211 lines
5.5 KiB
Markdown
211 lines
5.5 KiB
Markdown
---
|
||
title: Анализ корреляций биржевых колебаний
|
||
date: 2020-11-12
|
||
tags: [Python, pandas, jupyter, MOEX, stoks, ETF]
|
||
---
|
||
|
||
Поэкспирементировал в Jupyter Lab и нарисовал несколько графиков на тему корреляции колебаний курса ETF и акций.
|
||
|
||
|
||
<!--more-->
|
||
|
||
Ставим зависимости, если надо.
|
||
```python
|
||
# !conda install snappy python-snappy pyarrow fastparquet
|
||
# !pip install pandas_datareader
|
||
```
|
||
|
||
```
|
||
|
||
```
|
||
|
||
Настраиваем графики и импортируем библиотеки.
|
||
```python
|
||
%matplotlib inline
|
||
%config InlineBackend.figure_format = 'svg' #векторный формат
|
||
|
||
from matplotlib import pyplot as plt
|
||
|
||
plt.style.use('ggplot') # Красивые графики
|
||
plt.rcParams['figure.figsize'] = (12, 5) # Размер картинок
|
||
|
||
import numpy as np
|
||
import pandas as pd
|
||
from datetime import timedelta
|
||
from datetime import datetime
|
||
import math
|
||
import os
|
||
import pandas_datareader.data as web
|
||
```
|
||
|
||
```
|
||
|
||
```
|
||
|
||
Скачиваем информацию через API биржи в локальный каталог.
|
||
```python
|
||
|
||
tikers = 'SBER,AFKS,GAZP,MAIL,YNDX,FXUS,FXIT,FXCN,FXDE,FXWO,FXRW'.split(',')
|
||
|
||
def download_data(tiker, path):
|
||
filepath = os.path.join(path, f'{tiker}_2020.parquet')
|
||
if os.path.exists(filepath):
|
||
return
|
||
df = web.DataReader(tiker, 'moex', start='2020-01-01', end='2020-11-12')
|
||
df.to_parquet(filepath, engine='fastparquet')
|
||
|
||
for tiker in tikers:
|
||
print(f'downloading: {tiker}')
|
||
download_data(tiker, "D:\\data2\\Documents\\notebooks")
|
||
|
||
```
|
||
|
||
downloading: SBER
|
||
downloading: AFKS
|
||
downloading: GAZP
|
||
downloading: MAIL
|
||
downloading: YNDX
|
||
downloading: FXUS
|
||
downloading: FXIT
|
||
downloading: FXCN
|
||
downloading: FXDE
|
||
downloading: FXWO
|
||
downloading: FXRW
|
||
|
||
```
|
||
|
||
```
|
||
|
||
Загружаем кешированные на диске данные.
|
||
```python
|
||
|
||
def load_data(tiker, path):
|
||
result = None
|
||
filepath = os.path.join(path, f'{tiker}_2020.parquet')
|
||
if os.path.exists(filepath):
|
||
result = pd.read_parquet(filepath)
|
||
return result
|
||
|
||
dfs = {}
|
||
for tiker in tikers:
|
||
dfs[tiker] = load_data(tiker, "D:\\data2\\Documents\\notebooks")
|
||
|
||
```
|
||
|
||
```
|
||
|
||
```
|
||
|
||
Значения полей `BOARDID` (режимы торгов) у акций и ETF разные. Для акций берём `TQBR` а для фондов `TQTF`.
|
||
```python
|
||
dfs['FXIT']['BOARDID'].unique(), dfs['YNDX']['BOARDID'].unique()
|
||
```
|
||
|
||
|
||
|
||
|
||
(array(['TQTD', 'TQTF', 'SOTC', 'RPMO', 'PSRP', 'PSTF', 'PTTF'],
|
||
dtype=object),
|
||
array(['TQBR', 'SPEQ', 'SOTC', 'RPMO', 'RPEU', 'RPEO', 'MXBD', 'EQRP',
|
||
'PSRP', 'EQRD', 'LIQR', 'PSRD', 'PSRE', 'PTEQ', 'PSEQ'],
|
||
dtype=object))
|
||
|
||
|
||
|
||
|
||
```
|
||
|
||
```
|
||
|
||
Обрабатываем данные, чтобы убрать всё кроме нужного режима торгов, и интерполируем цену.
|
||
```python
|
||
|
||
def price_data(x_df, boardid='TQBR'):
|
||
xdf = x_df.copy()
|
||
xdf = xdf.where(xdf['BOARDID'] == boardid)
|
||
xdf.dropna(axis=0, how='all', inplace=True)
|
||
xdf.dropna(axis=1, how='all', inplace=True)
|
||
if 0 == xdf.size:
|
||
return xdf
|
||
xdf['OPEN'] = xdf['OPEN'].interpolate(method='polynomial', order=2);
|
||
xdf['CLOSE'] = xdf['CLOSE'].interpolate(method='polynomial', order=2);
|
||
xdf['WAPRICE'] = xdf['WAPRICE'].interpolate(method='polynomial', order=2);
|
||
return xdf
|
||
|
||
# для простоты, считаем что если имя начинается на FX то это ETF
|
||
for tiker in tikers:
|
||
dfs[tiker] = price_data(dfs[tiker], boardid='TQTF' if 'FX' in tiker else 'TQBR')
|
||
```
|
||
|
||
```
|
||
|
||
|
||
```
|
||
|
||
Нормализуем графики с помомщью отношения средневзвешеной (по объёму торгов) цены `WAPRICE` и медианой этого показателя.
|
||
Затем соединяем таблицы и строим графики.
|
||
```python
|
||
# WAPRICE/median
|
||
def calc_wdm(df):
|
||
return df['WAPRICE'] / df['WAPRICE'].median()
|
||
|
||
for tiker in tikers:
|
||
dfs[tiker][tiker] = calc_wdm(dfs[tiker])
|
||
|
||
df_base = dfs['FXIT'][[]]
|
||
|
||
def merge_dfs(base):
|
||
result = base
|
||
for tiker in tikers:
|
||
result = result.merge(dfs[tiker][[tiker]], how='outer', on='TRADEDATE')
|
||
return result
|
||
|
||
|
||
xxdf = merge_dfs(df_base)
|
||
|
||
xxdf['diff_us'] = xxdf['FXUS'] - xxdf['FXIT']
|
||
|
||
# рисуем графики
|
||
xxdf.plot(y='FXUS,FXIT,FXCN,FXDE,FXWO,FXRW'.split(','), kind='line', title='ETF: WAPRICE / median')
|
||
xxdf.plot(y='SBER,AFKS,GAZP,MAIL,YNDX'.split(','), kind='line', title='RU: WAPRICE / median')
|
||
xxdf.plot(y='diff_us'.split(','), kind='line', title='FXUS - FXIT')
|
||
xxdf.plot(y='FXIT,YNDX'.split(','), kind='line', title='FXIT & YNDX')
|
||
xxdf.plot(y='FXWO,FXRW,FXUS'.split(','), kind='line', title='FXUS & FXWO & FXRW');
|
||
```
|
||
|
||
```
|
||
|
||
```
|
||
|
||
|
||
Все ETF Finex достаточно сильно коррелируют, за исключением FXRW конечно.
|
||
|
||
|
||
```
|
||
|
||
```
|
||
|
||
На российском рынке по произвольно выбранным акциям корреляция слабая.
|
||
|
||
|
||
```
|
||
|
||
```
|
||
|
||
Разница в колебаниях FXUS и FXIT.
|
||
|
||
|
||
```
|
||
|
||
```
|
||
|
||
Между Яндексом и FXIT некоторая корреляция есть.
|
||
|
||
|
||
```
|
||
|
||
```
|
||
|
||
Между FXWO и FXUS корреляция очень сильная.
|
||
|