Выбор сектора для инвестиций с помощью Python

Навигация по выбору нужного сектора с помощью API

Знакомство

В вашем торговом путешествии, независимо от того, ищете ли вы идеальную акцию, сектор или индикаторы, принятие обоснованных решений имеет первостепенное значение для вашего успеха. Однако сбор и анализ огромного количества необходимых данных может быть довольно сложной задачей. Массовая конечная точка API подготовки к финансовому моделированию (FMP) упрощает этот процесс, предоставляя данные для множества компаний всего одним щелчком мыши.

Почему эти данные так ценны? Что ж, это актив, который можно применять по-разному, особенно как для фундаментального, так и для технического анализа. Сравнивая данные разных компаний, вы можете определить, какая из них является лучшим выбором в текущем рыночном сценарии, основываясь на прошлых и настоящих данных.

Например, вы можете использовать эти данные, чтобы определить наиболее перспективный сектор для инвестирования.

В этой статье мы расскажем вам о том, как изучить и эффективно применить данные из массовых конечных точек API FMP, чтобы сделать сложный мир торговых данных доступным и действенным.

1. Импорт пакетов

Очень важно настроить правильные инструменты. Эти пакеты помогут вам получить доступ к огромному количеству данных, их обработке и анализу.# IMPORTING PACKAGES

import requests
import pandas as pd
from io import StringIO

Запросы: Используется для выполнения HTTP-запросов для доступа к данным из веб-API.

Панды: Предоставляет инструменты манипулирования данными и анализа для работы со структурированными данными.

StringIO: Позволяет работать с текстовыми данными в памяти, как если бы это был файл.

Если вы не установили ни один из импортированных пакетов, обязательно сделайте это с помощью команды pip в вашем терминале.

2. Изучение массовых конечных точек

Теперь, когда у вас есть инструменты, пришло время перейти к массовым конечным точкам API FMP. Конечные точки являются источником огромных объемов данных.

Доступ к любой из этих конечных точек выполняется по тем же действиям, подробно описанным далее во фрагменте кода. Изучение этих конечных точек обеспечивает всестороннее понимание доступных данных, предлагая широкий спектр информации, доступной одним щелчком мыши, охватывающей несколько компаний и различные финансовые аспекты. Этот шаг направлен на то, чтобы вы ознакомились с источниками данных, имеющимися в вашем распоряжении.

В нашем приложении мы будем использовать конечную точку отчета о прибылях и убытках для анализа сектора на предмет потенциальных инвестиций. Не стесняйтесь комбинировать несколько точек данных в соответствии с вашими потребностями.api_key = ‘YOUR API KEY’
url = f’https://financialmodelingprep.com/api/v4/income-statement-bulk?year=2020&period=annual&apikey={api_key}’
response = requests.get(url)
df_income = pd.read_csv(StringIO(response.text))

Используйте API для выполнения запросов к различным конечным точкам URL-адресов и преобразования их в кадры данных с помощью приведенного выше кода.

3. Предварительная обработка данных

Предварительная обработка данных является жизненно важным этапом очистки и систематизации полученной информации. Этот процесс преобразует необработанные данные в пригодную для использования форму, что делает их готовыми для вашей торговой аналитики.df_income = df_income[[‘symbol’,’date’,’revenue’, ‘grossProfit’, ‘operatingIncome’, ‘EBITDA’, ‘netIncome’]]

Мы выбираем эти столбцы из набора данных, чтобы определить сектор.

‘выручка’: Общая выручка является фундаментальным показателем финансового состояния компании.

‘grossProfit’: Валовая прибыль — это показатель рентабельности до вычета операционных расходов.

‘операционныйДоход’: Операционный доход показывает, насколько хорошо компания работает в своей основной деятельности.

«EBITDA»: Прибыль до вычета процентов, налогов, износа и амортизации является ключевым показателем для оценки операционной эффективности.

‘неттоДоход’: Чистая прибыль является итоговой строкой и представляет собой прибыльность компании после вычета всех расходов.

Используя этих трех гигантов индустрии в качестве репрезентативных примеров для каждого сектора, мы выбрали Apple, Google и Microsoft, чтобы символизировать технологический сектор. В том же сегменте здравоохранения и финансов мы выбрали Johnson & Johnson (JNJ), Pfizer Inc. (PFE), UnitedHealth Group Inc. (UNH), JPMorgan Chase & Co. (JPM), The Goldman Sachs Group, Inc. (GS) и Citigroup Inc. © Эти компании служат барометрами для своих секторов. Снижение их производственных показателей часто сигнализирует об ослаблении сектора. Не стесняйтесь использовать несколько компаний в качестве отраслевых индикаторов.Technology = df_income.loc[(df_income[‘symbol’] == ‘AAPL’) | (df_income[‘symbol’] == ‘GOOGL’) | (df_income[‘symbol’] == ‘MSFT’)]
Healthcare = df_income.loc[(df_income[‘symbol’] == ‘JNJ’) | (df_income[‘symbol’] == ‘PFE’) | (df_income[‘symbol’] == ‘UNH’)]3
Finance = df_income.loc[(df_income[‘symbol’] == ‘JPM’) | (df_income[‘symbol’] == ‘GS’) | (df_income[‘symbol’] == ‘C’)]

Technology.sum(axis = 0)

Технологии

Healthcare.sum()

Здравоохранение

Finance.sum()

Финансировать

4. Поиск нужного сектора

Сравнивая и анализируя эти данные, вы сможете точно определить секторы, которые демонстрируют наибольший потенциал для ваших инвестиционных стратегий. Это помогает нам принимать обоснованные решения при выборе правильного сектора для инвестиций.def findSector(tech, health, finance):
h = 0
t = 0
f = 0

for i in [‘revenue’, ‘grossProfit’, ‘operatingIncome’, ‘EBITDA’, ‘netIncome’]:
if tech.sum()[i] > health.sum()[i] and tech.sum()[i] > finance.sum()[i]:
t = t + 1
if health.sum()[i] > tech.sum()[i] and health.sum()[i] > finance.sum()[i]:
h = h + 1
if finance.sum()[i]>tech.sum()[i] and finance.sum()[i]>health.sum()[i]:
f = f + 1
if f > t and f > h:
print(‘Invest In Finance’)
if h > t and h > f:
print(‘Invest in Healthcare’)
else:
print(‘Invest in Healthcare’)

findSector(Technology, Healthcare, Finance)

Выпуск:Invest in Healthcare

Эта функция принимает в качестве аргументов три фрейма данных: технологии, здравоохранение и финансы. Он сравнивает суммарные суммы конкретных финансовых показателей, таких как выручка, валовая прибыль, операционный доход, EBITDA и чистая прибыль, для трех секторов: технологии (tech), здравоохранение (health) и финансы (finance). Код выполняет итерацию по этим метрикам, подсчитывая, во сколько раз общая сумма одного сектора больше, чем два других сектора для каждой метрики. На основе этих подсчетов он определяет, какой сектор имеет наибольшую общую сумму по всем метрикам.

В нашем случае инвестировать нужно в сектор здравоохранения, а не в два других сектора, сравнивая важные показатели компаний-представителей.

Заключение

В статье демонстрируется значительный потенциал Bulk Endpoints API подготовки к финансовому моделированию (FMP) для упрощения доступа к торговым данным. Он выступает в качестве ключевого инструмента для обоснованного торгового выбора, предоставляя набор данных, подходящий как для фундаментального, так и для технического анализа.

В мире трейдинга, где данные господствуют безраздельно, массовые конечные точки FMP API предлагают трейдерам и инвесторам мощные средства для принятия решений на основе данных. Это преобразующий ресурс для тех, кто стремится к успеху в своих торговых начинаниях.

Источник