[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
2024-09-03	101.830002	101.830002	101.919998	101.559998	101.660004
2024-09-04	101.360001	101.360001	101.779999	101.239998	101.690002
2024-09-05	101.110001	101.110001	101.370003	100.959999	101.279999
2024-09-06	101.180000	101.180000	101.400002	100.580002	101.059998

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

[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.

\begin{matrix} (1) & A = P B P^{- 1} \Leftrightarrow P^{- 1} A P = B \end{matrix}

식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다.

\begin{aligned} (식 2) & B - λ I & = P^{- 1} A P - λ P^{- 1} P \\ = P^{- 1} (A P - λ P) \\ = P^{- 1} (A - λ I) P \end{aligned}

식 2의 행렬식은 식 3과 같이 정리됩니다.

\begin{aligned} \begin{aligned} det (B - λ I) & = det (P^{- 1} (A P - λ P)) \\ = det (P^{- 1}) det ((A - λ I)) det (P) \\ = det (P^{- 1}) det (P) det ((A - λ I)) \\ = det (A - λ I) \end{aligned} \\ \begin{aligned} ∵ det (P^{- 1}) det (P) & = det (P^{- 1} P) \\ = det (I) \end{aligned} \end{aligned}

유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

[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} (x) + \cos^{2} (x)

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{Γ (x)}{Γ (x - 2)}

simplify(c)

(x - 2) (x - 1)

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.

\begin{matrix} (식 1) & Γ (n) = {\begin{cases} (n - 1)! & n : 자연수 \\ \int_{0}^{\infty} x^{n - 1} e^{- x} d x & n : 부동소수 \end{cases} \end{matrix}

x=symbols('x') gamma(x).subs(x,4)

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...

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{array}{r} x^{2} - 1 = 0 \to (x + 1) (x - 1) = 0 \\ x = 1 or - 1 \end{array}

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 \to x = \pm \sqrt{- 1}, \pm 1 = \pm i, \pm 1

실수...

sons dataStory

이 블로그 검색

[matplotlib] 등고선(Contour)

[data analysis] yahoo finantical 자료 호출

yahoo finantial의 금융자료 호출

태그

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

[sympy] Sympy객체의 표현을 위한 함수들

sympy.solvers로 방정식해 구하기