سهام تسلا را در پایتون تجزیه و تحلیل کنید ، شاخص های معاملاتی را محاسبه کرده و نمودار OHLC را ترسیم کنید. شامل یک نوت بوک Jupyter با مثال کد است.

من به تازگی شروع به خواندن اسرار استن وینشتاین برای سودآوری در بازارهای گاو نر و خرس کردم. استن در کتاب خود روشهای موفق خود را برای سرمایه گذاری های زمان بندی برای تولید نتایج به طور مداوم سودآور نشان می دهد.

بسیاری از سرمایه گذاران می گویند "این تنها کتاب سرمایه گذاری است که شما نیاز به خواندن آن دارید"

استن وینشتاین یک تحلیل فنی بازار سهام است. وی در سال 1987 مشهور شد و پیش بینی سقوط 31 درصدی در بورس سهام را داشت که در آن از مهارت های خواندن نمودار خود استفاده کرد.

مقالات دیگر من در مورد این موضوع:

تجزیه و تحلیل بازار سهام در پایتون

لیستی از مقالاتی که من در مورد تجزیه و تحلیل بازار سهام در پایتون نوشتم.

در اینجا چند لینک وجود دارد که ممکن است به شما علاقه مند باشد:

- تجزیه و تحلیل Python خود را با 10 برابر سریعتر با MITO [محصول] تکمیل کنید- تست مهارت های رایگان برای دانشمندان داده و مهندسان ML [تست]- تمام مهندس جدید خودروهای خود رانندگی Nanodegree [دوره]

آیا دوست دارید چنین مقالاتی بیشتر بخوانید؟در این صورت ، می توانید با کلیک بر روی هر پیوندی که در بالا وجود دارد ، از من پشتیبانی کنید. برخی از آنها پیوندهای وابسته هستند ، اما شما نیازی به خرید چیزی ندارید.

مقدمه

این اولین مقاله در یک سری از تجزیه و تحلیل بازار سهام در پایتون است که در آن سعی می کنم تکنیک های موفق را برای سودآوری در بورس اوراق بهادار توصیف و پیاده سازی کنم.

بیایید با اصول اولیه شروع کنیم. در این مقاله یاد خواهید گرفت:

• ساده ترین راه برای به دست آوردن داده های سهام در پایتون
• شاخص های معاملاتی و نحوه محاسبه آنها چیست
• نحوه ترسیم داده های سهام با نمودار OHLC

توجه داشته باشید که من یک سرمایه گذار حرفه ای نیستم و من مسئول ضرر شما نیستم. این محتوای آموزشی است.

1. داده های سهام را دریافت کنید

ساده ترین راه برای بارگیری داده های تاریخی سهام در پایتون با بسته YFInance است. برای نصب بسته ، به سادگی اجرا کنید:

پیپ نصب yfinance

برای بارگیری قیمت سهام روزانه برای تسلا (TSLA) در یک داده پانداس با yfinance به سادگی:

df = yf. download ("tsla" ، start = "2018-11-01" ، end = "2020-10-18" ، فاصله = "1d")df. head ()

عملکرد بارگیری yfinance استدلال های زیادی دارد:

• به جای تنظیم فاصله در 1D ، می توانید از 1M ، 2M ، 5M ، 15M ، 30M ، 60M ، 90M ، 1H ، 1D ، 5D ، 1WK ، 1MO ، 3MO استفاده کنید.
• می توانید چندین تیک را در یک لیست یا رشته تعریف کنید: "جاسوسی AAPL MSFT".
• به جای تاریخ شروع و پایان ، می توانید از دوره "YTD" برای بارگیری داده ها برای یک سال از امروز استفاده کنید. سایر دوره های معتبر عبارتند از: 1d ، 5d ، 1mo ، 3mo ، 6mo ، 1y ، 2y ، 5y ، 10y ، ytd ، max.
• برای اطلاعات بیشتر به yfinance مراجعه کنید.

YFInance مانند عملکرد سود سهام دارای بسیاری از کارکردهای مفید دیگر است. بیایید بگوییم که ما می خواهیم سود سهام AT& T (t) را لیست کنیم.

t = yf. ticker ("t")t. dividends

t. dividends. plot (figsize = (14 ، 7))

2. شاخص های معاملاتی را محاسبه کنید

شاخص های معاملاتی محاسبات ریاضی هستند که به عنوان خطوط در نمودار قیمت ترسیم شده اند و می توانند به معامله گران کمک کنند تا سیگنال ها و روندهای خاصی را در بازار شناسایی کنند.

عرفان

TA-Lib یکی از پرکاربردترین کتابخانه در پایتون است که در مورد تجزیه و تحلیل فنی است.

برای استفاده از آن ، ابتدا باید وابستگی TA-Lib را نصب کنید:

# MAC OS Xتولید Ta-Lib# به https://github. com/mrjbq7/ta-lib برای سایر سیستم عامل ها مراجعه کنید

سپس باید API Python را نصب کنید:

PIP نصب TA-Lib

میانگین متحرک

از میانگین متحرک (MA) برای شناسایی جهت یک روند قیمت فعلی ، بدون تداخل سنبله های کوتاه مدت قیمت استفاده می شود.

شاخص MA نقاط قیمت یک سهام را در یک بازه زمانی مشخص ترکیب می کند و آن را با تعداد نقاط داده تقسیم می کند تا یک خط روند واحد ارائه شود.

بیایید 20 روز (کوتاه مدت) و 200 روز (بلند مدت) MA را در قیمت های بسته شدن TSLA محاسبه کنیم (می توانیم MA را مستقیماً با پاندا محاسبه کنیم):

df. loc [: ، 'ma20'] = df. close. rolling (20) . mean ()df. loc [: ، 'ma200'] = df. close. rolling (200) . mean ()

چرا میانگین های متحرک مهم هستند؟

میانگین حرکت برای شناسایی سطح پشتیبانی و مقاومت قابل توجه استفاده می شود.

معامله گران مراقب متقاطع میانگین های در حال حرکت طولانی مدت با میانگین حرکت کوتاه مدت به عنوان شاخص های احتمالی تغییرات روند برای ورود به موقعیت های طولانی و کوتاه هستند.

به گفته استن وینشتاین: برای خرید سهام باید قیمت بالاتر از MA کوتاه مدت باشد.

RSI - شاخص قدرت نسبی

شاخص قدرت نسبی (RSI) یک شاخص شتابدار است که در تجزیه و تحلیل فنی مورد استفاده قرار می گیرد که میزان تغییرات قیمت اخیر را برای ارزیابی شرایط بیش از حد یا بیش از حد در قیمت سهام یا دارایی دیگر اندازه گیری می کند.

RSI به عنوان نوسان ساز نمایش داده می شود (نمودار خطی که بین دو افراط حرکت می کند) و می تواند یک خواندن از 0 تا 100 داشته باشد. این معمولاً در یک بازه زمانی 14 روزه استفاده می شود.

آیا قدرت نسبی و مقاومت نسبی یکسان هستند؟

اگر در حال خواندن اسرار استن وینشتاین برای سودآوری در بازارهای گاو نر و خرس هستید ، استن از قدرت نسبی یاد می کند ، اما آن را با RSI اشتباه نمی گیرید.

قدرت نسبی در مورد ارزش سهام در مقایسه با سهام دیگر ، شاخص یا معیار دیگر می گوید ، در حالی که RSI در مورد عملکرد یک سهام در مقایسه با عملکرد اخیر همان سهام می گوید.

بیایید RSI را برای TSLA محاسبه کنیم

واردات پالیبdf. loc [: ، "rsi"] = talib. rsi (df. close ، 14)

اکنون ، بیایید RSI را با یک خط در 30 برای Oversold و 70 برای Overbought ترسیم کنیم:

وارد کردن matplotlib. pyplot به عنوان pltشکل ، ax = plt. subplots (1 ، 2 ، figsize = (21 ، 7))ax0 = df[["rsi"]].plot(ax=ax[0])ax0. axhline (30 ، color = "سیاه")ax0. axhline (70 ، color = "سیاه")df[["Close"]].plot(ax=ax[1])

دارایی با RSI ≥70 اغلب بیش از حد در نظر گرفته می شود ، در حالی که یک دارایی با 30 RSI ≤ اغلب در نظر گرفته می شود:

• یک سیگنال بیش از حد نشان می دهد که دارایی ها ممکن است برای تصحیح قیمت باشند.
• یک سیگنال فراگیر می تواند به معنای این باشد که کاهش کوتاه مدت به بلوغ رسیده و دارایی ها ممکن است برای تجمع باشد.

در طرح بالا می توانیم الگویی را مشاهده کنیم که قیمت TSLA همانطور که RSI پیشنهاد می کند حرکت می کند. هنگامی که بیش از حد (RSI ≥ 70) باشد ، قیمت برای تصحیح و برعکس است.

3. داده های سهام را ترسیم کنید

در این بخش ، ما می خواهیم ببینیم که چگونه یک نمودار OHLC را ترسیم کنیم - نمودار با میله های باز ، بالا ، پایین و نزدیک ، که عادت داریم در سیستم عامل های معاملاتی ببینیم.

ما قصد داریم از کتابخانه Plotly برای نمودار OHLC استفاده کنیم. برای نصب آن:

نصب پیپ

اگر از JupyterLab استفاده می کنید ، همچنین باید یک پسوند Plotly نصب کنید ، تا JupyterLab بتواند نمودارهای توطئه ای را ارائه دهد:

Jupyter Labextension نصب JupyterLab-Plotly

برای ترسیم OHLC با طرح ریزی ، ما فقط باید قیمت ها را روی ورودی های صحیح تنظیم کنیم.

وارد کردن plotly. graph_objects به عنوان gofig = go. figure (data = go. ohlc (x = df. index ،باز = df ["باز"] ،بالا = df ["بالا"] ،کم = df ["کم"] ،close = df ["close"] ،))fig. show ()

قبل از اینکه بری

طبق معمول ، می توانید این نوت بوک Jupyter را بارگیری کنید تا نمونه هایی از دستگاه خود را امتحان کنید.

مرا در توییتر دنبال کنید ، جایی که من مرتباً در مورد علم داده و یادگیری ماشین توییت می کنم.