기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

댓글 쓰기

[data analysis] yahoo finantical 자료 호출

yahoo finantial의 금융자료 호출

패키지 yfinance를 사용하여 야후금융에서 제공하는 다양한 자료를 호출할 수 있습니다. 다음은 이 패키지의 Ticker() 함수를 적용하여 필라델피아 반도체 지수인 ^sox의 정보를 입수합니다.

import numpy as np
import pandas as pd
import yfinance as yf
sox=yf.Ticker("^sox")
sox_info=sox.info
print(sox_info)
{'maxAge': 86400, 'priceHint': 2, 'previousClose': 4742.42, 'open': 4698.784, 'dayLow': 4507.676, 'dayHigh': 4701.0874, 'regularMarketPreviousClose': 4742.42, 'regularMarketOpen': 4698.784, 'regularMarketDayLow': 4507.676, 'regularMarketDayHigh': 4701.0874, 'fiftyTwoWeekLow': 3151.0, 'fiftyTwoWeekHigh': 5931.83, 'fiftyDayAverage': 5177.1367, 'twoHundredDayAverage': 4747.4033, 'currency': 'USD', 'exchange': 'NIM', 'quoteType': 'INDEX', 'symbol': '^SOX', 'underlyingSymbol': '^SOX', 'shortName': 'PHLX Semiconductor', 'longName': 'PHLX Semiconductor', 'firstTradeDateEpochUtc': 768058200, 'timeZoneFullName': 'America/New_York', 'timeZoneShortName': 'EDT', 'uuid': '4908d90d-2df7-3605-98f3-b3d085cf48db', 'messageBoardId': 'finmb_INDEXSOX', 'gmtOffSetMilliseconds': -14400000, 'trailingPegRatio': None}

다음은 download() 함수를 사용하여 지정한 기간내에 dollor index의 자료를 호출합니다.

st=pd.Timestamp(2024,9, 1)
et=pd.Timestamp(2024, 9, 8)
dollorData=yf.download('DX-Y.NYB', start=st, end=et)
dollorData
Price Adj Close Close High Low Open Volume
Ticker DX-Y.NYB DX-Y.NYB DX-Y.NYB DX-Y.NYB DX-Y.NYB DX-Y.NYB
Date
2024-09-03 00:00:00+00:00 101.830002 101.830002 101.919998 101.559998 101.660004 0
2024-09-04 00:00:00+00:00 101.360001 101.360001 101.779999 101.239998 101.690002 0
2024-09-05 00:00:00+00:00 101.110001 101.110001 101.370003 100.959999 101.279999 0
2024-09-06 00:00:00+00:00 101.180000 101.180000 101.400002 100.580002 101.059998 0

호출한 자료의 행인덱스는 밀리초까지 표현되며 열이름은 이중으로 표기되어 다소 복잡합니다. 이러한 형식을 "년-월-일"의 행인덱스, 각 열의 이름만을 표기하도로 변경합니다.

행 인덱스의 자료형은 pd.DatetimeIndex 형이며 속성 .date에 의해 년, 월, 일만을 추출할 수 있습니다. 또한 여러 행으로 이루어진 열이름은 속성 levels로 호출하며 일부를 추출할 수 있습니다.

dollorData.index[: 3]
DatetimeIndex(['2024-09-03 00:00:00+00:00', '2024-09-04 00:00:00+00:00',
               '2024-09-05 00:00:00+00:00'],
              dtype='datetime64[ns, UTC]', name='Date', freq=None)
dollorData.index[: 3].date
array([datetime.date(2024, 9, 3), datetime.date(2024, 9, 4),
       datetime.date(2024, 9, 5)], dtype=object)
dollorData.columns.levels
FrozenList([['Adj Close', 'Close', 'High', 'Low', 'Open', 'Volume'], ['DX-Y.NYB']])

이 속성을 적용하여 호출한 자료의 형식을 변경할 수 있습니다. 

dollorData.columns=dollorData.columns.levels[0]
dollorData.index=pd.DatetimeIndex(dollorData.index.date)
dollorData
Price Adj Close Close High Low Open Volume
2024-09-03 101.830002 101.830002 101.919998 101.559998 101.660004 0
2024-09-04 101.360001 101.360001 101.779999 101.239998 101.690002 0
2024-09-05 101.110001 101.110001 101.370003 100.959999 101.279999 0
2024-09-06 101.180000 101.180000 101.400002 100.580002 101.059998 0

야후 금융의 자료는 고유한 코드를 사용합니다. 예를 들어 코스피내의 주가 자료의 경우 코드.KS와 같이 .KS가 첨가됩니다.

sam=yf.download('005930.KS', start=st, end=et)
sam
Open High Low Close Adj Close Volume
Date
2024-09-02 74500.0 74700.0 73500.0 74400.0 74400.0 12641376
2024-09-03 74100.0 74300.0 72500.0 72500.0 72500.0 16314599
2024-09-04 69800.0 71100.0 69800.0 70000.0 70000.0 27366563
2024-09-05 70100.0 71200.0 69000.0 69000.0 69000.0 25686769
2024-09-06 69100.0 69700.0 68000.0 68900.0 68900.0 19022299

다음은 다우지수, 나스닥지수, S&P, 필라델피아반도체지수(^sox), VIX 지수, 달러인덱스(DX-Y.NYB) 등의 자료에서 종가(Close)만으로 구성된 자료를 생성합니다. 

st=pd.Timestamp(2010,1, 1)
et=pd.Timestamp(2024, 9,8)
nme1={"dj":"^DJI", "nasd":"^IXIC", "sp":"^SPX", "sox":"^sox", "vix":"^VIX", "Dindx":'DX-Y.NYB'}
Stock={}
for i,j in nme1.items():
    Stock[i]=yf.download(j, start=st, end=et)['Close']
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
pd.DataFrame.from_dict(Stock).tail(3)
dj nasd sp sox vix Dindx
Date
2024-09-04 40974.968750 17084.300781 5520.069824 4770.850098 21.320000 101.360001
2024-09-05 40755.750000 17127.660156 5503.410156 4742.419922 19.900000 101.110001
2024-09-06 40345.410156 16690.830078 5408.419922 4528.220215 22.379999 101.180000

다음은 국내 여러 주가자료를 호출합니다.

nme={'코스피':'^KS11','코스탁':"^KQ11", '삼성전자':'005930.KS','하이닉스':"000660.KS"}
stock={}
for i, j in nme.items():
    d=yf.download(j, start=st, end=et)
    stock[i]=d.drop(labels='Adj Close', axis=1)
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
stock['코스피'].tail(2)
Open High Low Close Volume
Date
2024-09-05 2598.360107 2615.800049 2560.649902 2575.500000 379000
2024-09-06 2576.659912 2576.939941 2529.310059 2544.280029 374800
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 »

[matplotlib] 히스토그램(Histogram)

히스토그램(Histogram) 히스토그램은 확률분포의 그래픽적인 표현이며 막대그래프의 종류입니다. 이 그래프가 확률분포와 관계가 있으므로 통계적 요소를 나타내기 위해 많이 사용됩니다. plt.hist(X, bins=10)함수를 사용합니다. x=np.random.randn(1000) plt.hist(x, 10) plt.show() 위 그래프의 y축은 각 구간에 해당하는 갯수이다. 빈도수 대신 확률밀도를 나타내기 위해서는 위 함수의 매개변수 normed=True로 조정하여 나타낼 수 있다. 또한 매개변수 bins의 인수를 숫자로 전달할 수 있지만 리스트 객체로 지정할 수 있다. 막대그래프의 경우와 마찬가지로 각 막대의 폭은 매개변수 width에 의해 조정된다. y=np.linspace(min(x)-1, max(x)+1, 10) y array([-4.48810153, -3.54351935, -2.59893717, -1.65435499, -0.70977282, 0.23480936, 1.17939154, 2.12397372, 3.0685559 , 4.01313807]) plt.hist(x, y, normed=True) plt.show()
댓글 쓰기
Read more »

R 미분과 적분

내용 expression 미분 2차 미분 mosaic를 사용한 미분 적분 미분과 적분 R에서의 미분과 적분 함수는 expression()함수에 의해 생성된 표현식을 대상으로 합니다. expression expression(문자, 또는 식) 이 표현식의 평가는 eval() 함수에 의해 실행됩니다. > ex1<-expression(1+0:9) > ex1 expression(1 + 0:9) > eval(ex1) [1] 1 2 3 4 5 6 7 8 9 10 > ex2<-expression(u, 2, u+0:9) > ex2 expression(u, 2, u + 0:9) > ex2[1] expression(u) > ex2[2] expression(2) > ex2[3] expression(u + 0:9) > u<-0.9 > eval(ex2[3]) [1] 0.9 1.9 2.9 3.9 4.9 5.9 6.9 7.9 8.9 9.9 미분 D(표현식, 미분 변수) 함수로 미분을 실행합니다. 이 함수의 표현식은 expression() 함수로 생성된 객체이며 미분 변수는 다음 식의 분모의 변수를 의미합니다. $$\frac{d}{d \text{변수}}\text{표현식}$$ 이 함수는 어떤 함수의 미분의 결과를 표현식으로 반환합니다. > D(expression(2*x^3), "x") 2 * (3 * x^2) > eq<-expression(log(x)) > eq expression(log(x)) > D(eq, "x") 1/x > eq2<-expression(a/(1+b*exp(-d*x))); eq2 expression(a/(1 + b * exp(-d * x))) > D(eq2, "x") a * (b * (exp(-d * x) * d))/(1 + b
댓글 쓰기
Read more »