Greito paleidimo vadovas apskaičiuojant koreliacijos matricą Python naudojant NSEpy ir Pandas

Statistical Programming with R by Connor Harris (Liepa 2019).

Anonim

Čia pateikiama greita "python" mokymo priemonė, skirta apskaičiuoti Correlation Matrix tarp kelių atsarginių priemonių, naudojant "python" paketus, pvz., "NSEpy" ir "Pandas". Paprastai koreliacijos koeficientas yra statistinė priemonė, atspindinčia dviejų akcijų / finansinių priemonių koreliaciją. Vertybinių popierių santykio nustatymas yra naudingas analizuojant tarptinklinio ryšio santykius, sektoriaus / akcijų santykius ir sektorių / rinkos santykius.

Štai keletas pagrindinių bibliotekų Python, reikalingų koreliacijos matricos duomenų vizualizacijai

IPython (interaktyvusis "Python")
Pandas ("Python" biblioteka tvarkydama laiko eilučių duomenis)
NSEpy (Iškviesti istorinius duomenis iš NSEindia - NSEpy 0, 3 ver. Arba aukštesnė)
Matplotlib ("Python" biblioteka, skirta 2D braižymui tvarkyti)

Importuokite reikalingus "python" modulius

i) iš nsepy.archives turime importuoti get_price_history: -iš įsigyti akcijų kainų informaciją
ii) nuo importo datos turime importuoti datos objektą: - nurodyti reikalaujamų atsargų datos ribas
iii) importo pandas: - duomenų karkaso kūrimui
iv) importuoti matplotlibą koreliacinės šilumos žemėlapiui suplanuoti

Sukurkite atsargų sąrašą

Iškart istorinius duomenis
Dabar parsisiškite kiekvienos atsargos kainų istoriją, remdamiesi tam tikru laiko limitu ir pridedant paskutinę uždarą vertę į tuščią pandas duomenų bazę

Apskaičiuokite ir suplanuokite koreliacijos matricą
Dabar apskaičiuokite procentinį pokytį ir Pearsono koreliaciją naudodami pandas duomenų karkaso funkcijas pct_change (), corr () ir parašykite koreliacijos matricą naudodami
matplotlib, kaip parodyta žemiau.

Pastaba: " % pylab inline " naudojamas kaip "ipython" nešiojamojo kompiuterio ekrano rodiklis.

Pavyzdys "IPython" nešiojamojo kompiuterio, norint sukurti akcijų koreliacijos matricos žemėlapį, kaip parodyta žemiau: