Eine Kurzanleitung zur Berechnung der Korrelationsmatrix in Python mit NSEpy und Pandas

ANOVA (einfaktorielle Varianzanalyse) in SPSS durchführen - Daten analyisieren in SPS (10) (Dezember 2018).

Anonim

Hier ist ein kurzes Tutorial in Python zur Berechnung der Korrelationsmatrix zwischen mehreren Aktieninstrumenten unter Verwendung von Python-Paketen wie NSEpy & Pandas. Der allgemeine Korrelationskoeffizient ist ein statistisches Maß, das die Korrelation zwischen zwei Aktien / Finanzinstrumenten widerspiegelt. Die Bestimmung der Beziehung zwischen zwei Wertpapieren ist nützlich für die Analyse von Intermarket-Beziehungen, Sektor / Aktien-Beziehungen und Sektor / Markt-Beziehungen.

Hier sind einige der wichtigsten Python-Bibliotheken, die für die Visualisierung von Korrelationsmatrixdaten benötigt werden

IPython (Interaktives Python)
Pandas (Python-Bibliothek zur Verarbeitung von Zeitreihendaten)
NSEpy (Abruf historischer Daten von NSEindia - NSEpy 0, 3 ver oder höher)
Matplotlib (Python-Bibliothek zur 2D-Darstellung)

Importieren Sie die erforderlichen Python-Module

i) Von nsepy.archives müssen wir die get_price_history: -für das Abrufen der Aktienpreisdetails importieren
ii) Vom Datetime-Import müssen wir das Date-Objekt importieren: - für die Angabe des Datumslimits für die benötigten Bestände
iii) Pandas importieren: - für die Erstellung eines Datenrahmens
iv) Importieren von Matplotlib zum Zeichnen der Korrelationsheatmap

Erstellen Sie eine Liste der Bestände

Historische Daten abrufen
Holen Sie nun die Kurshistorie der einzelnen Aktien basierend auf einem bestimmten Zeitlimit und fügen Sie den letzten Schlusswert in einen leeren Pandas-Datenrahmen ein

Korrelationsmatrix berechnen und plotten
Berechnen Sie nun die prozentuale Änderung und Pearson-Korrelation mit den pandas-Datenrahmenfunktionen pct_change (), corr () und zeichnen Sie die Korrelationsmatrix mit
Matplotlib wie unten gezeigt.

Hinweis: % pylab inline wird als Anzeigevariable für das ipython-Notizbuch verwendet.

Probieren Sie IPython Notebook aus, um die Stock Correlation Matrix Map wie folgt zu generieren: