在不斷發展的金融世界中，視覺化資料可以提供對市場趨勢前所未有的洞察。在本文中，我們將探討如何利用 Python 來執行特定的財務分析任務：使用雅虎財經的歷史資料來視覺化給定股票的選擇權流。我們將使用一個程式碼片段來獲取期權數據、對其進行處理並產生散點圖來說明看漲期權和看跌期權的流程。讓我們深入了解細節。
我們的目標是分析特定股票的選擇權資料並在散佈圖中將其視覺化。在本例中，我們將使用股票代號 LLY（禮來公司）。此程式碼片段完成以下任務：
首先，我們需要導入必要的函式庫：
import yfinance as yf import os from datetime import datetime, timedelta import matplotlib.pyplot as plt import pandas as pd
我們設定了保存資料的輸出目錄和檔案：
output_directory = 'output' os.makedirs(output_directory, exist_ok=True) output_file = os.path.join(output_directory, 'output.data')
這裡，我們確保輸出目錄存在並指定資料檔案的路徑。
要取得股票代號 LLY 的選擇權數據，我們使用 yfinance：
ticker = 'LLY' days = 21 populate_data = 'Y' # Set 'N' to use existing file, 'Y' to create new file
如果 populate_data 設定為“Y”，程式碼將取得新的選項資料。如果“N”，它將使用現有的資料檔案。
以下是資料擷取與處理的完成方式：
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}")
此程式碼取得看漲期權和看跌期權數據，過濾掉包含不需要的捲數據的行，並將其寫入文件。
接下來，我們讀取資料並清理它：
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()]
我們確保我們的資料集不包含 NaN 值，且 Last_Trade_Date 的日期時間格式正確。
我們已準備好建立散佈圖：
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}")
此部分建立買權和賣權的散佈圖，其中 y 軸為行使價，x 軸為交易日期。點的大小代表交易量，綠色表示買權，紅色表示賣權。我們還出於品牌目的添加浮水印並將繪圖保存到文件中。
視覺化選擇權資料有助於交易者和分析師了解市場情緒和交易活動。本指南示範如何使用 Python 取得、處理和視覺化選擇權資料。透過執行以下步驟，您可以針對任何股票調整此程式碼並分析其選擇權流，從而提供有關市場趨勢的寶貴見解。
請隨意修改程式碼以滿足您的特定需求，並探索視覺化財務資料的不同方法。
以上是使用 Python 視覺化期權流：逐步指南的詳細內容。更多資訊請關注PHP中文網其他相關文章！
