pyensae StockPrices September 1, Manipulation de séries financières avec la classe StockPrices

Transcription

1 pyensae StockPrices September 1, Manipulation de séries financières avec la classe StockPrices La classe StockPrices facilite la récupération de données financières via le site Yahoo Finance ainsi que diverses opérations simples. In [1]: import pyensae %nb_menu Out[1]: <IPython.core.display.HTML object> In [2]: %pylab inline import matplotlib.pyplot as plt plt.style.use( ggplot ) Populating the interactive namespace from numpy and matplotlib Initialisation In [3]: import pyensae import os from pyensae import StockPrices cache = os.path.abspath("cache") if not os.path.exists(cache) : os.mkdir(cache) Créer un objet StockPrices Le plus est d utiliser le tick de la série financière utilisé par le site Yahoo Finance. In [4]: stock = StockPrices ("GLE.PA", folder = cache) stock.head() Out[4]: Open High Low Close Volume Adj Close La classe StockPrices contient un objet pandas.dataframe auquel on accède en écrivant stock.dataframe ou stock.df : In [5]: stock.dataframe.columns Out[5]: Index([, Open, High, Low, Close, Volume, Adj Close ], dtype= object ) 1

2 De la même manière, on peut créer un objet StockPrices à partir d un DataFrame : In [8]: import pandas data = [ {"":" ", "Close":105.6}, {"":" ", "Close":104.6}, {"":"20 df = pandas.dataframe(data) stock = StockPrices("donnees",df) stock.head() Out[8]: Close Quelques graphes Premier dessin, on télécharge les données de BNP puis on dessine le cours de l action. In [9]: stock = StockPrices ("GLE.PA", folder = cache) ax= StockPrices.draw( stock, figsize=(12,6)) La série montre quelques problèmes de consistance durant l année In [11]: stock = StockPrices ("BNP.PA", folder = cache) StockPrices.draw( stock, figsize=(12,6)) Out[11]: <matplotlib.axes. subplots.axessubplot at 0xb3e2e48> 2

3 La même chose se produit sur une autre série financière mais pas à la même date. On trace maintenant la série Adj Close définit sur cette page : About historical prices. In [12]: stock = StockPrices ("BNP.PA", folder = cache) StockPrices.draw( stock, field=["adj Close", "Close"], figsize=(12,6)) Out[12]: <matplotlib.axes. subplots.axessubplot at 0xb27d9b0> Cette série ne fait pas apparaître ce saut de prix qui est survenu le 20 février 2002 lorsque le cours nominal de l action a été divisé par deux pour augmenter la liquidité. Le nombre d actions a été multiplié par deux. Le ratio Adj Close/Close peut être appliqué sur les séries Open, High, Low pour obtenir les séries ajustées (voir aussi cette présentation). In [13]: stock = StockPrices ("BNP.PA", folder = cache) df = stock[" ":" "] StockPrices.draw( df, field="volume", figsize=(12,6)) 3

4 Out[13]: <matplotlib.axes. subplots.axessubplot at 0x9e43400> Le volume n a pas l air impacté ce qui porte à croire que celui-ci est exprimé en euros et non en nombre de titres échangés Ajouter une seconde série sur un graphe Dans l exemple suivant, on trace une série financière puis on ajoute la série des rendements sur un second axe. In [15]: stock = StockPrices ("BNP.PA") ret = stock.returns()[" ":" "] ret.dataframe.ix[" ":" ","close"]=0 ax = stock.plot(figsize=(16,8)) ret.plot(axis=2, ax=ax) # on annule certains valeurs Out[15]: <matplotlib.axes. subplots.axessubplot at 0xb6f34e0> 4

5 1.0.5 Quelques opérations In [17]: os.listdir(cache) Out[17]: [ BNP.PA txt, GLE.PA txt, GLE.PA txt ] On affiche les dernières lignes. In [18]: stock.tail() Out[18]: Open High Low Close Volume Adj Close On récupère la série des rendements. In [19]: ret = stock.returns() ret.tail() Out[19]: Volume Open High Low Close \ Adj Close On trace la série des rendements pour les derniers mois. In [20]: StockPrices.draw(ret, figsize=(12,6), begin=" ", date_format="%y-%m") Out[20]: <matplotlib.axes. subplots.axessubplot at 0x9d262e8> 5

6 1.0.6 Quelques notions sur les dates La classe StockPrices utilise les dates sous forme de chaînes de caractères. De cette façon, il n est pas possible de faire des opérations dessus. Pour ce faire, il faut les convertir en un objet appelé datetime. In [21]: from datetime import datetime, timedelta dt = datetime.strptime(" ","%y-%m-%d") dt Out[21]: datetime.datetime(2014, 3, 31, 0, 0) On ajoute un jour : In [22]: delta = timedelta(1) dt = dt + delta dt Out[22]: datetime.datetime(2014, 4, 1, 0, 0) Puis on convertit dans l autre sens : In [23]: s = dt.strftime("%y-%m-%d") s Out[23]: Promenade dans l index Il est facile de récupérer les valeurs correspondant à une date précise. Mais comment récupérer la valeur du jour d après? In [24]: stock = StockPrices ("GLE.PA", folder = cache) df = stock.dataframe print("a",df[" ":" "]) # print("b",df[" "]) # ne fonctionne pas 6

7 # print("c",df[" ","close"]) #ne fonctionne pas print("d",df.ix[" ","close"]) print("e",df.ix[0,"close"]) print("f",df.ix[1,"close"]) print("g",df.index.get_loc(" ")) #retourne la position de cette date print("h",df.ix[df.index.get_loc(" ")+1,"close"]) # retourne le Close du lendemain A Open High Low Close Volume Adj Close D E F G 3 H Sauver les tables On peut conserver les données sous forme de fichiers pour les récupérer plus tard. In [26]: stock = StockPrices ("GLE.PA", folder = cache) stock.dataframe.to_csv("donnees.txt", sep="\t") os.listdir(".") Out[26]: [.ipynb checkpoints, azure blob storage.ipynb, cache, dbcc.png, donnees.txt, example of ssh client communication.ipynb, img nb sqlitespy.png, magic commands about files.ipynb, notebook example.db3, pyensae flat2db3.ipynb, pyensae sql magic.ipynb, pyensae StockPrices.ipynb, pyensae text2table.ipynb, pyensae velib.ipynb, python hadoop pig.ipynb, velib vanves.txt, velib vanves.zip, view differences.ipynb ] Le fichier est sauvé. Pour le récupérer avec pandas : In [27]: import pandas df = pandas.read_csv("donnees.txt",sep="\t") df.head() Out[27]:.1 Open High Low Close Volume \

8 Adj Close Les dates apparaissent deux fois... Si on regarde le fichier sauvé sur disque dur : In [28]: with open("donnees.txt","r") as f : text = f.read() print(text[:400]) Open High Low Close Volume Adj Close Cela est dû au fait que les dates sont à la fois une colonne et servent d index. Pour éviter de les conserver deux fois, on demande explicitement à ce que l index ne soit pas ajouté au fichier : In [29]: stock = StockPrices ("GLE.PA", folder = cache) stock.dataframe.to_csv("donnees.txt", sep="\t", index=false) Puis on récupère les données : In [30]: df = pandas.read_csv("donnees.txt",sep="\t") df.head() Out[30]: Open High Low Close Volume Adj Close On vérifie le fichier sur disque dur : In [31]: with open("donnees.txt","r") as f : text = f.read() print(text[:400]) Open High Low Close Volume Adj Close C est mieux. 8