728x90

이동평균선(moving average:MA)

  1. 이동 평균선은 특정 기간 동안의 주가를 평균한 값을 나타내는 지표이다.
  2. 이동 평균선은 시장의 추세를 파악하고 지지와 저항 구간을 식별하는 데 도움이 된다.
  3. 일반적으로 5일(일주일 영업일), 20일(한달), 60일(3개월) 이동평균선을 주로 사용한다.
  4. 5일,20일, 60일 이동평균선이 정배열(5일선이 20일선 위에 있고, 20일선이 60일선 위에 있는 경우)이 되면 상승 추세로 간주하고, 5일, 20일, 60일 이동평균선이 역배열(5일선이 20일선 아래에 있고 20일선이 60일선 아래에 있는 경우)이 되면 하락 추세로 간주한다.
  5. 장기 이동평균선은 중기 및 단기 이동평균선과 비교하여 가격 변동성에 덜 민감하며, 주가의 전반적인 추세를 살펴보는 데 유용하다. 이동평균선이 서로 교차할 때에는 추세 전환 신호로 간주한다.

볼린저 밴드(Bollinger Bands)

  1. 볼린저 밴드는 주가의 변동성을 측정하고 상대적인 과매수 및 과매도 상태를 파악하는데 도움을 주는 도구이다.
  2. 볼린저 밴드는 중심선, 상단 밴드, 하단 밴드의 3개 선으로 이루어져 있다.
  3. 중심선은 이동평균선을 나타내며, 일반적으로 20일 이동평균선을 사용한다.
  4. 상단 밴드는 중심선 위에 일정한 표준편차를 더한 값으로 나타낸다. 일반적으로 20일 이동 평균선 + (표준편차 * 2) 로 계산한다.
  5. 하단 밴드는 중심선 아래에 일정한 표준편차를 뺀 값으로 나타낸다.일반적으로 20일 이동 평균선 - (표준편차 *2)로 계산한다.
  6. 주가가 상단 밴드에 도달하면 과매수 상태로 간주하고, 하단 밴드에 도달하면 과매도 상태로 간주한다. 가격이 밴드 내에 위치하는 경우에는 추세가 일반적으로 지속되는 것으로 간주한다.
  7. 볼린저 밴드의 너비는 주식 가격의 변동성을 나타낸다. 밴드가 좁으면 변동성이 낮고, 밴드가 넓으면 변동성이 높다.
  8. 볼린저 밴드는 주식의 지지 및 저항 수준을 식별하는데 도움이 된다.

볼린저 밴등의 중심선 교차, 밴드의 너비 변화, 상단 및 하단 밴드에서의 가격 행동 등을 살펴보면 매수 또는 매도 신호를 포착 할 수 있다. 

예) 주가가 하단 밴드를 터치하거나 그 이하로 떨어진 후 반등하는 경우, 이는 매수 신호로 받아들일 수 있다. 반대로 주가가 상단 밴드를 터치하거나 그 이상으로 상승한 후 반전하는 경우, 이는 매도 신호로 간주할 수 있다.

이동평균선과 볼린저 밴드를 함께 사용하면 각각의 지표가 제공하는 정보를 보완하여 보다 강력한 분석이 가능하다.

예) 이동평균선이 상승 추세를 보이고, 주가가 하단 볼린저 밴드에 접근한 경우, 강력한 매수 신호로 해석할 수 있다. 이와 반대로 이동평균선이 하락 추세를 보이고 주가가 상단 볼린저 밴드에 접근할 경우, 강력한 매도 신호로 해석할 수 있다.

728x90

'경제 > 주식' 카테고리의 다른 글

주식 펀더멘털 데이터  (2) 2024.10.07
728x90
# 필요한 라이브러리 설치
!pip install pykrx tensorflow matplotlib pandas numpy scikit-learn

# 라이브러리 임포트
from pykrx import stock
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from datetime import datetime, timedelta

# 1. LG전자의 OHLCV와 펀더멘털 지표 가져오기
def get_lg_data():
    ticker = "066570"  # LG전자 종목코드
    today = datetime.today().strftime("%Y%m%d")
    one_year_ago = (datetime.today() - timedelta(days=365)).strftime("%Y%m%d")

    # OHLCV 데이터 가져오기
    ohlcv = stock.get_market_ohlcv_by_date(one_year_ago, today, ticker)

    # 펀더멘털 데이터 가져오기
    fundamentals = stock.get_market_fundamental_by_date(one_year_ago, today, ticker)
    
    # OHLCV와 펀더멘털 데이터를 합치기
    data = pd.concat([ohlcv, fundamentals], axis=1)

    return data

data = get_lg_data()

# 2. 데이터 전처리 (종가와 PER을 입력으로 사용)
def preprocess_data(data):
    df = data[['종가', 'PER']].dropna()  # 종가와 PER만 사용

    # MinMaxScaler로 데이터 정규화
    scaler = MinMaxScaler()
    scaled_data = scaler.fit_transform(df)

    # LSTM 입력에 맞게 시퀀스 데이터 만들기
    X, y = [], []
    seq_length = 10  # 10일 동안의 데이터를 사용하여 다음날을 예측

    for i in range(len(scaled_data) - seq_length):
        X.append(scaled_data[i:i+seq_length])
        y.append(scaled_data[i+seq_length, 0])  # 종가를 예측

    X = np.array(X)
    y = np.array(y)

    return X, y, scaler

X, y, scaler = preprocess_data(data)

# 3. LSTM 모델 생성 및 학습
def create_lstm_model():
    model = Sequential()
    model.add(LSTM(units=50, return_sequences=True, input_shape=(X.shape[1], X.shape[2])))
    model.add(Dropout(0.2))
    model.add(LSTM(units=50))
    model.add(Dropout(0.2))
    model.add(Dense(1))  # 종가 예측을 위한 출력층

    model.compile(optimizer='adam', loss='mean_squared_error')
    return model

model = create_lstm_model()

# 모델 학습
model.fit(X, y, epochs=20, batch_size=32)

# 4. 주가 예측 및 시각화
def predict_future_prices(model, data, scaler, days=7):
    # 최근 10일간의 데이터를 가져와서 예측에 사용
    recent_data = data[-10:]
    scaled_recent_data = scaler.transform(recent_data[['종가', 'PER']].values)

    # 예측할 일주일 동안의 데이터
    predictions = []
    for _ in range(days):
        input_data = scaled_recent_data[-10:].reshape(1, 10, 2)
        predicted_price = model.predict(input_data)
        predictions.append(predicted_price[0, 0])

        # 새로운 예측값을 기존 데이터에 추가
        scaled_recent_data = np.vstack([scaled_recent_data, [[predicted_price[0, 0], scaled_recent_data[-1, 1]]]])

    # 예측된 종가 값을 스케일링 복원
    predicted_prices = scaler.inverse_transform(np.array(predictions).reshape(-1, 1))

    return predicted_prices

predicted_prices = predict_future_prices(model, data, scaler)

# 실제 종가와 예측 종가 시각화
def plot_predictions(data, predicted_prices):
    plt.figure(figsize=(10,6))

    # 실제 데이터 시각화
    plt.plot(data.index, data['종가'], label='Actual Prices', color='blue')

    # 예측 데이터 시각화
    future_dates = pd.date_range(start=data.index[-1] + timedelta(days=1), periods=len(predicted_prices))
    plt.plot(future_dates, predicted_prices, label='Predicted Prices', linestyle='--', color='orange')

    plt.title("LG Electronics Stock Price Prediction")
    plt.xlabel("Date")
    plt.ylabel("Price")
    plt.legend()
    plt.grid()
    plt.show()

plot_predictions(data, predicted_prices)

 

  • LG전자의 데이터 가져오기: get_lg_data() 함수에서 LG전자의 종목 코드를 사용하여 오늘부터 1년 동안의 OHLCV 및 펀더멘털 지표를 가져옵니다.
  • 데이터 전처리: preprocess_data() 함수에서 종가와 PER를 사용하여 LSTM 모델의 입력 데이터로 변환합니다. 데이터를 정규화하고, 시퀀스 데이터를 생성합니다.
  • LSTM 모델 생성: create_lstm_model() 함수에서 LSTM 모델을 구성합니다. 여기서는 두 개의 LSTM 레이어와 드롭아웃 레이어를 추가하여 과적합을 방지합니다.
  • 모델 학습: LSTM 모델을 학습시킵니다.
  • 주가 예측 및 시각화: predict_future_prices() 함수에서 모델을 사용하여 향후 7일 간의 주가를 예측합니다. plot_predictions() 함수에서 실제 주가와 예측된 주가를 시각화합니다.

 

 

 

 

728x90

'프로그래밍 > 파이썬' 카테고리의 다른 글

주식 예측 모델  (2) 2024.10.10
주식거래 시스템을 위한 준비  (0) 2024.10.06
728x90

1. LSTM(Long Short-Term Memory) 모델

순환신경망의 한 종류로, 시계열 데이터를 예측하는데 효과적이다.
LSTM은 과거 정보를 기억하고 현재 및 미래의 주식 가격과의 관계를 파악하는데 유용하다.

2. CNN(Convolution Neural Network) 모델

이미지 처리에 주로 사용하지만, 주식 가격 데이터를 이미지로 변환하여 예측하는 데에도 활용할 수 있다.
주식 가격 데이터를 시간축으로 변경하여 이미지로 인식하고 CNN을 사용하여 패턴을 감지 할 수 있다.

3. 변형 Transformer 모델

주로 자연어 처리에 사용하지만, 주식 가격 예측과 같은 시계열 데이터에도 적용할 수 있다.
트랜스포머 모델은 멀티헤드어텐션 메커니즘을 활용하여 주식 가격의 시간적인 의존성을 모델링 할 수 있다.

4. ARIMA(AutoRegressive Integrated Moving Average) 모델

전통적인 통계적 방법으로, 주식 가격 예측에도 자주 사용되고 있다. 
ARIMA는 시계열 데이터의 자기회귀 및 이동평균 성분을 모델링하여 예측을 수행한다.
728x90
728x90

1.https://www.vmware.com 접속> 하단 SEE DESKTOP HYPERVISORS  클릭 

2. 중간부분 Desktop Hypervisor 클릭

3. VMWare Workstation Pro for PC 하단 DOWNLOAD NOW 클릭

4. broadcom 홈페이지 이동 후 계정 인증

5. 사용자 이름과 암호를 넣고 로그인 실행

6. 좌측 구름 모양 클릭 후 VMware Cloud Foundation 선택

7. WMware WorkStation Player 선택 후 원하는 버전 다운로드

728x90
728x90

`pykrx` 모듈을 활용하여 삼성전자의 OHLCV 데이터를 가져오고, LSTM 모델을 통해 주가를 예측하는 코드를 아래와 같이 작성할 수 있습니다. 

1. `pykrx` 모듈로 OHLCV 데이터 및 펀더멘털 지표를 가져오기
2. 종가와 PER를 입력으로 LSTM 모델 구성
3. 모델 학습 및 주가 예측
4. 결과 시각화

먼저, 코드를 구성해봅니다.

```python
# 필요한 라이브러리 설치
!pip install pykrx tensorflow matplotlib pandas numpy scikit-learn

# 라이브러리 임포트
from pykrx import stock
from pykrx import bond
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from datetime import datetime, timedelta

# 1. 삼성전자의 OHLCV와 펀더멘털 지표 가져오기
def get_samsung_data():
    ticker = "005930"  # 삼성전자 종목코드
    today = datetime.today().strftime("%Y%m%d")
    one_year_ago = (datetime.today() - timedelta(days=365)).strftime("%Y%m%d")

    # OHLCV 데이터 가져오기
    ohlcv = stock.get_market_ohlcv_by_date(one_year_ago, today, ticker)

    # 펀더멘털 데이터 가져오기
    fundamentals = stock.get_market_fundamental_by_date(one_year_ago, today, ticker)
    
    # OHLCV와 펀더멘털 데이터를 합치기
    data = pd.concat([ohlcv, fundamentals], axis=1)

    return data

data = get_samsung_data()

# 2. 데이터 전처리 (종가와 PER을 입력으로 사용)
def preprocess_data(data):
    df = data[['종가', 'PER']].dropna()  # 종가와 PER만 사용

    # MinMaxScaler로 데이터 정규화
    scaler = MinMaxScaler()
    scaled_data = scaler.fit_transform(df)

    # LSTM 입력에 맞게 시퀀스 데이터 만들기
    X, y = [], []
    seq_length = 10  # 10일 동안의 데이터를 사용하여 다음날을 예측

    for i in range(len(scaled_data) - seq_length):
        X.append(scaled_data[i:i+seq_length])
        y.append(scaled_data[i+seq_length, 0])  # 종가를 예측

    X = np.array(X)
    y = np.array(y)

    return X, y, scaler

X, y, scaler = preprocess_data(data)

# 3. LSTM 모델 생성 및 학습
def create_lstm_model():
    model = Sequential()
    model.add(LSTM(units=50, return_sequences=True, input_shape=(X.shape[1], X.shape[2])))
    model.add(Dropout(0.2))
    model.add(LSTM(units=50))
    model.add(Dropout(0.2))
    model.add(Dense(1))  # 종가 예측을 위한 출력층

    model.compile(optimizer='adam', loss='mean_squared_error')
    return model

model = create_lstm_model()

# 모델 학습
model.fit(X, y, epochs=20, batch_size=32)

# 4. 주가 예측 및 시각화
def predict_future_prices(model, data, scaler, days=7):
    # 최근 10일간의 데이터를 가져와서 예측에 사용
    recent_data = data[-10:]
    scaled_recent_data = scaler.transform(recent_data[['종가', 'PER']].values)

    # 예측할 일주일 동안의 데이터
    predictions = []
    for _ in range(days):
        input_data = scaled_recent_data[-10:].reshape(1, 10, 2)
        predicted_price = model.predict(input_data)
        predictions.append(predicted_price[0, 0])

        # 새로운 예측값을 기존 데이터에 추가
        scaled_recent_data = np.vstack([scaled_recent_data, [[predicted_price[0, 0], scaled_recent_data[-1, 1]]]])

    # 예측된 종가 값을 스케일링 복원
    predicted_prices = scaler.inverse_transform(np.array(predictions).reshape(-1, 1))

    return predicted_prices

predicted_prices = predict_future_prices(model, data, scaler)

# 실제 종가와 예측 종가 시각화
def plot_predictions(data, predicted_prices):
    plt.figure(figsize=(10,6))

    # 실제 데이터 시각화
    plt.plot(data.index, data['종가'], label='Actual Prices')

    # 예측 데이터 시각화
    future_dates = pd.date_range(start=data.index[-1], periods=len(predicted_prices) + 1, closed='right')
    plt.plot(future_dates, predicted_prices, label='Predicted Prices', linestyle='--')

    plt.title("Samsung Stock Price Prediction")
    plt.xlabel("Date")
    plt.ylabel("Price")
    plt.legend()
    plt.show()

plot_predictions(data, predicted_prices)
```

### 코드 설명
1. `get_samsung_data()` 함수는 삼성전자의 종목 코드를 사용하여 최근 1년간의 OHLCV와 펀더멘털 데이터를 가져옵니다.
2. `preprocess_data()` 함수는 종가와 PER 데이터를 사용해 시퀀스 데이터로 변환하고 정규화를 진행합니다.
3. `create_lstm_model()` 함수는 LSTM 모델을 생성합니다.
4. `predict_future_prices()` 함수는 LSTM 모델을 사용하여 향후 일주일간의 주가를 예측합니다.
5. `plot_predictions()` 함수는 실제 주가와 예측된 주가를 그래프로 시각화합니다.

이 코드를 실행하면 삼성전자의 OHLCV 데이터를 바탕으로 LSTM 모델을 통해 주가 예측 결과를 확인할 수 있습니다.

728x90

'프로그래밍 > 파이썬' 카테고리의 다른 글

LG전자 주가 예측 파이썬 코딩  (0) 2024.11.03
주식거래 시스템을 위한 준비  (0) 2024.10.06
728x90
  1. BPS(Book value Per Share) - 주당순자산가치
    기업의 자본 총액을 발행한 주식 수로 나눈 값으로, 한 주당 기업의 순자산 가치를 의미한다.
    BPS가 높을 수록 기업의 안정성이 높다고 볼 수 있다.
  2. EPS(Earnings Per Share) - 주당순이익
    순이익을 발행 주식 수로 나눈 값으로, 기업이 발행한 주식 한 주당 얼마의 이익을 창출했는지를 나타내는 지표이다.
    EPS가 높을수록 기업의 수익성이 높다고 볼 수 있다.
  3. PER(Price Earnings Ratio) - 주가수익율
    주가를 주당순이익으로 나눈 값으로, 기업의 주식가격이 주당순이익에 비해 고평가되었는지 혹은 저평가되었는지를 나타내는 지표이다.
    PER이 낮을수록 기업의 가치가 높다고 판단한다.
  4. PBR(Price to Book Ratio) - 주가순자산비율
    주가를 BPS로 나눈 값으로, 기업의 주식 가격이 자산 가치에 비해 고평가 되었는지 혹은 저평가 되었는지를 나타내는 지표이다.
    PBR이 낮을수록 기업의 가치가 높다고 판단한다.
  5. DIV(Dividend Yield) - 배당수익률
    주가에 대한 배당금의 비율을 나타내는 지표이다.
    DIV가 높을수록 주식에 대한 투자 수익률이 높다고 본다.
  6. DPS(Dividend Per Share) - 주당배당금
    기업이 주주에게 지급한 배당금을 발행 주식 수로 나눈 값으로, 기업이 한 주당 얼마의 배당금을 주주에게 지급했는지를 나타내는 지표이다.
728x90

'경제 > 주식' 카테고리의 다른 글

이동평균선과 볼린저 밴드  (2) 2024.11.03
728x90
  1. 파이썬 설치
    https://www.python.org 에서 최신 버전을 다운로드 받음
    https://www.python.org/downloads/release/python-3127/
    가급적 3.9.x 버전을 설치하는 것을 권장함.
    최신버전의 경우 패키지 모듈이 설치 되지 않을 수 있다.
  2. 파이썬 관련 모듈 설치
    1) numpy : 수식 계산, 배열 연산
    pip install numpy
    2) pandas : : 데이터 처리와 분석
    pip install pandas
    3) matplotlib : 데이터 시각화
    pip install matplotlib
    4) pyinstaller : exe 파일 생성
    pip install pyinstaller
    5) pykrx : 주식 관련 데이터
    pip install pykrx
    6) ccxt : 암호화폐 관련 데이터
    pip install ccxt
    7) statsmodels : 통계분석, 회귀분석, 시계열분석
    pip install statsmodels
    8) pyqt5 : 파이썬 GUI 지원
    pip install pyqt5
    9) pyside2 : Qt Designer UI 디자인
    pip install pyside2
    10) tensorflow : 머신러닝과 딥러닝 오픈 소스
    pip install tensorflow
  3. 파이참 커뮤니티 설치
    제트브레인 홈페이지로 이동
    https://www.jetbrains.com/ko-kr/pycharm/download/?section=windows
  4. vscode 설치
    https://code.visualstudio.com/
728x90

'프로그래밍 > 파이썬' 카테고리의 다른 글

LG전자 주가 예측 파이썬 코딩  (0) 2024.11.03
주식 예측 모델  (2) 2024.10.10
728x90

sual Studio Code는 Microsoft에서 개발한 강력한 오픈소스 코드 편집기 Linux, Windows, MacOS등 다양한 플랫폼에서 사용할 수 있다. 코드 디버깅, 작업 실행 및 버전 제어 활성화에 도움이 되는 강력한 도구로, 리팩토링, 구문 강조, 자동 코드 완성, 스니펫 등 다른 코드 편집기와 차별화되는 많은 기능(Extension)이 제공된다. 이 글에서는 Ubuntu 22.04에 Visual Studio Code 설치방법에 대해 알아본다.

Contents:

 

Step 1: 시스템 업데이트 (System Update)

다음 명령어를 실행하여 시스템을 업데이트 한다.

$ sudo apt update && sudo apt upgrade -y

Step 2: 패키지 설치 (Package Install)

시스템이 업데이트 되었으면 Visual Studio Code를 설치하기 전에 설치되어야 하는 패키지들을 설치한다.

$ sudo apt install software-properties-common apt-transport-https wget -y

Step 3: 저장소 가져오기

Visual Studio Code 설치를 위해 Visual Studio Code 리포지토리를 추가한다. 그 전에 설치된 패키지를 인증하기 위해 Microsoft GPG 키를 가져와야 한다.

wget -O- https://packages.microsoft.com/keys/microsoft.asc | sudo gpg --dearmor | sudo tee /usr/share/keyrings/vscode.gpg

echo deb [arch=amd64 signed-by=/usr/share/keyrings/vscode.gpg] https://packages.microsoft.com/repos/vscode stable main | sudo tee /etc/apt/sources.list.d/vscode.list

Step 4: 시스템 업데이트 다시

패키지를 설치하고, 저장소를 추가 했으므로, 시스템 업데이트를 다시 수행한다.

Step 5: Visual Studio Code 설치

Visual Studio Code를 설치한다.

설치가 완료되었으면, 검색창에 code를 입력하여 Visual Studio Code가 install 되어 있는지 확인한다.

아래는 설치된 Visual Studio Code를 실행한 화면이다.

참조

https://linuxize.com/post/how-to-install-visual-studio-code-on-ubuntu-20-04/

https://junorionblog.co.kr/

728x90

'프로그래밍 > 리눅스' 카테고리의 다른 글

우분투 파이썬 설치  (0) 2024.02.25
유분투 크롬 설치  (0) 2024.02.25
우분투에 파이썬 설치  (0) 2024.01.02
svn 재시작  (0) 2023.01.17
톰켓 로그 분할 하는 방법  (0) 2022.08.25

+ Recent posts