Borsa analizi ve iyi yatırım (uzun vadeli büyüme için) finansal verilerin dikkatle incelenmesini gerektirir . Bu analizde çeşitli metrikler ve oranlar sıklıkla kullanılır, yani bir Yatırım Ürününün yatırım yapılabilirliği veya mevcut durumu değerlendirmek gerekir . 

Örneğin, Kazanç Üstü Fiyat veya PE oranı . Hisse senedi fiyatının yıllık kazanç / hisse oranıdır.

Veya, hisse başına defter değeri . Bir şirketin ortak özkaynaklarının oranının, ödenmemiş hisse senetlerine bölünmesiyle elde edilir. Bir hisse değeri düşük olduğunda, piyasadaki mevcut hisse senedi fiyatıyla ilgili hisse başına daha yüksek bir defter değerine sahip olacaktır.

 

 

Genellikle bu tür veriler Yahoo Finance gibi web sitelerinden edinilebilir. Bununla birlikte, bir tür ücretli, kayıtlı hizmet kullanmıyorsanız, verileri programlı olarak indiremez veya kazıyamazsınız.

Bununla birlikte, bu tür verileri basit bir API çağrısı üzerinden sağlayan birçok mikro hizmet mevcuttur. Bundan yararlanmak için, bu makalede, bir finansal veri mikro hizmetiyle arabirim oluşturmak için basit bir Python sınıfı komut dosyasının nasıl yazılacağını göstereceğiz .

 

 

Bu Python sınıfıyla, bir dizi basit yöntemi çağırarak neredeyse tüm önemli finansal metrikler ve oranlarla verileri çekebilir ve bir Pandas DataFrame oluşturabilirsiniz.

Ayrıca, verileri grafiksel olarak analiz etmek için basit grafik yöntemleri (çubuk grafik ve dağılım grafikleri) sunuyoruz.

Web sitesinden kendi gizli API anahtarınızı (ücretsiz) edinmeniz ve sınıf nesnesini somutlaştırdıktan sonra kaydetmeniz gerektiğini unutmayın.

Bununla birlikte, Python paketini / sınıfını ve onunla birlikte gelen çeşitli yöntemleri inceleyelim.

 

 

Çekirdek Python sınıfı Github deposumda . Repoyu yıldızlamak ve çatallamak ve geliştirmek için çekinmeyin. Depoyu klonlayabilir ve betiği kendi Not defterinizde kullanmaya başlayabilirsiniz.

 

 

Kodu temiz tutmak için, bu makalede, bir test Jupyter not defterinde sınıfın kullanımını gösteririz.

Normal kütüphaneleri ve sınıf nesnesini içe aktararak başlıyoruz.

 

 

Bu sınıftaki tüm yöntemler için, şirketin ticker sembolünü (ABD finansal piyasasında) geçmek zorundayız. Apple Inc için bu 'AAPL'dir.

 

Bu sözlüğü incelersek, API uç noktasından çok miktarda verinin alındığını not edeceğiz. Aşağıda kısmi bir ekran görüntüsü verilmiştir.

 

Python sözlükleriyle çalışmak iyidir, ancak büyük ölçekli veri analizi için bir Pandas DataFrame oluşturmayı düşünmeliyiz. Bunu yapmak için yerleşik bir yöntem sağlıyoruz. Bir DataFrame oluşturmak, daha basit sembollerin bir listesini iletmek kadar kolaydır ve kod, tüm veri kazıma ve yapılandırma işini sizin için yapar.

 

Güzel biçimlendirilmiş bir DataFrame kullanıma hazır!

 

 

API hizmetinden alınan veri türlerini kolayca inceleyebiliriz. Unutmayın, 'profil', 'metrikler' veya 'rasyon' bağımsız değişkenini aktarır ve karşılık gelen veri öğelerinin listesini geri alırız.

 

 

Pakete, verilerle basit görsel analiz için kod ekledik.

Basit çubuk grafiklerde çeşitli metrikleri ve finansal oranları incelemek genellikle yararlıdır. Bunu yapmak için, çizilmek istediğiniz değişkenin adını yazmanız yeterlidir. Renk ve saydamlık (alfa) gibi her zamanki Matplotlib anahtar kelime bağımsız değişkenlerini de ekleyebilirsiniz.

 

 

Ayrıca, finansal metrikler arasındaki ilişkileri görsel olarak analiz etmek için basit dağılım grafikleri çizebilirsiniz.

 

Dağılım grafiğindeki işaretleyicilerin boyutunu ölçeklemek için kullanılacak üçüncü bir değişkeni de iletebilirsiniz. Bu, dolaylı bir şekilde, 2 boyutlu bir grafikte ikiden fazla değişkeni görselleştirmeye yardımcı olur. Örneğin, hisse fiyatı parametresini aşağıdaki kodda üçüncü değişken olarak aktarıyoruz.

 

Çoğu zaman, yatırımcılar mevcut verilerle kendi filtrelerini ve yatırım mantığını oluşturmak isteyebilirler.

Örneğin, yalnızca piyasa değeri 200 milyar USD'nin üzerinde olan şirketleri dikkate almak ve ardından EBIDTA üzerinden kurumsal değer çubuk grafikte.

Temeldeki DataFrame'e erişebilir, özel bir DataFrame oluşturabilir ve ardından financeAPI()hazır grafik yöntemlerinden yararlanmak için bu özel DataFrame'i yeni bir nesneye atayabiliriz .

Bu şekilde, API'dan tekrar veri istememiz gerekmeyecek. Ücretsiz API anahtarıyla okunan veri sayısının sınırlandırılması nedeniyle verilerin mümkün olduğunca okunmasından kaçınmalıyız.

 

Ve sonra bu özel DataFrame'e (özel sınıf nesnesine gömülü) dayanan bir çubuk grafik çiziyoruz.

 

Çok çeşitli finansal metrikleri ve oranları bir mikro hizmetten çekmek için kullanılabilecek basit bir Python sınıfının / paketinin uygulanmasını ve kullanımını gördük.

Bu çalışmanın , dinamik zaman serisi payı piyasa fiyatlandırma verilerine değil, yıllık mali tablolarda da mevcut olduğu gibi statik finansal verilere odaklandığını unutmayın . Büyüme odaklı yatırım için bir firmanın uzun vadeli finansal gücünü ölçmek için kullanılmalıdır.