در این پروژه، داده های بازار سهام را تجزیه و تحلیل خواهیم کرد.

مجدداً، ما از پانداها برای استخراج و تجزیه و تحلیل اطلاعات، تجسم آن، و بررسی روش های مختلف برای تجزیه و تحلیل ریسک سهام، بر اساس سابقه عملکرد آن استفاده خواهیم کرد.

در اینجا سؤالاتی است که سعی می کنم به آنها پاسخ دهم:

• تغییر در قیمت سهام در طول زمان چقدر بود؟
• میانگین بازده روزانه یک سهم چقدر بود؟
• میانگین متحرک سهام مختلف چقدر بود؟
• چرا میانگین های متحرک مهم هستند؟
• شاخص های فنی چیست و چگونه از آنها استفاده کنیم.
• چه ارتباطی بین بازده روزانه سهام های مختلف وجود داشت؟
• بازده سهام مختلف چقدر است؟
• با سرمایه گذاری در یک سهام خاص چقدر ارزش را در معرض خطر قرار می دهیم؟
• چگونه می توانیم رفتار آتی سهام را پیش بینی کنیم؟

ما قصد داریم برخی از سهام فناوری را تجزیه و تحلیل کنیم، و به نظر می رسد ایده خوبی است که به عملکرد آنها در سال گذشته نگاه کنیم.

ما قصد داریم اطلاعات سهام اپل، گوگل، مایکروسافت و آمازون را تجزیه و تحلیل کنیم

بیایید داده ها را بخوانیم، من فایل های CSV را از Yahoo Finance دانلود کرده ام. این فایل های CSV بیش از 20 سال داده دارند که برای این آموزش کافی است.

AAPL = pd. read_csv("AAPL. csv")MSFT = pd. read_csv("MSFT. csv")INTC = pd. read_csv("INTC. csv")GOOG = pd. read_csv("GOOG. csv")AMZN = pd. read_csv("AMZN. csv")

حالا ببینیم اینجا چی داریم.

AAPL. head()

ما همچنین می توانیم برخی از آمار داده ها را بررسی کنیم، یعنی تعداد ردیف ها، حداکثر مقدار، مقدار متوسط. با استفاده از یک دستور ساده که توسط پانداها در اختیار ما قرار گرفته است.

#آمار پایه برای سهام اپلAAPL. describe()

اکنون باید ببینیم چه نوع ستون هایی داریم، دوباره پانداها با یک دستور ساده دیگر به نجات می آیند.

# برخی از اطلاعات اولیه در مورد چارچوب دادهAAPL. info()

هیچ اطلاعاتی در قاب داده بالا وجود ندارد، بنابراین ما می توانیم به کسب و کار خود ادامه دهیم.

تغییر در قیمت سهام در طول زمان چیست؟

ما سال گذشته یعنی داده های سال 2020 را تجزیه و تحلیل خواهیم کرد، بنابراین پانداهایی با ویژگی دیگری به نام «قطع» داریم که با آن می توانیم داده ها را بین تاریخ های خاص رسم کنیم.

# ترسیم قیمت بسته شدن تعدیل شده سهام با استفاده از پانداهاAAPL. truncate(before='2020-01-01', after='2021-01-01')['Adj Close']. plot(legend=True, figsize=(12, 5))

فقط به یاد داشته باشید که این کار را انجام دهید، باید "ستون تاریخ" را به عنوان نمایه قاب داده قرار دهید که می توانید با دستور ساده دیگری انجام دهید.

AAPL. set_index('Date', inplace=True)

به طور مشابه، می توانیم تغییر در حجم معاملات سهام را در طول زمان ترسیم کنیم. باز هم ما فقط از داده های سال گذشته یعنی 2020 برای این کار استفاده خواهیم کرد.

# ترسیم حجم کل معامله شده در طول زمانaapl. truncate (قبل از = '2020-01-01' ، پس از = '2021-01-01') ['Volume']

شاخص های فنی و نحوه استفاده از آنها چیست؟

شاخص های فنی متغیرهای اکتشافی هستند که معمولاً از قیمت و حجم سهام حاصل می شوند. آنها برای توضیح حرکات قیمت سهام به امید پیش بینی نوسانات آینده استفاده می شوند. به عبارت دیگر ، از آنها برای تعیین اینکه آیا سهام "بیش از حد" یا "oversold" است ، استفاده می شود. اگرچه این شاخص ها توسط سرمایه گذاران مستقل و صندوق های پرچین به طور یکسان مورد سوء استفاده قرار می گیرند ، بسیاری از افراد روش سریع برای به دست آوردن آنها ندارند. آنها باید به محاسبه هر شاخص یک بار متوسل شوند. این فرآیند زمان و قدرت محاسباتی زیادی را می طلبد. باور کنمن سهم منصفانه خود را از زمان برنامه نویسی این روند با استفاده از پایتون در گذشته صرف کرده ام.

محاسبه شاخص های فنی زمان از فرآیند مدل سازی فاصله می گیرد و بنابراین می تواند بازدارنده برای ساختن مدلهای آماری پیچیده تر باشد. با این وجود ، با وجود کتابخانه TA (تجزیه و تحلیل فنی) ، می توانیم داده های قیمت تاریخی سهام را با بیش از 40 شاخص فنی مختلف با استفاده از فقط یک خط کد اثبات کنیم.

کتابخانه TA (تجزیه و تحلیل فنی) را نصب کنید

نصب پی پ-به روزرسانی TAاز TA واردات add_all_ta_featuresاز ta. utils واردات dropnamom_data = add_all_ta_features (aapl ، باز = "باز" ، high = "high" ، low = "low" ، close = "close" ، volume = "volume")mom_data. columns

در این لحظه ، کتابخانه 32 شاخص را پیاده سازی کرده است:

جلد

• شاخص تجمع/توزیع (ADI)
• حجم متعادل (OBV)
• میانگین حجم متعادل (میانگین)
• جریان پول Chaikin (CMF)
• شاخص نیرو (FI)
• سهولت حرکت (EOM ، EMV)
• روند قیمت حجم (VPT)
• شاخص حجم منفی (NVI)

نوسان

• دامنه واقعی متوسط (ATR)
• گروههای بولینگر (BB)
• کانال کلتنر (KC)
• کانال Donchian (DC)

روند

• حرکت میانگین واگرایی همگرایی (MACD)
• شاخص حرکت جهت متوسط (ADX)
• نشانگر گرداب (VI)
• Trix (Trix)
• شاخص توده (MI)
• شاخص کانال کالا (CCI)
• نوسان ساز قیمت (DPO)
• KST نوسان ساز (KST)
• ichimoku kinkō hyō (ichimoku)

تکانه

• شاخص جریان پول (MFI)
• شاخص قدرت نسبی (RSI)
• شاخص قدرت واقعی (TSI)
• اسیلاتور نهایی (UO)
• نوسان ساز تصادفی (SR)
• ویلیامز ٪ R (WR)
• نوسان ساز عالی (AO)

دیگران

• بازگشت روزانه (DR)
• بازگشت تجمعی (CR)

این شاخص ها منجر به 58 ویژگی می شود. توسعه دهندگان می توانند پارامترهای ورودی زیادی از قبیل اندازه ویندوز ، ثابت های مختلف یا مقادیر نان پر کننده اتوماتیک هوشمند ایجاد شده در روش ها را تنظیم کنند.