Python-Skript für die Analyse der Aktienstimmung

"Der Aktienmarkt ist voller Menschen, die den Preis von allem kennen, aber den Wert von nichts." - Philip Fisher

Python erfreut sich immer größerer Beliebtheit und wird in einer Vielzahl von Anwendungen eingesetzt, von einfachen Berechnungen bis hin zu erweiterten statistischen Analysen für Börsendaten. In diesem Artikel betrachten wir ein Python-Skript, das die wachsende Dominanz von Python in der Finanzwelt veranschaulicht. Seine Fähigkeit, Daten nahtlos zu integrieren, komplexe Berechnungen durchzuführen und Aufgaben zu automatisieren, macht es zu einem unschätzbar wertvollen Werkzeug für Finanzprofis.

Dieses Skript zeigt, wie Python verwendet werden kann, um Schlagzeilen zu analysieren und wertvolle Erkenntnisse über die Marktstimmung zu gewinnen. Durch die Nutzung der Leistungsfähigkeit von NLP-Bibliotheken (Natural Language Processing) analysiert das Skript den emotionalen Ton von Nachrichtenartikeln, die sich auf eine bestimmte Aktie beziehen. Diese Analyse kann wichtige Informationen für Anleger liefern und ihnen dabei helfen:

• Fundiertere Anlageentscheidungen treffen: Durch das Verständnis der vorherrschenden Marktstimmung können Anleger potenzielle Chancen erkennen und Risiken mindern.
• Effektivere Handelsstrategien entwickeln: Stimmungsanalysen können in Handelsalgorithmen integriert werden, um das Timing zu verbessern und möglicherweise die Rendite zu steigern.
• Verschaffen Sie sich einen Wettbewerbsvorteil: Die Vielseitigkeit von Python ermöglicht die Entwicklung anspruchsvoller Finanzmodelle und die Analyse umfangreicher Datensätze und bietet so einen erheblichen Vorteil im wettbewerbsintensiven Finanzumfeld

import requests
import pandas as pd
from nltk.sentiment.vader import SentimentIntensityAnalyzer

# THIS NEEDS TO BE INSTALLED
# ---------------------------
# import nltk
# nltk.download('vader_lexicon')

# Function to fetch news headlines from a free API
def get_news_headlines(ticker):
    """
    Fetches news headlines related to the given stock ticker from a free API.

    Args:
        ticker: Stock ticker symbol (e.g., 'AAPL', 'GOOG').

    Returns:
        A list of news headlines as strings.
    """

    # We are using the below free api from this website https://eodhd.com/financial-apis/stock-market-financial-news-api
    url = f'https://eodhd.com/api/news?s={ticker}.US&offset=0&limit=10&api_token=demo&fmt=json'
    response = requests.get(url)
    response.raise_for_status()  # Raise an exception for bad status codes

    try:
        data = response.json()
        # Extract the 'title' from each article
        headlines = [article['title'] for article in data]
        return headlines
    except (KeyError, ValueError, TypeError):
        print(f"Error parsing API response for {ticker}")
        return []

# Function to perform sentiment analysis on headlines
def analyze_sentiment(headlines):
    """
    Performs sentiment analysis on a list of news headlines using VADER.

    Args:
        headlines: A list of news headlines as strings.

    Returns:
        A pandas DataFrame with columns for headline and sentiment scores (compound, positive, negative, neutral).
    """

    sia = SentimentIntensityAnalyzer()
    sentiments = []

    for headline in headlines:
        sentiment_scores = sia.polarity_scores(headline)
        sentiments.append([headline, sentiment_scores['compound'],
                           sentiment_scores['pos'], sentiment_scores['neg'],
                           sentiment_scores['neu']])

    df = pd.DataFrame(sentiments, columns=['Headline', 'Compound', 'Positive', 'Negative', 'Neutral'])
    return df

# Main function
if __name__ == "__main__":

    ticker = input("Enter stock ticker symbol: ")
    headlines = get_news_headlines(ticker)

    if headlines:
        sentiment_df = analyze_sentiment(headlines)
        print(sentiment_df)

        # Calculate average sentiment
        average_sentiment = sentiment_df['Compound'].mean()
        print(f"Average Sentiment for {ticker}: {average_sentiment}")

        # Further analysis and visualization can be added here
        # (e.g., plotting sentiment scores, identifying most positive/negative headlines)
    else:
        print(f"No news headlines found for {ticker}.")

Ausgabe:

Importe

• Anfragen: Wird verwendet, um HTTP-Anfragen zum Abrufen von Daten von einer Web-API zu stellen.
• Pandas: Eine Datenbearbeitungsbibliothek, die zum Erstellen und Verwalten von Daten im DataFrame-Format verwendet wird.
• SentimentIntensityAnalyzer von nltk.sentiment.vader: Ein Tool zur Stimmungsanalyse, das Stimmungswerte für Text bereitstellt.

Aufstellen

• NLTK-Setup: Das Skript enthält einen Kommentar, der darauf hinweist, dass das VADER-Lexikon mit NLTK heruntergeladen werden muss. Dies geschieht mit nltk.download('vader_lexicon').

Funktionen

get_news_headlines(ticker)

• Zweck: Ruft Schlagzeilen zu einem bestimmten Börsentickersymbol ab.
• Parameter:
  • Ticker: Eine Zeichenfolge, die das Börsentickersymbol darstellt (z. B. „AAPL“ für Apple).
• Rückgabe: Eine Liste von Nachrichtenschlagzeilen als Zeichenfolgen.
• Umsetzung:
  • Erstellt mithilfe des bereitgestellten Tickers eine URL für eine hypothetische Nachrichten-API.
  • Sendet eine GET-Anfrage an die API und prüft den erfolgreichen Antwortstatus.
  • Parst die JSON-Antwort, um Schlagzeilen zu extrahieren.
  • Behandelt potenzielle Fehler beim Parsen mit einem Try-Except-Block.

analysate_sentiment(headlines)

• Zweck: Führt eine Stimmungsanalyse für eine Liste von Schlagzeilen durch.
• Parameter:
  • Schlagzeilen: Eine Liste von Zeichenfolgen, die jeweils eine Nachrichtenschlagzeile darstellen.
• Rückgaben: Ein Pandas-DataFrame, der die Schlagzeilen und ihre Stimmungswerte (zusammengesetzt, positiv, negativ, neutral) enthält.
• Umsetzung:
  • Initialisiert den SentimentIntensityAnalyzer.
  • Durchläuft jede Überschrift, berechnet Stimmungswerte und speichert sie in einer Liste.
  • Konvertiert die Liste der Stimmungsdaten in einen Pandas-DataFrame.

Hauptausführung

• Das Skript fordert den Benutzer auf, ein Börsentickersymbol einzugeben.
• Es ruft get_news_headlines auf, um Schlagzeilen für den angegebenen Ticker abzurufen.
• Wenn Schlagzeilen gefunden werden, führt es eine Stimmungsanalyse mit „analysate_sentiment“ durch.
• Der resultierende DataFrame wird gedruckt und zeigt jede Schlagzeile mit ihren Stimmungswerten.
• Es berechnet und druckt den durchschnittlichen zusammengesetzten Sentiment-Score für die Schlagzeilen.
• Wenn keine Schlagzeilen gefunden werden, wird eine entsprechende Meldung ausgegeben.

Abschluss

Pythons Vielseitigkeit und leistungsstarke Bibliotheken machen es zu einem unverzichtbaren Werkzeug für moderne Datenanalysen und Rechenaufgaben. Seine Fähigkeit, alles von einfachen Berechnungen bis hin zu komplexen Börsenanalysen zu bewältigen, unterstreicht seinen branchenübergreifenden Wert. Während sich Python weiterentwickelt, wird seine Rolle bei der Förderung von Innovation und Effizienz bei der datengesteuerten Entscheidungsfindung noch weiter zunehmen und seinen Platz als Eckpfeiler des technologischen Fortschritts festigen

Hinweis: KI-unterstützte Inhalte

Das obige ist der detaillierte Inhalt vonPython-Skript für die Analyse der Aktienstimmung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!