Get best of the week

Perbandingan dinamika kuotasi dua saham di python menggunakan contoh saham Sberbank yang disukai dan biasa

Halo, hari ini saya ingin berbicara tentang pengalaman saya dalam menganalisis saham Sberbank. Terkadang mereka menunjukkan dinamika yang sedikit berbeda - menarik bagi saya untuk menganalisis pergerakan kutipan mereka.

Dalam contoh ini, kami akan mengunduh kutipan dari situs web Finam. Tautan untuk mengunduh Sberbank biasa .

Untuk operasi kolom saya akan menggunakan panda, untuk visualisasi matplotlib.

Kami mengimpor:

import pandas as pd
import matplotlib.pyplot as plt

Agar tabel tidak menyusut, Anda harus menghapus batasan:

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)

Baca data stok


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

(tentukan pemisah, di mana nama kolom berada, kolom mana yang akan menjadi indeks, aktifkan penguraian tanggal).

Juga menunjukkan jenisnya:

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

Kami menampilkan data kami:

print(df)



Tambahkan kolom dengan perubahan harga

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

Jadi dimungkinkan untuk mendapatkan persentase persisnya:

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



Tambahkan bagian kedua


Lakukan dengan cara yang persis sama.

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)

Kami memvisualisasikan harga saham kami


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



Sekarang tampilkan kutipan dengan rata-rata (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()



Rata-rata lainnya juga dapat ditampilkan.

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()



Sekarang kita akan menampilkan omset untuk saham:
Tambahkan juga nama sumbu Y
dan ukuran kanvas

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()



Analisis korelasi


Sekarang mari kita melihat lebih dekat pada korelasinya. diagram matriks

akan membantu kita dalam hal ini. Buat tabel baru dengan kolom untuk kedua saham dan beri mereka nama.

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



Sekarang kami mengimpor jadwal yang diperlukan

from pandas.plotting import scatter_matrix

Dan output itu:

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

Harus diklarifikasi bahwa kita perlu menambahkan transparansi (alpha = 0,2) untuk melihat tumpang tindih poin.Jika



poin "pergi" sepanjang diagonal, korelasi diamati.

Penilaian Volatilitas Efek


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



Untuk pemahaman yang lebih baik, kami akan menampilkan volatilitas pada grafik lain - histogram

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()



Untuk membuat kesimpulan lebih cepat, Anda dapat menyederhanakan jadwal (kami akan membuat bagan kurang detail dan kurang transparan):

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()



Analisis Pendapatan Akumulasi


Sekarang kami menurunkan persentase perubahan dalam nilai saham.

Untuk melakukan ini, masukkan kolom dengan akumulasi pendapatan.

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()



Pada grafik kita dapat melihat interval waktu ketika salah satu saham diremehkan atau dinilai kembali relatif terhadap yang lain. Dalam keadaan saat ini (ceteris paribus, harap dicatat) ini akan membantu kami memilih saham untuk rata-rata ketika kapitalisasi Sberbank turun.

More articles:


All Articles