기본 콘텐츠로 건너뛰기

벡터와 행렬에 관련된 그림들

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 »

[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 »