Análisis de precios de acciones con Python

¡Hola lectores! Todos sabemos cómo funciona la Bolsa de Valores. Una acción es la pequeña parte de la propiedad de la empresa. El precio de las acciones de la empresa refleja la evaluación neta de la empresa y también da una pequeña idea de su desempeño. Estas acciones se cotizan en bolsas y sus precios cambian constantemente debido a su demanda y oferta en el mercado. Si una acción tiene alta demanda y poca oferta, es decir, más gente quiere comprarla y menos gente está dispuesta a venderla, entonces el precio de la acción aumentará y de manera similar si la acción tiene poca demanda y alta oferta, lo que significa gente más gente está dispuesta a venderlo, pero menos gente está dispuesta a comprarlo y sus precios bajan.

El aumento repentino de la demanda de acciones puede deberse a varias razones, incluidas noticias positivas sobre la empresa o un anuncio de la empresa. Después de un período de tiempo en el que la demanda de las acciones desaparece, sus precios bajan lentamente a medidaLa "medida" es un concepto fundamental en diversas disciplinas, que se refiere al proceso de cuantificar características o magnitudes de objetos, fenómenos o situaciones. En matemáticas, se utiliza para determinar longitudes, áreas y volúmenes, mientras que en ciencias sociales puede referirse a la evaluación de variables cualitativas y cuantitativas. La precisión en la medición es crucial para obtener resultados confiables y válidos en cualquier investigación o aplicación práctica.... que el inversor pierde interés en ellas. Estos precios de las acciones que suben y bajan es un proceso iterativo y repetido. Esta volatilidad de las acciones pone nerviosos a los inversores al invertir en una empresa. Entonces, para comprender el riesgo asociado con él, debe haber un análisis adecuado de las acciones antes de comprarlas. En este artículo, intentaríamos explorar solo la punta del iceberg para el análisis del mercado de valores, ya que el análisis técnico del valor es un campo vasto. Este blog puede resultarle el punto de partida en esta industria.

La herramienta no es importante para el análisis, se puede realizar en cualquier software estadístico como Python, R o Excel, pero por el bien de este artículo, estamos demostrando el análisis en Python.

Contenido

• Bibliotecas utilizadas
• Descripción de datos
• Análisis exploratorio
• Matriz de parcela dispersa
• Promedios móviles
• Aumento porcentual del valor de las acciones
• Conclusión

Bibliotecas utilizadas

Las siguientes son las bibliotecas que se deben instalar de antemano y que se pueden descargar fácilmente con la ayuda de la función pip. A continuación se proporciona una breve descripción del nombre de la biblioteca y su aplicación.

import pandas as pd

import datetime

import numpy as np

import matplotlib.pyplot as plt

from pandas.plotting import scatter_matrix

!pip install yfinance

import yfinance as yf

%matplotlib inline

Descripción de datos:

Hemos descargado los datos diarios de los precios de las acciones utilizando la funcionalidad API de finanzas de Yahoo. Es una captura de datos de cinco años de apertura, máximo, mínimo, cierre y volumen.

• Abierto: El precio de la acción cuando el mercado abre por la mañana.
• Cierre: el precio de la acción cuando el mercado cerró por la noche.
• Alto: precio más alto que alcanzó la acción durante ese día
• Bajo: precio más bajo en el que se negocia la acción ese día
• Volumen: la cantidad total de acciones negociadas ese día.

Aquí, tomaremos el ejemplo de tres empresas, TCS, Infosys y Wipro, que son líderes de la industria en la prestación de servicios de TI.

start = "2014-01-01"
end = '2019-1-01'
tcs = yf.download('TCS',start,end)
infy = yf.download('INFY',start,end)
wipro = yf.download('WIPRO.NS',start,end)

Análisis exploratorio

tcs['Open'].plot(label="TCS", figsize = (15,7))
infy['Open'].plot(label = "Infosys")
wipro['Open'].plot(label="Wipro")
plt.title('Stock Prices of TCS, Infosys and Wipro')

tcs['Volume'].plot(label="TCS", figsize = (15,7))
infy['Volume'].plot(label = "Infosys")
wipro['Volume'].plot(label="Wipro")
plt.title('Volume of Stock traded')
plt.legend()

#Market Capitalisation
tcs['MarktCap'] = tcs['Open'] * tcs['Volume']
infy['MarktCap'] = infy['Open'] * infy['Volume']
wipro['MarktCap'] = wipro['Open'] * wipro['Volume']
tcs['MarktCap'].plot(label="TCS", figsize = (15,7))
infy['MarktCap'].plot(label="Infosys")
wipro['MarktCap'].plot(label="Wipro")
plt.title('Market Cap')
plt.legend()

tcs['MA50'] = tcs['Open'].rolling(50).mean()
tcs['MA200'] = tcs['Open'].rolling(200).mean()
tcs['Open'].plot(figsize = (15,7))
tcs['MA50'].plot()
tcs['MA200'].plot()

data = pd.concat([tcs['Open'],infy['Open'],wipro['Open']],axis = 1)
data.columns = ['TCSOpen','InfosysOpen','WiproOpen']
scatter_matrix(data, figsize = (8,8), hist_kwds= {'bins':250})

#Volatility
tcs['returns'] = (tcs['Close']/tcs['Close'].shift(1)) -1
infy['returns'] = (infy['Close']/infy['Close'].shift(1))-1
wipro['returns'] = (wipro['Close']/wipro['Close'].shift(1)) - 1
tcs['returns'].hist(bins = 100, label="TCS", alpha = 0.5, figsize = (15,7))
infy['returns'].hist(bins = 100, label="Infosysy", alpha = 0.5)
wipro['returns'].hist(bins = 100, label="Wipro", alpha = 0.5)
plt.legend()