계속 진화하는 금융 세계에서 데이터 시각화는 시장 동향에 대한 전례 없는 통찰력을 제공할 수 있습니다. 이 기사에서는 Yahoo Finance의 과거 데이터를 사용하여 특정 주식에 대한 옵션 흐름을 시각화하는 특정 재무 분석 작업에 Python을 활용하는 방법을 살펴보겠습니다. 우리는 콜옵션과 풋옵션의 흐름을 설명하기 위해 옵션 데이터를 가져와서 처리하고 분산형 차트를 생성하는 코드 조각을 사용할 것입니다. 자세한 내용을 살펴보겠습니다.
우리의 목표는 특정 주식에 대한 옵션 데이터를 분석하고 이를 분산형 차트로 시각화하는 것입니다. 이 예에서는 주식 시세 표시기 LLY(Eli Lilly and Company)를 사용합니다. 코드 조각은 다음을 수행합니다.
먼저 필요한 라이브러리를 가져와야 합니다.
import yfinance as yf import os from datetime import datetime, timedelta import matplotlib.pyplot as plt import pandas as pd
데이터를 저장할 출력 디렉터리와 파일을 설정합니다.
output_directory = 'output' os.makedirs(output_directory, exist_ok=True) output_file = os.path.join(output_directory, 'output.data')
여기서 출력 디렉터리가 있는지 확인하고 데이터 파일의 경로를 지정합니다.
LLY 종목에 대한 옵션 데이터를 얻으려면 yfinance를 사용합니다.
ticker = 'LLY' days = 21 populate_data = 'Y' # Set 'N' to use existing file, 'Y' to create new file
populate_data가 'Y'로 설정된 경우 코드는 새 옵션 데이터를 가져옵니다. 'N'인 경우 기존 데이터 파일을 사용합니다.
데이터 가져오기 및 처리가 수행되는 방법은 다음과 같습니다.
if populate_data == 'Y':
stock = yf.Ticker(ticker)
options_dates = stock.options
today = datetime.now()
fourteen_days_later = today + timedelta(days)
with open(output_file, 'w') as file:
for date in options_dates:
date_dt = datetime.strptime(date, '%Y-%m-%d')
if today <= date_dt <= fourteen_days_later:
calls = stock.option_chain(date).calls
puts = stock.option_chain(date).puts
for _, row in calls.iterrows():
if not filter_volume(row['volume']):
file.write(f"Call,{date},{row['strike']},{row['volume']}\n")
for _, row in puts.iterrows():
if not filter_volume(row['volume']):
file.write(f"Put,{date},{row['strike']},{row['volume']}\n")
print(f"Data has been written to {output_file}")
이 코드는 콜옵션 및 풋옵션 데이터를 가져와서 원치 않는 거래량 데이터가 있는 행을 필터링한 후 파일에 씁니다.
다음으로 데이터를 읽고 정리합니다.
data = pd.read_csv(output_file, names=['Type', 'Last_Trade_Date', 'Strike', 'Volume']) data.dropna(inplace=True) data['Last_Trade_Date'] = pd.to_datetime(data['Last_Trade_Date']) data = data[data['Volume'].notna()]
우리는 데이터세트에 NaN 값이 없고 Last_Trade_Date가 올바른 날짜/시간 형식인지 확인합니다.
분산형 차트를 만들 준비가 되었습니다.
extra_days_before = 5
extra_days_after = 5
min_date = data['Last_Trade_Date'].min() - timedelta(days=extra_days_before)
max_date = data['Last_Trade_Date'].max() + timedelta(days=extra_days_after)
plt.figure(figsize=(12, 8))
calls_data = data[data['Type'] == 'Call']
plt.scatter(calls_data['Last_Trade_Date'], calls_data['Strike'],
s=calls_data['Volume'], c='green', alpha=0.6, label='Call')
puts_data = data[data['Type'] == 'Put']
plt.scatter(puts_data['Last_Trade_Date'], puts_data['Strike'],
s=puts_data['Volume'], c='red', alpha=0.6, label='Put')
plt.xlabel('\nLast Trade Date')
plt.ylabel('Strike Price\n')
plt.title(f'Options Flow for {ticker} ({days} days)\n', fontsize=16)
plt.xticks(rotation=45, ha='right')
plt.gca().xaxis.set_major_formatter(plt.matplotlib.dates.DateFormatter('%Y-%m-%d'))
plt.xlim(min_date, max_date)
plt.subplots_adjust(bottom=0.2)
plt.grid(True)
plt.text(0.5, 0.5, f'{ticker}', color='gray', fontsize=80, alpha=0.5,
ha='center', va='center', rotation=15, transform=plt.gca().transAxes)
plt.text(0.95, 0.95, 'medium.com/@dmitry.romanoff', color='gray', fontsize=20, alpha=0.5,
ha='right', va='top', transform=plt.gca().transAxes)
plt.text(0.05, 0.05, 'medium.com/@dmitry.romanoff', color='gray', fontsize=20, alpha=0.5,
ha='left', va='bottom', transform=plt.gca().transAxes)
plot_file = os.path.join(output_directory, 'options_scatter_plot.png')
plt.savefig(plot_file)
print(f"Scatter plot has been saved to {plot_file}")
이 세그먼트는 y축에 행사 가격, x축에 거래 날짜를 포함하는 콜 옵션과 풋 옵션의 산점도를 생성합니다. 포인트의 크기는 거래량을 나타내며 녹색은 콜, 빨간색은 풋을 나타냅니다. 또한 브랜딩 목적으로 워터마크를 추가하고 플롯을 파일에 저장합니다.
옵션 데이터를 시각화하면 거래자와 분석가가 시장 심리와 거래 활동을 이해하는 데 도움이 됩니다. 이 가이드에서는 Python을 사용하여 옵션 데이터를 가져오고, 처리하고, 시각화하는 방법을 보여주었습니다. 다음 단계를 따르면 이 코드를 모든 주식에 적용하고 옵션 흐름을 분석하여 시장 동향에 대한 귀중한 통찰력을 얻을 수 있습니다.
특정 요구 사항에 맞게 코드를 자유롭게 수정하고 재무 데이터를 시각화하는 다양한 방법을 찾아보세요.
위 내용은 Python으로 옵션 흐름 시각화: 단계별 가이드의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
