daha fazla çizim seçeneği ile devam edeceğiz.
Başlamak için, hisse senedinin oynaklığını çizelim. Kurulum, süper başlık ve başlangıç ve bitiş tarihleri dahil olmak üzere daha önce yaptığımıza benzer olacaktır. X ekseninin getirileri temsil ettiği ve y ekseninin standart sapmalardaki değişimin mutlak büyüklüğünü temsil ettiği bir dağılım grafiği oluşturacağız. Referans için yatay ve dikey çizgiler ekleyeceğiz.
Kodu çalıştıralım ve oynaklığın dağılım grafiğini inceleyelim. Yüzde değişim aralığını ve standart sapma sayısını gözlemleyebiliriz. Örneğin son bir yılda üç buçuk standart sapmanın ötesinde bir değişiklik olmamıştır.
Ardından, hisse senedinin performansını çizelim. Yine, kodun çoğu aynı kalır, bu yüzden onu kopyalayabilir ve birkaç ayar yapabiliriz. Dağılım grafiği yerine, zaman içindeki göreli performansı izlemek için bir çizgi grafiği oluşturacağız. Kapanış fiyatını ilk günkü kapanış fiyatına bölüp 1 çıkararak yüzde değişimini elde edip 100 ile çarparak y ekseninde yüzde olarak biçimlendireceğiz. Referans için yatay çizgiyi tutacağız.
Kodun çalıştırılması, hisse senedi performansının çizgi grafiğini görüntüler. Hisse senedinin belirli bir zaman diliminde nasıl ilerlediğini başlangıç fiyatıyla karşılaştırarak görebiliriz. Bu durumda, son aylarda bir düşüşün ardından olumlu bir trend gözlemleyebiliriz.
Figür boyutunu özelleştirmekten ve ihtiyaçlarınıza göre diğer çizim seçeneklerini keşfetmekten çekinmeyin.
Böylece 12. Kısım sona eriyor. 13. Kısım'da ek veri dönüşümlerini inceleyeceğiz.Hisse Senedi Analizi için Python: Verileri Seçenek Süre Sonu ve Volatiliteye Göre Filtreleyin || Bölüm 13
Hisse Senedi Analizi için Python: Verileri Seçenek Süre Sonu ve Volatiliteye Göre Filtreleyin || Bölüm 13
Stok analizi için Python serimin 13. Bölümüne hoş geldiniz. Kodu ve GitHub'daki diğer videoların bağlantılarını aşağıdaki açıklamada bulabilirsiniz.
Bölüm 12'de, stok analizi için yararlı olabilecek çeşitli grafikleri inceledik. Bu videoda, farklı veri dilimlerini incelemek için birkaç yöntem ekleyerek Stock sınıfımızı genişleteceğiz.
İlk olarak, seçeneklerin sona erdiği günleri belirlemek için bir yöntem yazalım. Bunlar her ayın üçüncü Cuma günleridir. Bu yöntemi "option_expiration" olarak adlandıracağız. Bunu başarmak için NumPy'nin np.where işlevini kullanarak bir maske oluşturacağız. Üç koşul belirteceğiz: veri dizini 14. günden (en erken üçüncü Cuma), 21'den (en geç üçüncü Cuma) küçük olmalı ve bir Cuma'ya (haftanın 4. günü) karşılık gelmelidir. Verileri bu maske uygulanmış olarak geri getireceğiz ve sonuçta yalnızca sona erme Cuma günlerini içeren bir DataFrame elde edeceğiz.
Ardından, son iki standart sapma hareketinden bu yana düşük volatilitenin ne kadar sürdüğünü belirleyen son yöntemimizi yazacağız. Bu yöntemi "low_vol_duration" olarak adlandıracağız. Bunu uygulamak için, "2 standart sapmadan az gün" adlı verilere bir sütun ekleyeceğiz ve sıfırlarla başlatacağız. Ardından, verileri yineleyeceğiz ve her satırın büyüklüğünü kontrol edeceğiz. Büyüklük ikiden küçükse, sayımı artıracağız ve "2 standart sapmadan az gün" sütunundaki ilgili satırı güncelleyeceğiz. Büyüklük iki veya daha büyükse, sayımı sıfıra sıfırlarız. Son olarak, her hareket arasındaki gün sayısını gösteren, yalnızca iki standart sapma hareketi içeren satırları içeren DataFrame'i döndüreceğiz.
Kodu çalıştıralım ve sonuçları inceleyelim. Her ayın 15'i ile 21'i arasına denk gelen opsiyonun sona erdiği günleri görebiliriz. Ek olarak, önceki iki standart sapma hareketinden bu yana geçen gün sayısını gösteren düşük oynaklık süresine sahibiz. Örneğin, yaklaşık bir yıl önce, önceki iki standart sapma hareketinden bu yana iki gün geçmiştik, ardından 32, 41 ve benzeri dönemler gelmişti.
Bu, 13. Kısmı tamamlar ve 2. Kısmı sonlandırır. İhtiyaçlarınıza göre Stock sınıfını geliştirmeye ve genişletmeye devam etmenizi tavsiye ederim. 14. Bölümde, işlevlerimizi pip kullanılarak kurulabilen bir Python paketine nasıl paketleyeceğimizi keşfedeceğiz.Python Stok Analizi: VS Kodunda Pip ile Kendi Özel Python Paketlerinizi Oluşturun ve Yayınlayın
Python Stok Analizi: VS Kodunda Pip ile Kendi Özel Python Paketlerinizi Oluşturun ve Yayınlayın
Bu videoda, Python kodunuzu pip kullanılarak kurulabilen bir kütüphaneye paketleme sürecinde size rehberlik edeceğim. Bu, veri alma, veri dönüştürme, görselleştirme ve veri tarama gibi konuları ele aldığımız stok analizi için Python serimin son videosu. Önceki videoların bağlantılarını aşağıdaki açıklamada ve ayrıca GitHub deposuna bir bağlantı bulabilirsiniz.
Kodumuzu paketlemenin amacı, onu belirli Python projelerinde kullanmayı ve yeniden kullanmayı daha uygun hale getirmektir. Kodu PyPI'ye (Python Paket Dizini) yayınlıyormuşuz gibi süreci gösterecek olsam da, kodun PyPI için hemen hazır olmayabileceğini unutmamak önemlidir. Süreci anlamak için önce onu kuracağız ve yerel olarak kuracağız. Ancak gelecekte kodu değiştirebilir ve daha geniş bir kitleyle paylaşmak isteyeceğiniz bir şey oluşturabilirsiniz.
Paketleme süreci, projenin karmaşıklığına bağlı olarak değişebilir. Bizim durumumuzda, kodumuz iki modülden oluştuğu için süreç nispeten basittir. İşte adımlara genel bir bakış:
Klasörleri ve yapılandırma dosyalarını kurduktan sonra, pip kullanarak kütüphaneyi yerel olarak kurabilirsiniz. Komut satırını açın, ana klasöre gidin ve "pip install" komutunu çalıştırın. Bu, kitaplığı kuracak ve herhangi bir Python ortamından erişilebilir olmasını sağlayacaktır.
Kurulumdan sonra, Python'u başlatıp "analyze" modülünü içe aktararak kitaplığı test edebilirsiniz. Paketle ilgili meta verileri görüntülemek için "yardım" işlevini de kullanabilirsiniz.
Paketleme işleminin zaman içinde gelişebileceğini ve yükleme için kodu paketlemenin birden çok yolu olduğunu unutmayın. Burada özetlediğim adımlar bir başlangıç noktasıdır ve projeleriniz daha karmaşık hale geldikçe ek seçenekleri keşfedebilirsiniz.
Umarım bu eğitim, kendi Python paketlerinizi oluşturmaya başlamanıza yardımcı olur.
Python kullanarak Interactive Brokers ile geriye dönük testler ve canlı ticaret.
Python kullanarak Interactive Brokers ile geriye dönük testler ve canlı ticaret.
Dr. Julio, oturuma algoritmik ticarete ve faydalarına bir giriş sunarak başlar. Algoritmik ticaretin, tüccarların piyasayı sürekli izleme baskısını azaltmasına, insan hatalarını en aza indirmesine ve diğer faaliyetler için daha fazla boş zaman yaratmasına izin verdiğini açıklıyor. Aracılar, internet, programlar ve bilgisayarlar olan algoritmik ticaretin dört ana bileşenini vurgulamaktadır.
Daha sonra odak, Amerika Birleşik Devletleri'ndeki en büyük elektronik ticaret platformu olarak tanıtılan Interactive Brokers'a (IB) kayar. Dr. Julio, IB'nin tüccarların ticaret yapmak için programları kullanmasını sağlayan, rekabetçi fiyatlandırma ve küresel pazarlara erişim sağlayan gelişmiş bir API teknolojisi sunduğunu açıklıyor. IB ile algoritmik olarak ticaret yapmak için Python programlarının kullanılabileceğini vurguluyor.
Ardından, Dr. Julio, tacirlerin yerel veya bulut bilgisayarlarında algoritmik bir ticaret platformu kurmasına olanak tanıyan Hybrid Fat Pack adlı bir Python yazılımını tanıtıyor. Bu platformun ana avantajının, internete herhangi bir bilgi ifşa etmeye veya yüklemeye gerek kalmadan fikri mülkiyeti koruma yeteneği olduğunu vurguluyor. Tüccarlar ayrıca TensorFlow ve Scikit-learn gibi çeşitli Python paketlerini kullanarak tek bir yerde geriye dönük test yapabilir ve canlı alım satım yapabilir, birden fazla hesabı yönetebilir ve farklı brokerlerle alım satım yapabilir. AI Bridge PI'nin web sitesinden Hibrit Yağ Paketi platformunun nasıl indirilip kurulacağına ilişkin talimatlar sağlar.
Devam ediyoruz, Dr. Julio, Python kullanan Interactive Brokers ile geriye dönük test ve canlı ticaret için araçları ayarlamak için gerekli adımları açıklıyor. Kullanıcılara Interactive Brokers, IP resmi terminalleri ve Python dahil olmak üzere gerekli araçları indirmelerini ve kaydetmelerini tavsiye ediyor. Ayrıca ek destek için eğitimlere, belgelere ve bir topluluk forumuna bağlantılar sağlar. Dr. Julio, WS (İş İstasyonu) ve IB Ağ Geçidi'nin nasıl yapılandırılacağını ve Anaconda kullanılarak bir Python ortamının nasıl açılacağını gösterir. Kurulum sürecini göstermek için bir Python kodu çalıştırıyor ve daha iyi üretkenlik için pencereleri düzenleme konusunda ipuçları veriyor.
Konuşmacı, Python ile Interactive Brokers kullanımının ilk adımlarını açıklamaya devam ediyor. Kullanıcılara 'Romina Eva' adlı bir dosyayı açmaları ve dosyada uygun şekilde güncellenmesi gereken hesap kodlarını bulmaları talimatını verir. Konuşmacı, bir Python kodunun nasıl seçileceğini ve çalıştırılacağını, bir taciri başlatmayı ve hesap bakiyesini, nakit değerini, portföy değerini ve bekleyen emirleri görüntülemeyi gösterir. Kullanıcılar, Hybrid Fat Pack'i kullanarak hisse senetleri, opsiyonlar, vadeli işlemler ve Forex gibi çeşitli menkul kıymetler alıp satabilir. Konuşmacı, verilen siparişlerin manipüle edilemeyeceğinden ve bir izin kimliğiyle listelendiğinden bahseder.
Interactive Brokers'tan gerçek zamanlı ve geçmiş fiyat verilerini alma süreci gösterilmektedir. Konuşmacı, belirli kod satırlarını yorumlayarak/açıklamayı kaldırarak, gerçek zamanlı veya geçmiş verilerin nasıl alınacağını ve kullanıcı dostu bir biçimde nasıl yazdırılacağını gösterir. Başlangıçta çalışan "initialize" işlevi ve alım satım kararlarının varsayılan olarak her 2 saniyede bir verildiği ve yürütüldüğü "verileri işle" işlevi dahil olmak üzere Python kodundaki kod yapısı ve üç temel işlev açıklanır.
Dr. Julio, Python ve Interactive Brokers kullanarak alım satım kararlarının nasıl alınacağını açıklıyor. Kullanıcılar kodu, saniyede, saatte, günde veya belirli zamanlarda sabit programlarda karar verecek şekilde yapılandırabilir. Alım satım kararları oluşturmak için üç önemli işlevi tanıtıyor: başlatma, verileri işleme ve sipariş verme. Süreci göstermek için, tarihsel verileri almak ve I Spears ETF'sinin satış fiyatını yazdırmak için örnek kodlar sağlanmıştır. Konuşmacı, geçmiş verileri almak ve yazdırmak için Panda'nın veri çerçevesini kullanır ve Python'un alım satım kararları için nasıl kullanılabileceğini gösterir.
Konuşmacı, küresel değişkenleri ve gerçek zamanlı fiyatları kullanarak emir vermeyi tartışıyor ve hisse satın alma örnekleri sunuyor. Interactive Brokers, menkul kıymetleri aramak, ABD ana piyasası ve 100 $'ın üzerindeki bir fiyat gibi filtreler uygulamak ve ilgili bilgileri elde etmek için kedi taraması sonuç işlevini kullanmak için kullanılır. Bir algo stratejisi oluşturmanın adımları, sözleşme tanımlama, işleme verileri veya planlanmış işlevleri kullanarak alım satım kararlarının sıklığı, geçmiş verileri talep etme ve emir türünü seçme dahil olmak üzere açıklanmaktadır. Alım satım kararlarının bir önceki günün kapanış fiyatına göre verildiği, günlük kapanışı tersine çevirme stratejisinin bir örneği sunulmaktadır. Karar verme sürecini ve müteakip eylemleri tetiklemek için günlük olarak belirli bir zamanda çalışacak şekilde bir zamanlama işlevi tanımlanır.
Video, Python'daki iki ticaret stratejisi örneğini kapsar. İlk örnek, birbirini takip eden iki günün kapanış fiyatlarına dayalı temel bir stratejiyi göstermektedir. Bugünün kapanışı dünkü kapanıştan yüksekse, tüm pozisyonlar satılır; aksi halde SPY satın alınır. Kod açıklanmıştır ve nispeten basittir. Video daha sonra geriye dönük test kavramını tanıtıyor ve hareketli ortalama geçiş stratejisinin daha gelişmiş bir örneğini sunuyor. Geçmiş verilere bir strateji uygulama ve performansını değerlendirme süreci tartışılmaktadır. Bu stratejinin kodu açıklanır ve anlaşılır kalır. Video ayrıca verilerin alınması ve işlenmesinin yanı sıra test sonuçlarının analizi ve portföy değerlerinin görüntülenmesini de kapsar.
Dr. Julio, Python kullanan Interactive Brokers ile geriye dönük test yapma ve canlı alım satım sürecini tartışıyor. Test amacıyla veri işleme işlevini dakikada bir çalıştırmanın varsayılan modunu ve geçmiş bir veri yerleştirme planına sahip olmanın önemini açıklıyor. Koda dakikadan dakikaya ve günlük verilerin nasıl sağlanacağını ve Interactive Brokers ile geriye dönük test için zaman çerçevesi ve sıklığın nasıl belirleneceğini ayrıntılarıyla anlatıyor. Bir geriye dönük test cihazının nasıl çalıştırılacağını, hesap bilgilerinin nasıl alınacağını ve yönetileceğini ve hesap bakiyesi ve nakit değeri için çıktı klasörünün nasıl kontrol edileceğini gösteren bir kod örneği gösterilmektedir.
Konuşmacı, kod performansını iyileştirmek için kullanıcı tarafından sağlanan geçmiş verileri sağlamanın faydalarını vurgular. Hata ayıklama amaçları için Interactive Brokers'tan alınan kesin simülasyon verileri gerekli olsa da, gereksiz bilgileri talep etmek zaman alabilir. Julio, kod performansını önemli ölçüde artırabilecek geçmiş verilerin yalnızca bir kısmını sağlamayı veya rastgele veriler kullanmayı önerir. Yerel bir CSV dosyasından geçmiş verilerinin nasıl sağlanacağını, istenen zaman aralığının ve veri türünün nasıl belirleneceğini ve özel bir zaman listesi ve 'işleme' veri sağlayıcısı kullanılarak testlerin daha hızlı ve daha verimli şekilde nasıl yürütüleceğini gösteriyor.
Dr. Julio, performans analizini ve algoritmik ticaret stratejisinin performansını değerlendirmedeki önemini tartışıyor. Kodu test etmek ve iyileştirmek için geçmiş verilere duyulan ihtiyacı ve bu sürece yardımcı olmak için bir performans analizi tablosunun Sharpe oranı gibi değişkenleri nasıl hesaplayabileceğini açıklıyor. Geriye dönük test sonuçlarından memnun olan konuşmacı, stratejiyi gerçek piyasa koşullarına karşı yürütmek için bir kağıt hesaba geçmeyi önerir. Ayrıca fon yöneticileri için çok önemli olan birden çok hesabı yönetmek için iBridgePy'nin nasıl kullanılacağını gösteriyor.
Dr. Julio, Hybrid Fat Pack yazılımının esnekliğini ve kullanıcı dostu doğasını vurgulayarak, onu algoritmik ticaret için güçlü bir araç haline getirerek sözlerini bitiriyor.