اینجا یکی دیگر است! در پایتون من برای تجزیه و تحلیل سهام. امیدوارم این را دوست داشته باشید! برای تجزیه و تحلیل کامل تر سهام به مقاله من بروید:

پایتون برای تجزیه و تحلیل سهام

در این پروژه ، ما داده های موجود در بورس را تجزیه و تحلیل خواهیم کرد.

مقدمه ای بر شاخص قدرت نسبی (RSI)

شاخص قدرت نسبی (RSI) یک شاخص فنی محبوب و نوسان ساز حرکت است ، که توسط J. Welles Wilder در سال 1978 ساخته شده است. RSI اندازه و میزان اوراق بهادار و دستاوردهای اخیر (معمولاً در یک دوره 14 روزه) و سیگنال ها را با هم مقایسه می کند. یک معامله گر اگر یک امنیت "بیش از حد" یا "oversold" را در نظر بگیرد.

مقادیر RSI در محدوده 0-100 اندازه گیری می شود ، با مقدار 70 و بالاتر از سیگنال یک امنیت بیش از حد و مقادیر 30 و پایین تر از آن استفاده می شود. مقادیر بالاتر از 70 ممکن است زمان مناسبی برای فروش و خروج از موقعیت شما نشان دهد. مقادیر زیر 30 زمان مناسب برای خرید و ورود به موقعیت را نشان می دهد.

چگونه RSI را اندازه گیری کنیم؟

برای محاسبه RSI ، یک معامله گر ابتدا باید میانگین سود و زیان را در یک دوره زمانی خاص محاسبه کند. به طور معمول ، این دوره 14 روز است ، اما در نهایت توسط معامله گر تصمیم می گیرد.

معامله گران متمرکز کوتاه مدت ممکن است از یک مقدار کوچکتر استفاده کنند (به عنوان مثال 8) ، در حالی که معامله گران بلند مدت ممکن است از مقادیر بالاتری مانند N = 24 استفاده کنند. برای این مثال ، ما از دوره 14 روزه استفاده خواهیم کرد که توسط J. Welles پیشنهاد شده استوحشی تر

متوسط سود و تلفات با استفاده از میانگین متحرک صاف یا میانگین نورد محاسبه می شود. در این مثال ، ما از میانگین متحرک نمایی (EMA) برای محاسبه وسایل نورد در پنجره 14 روزه استفاده خواهیم کرد.

پس از اتمام این کار ، می توان از فرمول زیر برای محدود کردن مقادیر در محدوده 0-100 استفاده کرد:

ما این کار را در پایتون پیاده سازی خواهیم کرد و از داده های تاریخی MSFT برای این آموزش استفاده خواهیم کرد.

بیایید داده ها را بخوانیم ، من پرونده CSV را از Finance Yahoo بارگیری کرده ام. این پرونده CSV بیش از 20 + سال داده دارد ، که باید برای این آموزش کافی باشد.

حالا بیایید شروع کنیم!

1. واردات و داده ها خوانده می شود

بیایید کتابخانه های اساسی را وارد کنیم.

وارد کردن numpy به عنوان npواردات پاندا به عنوان PDوارد کردن matplotlib. pyplot به عنوان plt

سپس می خواهم CSV را که از Finance Yahoo بارگیری کردم ، بخوانم. همچنین می توانید با استفاده از کتابخانه پایتون ارائه شده توسط Yahoo Finance ، یعنی Yfinance ، داده ها را دریافت کنید.

سهام = pd. read_csv ("msft. csv")چاپ (سهام)

اکنون ما از کتابخانه TA-Lib برای محاسبه RSI استفاده خواهیم کرد.

سهام [‘rsi '] = ta. rsi (سهام [" نزدیک "] ، 14)سهام [‘RSI ']. طرح (FIGSIZE = (15،15))plt. show ()

بیایید محدودیت های Overbought = RSI 70 و Oversold = RSI 30 را ترسیم کنیم

به جای حدس زدن و چشم وقتی که نشانگر RSI به ما می گوید خرید و فروش را بخرید ، ممکن است برای ایجاد خرید و فروش محرک در DataFrame مفید باشد.

خوب به نظر می رسد هو! شما می توانید همین کار را انجام دهید و در تجارت الگوریتمی با استفاده از پایتون فقط در چند ثانیه شروع کنید !! شروع کنید و به من اطلاع دهید که آیا پرس و جو دارید.

چگونه می توانیم تلاش کنیم تا رفتار سهام آینده را پیش بینی کنیم؟

در اینجا من لیستی از مدل های مختلف را برای شما ارائه می دهم که می تواند برای پیش بینی قیمت سهام استفاده شود.

پیش بینی قیمت سهام با استفاده از مدل پیامبر فیس بوک

پیش بینی سری زمانی: پیش بینی قیمت سهام مایکروسافت (MSFT) با استفاده از مدل ARIMA

پیش بینی سری زمانی: پیش بینی قیمت سهام اپل با استفاده از یک مدل LSTM

من به شما توصیه می کنم که این مقالات را بخوانید ، مدل های شرح داده شده قادر به پیش بینی قیمت ها با دقت بسیار خوبی هستند.

سلب مسئولیت تلاش هایی برای پیش بینی قیمت سهام با استفاده از الگوریتم های تجزیه و تحلیل سری زمانی انجام شده است ، اگرچه هنوز هم نمی توان از آنها برای قرار دادن شرط بندی در بازار واقعی استفاده کرد. این فقط یک مقاله آموزشی است که به هیچ وجه قصد ندارد افراد را به سمت خرید سهام هدایت کند.

حالا نوبت شماست که به هم بزنید و مرا دنبال کنید. از خواندن شما متشکرم!

اگر این را دوست داشتید ، برای وبلاگ های فنی بیشتر به من دنبال کنید!

"اگر در ابتدا موفق نشوید ، پس از آن برای شما نیست."- مل هلیتزر