Analisi del prezzo delle azioni con Python

Ciao lettori! Sappiamo tutti come funziona la Borsa. Una quota è la piccola parte della proprietà della società. Il prezzo delle azioni della società riflette la valutazione netta della società e dà anche una piccola idea delle sue prestazioni.. Queste azioni sono scambiate in borsa e i loro prezzi cambiano costantemente a causa della loro domanda e offerta sul mercato.. Se uno stock ha una domanda elevata e un'offerta bassa, vale a dire, più persone vogliono comprarlo e meno persone sono disposte a venderlo, quindi il prezzo del titolo aumenterà e allo stesso modo se lo stock ha una domanda bassa e un'offerta elevata, il che significa che più persone sono disposte a venderlo, ma meno persone sono disposte ad acquistarlo e i suoi prezzi scendono.

L'improvviso aumento della domanda di scorte può essere dovuto a una serie di motivi, incluse notizie positive sull'azienda o un annuncio aziendale. Dopo un periodo di tempo in cui la domanda per le azioni scompare, sus precios bajan lentamente a misuraIl "misura" È un concetto fondamentale in diverse discipline, che si riferisce al processo di quantificazione delle caratteristiche o delle grandezze degli oggetti, fenomeni o situazioni. In matematica, Utilizzato per determinare le lunghezze, Aree e volumi, mentre nelle scienze sociali può riferirsi alla valutazione di variabili qualitative e quantitative. L'accuratezza della misurazione è fondamentale per ottenere risultati affidabili e validi in qualsiasi ricerca o applicazione pratica.... que el inversor pierde interés en ellas. Questi prezzi delle azioni in aumento e in calo sono un processo iterativo e ripetuto. Questa volatilità delle azioni rende nervosi gli investitori quando investono in una società. Quindi, per capire il rischio ad esso associato, ci deve essere una corretta analisi delle azioni prima di acquistarle. In questo articolo, cercheremmo di esplorare solo la punta dell'iceberg per l'analisi del mercato azionario, poiché l'analisi tecnica del valore è un campo vasto. Questo blog può essere il tuo punto di partenza in questo settore.

Lo strumento non è importante per l'analisi, può essere fatto in qualsiasi software statistico come Python, R o Excel, ma per il bene di questo articolo, stiamo dimostrando l'analisi in python.

Contenuto

• Biblioteche utilizzate
• Descrizione dei dati
• Analisi esplorativa
• Matrice di trama sparsa
• Medie mobili
• Aumento percentuale del valore delle azioni
• conclusione

Biblioteche utilizzate

Di seguito sono riportate le librerie che devono essere preventivamente installate e che possono essere facilmente scaricate con l'ausilio della funzione pip. Di seguito è riportata una breve descrizione del nome della libreria e della sua applicazione.

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

Descrizione dei dati:

Abbiamo scaricato i dati giornalieri sui prezzi delle azioni utilizzando la funzionalità API Finance di Yahoo. È un'acquisizione dati di cinque anni., massimo, minimo, chiusura e volume.

• Ha aperto: Il prezzo delle azioni quando il mercato apre al mattino.
• Chiusura: il prezzo delle azioni quando il mercato chiudeva di notte.
• Alto: prezzo più alto raggiunto dal titolo durante quel giorno
• Basso: prezzo più basso al quale il titolo viene scambiato quel giorno
• Volume: il numero totale di azioni scambiate quel giorno.

Qui, prenderemo l'esempio di tre aziende, TCS, Infosys e Wipro, che sono leader del settore nella fornitura di servizi IT.

inizio = "2014-01-01"
end = '2019-1-01'
tcs = yf.download(«TCS»,cominciare,fine)
infy = yf.download('INFY',cominciare,fine)
wipro = yf.download(«WIPRO. NS',cominciare,fine)

Analisi esplorativa

Tcs['Aperto'].complotto(etichetta="TCS", dimensione del fico = (15,7))
infy['Aperto'].complotto(etichetta = "Infosys")
wipro['Aperto'].complotto(etichetta="Wipro ·")
plt.titolo(«Prezzi delle azioni di TCS, Infosys e Wipro')

Tcs['Volume'].complotto(etichetta="TCS", dimensione del fico = (15,7))
infy['Volume'].complotto(etichetta = "Infosys")
wipro['Volume'].complotto(etichetta="Wipro ·")
plt.titolo('Volume di azioni scambiate')
plt.legend()

#Market Capitalisation
tcs['MarktCap'] = tcs['Aperto'] * Tcs['Volume']
infy['MarktCap'] = infy['Aperto'] * infy['Volume']
wipro['MarktCap'] = wipro['Aperto'] * wipro['Volume']
Tcs['MarktCap'].complotto(etichetta="TCS", dimensione del fico = (15,7))
infy['MarktCap'].complotto(etichetta="Infosys")
wipro['MarktCap'].complotto(etichetta="Wipro ·")
plt.titolo('Capitalizzazione di mercato')
plt.legend()

Tcs['MA50'] = tcs['Aperto'].rotolare(50).Significare()
Tcs['MA200'] = tcs['Aperto'].rotolare(200).Significare()
Tcs['Aperto'].complotto(dimensione del fico = (15,7))
Tcs['MA50'].complotto()
Tcs['MA200'].complotto()

data = pd.concat([Tcs['Aperto'],infy['Aperto'],wipro['Aperto']],asse = 1)
dati.colonne = ['TCSOpen','InfosysOpen','WiproOpen']
scatter_matrix(dati, dimensione del fico = (8,8), hist_kwds = {'bidoni':250})

#Volatility
tcs['resi'] = (Tcs['Chiudere']/Tcs['Chiudere'].spostare(1)) -1
infy['resi'] = (infy['Chiudere']/infy['Chiudere'].spostare(1))-1
wipro['resi'] = (wipro['Chiudere']/wipro['Chiudere'].spostare(1)) - 1
Tcs['resi'].storico(bidoni = 100, etichetta="TCS", alfa = 0.5, dimensione del fico = (15,7))
infy['resi'].storico(bidoni = 100, etichetta="Infosysy", alfa = 0.5)
wipro['resi'].storico(bidoni = 100, etichetta="Wipro ·", alfa = 0.5)
plt.legend()