Aktienkursanalyse mit Python

Hallo Leser! Wir alle wissen, wie die Börse funktioniert. Eine Aktie ist der kleine Teil des Unternehmenseigentums. Der Aktienkurs des Unternehmens spiegelt die Nettobewertung des Unternehmens wider und gibt auch eine kleine Vorstellung von seiner Performance.. Diese Aktien werden an Börsen gehandelt und ihre Preise ändern sich aufgrund ihrer Nachfrage und ihres Angebots auf dem Markt ständig.. Wenn eine Aktie eine hohe Nachfrage und ein geringes Angebot hat, nämlich, mehr Leute wollen es kaufen und weniger Leute sind bereit es zu verkaufen, dann steigt der Preis der Aktie und ähnlich, wenn die Aktie eine geringe Nachfrage und ein hohes Angebot hat, was bedeutet, dass mehr Leute bereit sind, es zu verkaufen, aber weniger Leute sind bereit es zu kaufen und die Preise sinken.

Der plötzliche Anstieg der Nachfrage nach Aktien kann verschiedene Gründe haben, einschließlich positiver Nachrichten über das Unternehmen oder einer Unternehmensmitteilung. Nach einer Zeit, in der die Nachfrage nach den Aktien verschwindet, ihre Preise sinken langsam, da der Investor das Interesse an ihnen verliert. Diese steigenden und fallenden Aktienkurse sind ein iterativer und wiederholter Prozess. Diese Volatilität bei Aktien macht Anleger nervös, wenn sie in ein Unternehmen investieren. Dann, das damit verbundene Risiko verstehen, Vor dem Kauf müssen die Aktien richtig analysiert werden. In diesem Artikel, Wir würden versuchen, nur die Spitze des Eisbergs für die Börsenanalyse zu erkunden, da die technische Wertanalyse ein weites Feld ist. Dieser Blog kann Ihr Ausgangspunkt in dieser Branche sein.

Das Tool ist für die Analyse nicht wichtig, kann in jeder Statistiksoftware wie Python durchgeführt werden, R oder Excel, aber für diesen Artikel, Wir demonstrieren das Parsen in Python.

Inhalt

• Verwendete Bibliotheken
• Beschreibung der Daten
• Explorative Analyse
• Streudiagrammmatrix
• Gleitende Mittelwerte
• Prozentuale Wertsteigerung der Aktien
• Fazit

Verwendete Bibliotheken

Im Folgenden sind die Bibliotheken aufgeführt, die zuvor installiert werden müssen und mit Hilfe der Pip-Funktion einfach heruntergeladen werden können. Im Folgenden finden Sie eine kurze Beschreibung des Namens der Bibliothek und ihrer Anwendung.

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

Beschreibung der Daten:

Wir haben tägliche Aktienkursdaten mit der Yahoo Finance API-Funktionalität heruntergeladen. Es ist eine Datenerfassung von fünf Jahren Offenheit, maximal, Minimum, Verschluss und Volumen.

• Geöffnet: Der Kurs der Aktie bei Marktöffnung am Morgen.
• Schließen: der Kurs der Aktie bei Börsenschluss über Nacht.
• Alt: höchster Kurs der Aktie an diesem Tag
• Niedrig: niedrigster Kurs, den die Aktie an diesem Tag handelt
• Volumen: die Gesamtzahl der an diesem Tag gehandelten Aktien.

Hier, nehmen wir das Beispiel von drei Unternehmen, TCS, Infosys und Wipro, die Branchenführer in der IT-Servicebereitstellung sind.

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

Explorative Analyse

Tcs["Offen"].Handlung(Etikett="TCS", Feigengröße = (15,7))
Infy["Offen"].Handlung(Etikett = "Infosys")
wipro["Offen"].Handlung(Etikett="Wipro")
plt.titel("Aktienkurse von TCS, Infosys und Wipro')

Tcs["Lautstärke"].Handlung(Etikett="TCS", Feigengröße = (15,7))
Infy["Lautstärke"].Handlung(Etikett = "Infosys")
wipro["Lautstärke"].Handlung(Etikett="Wipro")
plt.titel("Volumen der gehandelten Aktien")
plt.legende()

#Market Capitalisation
tcs[MarktCap] = tcs["Offen"] * Tcs["Lautstärke"]
Infy[MarktCap] = infy["Offen"] * Infy["Lautstärke"]
wipro[MarktCap] = wipro["Offen"] * wipro["Lautstärke"]
Tcs[MarktCap].Handlung(Etikett="TCS", Feigengröße = (15,7))
Infy[MarktCap].Handlung(Etikett="Infosys")
wipro[MarktCap].Handlung(Etikett="Wipro")
plt.titel("Marktkapitalisierung")
plt.legende()

Tcs['MA50'] = tcs["Offen"].rollen(50).bedeuten()
Tcs['MA200'] = tcs["Offen"].rollen(200).bedeuten()
Tcs["Offen"].Handlung(Feigengröße = (15,7))
Tcs['MA50'].Handlung()
Tcs['MA200'].Handlung()

data = pd.concat([Tcs["Offen"],Infy["Offen"],wipro["Offen"]],Achse = 1)
data.columns = ['TCSOÖffnen','InfosysOpen','WiproOpen']
scatter_matrix(Daten, Feigengröße = (8,8), hist_kwds= {"Mülleimer":250})

#Volatility
tcs["Rücksendungen"] = (Tcs['Nah dran']/Tcs['Nah dran'].Schicht(1)) -1
Infy["Rücksendungen"] = (Infy['Nah dran']/Infy['Nah dran'].Schicht(1))-1
wipro["Rücksendungen"] = (wipro['Nah dran']/wipro['Nah dran'].Schicht(1)) - 1
Tcs["Rücksendungen"].hist(Behälter = 100, Etikett="TCS", alpha = 0.5, Feigengröße = (15,7))
Infy["Rücksendungen"].hist(Behälter = 100, Etikett="Infosysy", alpha = 0.5)
wipro["Rücksendungen"].hist(Behälter = 100, Etikett="Wipro", alpha = 0.5)
plt.legende()