기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[data analysis] FinanceDataReader에 의한 금융자료 호출

FinanceDataReader에 의한 금융자료 호출

파이썬 라이브러리인 FinanceDataReader를 사용하여 웹을 통해 다양한 금융데이터를 호출하여 사용할 수 있으며 이 데이터의 기본 구조는 pandas.DataFrame 구조로서 pandas의 여러 메소드나 함수를 적용하여 데이터를 조정할 수 있습니다.

FinanceDataReader 라이브러리를 사용하여 국내외 다양한 자료를 입수할 수 있습니다.

이 모듈은 두개의 함수를 가지고 있습니다.

  • StockListing(market):
    • market에 포함된 종목의 코드, 이름, 개요 등을 호출
    • RX : KRX 종목 전체
    • OSPI : KOSPI 종목
    • OSDAQ : KOSDAQ 종목
    • ONEX : KONEX 종목
    • ASDAQ : 나스닥 종목
    • NYSE : 뉴욕증권거래소 종목
    • P500 : S&P500 종목
  • DataReader(symbol, start=None, end=None, country=None)
    • 코드(symbol)에 대응하는 가격 데이터를 호출
    • 시작 날짜만 입력하면 현재까지의 자료를 호출
import numpy as np
import pandas as pd 
import FinanceDataReader as fdr
import matplotlib.pyplot as plt
df_krx=fdr.StockListing('KRX')
df_krx.head(2)
Code ISU_CD Name …
0 005930 KR7005930003 삼성전자 …
1 000660 KR7000660001 SK하이닉스 … 
fdr.StockListing('KOSPI').iloc[:,[0, 2]]
Code Name
0 005930 삼성전자
1 000660 SK하이닉스
2 373220 LG에너지솔루션
3 207940 삼성바이오로직스
4 005380 현대차
... ... ...
953 014915 성문전자우
954 004415 서울식품우
955 001525 동양우
956 001527 동양2우B
957 002995 금호건설우

개별 주가 데이터

sd=pd.Timestamp(2024,8, 23)
d=fdr.DataReader("005930", sd)
d
Open High Low Close Volume Change
Date
2024-08-23 77700 78400 77500 77700 9420306 -0.007663
2024-08-26 78100 78200 76100 76300 10554181 -0.018018 
ed=pd.Timestamp(2024,8, 22)
d1=fdr.DataReader("000660", sd, ed)
d1
Open High Low Close Volume Change
Date
2024-08-20 198700 202500 198100 199700 4258190 0.029912
2024-08-21 193000 195400 191100 192600 4508983 -0.035553
2024-08-22 192000 194400 189000 191100 3166217 -0.007788

한국과 미국 등 외국의 주요지수는 다음 코드(심볼)로 호출합니다.

심볼(한국) 설명  심볼(미국) 설명
KS11 KOSPI 지수  DJI다우지수
KQ11KOSDAQ 지수 IXIC나스닥지수
KS50KOSPI50지수 US500S&P500 지수
KS100KOSPI100 지수  VIXVIX
KRX100KRX100 ^sox필라델피아반도체 지수
KS200KOSPI200 지수   
sd=pd.Timestamp(2024,8, 20)
ed=pd.Timestamp(2024,8, 22)
d1=fdr.DataReader("^sox", sd, ed)
d1
Open High Low Close Adj Close Volume
Date
2024-08-20 5237.290039 5273.270020 5159.100098 5196.299805 5196.299805 0
2024-08-21 5232.299805 5288.540039 5205.089844 5267.930176 5267.930176 0

환율 데이터

심볼 설명
USD/KRW 달러당 원화
USD/EUR 달러당 유로화
USD/JPY 달러당 엔화
CNY/KRW 위엔화 원화
EUR/USD 유로화 달러
USD/JPY 달러 엔화
JPY/KRW 엔화 원화
AUD/USD 오스트레일리아 달러
EUR/JPY 유로화 엔화
USD/RUB 달러 루블화 
ex=fdr.DataReader("USD/KRW", sd, ed)
ex
Open High Low Close Adj Close Volume
Date
2024-08-20 1330.880005 1335.619995 1313.410034 1330.880005 1330.880005 0
2024-08-21 1327.579956 1339.640015 1324.400024 1327.579956 1327.579956 0

호출한 데이터는 DataFrame으로 다음의 인덱스와 컬럼을 가집니다.

type(ex)
pandas.core.frame.DataFrame
ex.index
DatetimeIndex(['2024-08-20', '2024-08-21'], dtype='datetime64[ns]', name='Date', freq=None)
ex.columns
Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume'], dtype='object')

호출한 데이터의 인덱스는 datetime64형으로 시간을 나타내는 pandas의 자료형입니다. 즉, 호출한 데이터는 시간에 따라 정돈된 시계열(time series)입니다. 이러한 시계열 인덱스는 pandas의 함수 또는 메서드를 사용하여 생성하고 조정할 수 있습니다.

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 »

sympy.solvers로 방정식해 구하기

sympy.solvers로 방정식해 구하기 대수 방정식을 해를 계산하기 위해 다음 함수를 사용합니다. sympy.solvers.solve(f, *symbols, **flags) f=0, 즉 동차방정식에 대해 지정한 변수의 해를 계산 f : 식 또는 함수 symbols: 식의 해를 계산하기 위한 변수, 변수가 하나인 경우는 생략가능(자동으로 인식) flags: 계산 또는 결과의 방식을 지정하기 위한 인수들 dict=True: {x:3, y:1}같이 사전형식, 기본값 = False set=True :{(x,3),(y,1)}같이 집합형식, 기본값 = False ratioal=True : 실수를 유리수로 반환, 기본값 = False positive=True: 해들 중에 양수만을 반환, 기본값 = False 예 $x^2=1$의 해를 결정합니다. solve() 함수에 적용하기 위해서는 다음과 같이 식의 한쪽이 0이 되는 형태인 동차식으로 구성되어야 합니다. $$x^2-1=0$$ import numpy as np from sympy import * x = symbols('x') solve(x**2-1, x) [-1, 1] 위 식은 계산 과정은 다음과 같습니다. $$\begin{aligned}x^2-1=0 \rightarrow (x+1)(x-1)=0 \\ x=1 \; \text{or}\; -1\end{aligned}$$ 예 $x^4=1$의 해를 결정합니다. solve() 함수의 인수 set=True를 지정하였으므로 결과는 집합(set)형으로 반환됩니다. eq=x**4-1 solve(eq, set=True) ([x], {(-1,), (-I,), (1,), (I,)}) 위의 경우 I는 복소수입니다.즉 위 결과의 과정은 다음과 같습니다. $$x^4-1=(x^2+1)(x+1)(x-1)=0 \rightarrow x=\pm \sqrt{-1}, \; \pm 1=\pm i,\; \pm1$$ 실수...
댓글 쓰기
Read more »