[Algorithmic Trading] Browsing Stock Data | 주가 데이터 열람

Browsing Stock Data

주가 데이터 열람

- 파이썬 코드상에서 주가 데이터를 불러오고 열람하는 방법을 다룬다.

---

Downloading Stock Price Data (주가 데이터 다운로드)

Yahoo Finance (URL)
- Pandas에서는 야후 파이낸스에서 주가 데이터를 다운로드하는 기능을 제공하고 있다.
- 세계 증권 시장 Suffix (URL)

Example. Downloading Stock Price Data from Yahoo Finance using \(\texttt{Pandas}\)

# stock_data.py

import pandas as pd
import pandas_datareader.data as web
import datetime

def download_stock_data(file_name, company_code, year1, month1, date1, year2, month2, date2):
    '''
    Arguments:
    file_name          다운로드한 주가 데이터를 저장할 파일 이름
    company_code       종목코드
    year1/month1/date1 데이터를 다운로드할 시작일자
    year2/month2/date2 데이터를 다운로드할 마감일자
    '''
                                    
    start = datetime.datetime(year1, month1, date1)
    end = datetime.datetime(year2, month2, date2)
    df = web.DataReader("%s.KS" % (company_code), "yahoo", start, end)
                                                   
    df.to_pickle(file_name)
                                                     
    return df

def load_stock_data(file_name):
    df = pd.read_pickle(file_name)
    return df

# Stock Data를 파일로 저장하고 열람
download_stock_data('samsung.data', '005930', 2020,1,1,2020,2,28)
df = load_stock_data('samsung.data')
print(df.describe())  # pandas에서 제공하는 describe() 함수

- 2020년 1월 1일부터 2020년 2월 28일까지의 삼성전자(005930) 주식의 통계를 다운로드 받고 출력한다.
- 또한, 삼성전가의 주가에 대한 Histogram, Bin, Frequency 데이터도 출력한다.
* Statistics Overview (통계학 개요) (URL)

Execution:

               High           Low          Open         Close        Volume     Adj Close
count     40.000000     40.000000     40.000000     40.000000  4.000000e+01     40.000000
mean   59575.000000  58262.500000  58880.000000  58950.000000  1.699747e+07  55858.975391
std     2062.951582   2127.920316   2189.157431   2174.915265  5.190990e+06   2060.874548
min    55500.000000  54200.000000  54900.000000  54200.000000  8.740596e+06  51358.039062
25%    58075.000000  56350.000000  56900.000000  57100.000000  1.307865e+07  54105.978516
50%    59800.000000  58900.000000  59300.000000  59500.000000  1.571121e+07  56380.136719
75%    61125.000000  59700.000000  60550.000000  60550.000000  2.106650e+07  57375.081055
max    62800.000000  61700.000000  62000.000000  62400.000000  3.005423e+07  59128.074219

 

Column	Meaning	Row	Meaning
High	- 고가	count	- 데이터 개수
Low	- 저가	mean	- 산술평균값
Open	- 시가	std	- 표준편차
Close	- 종가	min	- 최솟값
Volume	- 거래량	25%	- Quantile (사분위수) - Q1값 (하위 25%)
Adj Close	- 분할·배당·배분 등을   고려해 조정한 종가	50%	- Quantile (사분위수) - Q2값 (하위 50%)
		75%	- Quantile (사분위수) - Q3값 (하위 75%)
		max	- 최댓값

---

Browsing by Histogram (히스토그램 표현)

# browsing_by_histogram.py
# Stock Data에 대한 Histogram, Bin, Frequency 정보를 열람

import stock_data as sd
import matplotlib.pyplot as plt

df = sd.load_stock_data('samsung.data')
(n, bins, patched) = plt.hist(df['Open'])
plt.axvline(df['Open'].mean(), color='red')
plt.show()
for index in range(len(n)):
    print("Bin : %0.f, Frequency = %0.f" % (bins[index], n[index]))

Execution:

Bin : 54900, Frequency = 4
Bin : 55610, Frequency = 6
Bin : 56320, Frequency = 0
Bin : 57030, Frequency = 2
Bin : 57740, Frequency = 2
Bin : 58450, Frequency = 5
Bin : 59160, Frequency = 6
Bin : 59870, Frequency = 5
Bin : 60580, Frequency = 5
Bin : 61290, Frequency = 5

---

Browsing by Scatter Plot (산점도 표현)

# browsing_by_scatter_plot.py
# Stock Data에 대한 산점도를 열람

import stock_data as sd
from pandas.plotting import scatter_matrix
import matplotlib.pyplot as plt

df = sd.load_stock_data('samsung.data')
scatter_matrix(df[['Open', 'High', 'Low', 'Close']], alpha=0.2, figsize=(6, 6), diagonal='kde')
df[['Open','High','Low','Close','Adj Close']].plot(kind='box')
plt.show()

Execution:

---

Browsing by Autocorrelation Graph (자기상관 그래프 표현)

# browsing_by_autocorrelation_graph.py
import pandas as pd
import stock_data as sd
from pandas.tools.plotting import scatter_matrix.autocorrelation_plot

df_samsung = sd.load_stock_data('samsung.data')
df_hanmi = sd.load_stock_data('hanmi.data')

# draw autocorrelation graph
fig, axs = plt.subplots(2, 1)
df_samsung['Close'].plot(ax=axs[0])
autocorrelation_plot(df_samsung['Close'], ax=axs[1])
plt.show()

---

Browsing by Autocorrelation Plot (상관도표 표현)

# browsing_by_autocorrelation_plot.py
# Stock Data에 대한 상관도표를 열람

import stock_data as sd

def get_autocorrelation_dataframe(series):
    def r(h):
        return ((data[:n - h] - mean) * (data[h:] - mean)).sum() / float(n) / c0
        
    n = len(series)
    data = np.asarray(series)
    mean = np.mean(data)
    c0 = np.sum((data - mean) ** 2) / float(n)
    x = np.arange(n) + 1
    y = lmap(r, x)
    df = pd.DataFrame(y, index=x)
    return df
    
df_samsung = sd.load_stock_data('samsung.data')
df_samsung_corr = get_autocorrelation_dataframe(df_samsung['Close'])

fig, axs = plt.subplots(2, 1)
axs[1].xaxis.set_visible(False)

df_samsung['Close'].plot(ax=axs[0])
df_samsung_corr[0].plot(kind='bar', ax=axs[1])

plt.show()

Execution:

---

Calculation of Statistics (통계량 계산)

# get_statistics.py
import stock_data as sd
from pandas.tools.plotting import scatter_matrix.autocorrelation_plot

df_samsung = sd.load_stock_data('samsung.data')
df_hanmi = sd.load_stock_data('hanmi.data')

# print covariance
print(df_samsung['Close'].cov(df_hanmi['Close'])

# print correlation
print(df_samsung['Close'].corr(df_hanmi['Close'])

# draw autocorrelation graph
fig, axs = plt.subplots(2, 1)
df_samsung['Close'].plot(ax=axs[0])
autocorrelation_plot(df_samsung['Close'], ax=axs[1])
plt.show()

---

Reference: 머신러닝을 이용한 알고리즘 트레이딩 시스템 개발
(안명호, 류미현 저, 한빛미디어, 2016)