НОВОСТИ Сравнение динамики котировок двух акций на python на примере привилегированных и обычных акций Сбербанка

[BDFINFO2.0]

Здравствуйте, сегодня хотел бы рассказать про мой опыт анализа акций сбербанка. Порой они показывают немного разную динамику — мне стало интересно проанализировать движение их котировок.

В данном примере мы будем скачивать котировки с сайта Финама.

You must be registered for see links

.

Для операций со столбцами буду использовать pandas, для визуализации matplotlib.

Импортируем:


import pandas as pd
import matplotlib.pyplot as plt


Чтобы таблицы не сокращались, необходимо убрать ограничения:


pd.set_option('display.max_columns', None)
pd.set_option('display.expand_frame_repr', False)
pd.set_option('max_colwidth', 80)
pd.set_option('max_rows', 6000)


Читаем данные по акции



df = pd.read_csv("SBER_190101_200105.csv",sep=';', header=0, index_col='', parse_dates=True)


(указываем разделитель, где находятся название столбцов, какой столбец будет индексом, включаем парсинг дат).

Также укажем сортировку:


df = df.sort_values(by='')


Отобразим наши данные:


print(df)

Добавляем столбец с изменением цены


df['returns']=(df['']/df[''].shift(1))-1


Так можно выводить именно процент:


df['returns_pers']=((df['']/df[''].shift(1))-1)*100

Добавляем вторую акцию


Делаем это точно таким же образом


df2 = pd.read_csv("SBERP_190101_200105.csv",sep=';', header=0, index_col='', parse_dates=True)

df = df.sort_values(by='')

df2['returns_pers']=((df2['']/df2[''].shift(1))-1)*100
df2['returns']=(df2['']/df2[''].shift(1))-1
print(df2)



Визуализируем котировки наших акций



df[''].plot(label='sber')
df2[''].plot(label='sberp')
plt.legend()
plt.show()

Теперь отобразим котировки с их средними (MA 50):


df[''].plot(label='sber')
df2[''].plot(label='sberp')
df['ma50'] = df[''].rolling(50).mean().plot(label='ma50')
df2['ma50'] = df2[''].rolling(50).mean().plot(label='ma50')
plt.legend()
plt.show()

Можно отобразить и другие средние


df[''].plot(label='sber')
df2[''].plot(label='sberp')
df['ma100'] = df[''].rolling(100).mean().plot(label='ma100')
df2['ma100'] = df2[''].rolling(100).mean().plot(label='ma100')
plt.legend()
plt.show()

Теперь выведем оборот по акциям:
Добавим также название оси У
и размер холста


df['total_trade'] = df['']*df['']
df2['total_trade'] = df2['']*df2['']
df['total_trade'].plot(label='sber',figsize=(16,8))
df2['total_trade'].plot(label='sberp',figsize=(16,8))
plt.legend()
plt.ylabel('Total Traded')
plt.show()

Анализ корреляций


Теперь подробнее посмотрим на корреляцию. в этом нам поможет матричный график

Создадим новую таблицу с колонками по обеим акциям и зададим им названия


all_sber = pd.concat([df[''],df2['']],axis=1)
all_sber.columns = ['sber_open','sberp_open']
print(all_sber)

Теперь импортируем нужный график


from pandas.plotting import scatter_matrix


И выведем его:


scatter_matrix(all_sber,figsize=(8,8),alpha=0.2,hist_kwds={'bins':100});
plt.show()


Следует уточнить, что нам нужно добавить прозрачность (alpha=0,2), чтобы видеть наложение точек

Если точки “идут” по диагонали, наблюдается корреляция.

Оценка волатильности бумаг



df['returns_pers'].plot(label='sber')
df2['returns_pers'].plot(label='sberp')
plt.legend()
plt.show()

Для лучшего понимания Отобразим волатильность на другом графике — гистограмме


df['returns_pers'].hist(bins=100,label='sber',alpha=0.5)
df2['returns_pers'].hist(bins=100,label='sberp',alpha=0.5)
plt.legend()
plt.show()

Чтобы сделать вывод быстрее, можно упростить график (сделаем график менее подробным и менее прозрачным):


df['returns_pers'].hist(bins=10,label='sber',alpha=0.9)
df2['returns_pers'].hist(bins=10,label='sberp',alpha=0.9)
plt.legend()
plt.show()

Анализ накопленного дохода


Теперь выведем изменение стоимости акций в процентах.

Для этого введем столбец с накопленным доходом.


df['Cumulative Return'] = (1+ df['returns']).cumprod()
df2['Cumulative Return'] = (1+ df2['returns']).cumprod()
print(df)
print(df2)

df['Cumulative Return'].plot(label='sber')
df2['Cumulative Return'].plot(label='sberp')
plt.legend()
plt.show()

На графиках мы можем увидеть временные промежутки, когда одна из акций недооценена или переоценена относительно другой. В текущих обстоятельствах (при прочих равных, прошу заметить) нам это поможет выбрать акцию для усреднения при падении капитализации Сбербанка.