기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

댓글 쓰기

google finance로 부터의 자료 호출_python

주가 자료는 많은 웹사이트를 통해 입수할 수 있다.
Google Finance는 방대한 주가 자료를 제공하는 대표적인 사이트이다.
이 사이트로 부터 주가 자료를 호출하는 방법을 소개한다.

이전의 Pandas 패키지를 사용하는 방법은 좀 불안정한 단점이 googlefinance.client 패키지에 의해 보완되었다.
이 패키지의 인스툴은 명령 프롬프트(command prompt) 또는 아나콘다 프롬프트를 사용하여 다음과 같이 실행한다.

>>> pip install googlefinance.client

일단 인스톨 후 그 패키지를 다음과 같이 콘솔창(jupyter notebook, python IDE 등)에 장착한다.

from googlefinance.client import get_price_data, get_prices_data, get_prices_time_data

호출하기 위해 필요한 매개변수를 지정한다. 그 매개변수는 사전형식으로 작성되어야 한다.
그 사전의 키는 'q', 'i', 'x', 'p'로서 각각 다음과 같다.

'q', 'x': 대상 주식의 코드이다. 이 코드는 제공하는 사이트마다 다르다.
   예를 들면 kospi의 경우  'KRX:KOSPI'로서 클론을 기준으로 앞은 국가 구별을 위한 것이고 뒤의 것은 주식 코드이름이다.
'q'의 경우는 주식의 고유코드 즉, 'KOSPI'가 되고
'x'는 그 주식이 포함된 범주(국가)의 코드로서 'KRX'가 된다.

'i' : 호출하려는 자료의 간격으로 초단위로 입력된다. 예를 들어 1day=86400으로 일간자료를 호출하기 위해서는 이 수치를 문자형으로 입력한다. 즉
   'i':'86400' 또는 계산식으로 지정할 경우 수치형을 전달한다. 60*60*24(초*분*시)

'p': 호출하는 기간을 나타내는 키로서 연 단위로 지정된다. 예로서 '1Y'=1년, '10Y'=10년

주의할 점은 이 함수는 호출하는 시점이 기준이 된다는 것이다.
위와 같은 변수를 지정한 객체를 적용하여 다음 함수를 사용하여 호출한다.

get_price_data(param)

다음예는 현재일을 기준으로 10년의 kospi 자료를 호출한 것이다.

In [1]: kos_param = {'q': "KOSPI", 'i': "86400", 'x': "KRX", 'p': "10Y"}
In [2]: kospi = get_price_data(kos_param)

In [3]: print(kospi.head(3))
Open High Low Close Volume
2007-10-31 15:30:00 2052.60 2065.53 2043.93 2064.85 365438000
2007-11-01 15:30:00 2085.33 2085.45 2048.68 2063.14 401962000
2007-11-02 15:30:00 2014.65 2049.62 2014.65 2019.34 388387000


In [4]: print(kospi.tail(3)) Open High Low Close Volume
2017-10-26 15:30:00 2489.60 2495.99 2480.63 2480.63 646882000
2017-10-27 15:30:00 2485.44 2499.15 2479.67 2496.63 511225000
2017-10-30 15:30:00 2513.87 2513.87 2497.42 2501.93 342006000

또한 여러 종목의 주가를 동시에 호출할 경우 두 가지 방법이 존재한다.
여러 종목을 호출할 경우 여기 하나의 DataFrame 구조로 반환된다.
1. get_prices_data(param, period) : param('q', 'x'), 기간(period)이 전달할 매개변수로서 이 경우는 데이터의 시간간격은 1일로 고정된다. 

In [5]: multiparam=[{'q': 'KOSPI', 'x':'KRX'}, {'q': '122630', 'x':'KRX'}, {'q': '114800', 'x':'KRX'}]
In [6]: period='Y'
In [7]: mult=get_prices_data(multiparam, period)
KOSPI_OpenKOSPI_HighKOSPI_LowKOSPI_CloseKOSPI_Volume122630_Open122630_High122630_Low122630_Close122630_Volume114800_Open114800_High114800_Low114800_Close114800_Volume
2017-10-262489.602495.992480.632480.6364688200017895.017935.017700.017700.078189495960.06000.05955.06000.06058680
2017-10-272485.442499.152479.672496.6351122500017735.017975.017675.017925.0101864525995.06005.05950.05955.06625845
2017-10-302513.872513.872497.422501.9334200600018100.018130.017980.018015.081557835925.05955.05920.05940.03893199


2. get_prices_time_data(multiparam, period, interval): 매개변수('q', 'x'), 기간(period), 간격(interval)

In [8]: interval=60*30 #30분단위로 호출한다. 
In [9]: mult=get_prices_time_data(multiparam, period, interval)
KOSPI_OpenKOSPI_HighKOSPI_LowKOSPI_CloseKOSPI_Volume122630_Open122630_High122630_Low122630_Close122630_Volume114800_Open114800_High114800_Low114800_Close114800_Volume
2016-10-31 15:30:002011.292016.012005.952008.1940066400010735.010855.010715.010795.082717127775.07800.07750.07770.06383367
2016-10-31 16:00:002003.412010.511990.452007.3932177400010785.010815.010600.010800.0215830927780.07840.07765.07770.013207830
2016-10-31 16:30:001995.411997.461976.341978.9433352900010650.010685.010520.010535.0280453187815.07870.07805.07870.019363803



Labels:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...
댓글 쓰기
Read more »

[sympy] Sympy객체의 표현을 위한 함수들

Sympy객체의 표현을 위한 함수들 General simplify(x): 식 x(sympy 객체)를 간단히 정리 합니다. import numpy as np from sympy import * x=symbols("x") a=sin(x)**2+cos(x)**2 a $\sin^{2}{\left(x \right)} + \cos^{2}{\left(x \right)}$ simplify(a) 1 simplify(b) $\frac{x^{3} + x^{2} - x - 1}{x^{2} + 2 x + 1}$ simplify(b) x - 1 c=gamma(x)/gamma(x-2) c $\frac{\Gamma\left(x\right)}{\Gamma\left(x - 2\right)}$ simplify(c) $\displaystyle \left(x - 2\right) \left(x - 1\right)$ 위의 예들 중 객체 c의 감마함수(gamma(x))는 확률분포 등 여러 부분에서 사용되는 표현식으로 다음과 같이 정의 됩니다. 감마함수는 음이 아닌 정수를 제외한 모든 수에서 정의됩니다. 식 1과 같이 자연수에서 감마함수는 factorial(!), 부동소수(양의 실수)인 경우 적분을 적용하여 계산합니다. $$\tag{식 1}\Gamma(n) =\begin{cases}(n-1)!& n:\text{자연수}\\\int^\infty_0x^{n-1}e^{-x}\,dx& n:\text{부동소수}\end{cases}$$ x=symbols('x') gamma(x).subs(x,4) $\displaystyle 6$ factorial 계산은 math.factorial() 함수를 사용할 수 있습니다. import math math.factorial(3) 6 a=gamma(x).subs(x,4.5) a.evalf(3) 11.6 simpilfy() 함수의 알고리즘은 식에서 공통사항을 찾아 정리하...
댓글 쓰기
Read more »

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...
댓글 쓰기
Read more »