Análise do preço das ações com Python

Ola leitores! Todos nós sabemos como funciona o mercado de ações. Uma ação é a pequena parte da propriedade da empresa. O preço das ações da empresa reflete a avaliação líquida da empresa e também dá uma pequena ideia de seu desempenho.. Essas ações são negociadas em bolsa e seus preços variam constantemente devido à sua oferta e demanda no mercado.. Se um estoque tem alta demanda e baixa oferta, quer dizer, mais pessoas querem comprá-lo e menos pessoas estão dispostas a vendê-lo, então o preço do estoque aumentará e da mesma forma se o estoque tiver baixa demanda e alta oferta, o que significa que mais pessoas estão dispostas a vendê-lo, mas menos pessoas estão dispostas a comprá-lo e seus preços caem.

O aumento repentino na demanda por estoques pode ser devido a uma série de razões, incluindo notícias positivas sobre a empresa ou um anúncio da empresa. Após um período de tempo em que a demanda pelas ações desaparece, seus preços diminuem lentamente à medida que o investidor perde o interesse neles. Esses preços de ações em alta e em queda são um processo iterativo e repetido. Essa volatilidade nas ações deixa os investidores nervosos ao investir em uma empresa. Então, para entender o risco associado a ele, deve haver uma análise adequada das ações antes de comprá-las. Neste artigo, tentaríamos explorar apenas a ponta do iceberg para a análise do mercado de ações, uma vez que a análise de valor técnico é um vasto campo. Este blog pode ser seu ponto de partida neste setor.

A ferramenta não é importante para análise, pode ser feito em qualquer software estatístico como Python, R o Excel, mas por causa deste artigo, estamos demonstrando análise em python.

Contente

• Bibliotecas usadas
• Descrição dos dados
• Análise exploratória
• Matriz de parcela dispersa
• Médias móveis
• Aumento percentual no valor das ações
• conclusão

Bibliotecas usadas

A seguir estão as bibliotecas que devem ser instaladas de antemão e podem ser facilmente baixadas com a ajuda da função pip. Abaixo está uma breve descrição do nome da biblioteca e sua aplicação.

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

Descrição dos dados:

Baixamos dados diários de preço das ações usando a funcionalidade de API finanças do Yahoo. É uma captura de dados de cinco anos., máximo, mínimo, fechamento e volume.

• Aberto: O preço das ações quando o mercado abre pela manhã.
• Fechamento: o preço da ação quando o mercado fechou à noite.
• Alto: maior preço alcançado pelas ações durante esse dia
• Baixo: menor preço em que as ações são negociadas naquele dia
• Volume: o número total de ações negociadas naquele dia.

Aqui, vamos tomar o exemplo de três empresas, TCS, Infosys e Wipro, que são líderes do setor na prestação de serviços de TI.

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

Análise exploratória

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

Tcs['Volume'].enredo(rótulo ="TCS", figsize = (15,7))
infy['Volume'].enredo(rótulo = "Infosys")
wipro['Volume'].enredo(rótulo ="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'].enredo(rótulo ="TCS", figsize = (15,7))
infy['MarktCap'].enredo(rótulo ="Infosys")
wipro['MarktCap'].enredo(rótulo ="Wipro")
plt.title('Market Cap')
plt.legend()

Tcs['MA50'] = tcs['Open'].rolando(50).quer dizer()
Tcs['MA200'] = tcs['Open'].rolando(200).quer dizer()
Tcs['Open'].enredo(figsize = (15,7))
Tcs['MA50'].enredo()
Tcs['MA200'].enredo()

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

#Volatility
tcs['returns'] = (Tcs['Fechar']/Tcs['Fechar'].mudança(1)) -1
infy['returns'] = (infy['Fechar']/infy['Fechar'].mudança(1))-1
wipro['returns'] = (wipro['Fechar']/wipro['Fechar'].mudança(1)) - 1
Tcs['returns'].hist(bins = 100, rótulo ="TCS", alfa = 0.5, figsize = (15,7))
infy['returns'].hist(bins = 100, rótulo ="Infosysy", alfa = 0.5)
wipro['returns'].hist(bins = 100, rótulo ="Wipro", alfa = 0.5)
plt.legend()