🎅 ♨️ 🤦🏻 Comparaison de la dynamique des cotations de deux actions en python en utilisant l'exemple des actions privilégiées et ordinaires de Sberbank 🕙 🧗🏼 🔣

Bonjour, je voudrais aujourd'hui vous parler de mon expérience dans l'analyse des actions Sberbank. Parfois, ils montrent des dynamiques légèrement différentes - il est devenu intéressant pour moi d'analyser le mouvement de leurs citations.

Dans cet exemple, nous téléchargerons des devis sur le site Web de Finam. Lien pour télécharger la Sberbank régulière .

Pour les opérations sur colonnes, j'utiliserai des pandas, pour la visualisation de matplotlib.

Nous importons:

import pandas as pd
import matplotlib.pyplot as plt

Pour empêcher la réduction des tables, vous devez supprimer les restrictions:

pd.set_option('display.max_columns', None)
pd.set_option('display.expand_frame_repr', False)
pd.set_option('max_colwidth', 80)
pd.set_option('max_rows', 6000)

Lire les données de stock

df = pd.read_csv("SBER_190101_200105.csv",sep=';', header=0, index_col='<DATE>', parse_dates=True)

(spécifiez le séparateur, où se trouvent les noms des colonnes, quelle colonne sera l'index, activez l'analyse de la date).

Indiquez également le tri:

df = df.sort_values(by='<DATE>')

Nous affichons nos données:

print(df)

Ajouter une colonne avec un changement de prix

df['returns']=(df['<CLOSE>']/df['<CLOSE>'].shift(1))-1

Il est donc possible de dériver exactement le pourcentage:

df['returns_pers']=((df['<CLOSE>']/df['<CLOSE>'].shift(1))-1)*100

Ajouter un deuxième partage

Faites-le exactement de la même manière.

df2 = pd.read_csv("SBERP_190101_200105.csv",sep=';', header=0, index_col='<DATE>', parse_dates=True)

df = df.sort_values(by='<DATE>')

df2['returns_pers']=((df2['<CLOSE>']/df2['<CLOSE>'].shift(1))-1)*100
df2['returns']=(df2['<CLOSE>']/df2['<CLOSE>'].shift(1))-1
print(df2)

Nous visualisons nos cotations boursières

df['<CLOSE>'].plot(label='sber')
df2['<CLOSE>'].plot(label='sberp')
plt.legend()
plt.show()

Affichez maintenant les devis avec leur moyenne (MA 50):

df['<CLOSE>'].plot(label='sber')
df2['<CLOSE>'].plot(label='sberp')
df['ma50'] = df['<OPEN>'].rolling(50).mean().plot(label='ma50')
df2['ma50'] = df2['<OPEN>'].rolling(50).mean().plot(label='ma50')
plt.legend()
plt.show()

D'autres moyennes peuvent également être affichées.

df['<CLOSE>'].plot(label='sber')
df2['<CLOSE>'].plot(label='sberp')
df['ma100'] = df['<OPEN>'].rolling(100).mean().plot(label='ma100')
df2['ma100'] = df2['<OPEN>'].rolling(100).mean().plot(label='ma100')
plt.legend()
plt.show()

Nous allons maintenant afficher le chiffre d'affaires des actions:
ajoutez également le nom de l'axe Y
et la taille de la toile

df['total_trade'] = df['<OPEN>']*df['<VOL>']
df2['total_trade'] = df2['<OPEN>']*df2['<VOL>']
df['total_trade'].plot(label='sber',figsize=(16,8))
df2['total_trade'].plot(label='sberp',figsize=(16,8))
plt.legend()
plt.ylabel('Total Traded')
plt.show()

Analyse de corrélation

Examinons maintenant de plus près la corrélation. un tableau matriciel

nous y aidera. Créez un nouveau tableau avec des colonnes pour les deux actions et donnez-leur des noms.

all_sber = pd.concat([df['<OPEN>'],df2['<OPEN>']],axis=1)
all_sber.columns = ['sber_open','sberp_open']
print(all_sber)

Maintenant, nous importons le calendrier nécessaire

from pandas.plotting import scatter_matrix

Et sortez-le:

scatter_matrix(all_sber,figsize=(8,8),alpha=0.2,hist_kwds={'bins':100});
plt.show()

Il convient de préciser que nous devons ajouter de la transparence (alpha = 0,2) pour voir le chevauchement des points.

Si les points «vont» le long de la diagonale, une corrélation est observée.

Évaluation de la volatilité des titres

df['returns_pers'].plot(label='sber')
df2['returns_pers'].plot(label='sberp')
plt.legend()
plt.show()

Pour une meilleure compréhension, nous afficherons la volatilité sur un autre graphique - un histogramme

df['returns_pers'].hist(bins=100,label='sber',alpha=0.5)
df2['returns_pers'].hist(bins=100,label='sberp',alpha=0.5)
plt.legend()
plt.show()

Pour conclure plus rapidement, vous pouvez simplifier le planning (nous rendrons le graphique moins détaillé et moins transparent):

df['returns_pers'].hist(bins=10,label='sber',alpha=0.9)
df2['returns_pers'].hist(bins=10,label='sberp',alpha=0.9)
plt.legend()
plt.show()

Analyse des revenus accumulés

Maintenant, nous dérivons le pourcentage de variation de la valeur des actions.

Pour ce faire, entrez la colonne avec le revenu accumulé.

df['Cumulative Return'] = (1+ df['returns']).cumprod()
df2['Cumulative Return'] = (1+ df2['returns']).cumprod()
print(df)
print(df2)

df['Cumulative Return'].plot(label='sber')
df2['Cumulative Return'].plot(label='sberp')
plt.legend()
plt.show()

Sur les graphiques, nous pouvons voir les intervalles de temps où l'un des stocks est sous-estimé ou réévalué par rapport à l'autre. Dans les circonstances actuelles (ceteris paribus, veuillez noter), cela nous aidera à choisir un titre à évaluer lorsque la capitalisation de Sberbank baisse.