من اخیراً با IEX Cloud ، یک سرویس داده مالی ، یک حساب کاربری ایجاد کرده ام. از آنجا که من در حال یادگیری ویژگی های این منبع داده جدید (برای من جدید) و آزمایش در نوت بوک Jupyter خود هستم ، فکر کردم موارد زیر ممکن است برای دیگران نیز مفید باشد. بنابراین ، من اولین مقاله متوسط خود را ایجاد می کنم و آن را بر روی داده های سری زمانی مالی متمرکز خواهم کرد.

مقالات و منابع کاملاً کمی در مورد تعریف همبستگی و تفاوت بین همبستگی و علیت وجود دارد. بنابراین آنچه در زیر خواهید یافت ، در درجه اول راه هایی برای آزمایش همبستگی و نتایج به چه معنی است. اگر به دنبال استفاده از IEX Cloud هستید ، اگر به دنبال انجام آزمایش های همبستگی در پایتون هستید ، می توانید این مقاله را مفید بدانید و اگر به داده های سری زمانی علاقه دارید!

اگر این کار را دنبال می کنید و خودتان آن را کدگذاری می کنید ، به https://iexcloud. io/ بروید و خود را یک کلید API بدست آورید! بعد به آن نیاز خواهید داشت! همچنین ، نصب کتابخانه IEX Python را فراموش نکنید: https://addisonlynch. github. io/iexfinance/ (لینچ ، 2019). این کتابخانه را با استفاده از: نصب کنید:

$ pip3 نصب iexfinance

وارد كردنپیکربندیوارد كردنپیش روی#OS. Environ ['iex_api_version'] = "iexcloud-sandbox"OS. Environ ['iex_token'] = config. iex_api_key# جایگزین "config. iex_api_key" با کلید API خود از IEX Cloud!

ما برخی از کتابخانه هایی را که به آنها نیاز داریم بارگیری خواهیم کرد. همچنین ، ما بین 1 ژانویه 2017 و 22 نوامبر 2019 از داده ها استفاده خواهیم کرد.

از جانبزمان قراروارد کردن dateTimeاز جانبiexfinance. stocksوارد کردن get_historical_dataوارد كردنmatplotlib. pyplotمانندPLT٪ matplotlib درون خطیstart = dateTime (2017 ، 1 ، 1)پایان = DateTime (2019 ، 11 ، 22)

ما به خاطر سادگی خودسرانه "نزدیک" را انتخاب خواهیم کرد. از این پاسخ داده API ، شما همچنین می توانید باز ، بالا ، کم و حجم را انتخاب کنید. ما با "نزدیک" آزمایش خواهیم کرد.

اکنون ، بیایید یک تماس API برقرار کنیم و داده های بیشتری را بارگیری کنیم ، "SPDR S& P 500 Trust ETF" ، که S& P 500 را ردیابی می کند (Ticker: Spy). ما بعداً در برخی از تست های همبستگی از این استفاده خواهیم کرد.

spy = get_historical_data ("جاسوسی" ، شروع ، پایان ، output_format = 'pandas')plt. figure (figsize = (10 ، 4))plt. plot (spy. index ، spy ['close'])plt. title ("سریال Daily Times برای جاسوسی") ؛

اکنون، بیایید با دانلود داده های سهام FAANG (فیس بوک، آمازون، اپل، نتفلیکس و گوگل) (Kenton، 2019)، و همچنین اضافه کردن علاقه من، تسلا، به بررسی API ادامه دهیم. همچنین اینها را نمودار کنید. به نمودارها دقت کنید و با نمودار SPY بالا مقایسه کنید. برخی از اینها بسیار شبیه به نمودار SPY به نظر می رسند، برخی نه.

FAANGT = get_historical_data(["FB"، "AMZN"، "AAPL"، "NFLX"، "GOOG"، "TSLA"]، شروع، پایان، output_format='pandas')print(FAANGT. head())FB AMZN 
nباز کردن زیاد کم بسته حجم باز زیاد کمتاریخ2017-01-03 116. 03 117. 84 115. 51 116. 86 20663912 757. 92 758. 76 747. 702017-01-04 117. 55 119. 66 117. 29 118. 69 19630932 758. 39 759. 68 754. 202017-01-05 118. 86 120. 95 118. 32 120. 67 19492150 761. 55 782. 40 760. 262017-01-06 120. 98 123. 88 120. 03 123. 41 28545263 782. 36 799. 44 778. 482017-01-09 123. 55 125. 43 123. 04 124. 90 22880360 798. 00 801. 77 791. 77 . GOOG 
nحجم بستهباز کردن زیاد کم حجم بستهتاریخ .2017-01-03 753. 67 3521066 . 778. 81 789. 63 775. 80 786. 14 16572682017-01-04 757. 18 2510526 . 788. 36 791. 34 783. 16 786. 90 10729582017-01-05 780. 45 5830068 . 786. 08 794. 48 785. 02 794. 02 13351672017-01-06 795. 99 5986234 . 795. 26 807. 90 792. 20 806. 15 16401702017-01-09 796. 92 3446109 . 806. 40 809. 97 802. 83 806. 65 1274645 TSLAباز کردن زیاد کم حجم بستهتاریخ2017-01-03 214. 86 220. 33 210. 96 216. 99 59232542017-01-04 214. 75 228. 00 214. 31 226. 99 112134712017-01-05 226. 42 227. 48 221. 95 226. 75 59116952017-01-06 226. 93 230. 31 225. 45 229. 01 55278932017-01-09 228. 97 231. 92 228. 00 231. 28 3979484 [5 ردیف x 30 ستون]plt. figure(figsize=(15, 4))#FBplt. subplot(1، 2، 1)plt. plot(FAANGT. index، FAANGT['FB']['close'])plt. title ("سریال های روزانه تایمز برای FB")#AMZNplt. subplot(1، 2، 2)plt. plot(FAANGT. index، FAANGT['AMZN']['close'])plt. title('سریال های روزانه تایمز برای AMZN');plt. figure(figsize=(15, 4))#AAPLplt. subplot(1، 2، 1)plt. plot(FAANGT. index، FAANGT['AAPL']['close'])plt. title('سریال های روزانه برای AAPL');#GOOGplt. subplot(1، 2، 2)plt. plot(FAANGT. index، FAANGT['GOOG']['close'])plt. title('سریال های روزانه برای GOOG');plt. figure(figsize=(15, 4))#TSLAplt. subplot(1، 2، 1)plt. plot(FAANGT. index، FAANGT['TSLA']['close'])plt. title('سریال های روزانه برای TSLA');

اکنون که ما داده ها را برای سهام Faang (و TSLA) و S& P 500 داریم و اینها را ترسیم کرده ایم تا بدانیم که آنها چگونه به نظر می رسند. بیایید یک آزمایش را امتحان کنیم! ما می خواهیم یک آزمون همبستگی پیرسون را امتحان کنیم تا همبستگی در مورد همه این سهام و S& P 500 را آزمایش کنیم. نظر شما چیست؟با توجه به مشاهده نمودارها و رفتن به شهود ، آیا آنها ارتباط دارند؟

همبستگی نشان می دهد که ضریب همبستگی پیرسون بی ن-1 و 1+ است. اگر به 1+ نزدیکتر شویم ، ما شاهد همبستگی مثبت هستیم. اگر همبستگی پیرسون ب ه-1 نزدیکتر باشد ، یک همبستگی منفی (چونگ ، 2019).

وارد كردنپاندامانندpdواردات Scipy. stats را به عنوان آمار وارد کنید# این را برش دهید تا کار با آن آسان تر شود.indx = pd. indexslicedf1 = faangt. loc [: ، (indx [:] ، 'Close')]c ، p = stats. pearsonr (df1 ['fb']. dropna () ['close'] ، spy. dropna () ['close'])چاپ (F "FB vs Spy Pearson همبستگی: n ")c ، p = stats. pearsonr (df1 ['amzn']. dropna () ['close'] ، spy. dropna () ['close'])چاپ (F "AMZN vs Spy Pearson همبستگی: n ")c ، p = stats. pearsonr (df1 ['aapl']. dropna () ['close'] ، spy. dropna () ['close'])چاپ (F "AAPL در مقابل جاسوسی Pearson همبستگی: n ")c ، p = stats. pearsonr (df1 ['goog']. dropna () ['close'] ، spy. dropna () ['close'])چاپ (F "Goog vs Spy Pearson همبستگی: n ")c ، p = stats. pearsonr (df1 ['tsla']. dropna () ['close'] ، spy. dropna () ['close'])چاپ (F "Tsla vs Spy Pearson همبستگی:")همبستگی FB در مقابل جاسوسی پیرسون: 0. 7325442525842248همبستگی AMZN در مقابل جاسوسی پیرسون: 0. 910899729798812AAPL در مقابل جاسوسی پیرسون همبستگی: 0. 917609857096427Goog vs Spy Pearson همبستگی: 0. 9485878709468345Tsla vs Spy Pearson همبستگی: -0. 26968006350226387

از تاریخ 11/22/2019 ، Google (GOOG) بالاترین ضریب همبستگی پیرسون را از همه این گزینه ها دارد. همچنین ، تسلا (TSLA) با S& P 500 همبستگی منفی دارد. بسیاری از این موارد را می توانید با نگاه در نمودارهای بالا و مقایسه نمودارها با نمودار S& P 500 پیدا کنید. اما اکنون شما یک رویکرد کمی برای همبستگی دارید!

اکنون ، برای کاوش در API کمی بیشتر ، بیایید ببینیم ویژگی احساسات اجتماعی چگونه به نظر می رسد. ما دیروز (11/22/2019) برای تسلا نگاهی خواهیم انداخت.

از جانبiexfinance. altdataوارد کردن get_social_sentiment ، get_ceo_compensationدوره = 'دقیقه'Specday = "20191122"tsla_sent = get_social_sentiment ("tsla" ، دوره ، specday ، output_format = 'pandas')چاپ (tsla_sent. head ())دقایقی منفی مثبت احساسات توتال0 0000 0. 12 0. 88 0. 084958 261 0001 0. 12 0. 88 0. 160624 172 0002 0. 11 0. 89 0. 061056 183 0003 0. 29 0. 7 1-0. 180071 174 0004 0. 07 0. 93 0. 066293 15

برای دیروز ، بالاترین امتیاز برای مثبت ترین و منفی ترین احساسات اجتماعی تسلا چیست؟

tsla_sent_pos = tsla_sent ['sentiment']. حداکثر ()tsla_sent_neg = tsla_sent ['sentiment']. min ()چاپ ("بالاترین احساسات اجتماعی در تاریخ 11/22/2019:" ، tsla_sent_pos)چاپ ("پایین ترین احساسات اجتماعی در تاریخ 11/22/2019:" ، TSLA_SENT_NEG)بالاترین احساسات اجتماعی در تاریخ 11/22/2019: 0. 9785کمترین احساسات اجتماعی در تاریخ 11/22/2019: -0. 9487

این API همچنین دارای اطلاعات مدیرعامل است! بیایید نگاهی به اطلاعات مدیرعامل برای سهام FAANG و TSLA که قبلاً تحقیق کرده بودیم بپردازیم. ما از DF1 استفاده خواهیم کرد که هنگام انجام تست های همبستگی ایجاد شده و برای ساده سازی استفاده می شود.

وارد كردنpprintبرای n ، qدر DF1:pprint. pprint (get_ceo_compensation (n))"CompanyName": "Facebook Inc. کلاس A" ،"مکان": "Menlo Park ، CA" ،"نام": "مارک زاکربرگ" ،"NoquityIncentives": 0 ،"گزینه های": 0 ،"OtherComp": 22554542 ،"بازنشستگی": 0 ،"حقوق": 1 ،"Stockawards": 0 ،"نماد": "fb" ،"کل": 22554543 ،'year': '2018'>"CompanyName": "Amazon. com Inc." ،"مکان": "سیاتل ، WA" ،"نام": "جفری بزوس" ،"NoquityIncentives": 0 ،"گزینه های": 0 ،'OtherComp': 1600000 ،"بازنشستگی": 0 ،"حقوق": 81840 ،"Stockawards": 0 ،"نماد": "AMZN" ،'Total': 1681840 ،'year': '2018'>"CompanyName": "شرکت اپل" ،"مکان": "Cupertino ، CA" ،"نام": "تیموتی کوک" ،"NoquityIncentives": 12000000 ،"گزینه های": 0 ،"OtherComp": 682219 ،"بازنشستگی": 0 ،"حقوق": 3000000 ،"Stockawards": 0 ،"نماد": "aapl" ،"کل": 15682219 ،'year': '2018'>"CompanyName": "شرکت Netflix" ،"مکان": "Los Gatos ، CA" ،"نام": "رید هاستینگز" ،"NoquityIncentives": 0 ،"گزینه های": 35380417 ،"OtherComp": 0 ،"بازنشستگی": 0 ،"حقوق": 700000 ،"Stockawards": 0 ،"نماد": "nflx" ،'Total': 36080417 ،'year': '2018'>"CompanyName": "Alphabet Inc. کلاس A" ،"مکان": "نمای کوه ، کالیفرنیا" ،"نام": "لری صفحه" ،"NoquityIncentives": 0 ،"گزینه های": 0 ،"OtherComp": 0 ،"بازنشستگی": 0 ،"حقوق": 1 ،"Stockawards": 0 ،"نماد": "گوگ" ،"کل": 1 ،'year': '2018'>"CompanyName": "Tesla Inc" ،"مکان": "پالو آلتو ، کالیفرنیا" ،"نام": "الون مسک" ،"NoquityIncentives": 0 ،"گزینه های": 2283988504 ،"OtherComp": 0 ،"بازنشستگی": 0 ،"حقوق": 56380 ،"Stockawards": 0 ،"نماد": "Tsla" ،'Total': 2284044884 ،'year': '2018'>

چیزهای بیشتری برای کشف و تجزیه و تحلیل وجود دارد. در مقاله بعدی ، من قصد دارم تا برخی از داده های "زمان واقعی" IEX Cloud ، چنین کتابهایی را کشف کنم. همچنین ، من ممکن است با تجزیه و تحلیل سری زمانی ادامه دهم و به برخی پیش بینی های اساسی ادامه دهم. امیدوارم این اکتشاف را مفید بدانید!

منابع

• کنتون ، دبلیو. (2019 ، 18 نوامبر). سهام فانگ چیست؟برگرفته از 28 نوامبر 2019 ، از https://www. investopedia. com/terms/faang-stocks. asp.
• لینچ ، ا. (2019 ، 24 اکتبر). addisonlynch/iexfinance. برگرفته از 28 نوامبر 2019 ، از https://github. com/addisonlynch/iexfinance.
• Cheong ، J. H. (2019 ، 13 مه). چهار راه برای تعیین همگام سازی بین داده های سری زمانی. برگرفته از 28 نوامبر 2019 ، از https://towardsdatascience. com/four-ways-to-quantify-synchrony-between-series-data-b99136c4a9c9.< Pan> چیزهای بیشتری برای کشف و تجزیه و تحلیل وجود دارد. در مقاله بعدی ، من قصد دارم تا برخی از داده های "زمان واقعی" IEX Cloud ، چنین کتابهایی را کشف کنم. همچنین ، من ممکن است با تجزیه و تحلیل سری زمانی ادامه دهم و به برخی پیش بینی های اساسی ادامه دهم. امیدوارم این اکتشاف را مفید بدانید!