[금융경제] 주가데이터 지수화(Indexing), 변동률 구하기, 주가데이터 불러오기

__Data Analysis/교육 2021. 5. 18. 02:18

주식 데이터를 불러오는 방법

1. yfinance

2. pykrx의 stock

3. FinanceDataReader

4. pandas_datareader의 data

아래의 글에서 자세히 설명했으니 참고해주세요!

[Python] - [python] jupyter+colab | 파이썬에서 금융데이터 수집하기

[python] jupyter+colab | 파이썬에서 금융데이터 수집하기

목표 : 유가 증권 시장의 데이터를 끌어올 수 있다. 금융데이터를 수집하는 라이브러리 4가지 종류 - pykrx - FinanceDataReader - pandas_datareader - yfinance Jupyter 또는 Pycharm에서 라이브러리 설치 방법..

kkwor1d.tistory.com

아래 코드에서는 yfinance와 pykrx를 이용해 금융 데이터를 수집하고 분석하는 방법을 소개합니다.

그 외 FinanceDataReader 또는 pandas datareader는 다른 글에서 소개하도록 하겠습니다.

< 코드 구현 >

필요한 패키지 설치

!pip install yfinance
!pip install pykrx

라이브러리 불러오기

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

import FinanceDataReader as fdr
from pandas_datareader import data as pdr
import yfinance as yf
import pykrx as krx
from pykrx import stock # pykrx:패키지, import stock:모듈

yahoo financial API¶

pandas-datareader의 yahoo API를 이용해 금융데이터 수집하기

df_ss = pdr.get_data_yahoo('005930.KS','20200101','20200131') 
df_apl = pdr.get_data_yahoo('AAPL','20200101','20200131')

df_ss.head()
# ohlcv : Open High Low Close Volume 

Out>

	High	Low	Open	Close	Volume	Adj Close
Date
2020-01-02	56000	55000	55500	55200	12993228	52537.179688
2020-01-03	56600	54900	56000	55500	15422255	52822.707031
2020-01-06	55600	54600	54900	55500	10278951	52822.707031
2020-01-07	56400	55600	55700	55800	10009778	53108.238281
2020-01-08	57400	55900	56200	56800	23501171	54059.992188

불필요한 컬럼 삭제

df_ss.drop('Adj Close',axis=1, inplace=True)
df_apl.drop('Adj Close',axis=1, inplace=True)

df_ss.info() # 연월일 index로 잡혀있음.

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 20 entries, 2020-01-02 to 2020-01-31
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   High    20 non-null     int64
 1   Low     20 non-null     int64
 2   Open    20 non-null     int64
 3   Close   20 non-null     int64
 4   Volume  20 non-null     int64
dtypes: int64(5)
memory usage: 960.0 bytes

df_ss.head()

Out>

	High	Low	Open	Close	Volume
Date
2020-01-02	56000	55000	55500	55200	12993228
2020-01-03	56600	54900	56000	55500	15422255
2020-01-06	55600	54600	54900	55500	10278951
2020-01-07	56400	55600	55700	55800	10009778
2020-01-08	57400	55900	56200	56800	23501171

삼성전자 & 애플 주가 비교

# 단위가 달라 비교 불가  --- 지수화 필요
plt.plot(df_ss.index,'Close',data=df_ss,label='SAMSUNG')
plt.plot(df_apl.index,'Close',data=df_apl,label='APPLE')
plt.xticks(rotation=45)
plt.grid()
plt.legend()
plt.title('SAMSUNG VS APPLE')
plt.show()

일간변동률 지수화(indexing)¶

가격이 다른 두 주가의 수익률 비교
오늘 - 전일(특정일) / 전일 * 100

변동률 계산

# 변동률
for df in [df_ss,df_apl]:
    df['전일종가'] = df['Close'].shift() # default 1 : 하루(1일) 차분, 아래로 내려라 ; diff
    df['전일대비변동가격'] = df['Close'] - df['전일종가']
    df['전일기준등락율'] = ((df['Close'] - df['전일종가'])/df['전일종가']) * 100  
# 주식의 1년은 365일이 아니다. 즉, 1주일도 7일이 아닌 5일을 계산해야 한다.(빨간날,주말 제외)

df_ss.head()

Out>

	High	Low	Open	Close	Volume	전일종가	전일대비변동가격	전일기준등락율
Date
2020-01-02	56000	55000	55500	55200	12993228	NaN	NaN	NaN
2020-01-03	56600	54900	56000	55500	15422255	55200.0	300.0	0.543478
2020-01-06	55600	54600	54900	55500	10278951	55500.0	0.0	0.000000
2020-01-07	56400	55600	55700	55800	10009778	55500.0	300.0	0.540541
2020-01-08	57400	55900	56200	56800	23501171	55800.0	1000.0	1.792115

df_apl.head()

Out>

	High	Low	Open	Close	Volume	전일종가	전일대비변동가격	전일기준등락율
Date
2019-12-31	73.419998	72.379997	72.482498	73.412498	100805600	NaN	NaN	NaN
2020-01-02	75.150002	73.797501	74.059998	75.087502	135480400	73.412498	1.675003	2.281632
2020-01-03	75.144997	74.125000	74.287498	74.357498	146322800	75.087502	-0.730003	-0.972204
2020-01-06	74.989998	73.187500	73.447502	74.949997	118387200	74.357498	0.592499	0.796825
2020-01-07	75.224998	74.370003	74.959999	74.597504	108872000	74.949997	-0.352493	-0.470305

차트 출력

plt.plot(df_ss.index,'전일기준등락율',data=df_ss,label='SAMSUNG')
plt.plot(df_apl.index,'전일기준등락율',data=df_apl,label='APPLE')
plt.xticks(rotation=45)
plt.grid()
plt.legend()
plt.title('SAMSUNG VS APPLE')
plt.show()

Pykrx¶

Pykrx의 stock을 이용해 주식 데이터 수집하기

df_ss = stock.get_market_ohlcv_by_date('20190101','20210101', '005930')
df_lg = stock.get_market_ohlcv_by_date('20190101','20210101', '066570')

df_ss.head()

Out>

	시가	고가	저가	종가	거래량
날짜
2019-01-02	39400	39400	38550	38750	7847664
2019-01-03	38300	38550	37450	37600	12471493
2019-01-04	37450	37600	36850	37450	14108958
2019-01-07	38000	38900	37800	38750	12748997
2019-01-08	38000	39200	37950	38100	12756554

for df in [df_ss,df_lg]:
    df['전일종가'] = df['종가'].shift() 
    df['일일등락률'] = ((df['종가'] - df['전일종가'])/df['전일종가']) * 100  

df_ss.head()

Out[36]:

	시가	고가	저가	종가	거래량	전일종가	일일등락률
날짜
2019-01-02	39400	39400	38550	38750	7847664	NaN	NaN
2019-01-03	38300	38550	37450	37600	12471493	38750.0	-2.967742
2019-01-04	37450	37600	36850	37450	14108958	37600.0	-0.398936
2019-01-07	38000	38900	37800	38750	12748997	37450.0	3.471295
2019-01-08	38000	39200	37950	38100	12756554	38750.0	-1.677419

df_lg.head()

Out>

	시가	고가	저가	종가	거래량	전일종가	일일등락률
날짜
2019-01-02	63300	64200	62700	62800	568844	NaN	NaN
2019-01-03	63100	64100	62100	62900	604561	62800.0	0.159236
2019-01-04	63000	63400	61100	62200	602100	62900.0	-1.112878
2019-01-07	63100	64700	62700	64200	660173	62200.0	3.215434
2019-01-08	63700	63700	61200	61900	1338626	64200.0	-3.582555

# shift 후 결측값 채우는 방법

# 방법1 : df_lg.fillna(0, inplace=True, axis=1)
# 방법2 : 앞뒤로 채워넣음. 0일리는 없음. 새로 발행되었으면 모를까
for df in [df_ss,df_lg]:
    df['일일등락률'].fillna(method='ffill',inplace=True) # 헷갈리면 위아래 다 열엉
    df['일일등락률'].fillna(method='bfill',inplace=True) # 또는 df_lg.fillna 만해도 채워짐 

plt.plot(df_ss.index,'일일등락률',data=df_ss,label='SAMSUNG')
plt.plot(df_lg.index,'일일등락률',data=df_lg,label='LG')
plt.xticks(rotation=45)
plt.grid()
plt.legend()
plt.title('SAMSUNG VS LG')
plt.show()

변화를 확인하려면 누적값을 봐야함

df_ss['일일등락률'].cumsum()[:5]

Out>

날짜
2019-01-02   -2.967742
2019-01-03   -5.935484
2019-01-04   -6.334420
2019-01-07   -2.863125
2019-01-08   -4.540544
Name: 일일등락률, dtype: float64

plt.plot(df_ss.index,df_ss['일일등락률'].cumsum(),label='SAMSUNG')
plt.plot(df_lg.index,df_lg['일일등락률'].cumsum(),label='LG')
plt.xticks(rotation=45)
plt.grid()
plt.legend()
plt.title('SAMSUNG VS LG')
plt.show()

type(df_ss)

Out>

pandas.core.frame.DataFrame

df_lg.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 494 entries, 2019-01-02 to 2020-12-30
Data columns (total 7 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   시가      494 non-null    int32  
 1   고가      494 non-null    int32  
 2   저가      494 non-null    int32  
 3   종가      494 non-null    int32  
 4   거래량     494 non-null    int32  
 5   전일종가    493 non-null    float64
 6   일일등락률   494 non-null    float64
dtypes: float64(2), int32(5)
memory usage: 21.2 KB

df_ss.shape # 거래소 운영일만 데이터 있음.

Out>

(494, 7)

이동평균선

# 이동평균선 rolling (series 데이터 사용)
window_size = 250 # 1년 단위로 묶는다
df_ss['종가'].rolling(window_size, min_periods=1).max() 


# min_periods : 하루라도 있으면 묶어라

Out>

날짜
2019-01-02    38750.0
2019-01-03    38750.0
2019-01-04    38750.0
2019-01-07    38750.0
2019-01-08    38750.0
               ...   
2020-12-23    73900.0
2020-12-24    77800.0
2020-12-28    78700.0
2020-12-29    78700.0
2020-12-30    81000.0
Name: 종가, Length: 494, dtype: float64

temp = pd.DataFrame({"SS":df_ss['종가'], "LG":df_lg['종가']})
temp.head()

Out>

	SS	LG
날짜
2019-01-02	38750	62800
2019-01-03	37600	62900
2019-01-04	37450	62200
2019-01-07	38750	64200
2019-01-08	38100	61900

temp.corr() 

# 60이면 상관도가 높은편 -- LG가 오르면 SS도 오른다? 
# -- 양의 관계는 같이 구매하면 안되지. 하나 폭락하면 같이 떨어짐

Out>

	SS	LG
SS	1.000000	0.595367
LG	0.595367	1.000000

plt.scatter(temp.SS,temp.LG)
plt.xlabel('SS')
plt.ylabel('LG')
plt.show()

from scipy import stats
reg = stats.linregress(temp.SS,temp.LG)

print(type(reg))
print(reg)   # reg = ('d'=value) # 키워드 dict

<class 'scipy.stats._stats_mstats_common.LinregressResult'>
LinregressResult(slope=0.9480898106012626, intercept=22915.262833912013, rvalue=0.5953667255560411, pvalue=1.0476300600213361e-48, stderr=0.057682414451396484, intercept_stderr=3026.2527009378027)

# y = ax + b 회귀선
x= 1
hx = reg.slope * x + reg.intercept  # reg[0]*x + reg[1] 

plt.scatter(temp.SS,temp.LG)
plt.scatter(temp.SS,reg.slope * temp.SS + reg.intercept)

plt.xlabel('SS')
plt.ylabel('LG')
plt.show()

'__Data Analysis > 교육' 카테고리의 다른 글

[금융경제] 유가증권 - 수익률 계산 (0)	2021.06.08
[금융경제] 파생상품 - 옵션(Option) (0)	2021.05.31
[금융경제] 파생상품 - 선물(Futures) (0)	2021.05.29
[금융경제] 실습2 - 환율 (0)	2021.05.26
[금융경제] 실습1 - 국채권과 금리 이상현상 확인 (0)	2021.05.15

ABOUT ME

KL's notebook KL's notebook

yahoo financial API¶

일간변동률 지수화(indexing)¶

Pykrx¶

'__Data Analysis > 교육' 카테고리의 다른 글

티스토리툴바

ABOUT ME

yahoo financial API¶

일간변동률 지수화(indexing)¶

Pykrx¶

'__Data Analysis > 교육' 카테고리의 다른 글

관련글 관련글 더보기

티스토리툴바