Python и машинное обучение широко используются в разных отраслях. Революция, которую он произвел в этих отраслях, была положительной и удовлетворительной.

Таким образом, Python также адаптируется для различных видов деятельности в финансовой индустрии. Финансовый анализ стал проще благодаря различным функциям Python и навыкам машинного обучения.

В этой статье мы вместе исследуем, как анализировать отдельную акцию.

Первым важным шагом является установка важных библиотек, необходимых для выполнения этого анализа в Python.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

Чтобы иметь возможность читать данные об акциях из Интернета, нам потребуется использовать функцию Pandas Datareader.

from pandas_datareader import data as wb

Акция, которую мы собираемся проанализировать в этой статье, называется «SNP». Настоящим мы считываем данные о запасах с помощью функции pandas datareader, которую мы уже импортировали как «wb».

sp=wb.DataReader('SNP', data_source= 'yahoo', start='2000-1-1')
sp.head()

Источником наших данных является Yahoo Finance, он обозначен как «yahoo» выше. Yahoo Finance имеет все исторические данные по публично торгуемым акциям. Но для целей анализа необходимо указать дату начала и / или дату окончания данных. Все зависит от конкретной задачи, которую вам предстоит выполнить. Для целей этой статьи мы заинтересованы в анализе данных о запасах SNP с первого дня 2000 года до даты, поэтому в скобках выше нет «конечной» даты.

Следует отметить, что торговля происходит только пять рабочих дней в неделю и в дни, не являющиеся государственными праздниками. Но автоматически «wb» предоставит вам информацию только за те дни, когда акция торговалась без необходимости знать точные даты. Например, если «2000–1–1» приходится на выходные, данные, которые будут считаны, начнутся с первого рабочего дня, ближайшего к введенной дате или когда акции были первоначально внесены в список на бирже.

Можно также проверить хвост данных, чтобы получить последнюю информацию об акциях. С его помощью можно перепроверить, чтобы убедиться, что информация точна и нет ошибок.

sp.tail()

На основе исторических данных легко получить доходность для конкретной анализируемой акции. По мнению экспертов в области финансов и экономики, лучший метод расчета нормы доходности для отдельной акции - использовать логарифмическую норму доходности.

Опять же, в Python встроена эта функция, поэтому не нужно паниковать. Логическая доходность просто заключается в том, чтобы найти логарифм скорректированной цены закрытия (Adj close), деленной на скорректированную цену закрытия предыдущего дня.

sp['Log_return %']=np.log(sp['Adj Close']/sp['Adj Close'].shift(1)) * 100

Для получения корректировочной цены закрытия предыдущего дня используется метод сдвига. Поскольку разница составляет день, в скобки помещается 1 (.shift (1)).

sp['Log_return %'].tail()

sp.head()

Поскольку был использован экземпляр создания нового столбца (sp [«Log_return%»]), «Log_returns%» был добавлен в качестве нового столбца к данным.

В году 250 торговых дней. Средняя / средняя доходность журнала умножается на 250 дней, чтобы получить годовую норму доходности, а также округляется до двух цифр.

print(str(round(sp['Log_return %'].mean()*250,2)) + ' %')

Чтобы обратить внимание на тренд акций, было бы неплохо визуализировать его. Это поможет выделить выбросы при корректировке цены закрытия и отметить наиболее частые корректировочные цены закрытия.

sp['Log_return %'].plot(figsize=(12,8))

В заключение, с помощью этих простых методов можно было бы легко проанализировать акции и использовать их в дальнейшем для принятия наилучших решений.

Заявление об ограничении ответственности: эта статья является независимой и предназначена только для учебных целей. Хотя используемые данные реальны, они, тем не менее, не указывают на то, нужно ли в них вкладывать средства.

Ваши аплодисменты и комментарии приветствуются, вы также можете связаться со мной в LinkedIn и Twitter.